Hoe een hypothese helpt om te bepalen of je succesvol bent
Een goede hypothese opstellen in 4 stappen
- Artikel
- Customer Experience
Een bekend scenario: bij vernieuwing van een product of dienst wordt de aanname gedaan dat er verbetering is gerealiseerd. Denk bijvoorbeeld aan een aanpassing op je website, de implementatie van een nieuwe productfeature of de digitale transformatie van een organisatie om efficiënter te werken. Als je echt wilt testen of de situatie na de doorgevoerde vernieuwing beter is, dan zal je voorafgaand aan de verandering moeten beginnen met het opstellen van hypothesen.
Deze blog is in 2024 geüpdatet door Michelle Gijsberts, Research consultant bij Digital Power.
Wat zijn hypothesen?
Hypothesen zijn toetsbare stellingen die je verwacht te behalen met een verandering. Door hypothesen op te zetten denk je na over de volgende punten:
- Wat je gaat veranderen
- Wat je verwacht dat het gevolg is van deze verandering
- Hoe je verwacht dat deze de verandering invloed uitoefent op de waarde die een product of dienst levert.
Een goede hypothese opstellen in 4 stappen
Stap 1: Zorg dat de hypothese relevant is
Een hypothese moet bijdragen aan de doelen, en dus de KPI’s, van je organisatie. De resultaten uit de hypothese zullen de organisatie vaak verder helpen, ongeacht of de hypothese wordt bevestigd of ontkracht. Bovendien hebben projecten met relevante hypothesen een grotere kans op support vanuit de organisatie dan irrelevante hypothesen.
Voorbeeld: webwinkel met de KPI ‘conversieratio’
Relevante hypothese: draagt bij aan een KPI
- Door een prijsactie te voeren op alle mobiele telefoons zal de conversie van mobiele telefoons toenemen.
Irrelevante hypothese: irrelevante metric
- Door een prijsactie te voeren op alle mobiele telefoons zullen er meer pageviews op de productpagina van mobiele telefoons zijn.
Stap 2: Bepaal je onafhankelijke en afhankelijke variabelen
Benoem in de hypothese specifiek wat er bewust wordt veranderd (onafhankelijke variabele), en op welke KPI deze verandering verwacht wordt een impact te hebben (afhankelijke variabele). Omschrijf ook de richting van het effect: verwacht je een stijging of daling in de KPI? Wanneer je verwacht op meerdere KPI’s een invloed te hebben, stel dan voor iedere KPI een aparte hypothese op.
Voorbeeld: bezorgdienst test track-and-trace codes
Huidige situatie: Na het bestellen van een product ontvangen klanten geen track-and-trace code.
Nieuwe situatie: Na het bestellen van een product ontvangen klanten wel een track-and-trace code.
Onafhankelijke variabele: Het wel/niet ontvangen van een track-and-trace code.
Afhankelijke variabele: Het aantal klantenservice telefoontjes over de status van een bestelling
Hypothese: Door bij de orderbevestiging naar klanten die een bestelling hebben geplaatst een track-and-trace code te sturen, zal het aantal telefoontjes over dit onderwerp afnemen in vergelijking tot klanten zonder zo een code.
Stap 3: Bepaal je doelgroep
Bedenk of er een specifieke doelgroep is waarvoor de verandering relevant is. Dit bepaalt naar welke populatie de bevinding vanuit jouw hypothese te vertalen is. Denk hierbij bijvoorbeeld aan online gebruikers, gebruikers die vanaf hun telefoon je website bezoeken of mensen die al klant bij je zijn.
Voorbeeldhypothese met doelgroep: het aanbieden van online bestelkorting zal leiden tot meer conversie vanuit online klanten dan dat deze korting niet wordt aangeboden.
Voorbeeld zonder doelgroep: het aanbieden van online bestelkorting zal leiden tot meer conversie dan dat deze korting niet wordt aangeboden.
De doelgroep bij voorbeeld twee is onduidelijk. Voor wie geldt de korting? Welke groep zal een hogere conversie hebben? Wanneer kan deze hypothese aangenomen of verworpen worden?
Stap 4: Vergelijk minstens twee metingen
Bij het testen van een hypothese vergelijk je minstens twee verschillende metingen om je conclusies op te baseren. Zo kun je bijvoorbeeld een meting voor optimalisatie vergelijken met een meting na optimalisatie, of zoals bij A/B testen beide varianten tegelijk.
Je kunt ook een groep maken waar je een optimalisatie toepast en die vergelijken met een groep waar je geen optimalisatie toepast, zoals bij een A/B test.
Voorbeeldhypothese: Werken met gedigitaliseerde tools leidt tot minder fouten bij werknemers dan analoge werktools.
De werkgever geeft willekeurig aan 50% van haar werknemers digitale werktools, de andere 50% behoudt de huidige analoge tools. Ze vergelijkt de foutratio van de digitale groep met de niet-digitale groep.
Een goede hypothese is het halve werk
Met deze 4 stappen kom je al een heel eind, maar denk natuurlijk ook goed na over alles wat moet gebeuren nadat je deze hypothesen hebt opgesteld. Denk aan het ontwerpen van de metingen, het analyseren van de resultaten en het inrichten van een optimalisatieproces. Hier kunnen wij jou ook bij ondersteunen. Een ding is in elk geval zeker, een goede hypothese is het halve werk.
Gebruik onze Hypothese Generator
Wil jij ook jouw aannamen bij onderzoek, A/B-testingtesten, productverbetering of optimalisatieprojecten veranderen in aantoonbaar succes? Doorloop de bovenstaande stappen en maak gebruik van onze handige Hypothese Generator. Daarnaast bieden we nog meer handige tools aan die jouw testen tot een succes maken!
Hulp nodig bij het opstellen van goede hypothesen? Onze Customer Experience Consultants denken graag met je mee.
Dit is een artikel van Maks Keppel, Web Analyst bij Elsevier
Oud-collega Maks hielp in zijn Digital Power tijd organisaties hun producten en serviceverlening te verbeteren aan de hand van datagedreven optimalisatie. Hij werkt nu als Webanalist bij Elsevier Life Science om digitale producten te optimaliseren.
1x per maand data insights, praktijkcases en een kijkje achter de schermen ontvangen?
Meld je aan voor onze maillijst en blijf 'up to data':