Проверяем Jobs to Be Done без разговоров с клиентами

Сергей Борисюк, CTO и сооснователь PandaDoc, рассказал на конференции ProductSense, как сформулировать JTBD и Value Proposition, если нет времени на разговоры с клиентом, но есть человек, который знает Python.

PandaDoc помогает компаниям настроить документооборот так, чтобы они работали эффективнее. Сейчас наш софт используют 15 тысяч компаний по всему миру, в основном это англоговорящие компании.

Для понимания масштаба: каждые семь секунд наши клиенты отправляют документ, то есть пока вы открывали статью и читали лид — несколько документов ушло на подпись. В 2018 году клиенты закрыли сделки на $3,5 млрд, а недавно мы запустили платежи и через нас прошло уже более $100 млн.

В зону моей ответственности входит продуктовая стратегия, и во время работы над ней мы сформулировали brand promise — “look professional and close more deals faster” — то, что мы обещаем клиентам

Мы это сформулировали, но потом пришло осознание, что такой brand promise не охватывает все возможные варианты использования продукта. У нас есть разные услуги: hr, платежи и просто подписание документов. И хотя PandaDoc — компания с большим оборотом, которая уже нашла свой Product/Market Fit, мы поняли, что нужно срочно сформулировать свои Jobs to Be Done и Value Proposition.

Это может показаться странным, но определение JTBD и формулирование VP — это бесконечный процесс, потому что добавляются новые сегменты, меняется продукт и сценарий использования. В общем, нужно эти артефакты постоянно полировать и корректировать.

Я задумался, как провалидировать brand promise сейчас и делать это регулярно потом, при условии, что времени у нас немного. Можно, конечно, просто сделать кучу звонков клиентам и спросить, почему они используют PandaDoc, какую пользу мы им приносим и какую проблему решаем, но я придумал кое-что другое.

G2Crowd и Capterra — это сайты, где постят отзывы на всякий софт для b2b. На момент сбора у нас было 365 отзывов на G2Crowd, 657 — на Capterra. Все отзывы хорошо структурированы, так как сайты задают конкретные вопросы про плюсы, минусы, общее впечатление, пользу для бизнеса и так далее.

Мне нужно было собрать эти ревью. Я написал скрипт, который парсит отзывы на сайте и складывает в файлы. На моем столе оказались более 1000 ревью с G2Crowd и Capterra в структурированном формате.

Далее нужно понять, о чем говорят клиенты, и самый простой способ — сделать «облако» слов. Взять все плюсы из отзывов с сайтов, объединить их, сделать «облако», вычистить ненужные слова — и вот у вас есть картинка, которая дает понимание, о чем говорят клиенты.

Это хороший способ составить общую картину, но тут нет контекста. Потому что можно говорить как «easy to», так и «not easy». Нужно копать дальше.

Моя цель — провалидировать, для решения каких проблем клиенты «нанимают» наш продукт. Какой пользу мы приносим?

Люди оставляли ревью в специфичном формате, поэтому стандартная структура JTBD нам не очень подходила:

Выход был в том, чтобы сделать функциональную JTBD:

Тут есть действие, объект и контекст. Контекст нам не очень интересен, нужно определиться с объектами и глаголами действия.

Объекты “Proposal”, “Quote”, “Contract”, “Agreement”, “Document” — это документы, с которыми пользователи работают в PandaDoc. Чтобы понять, что пользователи с ними делают, я использовал текстовый анализ — concordance. Это помогло «центрировать» отдельные слова в текстовом массиве и посмотреть контекст вокруг них.

Теперь у меня есть объекты и действия с ними — можно читать. Я начал смотреть, что клиенты делают с объектами и какие глаголы они используют. Например, четыре основных действия производят над коммерческими предложениями — оптимизируют, создают, отправляют и отслеживают их судьбу. “Document” и “contract”, в основном создают, отправляют, подписывают и отслеживают.

Если склеить все глаголы и объекты, выходит:

Бонусным шел “track”, под которым клиенты понимали две вещи: где и в каком состоянии находится их документ (отправлен, не отправлен, его приняли и так далее). Они понимали, просмотрел его клиент или нет с помощью нашей дополнительной аналитики — это было wow-фактором, который нам нужно было подчеркнуть.

В облаке слов было несколько терминов, которыми мы объясняли людям, что мы делаем — «процессы», «воркфлоу» и так далее. Мне показалось интересным их тоже прогнать через concordance-анализ и посмотреть, что говорят клиенты. Оказалось, что process используют очень часто и слово упоминается в контексте “speedup” — ускорения, “streamline” — улучшения, “simplifies” — упрощения. Еще в тестах было “improve”, “automate”, “accelerate”, но они все сводились к улучшению процесса.

Итак, процессы упрощают не развлечения ради, а для чего-то — ради какой-то цели. Эту цель мне нужно было найти. Я еще раз посмотрел на words cloud, выделил и проанализировал “easy”, “time”, “easily”. Клиенты говорили о нескольких категориях со словом “easy” — это “easy to views”, “easy to create”, “easy to get signatures”, “easy to build”. “Time” использовали в одном контексте: «срезали», «сохраняли», «уменьшали», «обрезали» и прочее.

Итак, из простой функциональной JBTD “Create, send, track and sign Proposals and Contracts” мне нужно было перейти к ценности для клиента. Я начал читать комментарии дальше, чтоб как-то связать то, что клиенты делают (смотри выше) и что они при этом получают.

У меня получились достаточно интересные выводы. “Create, send, track and sign” для клиентов и был “process”. Когда они улучшали этот процесс, они упрощали и ускоряли его и тем самым экономили время.

Под “Proposals and Contracts” клиенты понимали Sales Documents. Вместо “Create, send, track and sign” я подставил “Streamlined Process”, а вместо “Proposals and Contracts” — “Sales Documents”. Получилось “Streamlined Process for Sales Documents”.

Вспомним, что мы начинали с двух brand promise: “look professional” и “close deals faster”. Мы работаем с небольшими клиентами: когда они используют PandaDoc, они выглядят более профессионально. Это то, о чем они сами пишут в отзывах.

Второй brand promise — “close deals faster” — трансформировался в два:

Именно так говорили об этом клиенты, и это правильнее передает их посыл.

Благодаря этому исследованию мы переформулировали объяснение пользы от PandaDoc:

Немногие из вас захотят возиться с Python, поэтому вы можете пойти другими путями. Например, купить знакомому разработчику пива и предложить решить эту задачу. Но можно обойтись и без разработчика, и без Python.

Шаг 1. Сбор данных. Установите расширение Chrome Data Miner. Затем настройте колонки в интерфейсе, чтобы вытащить определенные данные с нужного сайта. Все данные приложение сохранит в структурированном формате.

Шаги 2–3. «Облако» слов и контекст. Программа Voyant-tools сделает облако, в котором вы увидите все слова, которые спарсили. Также она покажет график, который похож на ягодку — когда вы наведете курсор на слово, подсветятся другие слова, с которыми это слово употреблялось. Тут же есть и concordance-анализ, который находит слово или термин и показывает контекст. С помощью этих простых действий вы можете понять, что о вашем продукте думают клиенты и зачем они его используют.

Этот способ также подойдет, чтобы проанализировать, почему клиенты вас не любят. Например, когда мы увидели “easy to use, but it’s hard to set up”, стало понятно, что нужно что-то делать с онбордингом.

Конференция ProductSense по менеджменту продуктов — один из проектов команды ProductSense. Мы делаем расшифровки докладов с наших конференций и пишем по ним статьи.

Благодарим за подготовку статьи редактора Асю Челован.