Riprendiamo il nostro cammino alla scoperta di Lean Startup, addentrandoci in quelli che sono gli aspetti più profondi e delicati per il nostro “esperimento” e la “ricerca” del nostro business.

Come visto, il cuore di Lean Startup è il ciclo build-measure-learn, ovvero la Strategia che consente di raggiungere il Goal primario di Validate Learning e definire le Tattiche relative all’Innovation Accounting. Per quanto possa sembrare semplice procedere ripetitivamente con n-cicli build-measure-learn, è bene approfondire le varie tematiche sottese, soprattutto relativamente al “measure” e al “learn”, considerando che la parte di “build” può contare su pratiche rodate derivanti dal mondo Agile.

In particolare “misurare” i miglioramenti e gli obiettivi raggiunti è tutt’altro che semplice: cosa vado a misurare nella realtà? Come misuro tutto ciò?

Uno dei metodi su cui Lean Startup fa particolarmente leva è la Cohort Analysis, ben definita da Wikipedia:

A cohort study or panel study is a form of longitudinal study used in medicine, social science and ecology. It is one type of study design and should be compared with a cross-sectional study.

A cohort is a group of people who share a common characteristic or experience within a defined period (e.g., are born, leave school, lose their job, are exposed to a drug or a vaccine, etc.). Thus a group of people who were born on a day or in a particular period, say 1948, form a birth cohort. The comparison group may be the general population from which the cohort is drawn, or it may be another cohort of persons thought to have had little or no exposure to the substance under investigation, but otherwise similar. Alternatively, subgroups within the cohort may be compared with each other.

In soldoni, si tratta di un approccio particolarmente utile per misurare (o meglio tracciare) il comportamento degli utenti e il loro attaccamento al servizio (fidelity) nel tempo.

Vediamo in concreto come poter utilizzare la Cohort Analysis rifacendoci ad un caso reale proposto da Robert J.Moore, che la applica in modo diretto ai nuovi utenti di Twitter. I dati si riferiscono al 2009, ma sono sufficienti per lo scopo di questo post, e sono raggruppati in tre diversi diagrammi.

Nel primo, viene illustrato il comportamento degli utenti nell’arco di un semestre in funzione al loro mese di iscrizione, rappresentato dai diversi colori. Sull’asse delle ordinate viene riportata la percentuale di utenti che hanno effettuato almeno 1 azione per ognuno dei mesi di riferimento:

Comportamento utenti iscrizione/mesi

Da questa rappresentazione possiamo estrarre già una quantità notevole di informazioni strategiche:

• Dopo l’iscrizione (che per definizione è il 100% delle attività), si nota che dopo il primo mese gli utenti hanno una calo di utilizzo che va dal 50% al 75%. Successivamente l’uso tende a stabilizzarsi, il che permette di fare previsioni abbastanza attendibili sul numero di utenti medi realmente attivi;
• Gli utenti iscritti più di recente sono quelli che utilizzano maggiormente il sistema (gennaio e aprile 2009). Questo dato può essere dovuto a diversi elementi (che noi non conosciamo, ma che sicuramente Twitter conosce):
  • rilascio nuove features;
  • pubblicità;
  • effetto virale;
  • ecc…

Se spostiamo a livello settimanale l’analisi, ragionando su cohort presi su base settimanale a loro volta, otteniamo il risultato della figura seguente:

Cohort Analysis Weekly

Anche in questo casosi evidenzia un drop-off simile a quello visto precedentemente, ma si chiarisce che esso avviene principalmente nella prima settimana di iscrizione. La cosa interessante è che gli utenti più “anziani” (azzurri e gialli) hanno degli andamenti altalenanti rispetto agli altri utenti. Questo, probabilmente, indica che il loro attaccamento al servizio è dovuto più a un motore di crescita “jump start”, ovvero qualche azione specifica di Twitter che li ha convinti a ritornare, che a nuove funzionalità, che di base contemplerebbero un andamento crescente quanto meno lineare.

Vediamo, infine, una terza indagine che prende in analisi la frequenza di utilizzo (numero di tweet, in pratica) nell’arco dei mesi, basandoci sulla stessa scala mensile/attività e sugli stessi cohort di rifermento al primo diagramma:

Tweets numbers

A dispetto dell’alto tasso di abbandono dopo il primo mese (vista in precedenza), il tasso di attività in esso è superiore o pari al 100% per tutti gli utenti, indipendentemente se poi continueranno o meno ad utilizzare la piattaforma.

Di nuovo, come visto nel diagramma 36, gli utenti appartenenti al “cohort” giallo sono gli unici iscritti nel 2007 (rilevati a gennaio 2008) ad avere un tasso di attività superiore a quello degli iscritti dopo. Questo elemento è fondamentale perché indica che tali utenti, caratterizzare più in profondità da Twitter, sono un po’ gli adopter più fedeli su cui far leva e sono un indicatore concreto/storico del successo delle iniziative dell’approccio fail-fail-win.

Perché è importante tutto ciò? Se ci fossimo limitati a conteggiare, ad esempio, il numero totale di iscritti e la loro attività, avremmo avuto un’indicazione di massima del rapporto iscritti/tweet. Questo ci avrebbe fatto perdere l’indicazione relativa al “cohort giallo” che, a dispetto del dropdown, rappresenta una fetta di utenti particolarmente “attiva” e rilevante per l’impatto delle nuove modifiche introdotte. Al contrario, invece, il “cohort arancione” può essere più indicativo delle azioni una-tantum, perché la loro attività mediamente è stabile, con punti in cui cala in modo lineare per poi riprendersi e riportarsi vicino al punto medio.

Tutto ciò consente alla startup di:

• prendere opportune iniziative, generali e mirate: Innovation Accounting;
• dare informazioni di dettaglio ai possibili investitori per strappare nuovi round di finanziamento.