Varsayımdan Kanıta

Geçen sayıda elimizde aday bir iş modeli vardı. Bu sayıda ise iş modelindeki varsayımları test etme yöntemlerini ve yaklaşım şeklini konuşacağız. Kağıt üzerinde her şey mantıklı görünebilir. Problem tanımı net, çözüm iyi kurgulanmış, müşteriyle bağlantı kurulmuş. Ama bunların hepsi henüz doğrulanmamış varsayımlar..

“Hiçbir iş planı müşteriyle ilk temastan sonra hayatta kalmaz.” — Steve Blank

Bu noktada sık yapılan bir hata var: ekiplerin “yeterince biliyoruz” diyerek doğrudan ürün geliştirmeye geçmesi. Oysa bu yaklaşım, zaman ve kaynak açısından en maliyetli hatalardan biri.

Bu sayıda odağımız şu: Bu varsayımları en hızlı ve en az maliyetle nasıl test ederiz?

Prototip Değil, Pretotip

Bu kavram ayrımı çok işe yarıyor. Google’ın eski mühendis liderlerinden Alberto Savoia’ya ait:

• Prototip “bunu yapabilir miyiz, çalışır mı?” sorusunu cevaplar.

• Pretotip ise daha önceki, çok daha kritik bir soruyu cevaplar: “bunu yapmalı mıyız, gerçekten isteniyor mu?”

Çoğu zaman ekipler doğrudan ilk soruya atlıyor. Oysa cevaplanması gereken asıl soru ikincisi.

Eric Ries’ın Lean Startup‘ta uzun uzun anlattığı şey de aslında tam olarak bu: bir girişimin ilerlemesi inşa edilen ürün miktarıyla değil, doğrulanmış öğrenmeyleölçülüyor. Ne kadar kod yazıldığı, ne kadar slayt hazırlandığı önemli değil. Önemli olan: müşteri hakkında gerçekten ne öğrendik?

Çok sevdiğim klasik bir örnek: 1999’da Nick Swinmurn diye bir adam çıkıyor, “insanlar ayakkabıyı internetten alır mı?” diye merak ediyor. O dönem böyle bir şey yok. Ama Swinmurn milyon dolarlık altyapı kurmuyor. Mahalledeki ayakkabıcıya gidip vitrindeki ürünlerin fotoğrafını çekiyor, basit bir siteye koyuyor. Sipariş gelince ayakkabıcıya geri gidip ayakkabıyı alıp gönderiyor. Para kazanmıyor başta. Ama ihtiyacı olan tek şeyi öğreniyor: insanlar gerçekten internetten ayakkabı alıyor.

O sayfa Zappos oldu. 10 yıl sonra Amazon’a 1,2 milyar dolara satıldı.

Swinmurn 1999’da bunu mecburen ucuz yapıyordu. Bugün ise herkes ucuz pretotip kurabilir; sınırsız araç, sınırsız hız var. Ama hızlı kurabiliyor olmak, doğru olanı sınadığımız anlamına gelmiyor. Bunun için bir yapıya ihtiyacımız var: deney döngüsü.

Deney Döngüsü ve Kanıt

Pretotipi nasıl tasarlayacağımızı, ne zaman ve hangi varsayım için kullanacağımızı belirleyen bir yapıya ihtiyacımız var. Bu yapının adı deney döngüsü. Her varsayım için tekrarlanan bir akış kuruyor; pretotipi de bu akışın içinde, doğru noktada devreye sokuyoruz. Deney döngüsü bu işi çok iyi tarif ediyor.

Konuyu somutlaştırmak için bir örnek üzerinden yürüyelim. Bir banka, müşterilerinin temel bankacılık işlemlerini şubeye gitmek yerine görüntülü görüşme ile yapabileceği bir sistem kurmayı düşünüyor olsun.

1. Odağı seç. Hangi müşteri segmenti, hangi problem, hangi çözüm adayı? Bu üç netlik olmadan deney kurmak zaman kaybı. Bizim örneğimizde: 25-45 yaş arası dijital bankacılık kullanıcısı, şubeye gitmenin yarattığı zaman kaybı, çözüm adayı görüntülü müşteri temsilcisi. Discover ve Experiment #1’den getirdiğimiz personayı, problemi ve aday çözümü bu adımda netleştiriyoruz.

2. En riskli varsayımı belirle. Elimizde her zaman birden fazla varsayım var. Hangisini önce test edeceğiz? Bunu seçmek için iki ekseni olan basit bir matris kullanıyoruz: bilinen-bilinmeyen × önemli-önemsiz. Önemli ama emin olduğumuzu sınamak zaman kaybı; belirsiz ama önemsizi sınamak da öyle. Kritik kesişim: hem işin geleceğini değiştirebilecek hem de kanıtı henüz elimizde olmayan varsayım.

Banka örneğinde böyle bir varsayım: “Müşterilerimiz, görüntülü görüşme ile bankacılık işlemlerini şubeye gitmeye tercih edecek.” Bu hem kritik (yatırımın temeli) hem de elimizde kanıtı yok.

3. Hipotezi tasarla. Riskli varsayımı sınanabilir bir cümleye dönüştürüyoruz. Bunun için üç şeye ihtiyacımız var:

• Beklenen davranış: Müşteriden tam olarak ne yapmasını bekliyoruz? “İlgi duyacak” değil, “tıklayacak”, “rezervasyon yapacak”, “konuşmayı tamamlayacak” gibi gözlemlenebilir bir eylem.

• Metrik: Hangi oranda olursa varsayımımız doğrulanmış sayılır? %5 mi, %30 mu, %70 mi? Bunu önceden belirlemek şart, yoksa sonucu kendi lehimize yorarız.

• Süre: Ne kadar sürede sonuca varmak istiyoruz? İki hafta mı, iki ay mı?

Üçü birleşince formül şöyle:

“Eğer X aksiyonunu uygularsak, personanın %Y’si Z davranışında bulunacak.”

Banka için: “Görüntülü görüşme sistemi sunarsak, mobil bankacılık aktif kullanıcılarının %15’i iki hafta içinde en az bir işlemini bu kanaldan yapacak.”

Burada “davranış” kelimesi belirleyici. Anket cevabı değil, niyet beyanı değil. Gerçek bir eylem. Çünkü insanların söylemi ve eylemi sürekli değişir. Söylediği şey o anın havasıdır; ne hissettiği, kimin sorduğu, bağlamın nasıl kurulduğu cevabı değiştirir. Eylem ise gerçeklikle temas ettiği yerdir. Biz eyleme odaklanırız, eylemi gözlemleriz.

4. Deneyi çalıştır. Hipoteze uygun yöntemi seç ve sahaya çık. Yöntem yelpazesi geniş: landing page’le tıklama testi, sahte özellik butonu, konsiyerj hizmeti (arka tarafta her şeyi elle yapıp önde otomatik gibi göstermek), Wizard of Oz testi (kullanıcının “AI ile konuştuğunu” sandığı yerde aslında bir insanın yazması). Banka örneğinde mantıklı yöntem: mobil uygulamada görüntülü görüşme butonunu küçük bir kullanıcı grubuna gösterip tıklama ve tamamlama oranını ölçmek.

Burada altın kural: görüş değil, kanıt istemek. “Böyle bir ürün olsa alır mıydın?” sorusunun cevabı hiçbir zaman sahaya yansımaz. Onun yerine taahhüt iste. E-posta bıraksın. Ön sipariş için ödeme yapsın. Niyet mektubu imzalasın. Hangi seviyede taahhüt veriyorsa, o kadar gerçek sinyal alıyorsun.

Deneyi çalıştırırken üç şeyi ayrı ayrı kayıt altına almak çok önemli:

• Sonuçlar: Rakamlar. Kaç kişi gördü, kaçı tıkladı, kaçı tamamladı.

• Gözlemler: Hipotezde aramadığımız ama deney sırasında fark ettiğimiz şeyler. Mesela: “tıklayanların büyük kısmı 35 yaş altı çıktı” gibi.

• Öğrenimler: Bu sonuçlar ve gözlemler bize ne anlatıyor? Varsayımımız doğrulandı mı, yanlışlandı mı, yoksa gri mi kaldı?

Bu üçü ayrılmazsa ekip rakamlara takılıp asıl içgörüyü kaçırıyor. Çoğu zaman en değerli öğrenmeyi gözlemlerden çekiyoruz, sonuçtan değil.

“Tüm fikirler birer varsayımdır. Asıl beceri onları doğrulamak değil, gerçeğin ne olduğunu en hızlı şekilde görmektir.” — Alberto Savoia

5. Karar ver. Bu adım bir sonraki sayının konusu (Öğrenmeden Karara). Sinyalleri okumak, hangi kanıt düzeyinin hangi kararı hak ettiğini belirlemek, üst yönetime nasıl sunmak. Şimdilik şu kadarını söyleyeyim: kararın üç yönü var. Devam et, değiştir, durdur.

Bu döngü tek seferlik bir iş değil. Bir varsayım kanıta dönüşünce sıradaki en riskli varsayıma geçiyoruz. Döngü tekrar baştan işliyor. Her tur bizi varsayımdan kanıta, kanıttan iş modelinin sağlam haline biraz daha yaklaştırıyor. Bu yüzden her deneyin kayda geçirildiği bir deney günlüğü tutmak çok değerli, sıradaki kararı geçmiş öğrenmelerin ışığında verebilmek için.

Bu Aşamada AI’dan Nasıl Yararlanıyoruz?

Deney döngüsünün her adımı bugün AI ile ciddi şekilde hızlanıyor.

Pretotip kurmak en hızlanan kısım. Eskiden bir landing page için bir hafta geliştiriciye ihtiyaç vardı, bugün Lovable vb araçlarala yarım saatte canlıda. Açıklayıcı bir video lazımsa ai araçlarla üretiliyor. Arka tarafta bir akış kurulması gerekiyorsa Bubble, Cursor gibi no-code araçlar yarım günde işi bitiriyor.

Hipotez yazmak ve sonuçları okumak da hızlandı. ChatGPT ya da Claude’a Discover’dan gelen görüşme notlarını verip “en kritik varsayımlar nelerdir” diye sormak, bir günlük ekip toplantısını çeyrek saatlik bir taslağa indiriyor. Deney bittikten sonra yüzlerce form ya da transkript içinde detaylar aramak da artık AI’ın işi.

Ama tek uyarı: kanıt hâlâ sahadan, gerçek kullanıcıdan gelir. AI hızlandırır, sentezler, kolaylaştırır. Ama gerçek insanın gerçek bir eylemle attığı adımın yerine geçemez.

Kapanış

Bu sayının sonunda elimizde ne var? Aday iş modelini hipoteze dönüştürülmüş, en riskli varsayımı önceleyen ve doğru pretotiple test eden bir deney serisi.

Ama deney tek başına karar vermez. Sonuçların önce sinyale, sonra karara dönüşmesi gerekir. Bir sonraki sayıda Experiment’in son halkasını ele alıyoruz: öğrenmeden karara. Hangi sinyal hangi kararı hak ediyor, üst yönetime neyi nasıl sunacağız?

Yeni fırsatları keşfetmek ve birlikte değer yaratmak isterseniz info@experinn.com mail adresim üzerinden her zaman iletişime geçebilirsiniz.

Experinn - Sosyal Medya Kanallarımız:

LinkedIn Hesabımız: https://www.linkedin.com/company/experinn/

Instagram Hesabımız: https://www.instagram.com/experinn