loader image

بازطراحی نسخه موبایل صندوق فروشگاهی

از بهینه‌سازی عملیات فروشگاه تا ایجاد زیرساخت پیشنهاد تأمین‌کننده

نسخه موبایلی صندوق فروشگاهی در دو مرحله توسعه پیدا کرد.
در مرحله اول، مسئله اصلی تنوع کم کالای قابل‌فروش در اکالا به دلیل موجودی اشتباه اقلام فروشگاه ها در نرم افزار صندوق فروشگاهی اکالا (ویرا) بود.
در مرحله دوم، نیاز بیزینسی مجموعه، جمع آوری داده های خرید و فروش قابل اعتماد برای پیشنهاد تامین کالا به فروشگاه به جای ویزیتور بود که به دلیل موفقیت نسبی PDA (نسخه موبایلی) دراصلاح موجودی سوپرمارکت ها، مجدد استفاده از ظرفیت نسخه موبایل برای حل این چالش مورد توجه قرار گرفت.  

خلاصه‌ای از مسیر پروژه، از مسئله تا نتیجه

داستان از کجا شروع شد؟

مسئله کسب‌وکار در فاز اول

اکالا با یک مشکل جدی در تنوع و دسترسی‌پذیری کالای فروشگاه ها در سایت مواجه بود. بخشی از فروشگاه‌ها فاکتورهای خرید خود را به‌درستی ثبت نمی‌کردند و موجودی کالا را اصلاح نمی‌کردند؛ در نتیجه موجودی ثبت‌شده در سیستم با موجودی واقعی فروشگاه فاصله داشت و بخشی از کالاهایی که واقعاً در فروشگاه موجود بودند، در اکالا قابل فروش نبودند.

فرضیه اولیه تیم محصول

مدیر محصول با بررسی داده‌های موجود از ثبت فاکتور خرید، اصلاح موجودی و عملکرد فروشگاه‌ها  به مشاهدات زیر رسید

  • فروشگاه هایی که میانگین فروش هر صندوق در آنها بالا است موجودی اصلاح نشده و کنسلی فروش بیشتری در پلتفرم اکالا دارند 
  • در فروشگاه های هدف (فروشگاه های با تنوع محصولی بالا) بین 70 تا 75درصد از کالاهای آنها موجودی منفی دارد
  • در این فروشگاه‌ها حداقل یک صندوق روزانه دست کم 2 ساعت (به صورت ناپیوسته) زمان آزاد دارد به این معنی که درگیر فرایند فروش نیست. 
  • فروش کم فروشگاه به دلیل تنوع محصول پایین انگیزه فروشگاه ها نسبت به سود پلتفرم آنلاین کاهش داده است.
  • فروشگاه ها حاضر به پرداخت هزینه اضافی برای یک صندوق صرفا برای ثبت فاکتور خرید نیستند

در نتیجه مشاهدات بالا تیم محصول به فرضیه زیر برای راه حل این این مسئله رسید.

اگر ثبت فاکتور خرید و اصلاح موجودی با یک ابزار سریع و ساده‌تر در اختیار فروشگاه قرار بگیرد، می‌توان مشارکت فروشگاه‌ها در ثبت اطلاعات موجودی را افزایش و تنوع و دسترس‌پذیری کالا در اکالا را بهبود داد. در نتیجه نسخه PDA (نسخه محدود روی دستگاه PDA که شبیه به کارتخوان میباشد) راه حل مناسبی است

این فرضیه، نقطه شروع ورود من به پروژه بود.

شرح کوتاهی از نقش من در این پروژه

1- دریافت Brief

افزایش تنوع و دسترس‌پذیری کالا در اکالا با حل مشکل ثبت فاکتور خرید و اصلاح موجودی فروشگاه‌ها، از طریق ارائه یک ابزار سریع و ساده مبتنی بر

2- تبدیل Brief به سؤال قابل‌بررسی

چه عواملی مانع اصلاح و به‌روزرسانی موجودی فروشگاه‌ها می‌شوند و آیا ساده‌تر و کم‌هزینه‌تر کردن این فرایند می‌تواند این موانع را برطرف کند؟

3- تحلیل وضعیت موجود و الگوی فعلی استفاده از PDA

Data Analysis

تحلیل داده های استفاده و عملکرد فروشگاه ها برای دسته بندی الگوی استفاده و بررسی تفاوت رفتارها

1- ویرایش و کنسلی سفارش آنلاین الزاماً با موجودی غلط مرتبط نبود

2- فروشگاههایی که به طور مرتب فاکتور خرید ثبت میکنند حداکثر 50% فاکتورها را با PDA ثبت میکنند

3- 3% از فروشگاه ها اصلا از PDA خریداری شده استفاده نمی کنند

4- کسانی که به طورمرتب از PDA استفاده میکنند مقید به ثبت فاکتور خرید هستند

5- فروشگاه ها بیستر برای ثبت فاکتور خرید از PDA استفاده میکنند تا اصلاح موجودی

Behavioral Research

بررسی رفتار واقعی کاربران در فرایند ثبت فاکتور و اصلاح موجودی با مصاحبه مستقیم

1- فروشگاهها ارزش اصلاح موجودی یا به عبارتی ارزش ریالی فروش آنلاین را درک نکرده اند

2- کسانی که از PDA استفاده نمیکنند از خطای کارگر تحویل بار نگرانند

3-فروشگاههای که ارزش فروش انلاین را درک کردهاند امکان اصلاح موجودی بیش از 1000 قلم کالا را ندارند

4- PDA گزینه جستجوی کالا برای کالاهای بدون بارکد ندارد

5- PDA امکان انتخاب کالا از بخش کالای با دسترسی سریع ندارد

6- در PDA امکان تغریف جند قیمتی برای قیمت مصرف کننده وجود ندارد

7- فروشگاهها برای تغییر قیمت محصول زمان میگذارند اما برای اصلاح موجودی نه

8- تخفیف در ثبت فاکتور خرید نداشت

Event tracking & Task Analysis

ریزکردن فرایندها به Micro-task و تحلیل تعاملات کاربران با observation و تعریف event روی برنامه

1- تعداد بالای Call to action ها کاربر را  سردرگم میکرد

2- فضای اسکرول آیتمهای اضافه شده در فاکتورخرید کم بود جستجوی اقلام را زمان بر میکرد
3- قیمت مصرف کننده برای مقایسه تغییر قیمت در همان صفحه نمایش داده نمیشد کاربر به ازای هر آیتم دکمه ویرایش را کلیک میکرد

5- از insight به راه حل رسیدم

با جلسات ایده پردازی و تحلیل رقبایی مثل Toast و Lightspeed در نهایت راهکارهای زیر برای چالش های پیش رو مشخص شد 

Insightراه‌حل
ارزش فروش آنلاین برای کاربر ملموس نبود

1- نوتیفیکیشن فروش از دست‌رفته به صورت SMS، نوتیف درون در صفحه فروش و نوتیف در صفحه گزارشات ژورنال با تست A/B

2- اولویت‌دهی فروشگاه‌های با اصلاح موجودی منظم در نتایج سرچ اپلیکیشن اکالا برای ایجاد انگیزه و پاداش به رفتار درست فروشگاه‌ها

تعداد بالای کالاهای با موجودی منفی شروع کار را پیچیده کرده بودپیشنهاد ۴۰ کالای پرفروش برای اصلاح موجودی درون برنامه
فروشگاه‌های موفق در اصلاح موجودی رفتار مشخصی داشتندپیشنهاد فروشگاه‌های مشابه/موفق
PDA برخی سناریوهای واقعی را پوشش نمی‌دادپشتیبانی از سناریوهای جستجوی کالای بدون بارکد، چندقیمتی، تخفیف در فاکتور خرید
ثبت مستقیم فاکتور توسط تحویل‌گیرنده ریسک خطا داشتثبت دومرحله‌ای فاکتور خرید و تایید نهایی فاکتور ثبت شده در PDA توسط کارشناس صندوق
Workflow انبارگردانی پیچیده بودتبدیل فرایند دو مرحله‌ای به یک فرایند ساده‌تر

6- طراحی wireframe

 

7- طراحی دیزاین سیستم

8- طراحی High Fidelity , تست کاربرد پذیری با کاربر واقعی و بهبود

در این مرحله ابتدا طرح نهایی پیاده سازی شد و با تعریف event tracking جدید و مقایسه event های قبلی و بررسی میزان بهبود و همچنین نوتیفیکیشن درون برنامه ای میزان اثر این طراحی در نتایج مورد انتظار را بررسی کردیم

نتایج خروجی فاز اول

نتایج زیر تأیید کردند که کاهش اصطکاک در فرایند اصلاح موجودی می‌تواند به افزایش پذیرش PDA در میان کاربران فعلی منجر شود؛ اما در عین حال، مشکل عمیق‌تری را آشکار کردند: فروشگاه‌هایی که ارزش چندانی در ثبت فاکتورهای خرید نمی‌دیدند، همچنان این فرایند را به کار نمی‌گرفتند.

متریکقبل از بازطراحی PDA۲ ماه بعد از لانچ
میانگین روزانه SKUهای فعال در فروشگاه‌های هدف (۳۰ روز گذشته)۳۸۰۵۷۰
میانگین درصد SKUهای با موجودی منفی فروشگاه‌های هدف۷۵٪۶۴٪
تعداد فروشگاه‌هایی که از PDA به‌صورت فعال استفاده می‌کنندحداقل روزی ۱ بار فاکتور خرید یا اصلاح موجودی در روزهای کاری۷۲۱۶۳
میانگین سهم ثبت فاکتور خرید با PDA نسبت به صندوق، در فروشگاه‌هایی که PDA دارند۳۸٪۶۸٪
میانگین سهم اصلاح موجودی با PDA نسبت به صندوق، در فروشگاه‌هایی که PDA دارند۶۵٪۷۱٪
میانگین فروش آنلاین روزانه — فروشگاه‌های هدف با Active PDA۱۳۵۰۰۰۰۰۰۱۸۳۰۰۰۰۰۰
میانگین فروش آنلاین روزانه — فروشگاه‌های هدف بدون Active PDA۶۵۰۰۰۰۰۰۷۱۰۰۰۰۰۰

فاز دوم تعریف یک نیاز کسب‌وکار جدید

کمی بعد از توسعه PDA، اکالا روی یک فرصت کسب‌وکاری جدید کار می‌کرد:
ارائه پیشنهاد تأمین کالا به تأمین‌کنندگان و در ادامه، کاهش وابستگی تامین کنندگان به ویزیتورهای فروش.

پیش نیاز این ایده دستیابی به داده‌های دقیق و به‌روز از فروش، خرید و موجودی فروشگاه‌ها بود؛ داده‌ای که بخش قابل‌توجهی از آن از طریق ثبت فاکتور خرید و اصلاح موجودی درست به دست می‌آمد.

از آنجا که PDA در فاز اول توانسته بود استفاده از ثبت فاکتور و اصلاح موجودی را افزایش دهد، تیم تصمیم گرفت بررسی کند:

آیا می‌توان فروشگاه هایی که فاکتور خرید ثبت نمی کنند را مجاب کرد که فاکتورهای خرید خود را یه صورت منظم ثبت کنند

برای پاسخ به این سؤال، در کنار مدیر محصول ابتدا بررسی کردیم چه ارزش مستقیمی می‌توان به فروشگاه ارائه کرد تا انگیزه‌ای برای ثبت منظم فاکتورهای خرید داشته باشند.

با بررسی رقبا، رفتار فروشگاه‌ها، گفتگو با کاربران و اجرای چند آزمایش کوچک، به سمت گزارش‌ها و هشدارهای هوشمند درباره موجودی، فروش از دست‌رفته و سود رفتیم؛ ارزش‌هایی که می‌توانستند در ازای ثبت دقیق‌تر داده‌ها به فروشگاه ارائه شوند.

هم‌زمان، برای کاهش موانع adoption، هزینه سخت‌افزار PDA و میزان effort موردنیاز برای ثبت فاکتور را نیز بررسی کردم. این بررسی‌ها در نهایت مسیر محصول را به سمت نسخه موبایل PDA و استفاده از AI برای ساده‌سازی ثبت فاکتور خرید هدایت کرد.

نتیجه فاز دوم

در این فاز، تا این مرحله این نسخه از نرم افزار به صورت آزمایشی برای 10 فروشگاه در حال استفاده است تا کتابخانه مورد نیاز برای پیشنهاد کالای هوش مصنوعی تکمیل شود و به صورت عمومی در دسترس قرار بگیرد 

شرح کامل نقش من در پروژه

PDA — Product Design Case Study

PRODUCT DESIGN CASE STUDY · PDA

از یک ابزار ثبت فاکتور تا یک حلقه ارزش محصول

دو فاز، یک محصول؛ اما با دو مسئله متفاوت. ابتدا Workflow را ساده کردم، سپس یک Business Goal جدید باعث شد Purchase Data به بخشی از Product Strategy تبدیل شود.

Product DesignResearchData & TrackingInteraction Design
PDA product interface
41٪کاهش زمان ثبت فاکتور / آیتم
23٪ → 4٪کاهش رها شدن فاکتور
48٪ → 79٪افزایش سهم ثبت با PDA
2 PHASESاز Workflow تا Product Strategy

Brief پروژه

پروژه را با این brief تحویل گرفتم: بازطراحی نسخه موجود PDA به‌عنوان یک ابزار کم‌هزینه‌تر برای ثبت فاکتور خرید و اصلاح سریع‌تر موجودی، با هدف افزایش مشارکت فروشگاه‌ها و بهبود تنوع و دسترس‌پذیری کالا در اکالا. تیم محصول بر اساس داده‌های موجود و یک survey از فروشگاه‌ها، PDA را راهکار مناسبی برای این مسئله می‌دانست.

سگمنت مشتریان

فروشگاه هایی که شرایط زیر را داشته باشند
  • تنوع کالایی بالایی داشتند بیش از 1500 قلم کالا؛
  • فروش حضوری بالایی داشتند؛
  • و در نتیجه، کیفیت موجودی آن‌ها تأثیر مستقیمی بر تنوع کالای قابل‌فروش در اکالا داشت.

01 — ابتدا Brief را به یک سؤال قابل‌بررسی تبدیل کردم

من Brief را این‌طور می‌خواندم:

Business Problem:
موجودی ثبت‌شده فروشگاه‌ها دقیق نیست → کالاهای موجود در فروشگاه روی اکالا قابل فروش نیستند → تنوع و فروش آنلاین کاهش پیدا می‌کند.

Product Hypothesis:
اگر ثبت فاکتور خرید و اصلاح موجودی ساده‌تر و سریع‌تر شود، فروشگاه‌ها بیشتر از PDA استفاده می‌کنند و در نتیجه کیفیت داده موجودی بهتر می‌شود.

اما هنوز یک چیز را نمی‌دانستم:

آیا واقعاً مشکل، سخت بودن ابزار است؟

چون اگر مشکل اصلی انگیزه، ارزش perceived، آموزش، فرآیند کاری یا هر چیز دیگری باشد، صرفاً redesign کردن PDA مسئله را حل نمی‌کند.

بنابراین اولین سؤال من:

دقیقاً در کدام نقطه از مسیر، Adoption و Workflow دچار اختلال می‌شوند؟

02 — در ادامه وضعیت موجود و الگوی استفاده از PDA را بررسی کردم

قبل از اینکه چیزی طراحی کنم، می‌خواستم بفهمم:

  1. چه فروشگاه‌هایی PDA دارند؟
  2. کدام فروشگاه‌ها واقعاً از آن استفاده می‌کنند؟
  3. از PDA برای چه کارهایی استفاده می‌کنند؟
  4. کجا از PDA استفاده نمی‌کنند و به POS برمی‌گردند؟
  5. فرایند ثبت فاکتور و اصلاح موجودی بدون PDA چگونه انجام می‌شود؟
  6. تفاوت رفتار کاربران فعال و غیرفعال چیست؟
برای پاسخ به این سوالات از سه روش استفاده کردم

2.1 Data Analysis

برای اینکه ابتدا یک تصویر کمی از وضعیت موجود داشته باشم، از تیم Data خواستم الگوی استفاده از PDA را در سطح فروشگاه‌ها استخراج کند؛ از جمله میزان استفاده از PDA برای ثبت فاکتور خرید و اصلاح موجودی و وضعیت موجودی فروشگاه‌ها.

فروشگاه‌ها را بر اساس میزان استفاده از PDA به چند گروه تقسیم کردم تا بتوانم رفتار و عملکرد آن‌ها را با یکدیگر مقایسه کنم. نتایج به دست آمده از این بخش به شرح زیر است

شاخص Active PDA Partial PDA Inactive PDA No PDA
تعریف PDA را به‌صورت منظم برای عملیات اصلی استفاده می‌کند PDA را به‌صورت محدود/مقطعی استفاده می‌کند PDA دارد اما عملاً استفاده نمی‌کند PDA ندارد
سهم از فروشگاه‌ها 11٪ 6٪ 2٪ 81٪
کاربرد اصلی PDA ثبت فاکتور خرید + انبارگردانی اصلاح موجودی + چاپ برچسب — —
سهم ثبت فاکتور خرید با PDA 48٪ 0٪ 0٪ —
سهم اصلاح موجودی با PDA 3٪ 74٪ 5٪ —
SKUهای با موجودی منفی 1٪ 52٪ 12٪ 78٪
فروشگاه‌های دارای SKU با موجودی منفی 2٪ 94٪ 35٪ 89٪
ویرایش / اصلاح فروش آنلاین 12٪ 12٪ 17٪ 19٪
کنسلی سفارش‌های آنلاین 21٪ 18٪ 11٪ 32٪

نتیجه گیری خیلی مهم:

  • نتایج به دست آمده از جدول بالا نشان داد کنسل یا ویرایش کردن سفارش آنلاین در فروشگاه ها ارتباط معناداری با موجودی غلط فروشگاه ندارد و احتمالا عامل دیگری باعث اصلاح و کنسلی سفارش آنلاین فروشگاه ها میشود و در این مرحله رسیدگی و پیگیری این مسئله از بازطراحی PDA خارج شد و توسط تیم جداگانه ای پیگیری و برطرف شد.
  • نتایج بالا همچنین نشان داد حتی فروشگاه هایی که به طور مرتب فاکتور خرید ثبت میکنند همه فاکتورها را با PDA ثبت نمیکنند و نیاز بود علت این مسئله ریشه یابی شود

02.2 — Behavioral Research | کاربران در عمل چگونه کار می‌کنند؟

برای فهمیدن رفتار واقعی کاربران، با فروشگاه‌هایی که در حال حاضر PDA داشتند تماس گرفتم و درباره‌ی فرایند واقعی کارشان از لحظه دریافت کالا تا ثبت فاکتور، اصلاح موجودی و به‌روزرسانی قیمت‌ها مصاحبه کردم.

به‌جای پرسیدن صرفاً «چه مشکلی با PDA دارید؟»، سؤال‌ها را حول رفتار واقعی آن‌ها طراحی کردم؛ مثلاً:

  • وقتی کالای جدید وارد فروشگاه می‌شود، از ابتدا چه کاری انجام می‌دهید؟
  • فاکتور خرید را کجا و چگونه ثبت می‌کنید؟
  • اگر موجودی سیستم اشتباه باشد، چه کاری انجام می‌دهید؟
  • چه زمانی از PDA استفاده می‌کنید و چه زمانی سراغ POS می‌روید؟
  • برای چه کارهایی حاضر هستید زمان بگذارید؟
  • چه کارهایی را انجام نمی‌دهید و چرا؟
  • اگر کالایی بارکد نداشته باشد چه می‌کنید؟
  • وقتی قیمت خرید کالا تغییر می‌کند، چگونه قیمت آن را در سیستم به‌روزرسانی می‌کنید؟

نتیجه گیری خیلی مهم:

خروجی اول: PDA به‌تنهایی مسئله Adoption را حل نمی‌کرد

مهم‌ترین یافته این بود که مسئله فقط سرعت یا usability نبود.

کاربران برای بعضی عملیات، مثل به‌روزرسانی قیمت کالا، حاضر بودند زمان بگذارند؛ اما برای ثبت فاکتور خرید و اصلاح موجودی انگیزه مشابهی نداشتند.

دلیلش این بود که بخشی از فروشگاه‌ها ارزش مستقیم سرویس آنلاین را درک نکرده بودند. آن‌ها فروش حضوری مناسبی داشتند و از طرف دیگر، به دلیل موجودی منفی و نمایش ندادن بخشی از کالاها در فروش آنلاین، فروش آنلاین پایین‌تری تجربه می‌کردند. بنابراین وقتی عملکرد فروش آنلاین را با فروش حضوری خود مقایسه می‌کردند، ثبت فاکتور و اصلاح موجودی را فعالیتی با ارزش کافی نمی‌دیدند.

نتیجه:

بهبود PDA می‌توانست friction عملیاتی را کاهش دهد، اما به‌تنهایی نمی‌توانست مشکل Value Perception / Motivation را حل کند. برای این بخش به یک راهکار محصولی یا بیزینسی جداگانه نیاز داشتیم.

خروجی دوم: تعداد بالای کالاهای با موجودی منفی مانع شروع اصلاح موجودی بود

برخی از فروشگاه ها با وجود انکه فروش در سرویس آنلاین را پرمنفعت می دیدند اما به دلیل تعداد بالای کالاهای نیاز به اصلاح هرگز انگیزه ای برای شروع پیدا نمیکردند به این دلیل که به درستی نمیدانستند کدام کالاها را اصلاح کنند

خروجی سوم: خود PDA نیز چند مانع Adoption داشت

در مصاحبه‌ها، علاوه بر مسئله انگیزه، چند مانع مشخص در خود محصول پیدا کردم:

۱. نبود Search برای کالا

PDA عمدتاً بر پایه اسکن بارکد طراحی شده بود و امکان جست‌وجوی مناسب کالا وجود نداشت. در نتیجه برای کالاهای بدون بارکد، مثل برخی کالاهای فله‌ای، کاربر نمی‌توانست به‌راحتی عملیات را انجام دهد.

۲. نیاز به پشتیبانی از کالاهای چندقیمتی / Jet Print

برخی فروشگاه‌ها یک کالا را با قیمت‌های متفاوت در موجودی داشتند؛ به‌خصوص در شرایط تورمی، کالاهایی که در زمان‌های مختلف و با قیمت‌های متفاوت خریداری شده بودند. این موضوع نیاز به Jet Print / پشتیبانی از چند قیمت برای یک کالا را ایجاد می‌کرد.

۳.عدم اعتماد مدیر فروشگاه به کارگر تحویل بار برای ثبت فاکتور خرید در زمان تحویل بار با PDA

مدیر فروشگاه باور داشت کارگر تحویل گیرنده بار سوار کافی ندارد و نمیتواند فاکتورخرید را ثبت کند در حالی که ثبت فاکتور با PDA مستقیما در صندوق ثبت میشود 

۳. کمبود صبر کاربر در فرایندهای طولانی

در جریان‌های چندمرحله‌ای، کاربران انتظار داشتند عملیات سریع انجام شود و وقتی فرایند طولانی یا پرتعامل می‌شد، احتمال رها کردن آن افزایش پیدا می‌کرد.

بنابراین از Behavioral Research به دو دسته مسئله رسیدم:

نوع مسئله Insight
Adoption Barrier PDA به‌تنهایی ارزش کافی برای ترغیب برخی فروشگاه‌ها به ثبت فاکتور و اصلاح موجودی ایجاد نمی‌کرد
Product Barrier برای کاربرانی که می‌خواستند از PDA استفاده کنند، محدودیت‌هایی مثل نبود Search، پشتیبانی ناکافی از کالاهای بدون بارکد، چندقیمتی بودن کالا و طولانی بودن برخی جریان‌ها وجود داشت

این تفکیک خیلی مهم بود؛ چون نشان داد همه مشکلات را نباید با Redesign خود PDA حل کرد.


02.3 — Event Tracking & Task Analysis | دقیقاً کجا friction ایجاد می‌شود؟

بعد از اینکه فهمیدم چه کسانی از PDA استفاده نمی‌کنند و چرا، تمرکز را روی کاربرانی گذاشتم که قصد استفاده از PDA را داشتند.

سؤال جدید این بود:

در خود فرایند ثبت فاکتور و اصلاح موجودی، دقیقاً کدام مرحله بیشترین زمان یا تعامل را از کاربر می‌گیرد؟

برای پاسخ به این سؤال، فرایندها را به Micro-task شکستم و برای مراحل اصلی Event Tracking تعریف کردم تا بتوانیم زمان، تعداد تعامل و نقاط ریزش را اندازه‌گیری کنیم.

متریک‌هایی که برای Tracking تعریف کردم

مرحله / Event متریک مورد اندازه‌گیری هدف
ورود به فرایند Time to Start زمان رسیدن کاربر به شروع عملیات
شروع ثبت فاکتور Time to First Action مدت‌زمان تا اولین تعامل
نمایش Search Search Response Time زمان نمایش نتایج جست‌وجو
جست‌وجوی کالا Search Attempts تعداد دفعات جست‌وجو
انتخاب کالا Selection Time زمان پیدا کردن و انتخاب کالا
اسکن بارکد Scan Success Rate درصد اسکن‌های موفق
اسکن بارکد Scan Time زمان ثبت موفق یک کالا
اسکن ناموفق Scan Failure / Retry تعداد خطا و تلاش مجدد
ورود مقدار Quantity Entry Time زمان ثبت تعداد
ورود قیمت Price Entry Time زمان ثبت قیمت
اضافه‌کردن آیتم Add Item Time زمان اضافه‌شدن کالا به فاکتور
تعداد آیتم‌ها Items per Invoice تعداد کالاهای هر فاکتور
مشاهده لیست کالاها List Review Time زمان بررسی اقلام ثبت‌شده
Scroll Scroll Count / Depth میزان اسکرول برای پیدا کردن اطلاعات
تغییر صفحه / Bottom Sheet Navigation Count تعداد جابه‌جایی‌ها
خطا Error Rate نرخ خطا در هر مرحله
رها کردن فرایند Drop-off Rate درصد کاربرانی که فرایند را کامل نمی‌کنند
ثبت نهایی Submit Success Rate درصد فاکتورهای واقعاً ثبت‌شده
زمان کل End-to-End Completion Time زمان کامل ثبت یک فاکتور

خروجی این مرحله

این Tracking به من اجازه داد فرایند را از یک «فلو کلی» به مجموعه‌ای از نقاط قابل‌اندازه‌گیری تبدیل کنم و بفهمم:

کجا کاربر بیشتر مکث می‌کند؟
کجا تعامل اضافی دارد؟
کجا خطا می‌کند؟
کجا فرایند را رها می‌کند؟
و کدام بخش بیشترین سهم را در زمان کل عملیات دارد؟

نتایج به دست آمده از Event های بالا به شرح زیر است

Insight Design Decision Expected Impact
Submit به‌راحتی دیده نمی‌شد Redesign final submission ↑ Completion
Inputها فضای زیادی می‌گرفتند Bottom Sheet ↑ Item visibility
Navigation زیاد بود Simplify flow ↓ Interaction cost
کاربران در محیط‌های کم‌تکنولوژی کار می‌کردند Explicit confirmation / clearer states ↓ Error

03 — از Insight به راه‌حل رسیدم

تحلیل داده و تحقیق رفتاری نشان داد که مسئله فقط «سخت بودن PDA» نیست. در واقع با چند مانع متفاوت روبه‌رو بودیم:

  1. برخی فروشگاه‌ها ارزش اصلاح موجودی برای فروش آنلاین را درک نمی‌کردند.
  2. برخی فروشگاه‌ها ارزش را می‌دانستند، اما تعداد زیاد اقلام با موجودی اشتباه، شروع کار را برایشان دشوار می‌کرد.
  3. برخی کاربران به دلیل محدودیت‌های محصول نمی‌توانستند با PDA تمام سناریوهای خود را پوشش دهند.
  4. برای بخشی از کاربران، اعتماد به فرایند ثبت فاکتور و نحوه کنترل اطلاعات مسئله بود.
  5. حتی در فروشگاه‌هایی که قصد استفاده از PDA را داشتند، خود Workflow دارای friction و تعاملات غیرضروری بود.

بنابراین به‌جای اینکه همه مشکلات را با یک Redesign حل کنیم، برای هر مانع یک راهکار جداگانه در نظر گرفتیم.

03.1 — ایجاد انگیزه برای اصلاح موجودی

مسئله

برای بخشی از فروشگاه‌ها، مسئله اصلی نبود انگیزه بود، نه سخت بودن PDA.

کاربر نمی‌دید اصلاح موجودی چه منفعت مستقیمی برای کسب‌وکارش دارد؛ بنابراین حتی اگر فرایند ساده‌تر می‌شد، لزوماً حاضر نبود برای آن زمان بگذارد.

راهکارهای پیشنهادی

برای ایجاد یک ارتباط مستقیم بین موجودی اشتباه → فروش از دست‌رفته → منفعت فروشگاه، چند مدل ارتباطی را پیشنهاد کردیم و قرار شد اثربخشی آن‌ها با Experiment اندازه‌گیری شود:

راهکار نحوه اجرا هدف
SMS اطلاع‌رسانی میزان تقریبی فروش/سفارش از دست‌رفته به دلیل موجودی نادرست + مقایسه با فروشگاه‌های مشابه ایجاد Awareness و انگیزه
Notification داخل محصول نمایش پیام در زمان استفاده از سیستم فروش ایجاد انگیزه در Context مناسب
گزارش پایان روز / Journal نمایش میزان تقریبی فروش از دست‌رفته در گزارش روزانه فروشگاه تبدیل مشکل موجودی به یک Business Metric قابل لمس
بهبود Ranking فروشگاه اولویت دادن به فروشگاه‌هایی که به حد مشخصی از کیفیت موجودی رسیده‌اند ایجاد Reward و انگیزه برای اصلاح موجودی

فرضیه

اگر فروشگاه بتواند اثر مستقیم موجودی نادرست را روی فروش آنلاین خود ببیند و در مقابل، از اصلاح موجودی منفعت ملموسی دریافت کند، احتمال مشارکت آن در فرایند اصلاح موجودی افزایش پیدا می‌کند.


03.2 — وقتی مشکل «زیاد بودن کار» بود، کار را کوچک کردم

مسئله

در مصاحبه‌ها با فروشگاه‌هایی مواجه شدم که ارزش فروش آنلاین را متوجه شده بودند، اما با حجم زیادی از موجودی‌های اشتباه مواجه بودند.

برای فروشگاهی که صدها یا هزاران SKU با موجودی منفی دارد، پیام «موجودی خود را اصلاح کنید» عملاً یک Task بسیار بزرگ است.

کاربر نمی‌دانست:

«از بین این همه کالا، از کجا شروع کنم؟»

راهکار: Daily Recommendations

به‌جای اینکه تمام موجودی‌های اشتباه را یکجا به کاربر نشان دهیم، پیشنهاد شد سیستم هر روز تعداد محدودی از مهم‌ترین کالاها را پیشنهاد کند.

منطق اولیه:

Top-selling products on Akala
↓
مقایسه با موجودی فروشگاه
↓
شناسایی کالاهای مهم با موجودی اشتباه
↓
نمایش چند مورد با اولویت بالاتر
↓
اصلاح موجودی همان موارد

مثلاً به‌جای اینکه کاربر با لیستی از ۲۰۰ SKU مواجه شود:

امروز این ۳ کالا را بررسی کنید.

این Recommendation می‌توانست هم در PDA و هم در صفحه فروش قرار بگیرد.

هدف

کاهش Cognitive Load و تبدیل یک کار بزرگ و مبهم به مجموعه‌ای از Taskهای کوچک و قابل انجام.


03.3 — پوشش سناریوهایی که PDA فعلی پشتیبانی نمی‌کرد

Behavioral Research نشان داد که حتی کاربرانی که قصد استفاده از PDA را داشتند، در بعضی سناریوها مجبور بودند به POS برگردند.

چند نیاز مشخص شناسایی شد:

Search

PDA عمدتاً بر پایه Barcode Scan بود و برای کالاهای بدون بارکد، مانند برخی کالاهای فله‌ای، کاربر مسیر مناسبی برای پیدا کردن کالا نداشت.

راهکار: اضافه کردن Search به جریان انتخاب کالا.

کالاهای چندقیمتی / Jet Print

فروشگاه‌ها ممکن بود یک SKU را در چند نوبت و با قیمت خرید متفاوت تهیه کرده باشند. بنابراین ثبت یک قیمت واحد برای همه موجودی همیشه با واقعیت فروشگاه سازگار نبود.

راهکار: پشتیبانی از چند قیمت برای یک کالا / Jet Print.


03.4 — کاهش ریسک ثبت فاکتور برای کاربران کم‌تجربه

یکی از یافته‌های Behavioral Research این بود که بعضی کاربران به‌خصوص در فروشگاه‌هایی با نیروی کم‌تجربه، نسبت به ثبت مستقیم اطلاعات خرید در سیستم اطمینان نداشتند.

در بررسی الگوهای رقبا، دیدیم که در برخی محصولات مشابه، ثبت فاکتور به‌صورت مستقیم نهایی نمی‌شود و ابتدا در وضعیت Draft قرار می‌گیرد.

راهکار

فرایند ثبت فاکتور را به یک جریان دو مرحله‌ای تبدیل کردیم:

ثبت اطلاعات فاکتور
↓
Draft
↓
بازبینی / تأیید
↓
ثبت نهایی

این مدل به کاربر اجازه می‌داد قبل از تأثیر نهایی اطلاعات روی سیستم، آن را بررسی و تأیید کند.


03.5 — و در نهایت، خود Workflow را ساده کردم

تا اینجا چند مسئله Adoption و Workflow را شناسایی و برایشان راهکار در نظر گرفته بودیم.

اما برای کاربرانی که واقعاً می‌خواستند از PDA استفاده کنند، یک سؤال باقی مانده بود:

آیا خود فرایند PDA می‌تواند سریع‌تر و کم‌اصطکاک‌تر شود؟

اینجا وارد طراحی اصلی شدم.


04 — طراحی PDA بر اساس Frictionهای اندازه‌گیری‌شده

با استفاده از Micro-taskها و Eventهایی که در مرحله قبل تعریف کرده بودم، طراحی را بر اساس نقاطی که بیشترین زمان، تعامل و ریزش ایجاد می‌کردند انجام دادم.

هدف صرفاً تغییر ظاهر نبود؛ بلکه می‌خواستم:

  • تعداد تعاملات کاهش پیدا کند؛
  • زمان ثبت هر آیتم کمتر شود؛
  • اطلاعات بیشتری بدون جابه‌جایی بین صفحات در دسترس باشد؛
  • احتمال خطا و رها کردن فرایند کاهش پیدا کند؛
  • و ثبت فاکتور به یک Workflow سریع و قابل تکرار تبدیل شود.

در طراحی جدید، بخش‌های مختلف فرایند را ساده‌تر کردم و برای جریان‌هایی که تعداد زیادی آیتم داشتند، اطلاعات و کنترل‌های غیرضروری را از مسیر اصلی خارج کردم.

یکی از تصمیم‌های مهم، کاهش تعداد Stepهای قابل مشاهده در فرایند ثبت فاکتور بود؛ به‌جای اینکه کاربر با چندین بخش و کنترل مواجه شود، جریان اصلی به چند اقدام واضح و محدود تبدیل شد.


04.1 — Prototype Validation

بعد از طراحی اولیه، Prototype را قبل از پیاده‌سازی با اعضای تیم بررسی کردم و برای بررسی فنی و رفتاری، آن را در فرآیند QA نیز تست کردیم.

در این مرحله هدف فقط پیدا کردن Bug نبود؛ بررسی می‌کردیم که آیا:

  • کاربر متوجه مسیر انجام Task می‌شود؟
  • CTAها قابل تشخیص هستند؟
  • اطلاعات ضروری در دسترس است؟
  • فرایند با منطق عملیاتی فروشگاه سازگار است؟
  • طراحی جدید محدودیت‌های فنی و اجرایی را ایجاد نمی‌کند؟

پس از پیاده‌سازی نیز رفتار واقعی کاربران را با Clarity بررسی کردم تا ببینم آیا frictionهایی که در طراحی پیش‌بینی کرده بودم، در استفاده واقعی نیز برطرف شده‌اند یا نه.


04.2 — Measurement | آیا واقعاً Workflow بهتر شد؟

اینجا پیشنهاد می‌کنم جدول Metrics را حتماً بیاوری، ولی عدد ساختگی نگذاری. چون این بخش یکی از قوی‌ترین Evidenceهای Case Study تو می‌تواند باشد.

ساختار جدول:

Metric قبل از Redesign بعد از Redesign تغییر تفسیر
زمان ثبت فاکتور به ازای هر آیتم 1':03" 0':37" ↓ 41٪ کاهش زمان End-to-End
زمان اصلاح موجودی 0':46" 0':39" ↓ 15٪ کاهش زمان ثبت SKU
زمان اصلاح موجودی X دقیقه X دقیقه ↓ X٪ کاهش زمان Task
تعداد تعامل به ازای هر آیتم X X ↓ X٪ کاهش Interaction Cost
فاکتور خرید رها شده 23٪ 4٪ ↑ 17% کاهش رها شدن فرایند
تعداد فاکتورهای خرید ثبت‌شده با PDA نسبت به صندوق 48% 79% ↑ 60% افزایش استفاده از PDA
سهم اصلاح موجودی ثبت‌شده با PDA 74٪ 78٪ ↑ 9% انتقال بیشتر Workflow به PDA
تعداد فروشگاه‌های Active PDA 148 325 ↑ 45٪ افزایش Adoption
تعداد فروشگاه‌های Inactive PDA 9 3 ↓ 66٪ کاهش کاربران غیرفعال


04.3 — Iteration | داده نشان داد هنوز یک مشکل باقی مانده

بعد از پیاده‌سازی، دوباره Eventها را بررسی کردم.

یک الگوی غیرمنتظره دیدم:

در بعضی فروشگاه‌ها، زمان ثبت فاکتور به ازای هر آیتم همچنان بالا بود.

این بار به‌جای اینکه دوباره حدس بزنم، Sessionهای همین فروشگاه‌ها را در Clarity بررسی کردم.

چیزی که در Sessionها دیدم

کاربر بعد از اضافه کردن چند کالا، مرتب در لیست آیتم‌ها Scroll می‌کرد تا بررسی کند:

«این کالا را ثبت کردم یا نه؟»

بررسی بیشتر نشان داد که مشکل از سرعت اسکن نبود.

فضای نمایش Line Itemها بیش از حد کوچک شده بود.

بخش زیادی از صفحه توسط Inputها اشغال شده بود و در نتیجه کاربر برای دیدن لیست کالاهای ثبت‌شده فضای کافی نداشت.

این یک Insight مهم بود:

Friction در اینجا از «ورود اطلاعات» نبود؛ از «Review کردن اطلاعات واردشده» بود.


04.4 — Iteration دوم: طراحی را بر اساس رفتار واقعی اصلاح کردم

برای حل این مشکل، بخش Input را از فضای اصلی Workflow خارج کردم و آن را به Bottom Sheet منتقل کردم.

در نتیجه:

قبل

Inputهای بزرگ
↓
فضای کم برای Line Items
↓
Scroll زیاد
↓
زمان بیشتر برای Review

بعد

Line Items با فضای بیشتر
↕
Bottom Sheet برای ورود / ویرایش اطلاعات

این تغییر باعث شد کاربر بتواند تعداد بیشتری از آیتم‌های ثبت‌شده را همزمان ببیند و بدون Scrollهای مکرر آن‌ها را بررسی کند.

همزمان متوجه شدم جدول اطلاعات بیش از حد متراکم است و بعضی ستون‌ها ارزش عملیاتی کافی برای این Task ندارند.

بنابراین اطلاعات را دوباره اولویت‌بندی کردم و ستون‌های غیرضروری، مثل قیمت فروش در این مرحله از Workflow، حذف شدند تا فضای بیشتری برای اطلاعات ضروری باقی بماند و خوانایی Line Itemها افزایش پیدا کند.

THE STORY CONTINUESاما Business Goal تغییر کرد...

و سؤال از «چطور Workflow را ساده‌تر کنیم؟» به «چطور ثبت فاکتور را به یک رفتار پایدار تبدیل کنیم؟» تغییر کرد.

PHASE 02

وقتی یک هدف بیزینسی جدید، مسئله PDA را تغییر داد

فاز اول روی کاهش friction و افزایش استفاده از PDA متمرکز بود؛ فاز دوم با نیاز به Purchase Data قابل‌اعتماد، مسئله را به سطح Product Strategy برد.

چرا فاز دوم شکل گرفت؟

فاز اول با یک مسئله مشخص شروع شده بود:

چطور ثبت فاکتور خرید و اصلاح موجودی را برای فروشگاه‌ها ساده‌تر کنیم تا کیفیت موجودی بهتر شود؟

در فاز اول، روی کاهش frictionهای Workflow، افزایش استفاده از PDA و ساده‌تر کردن ثبت فاکتور و اصلاح موجودی کار کردیم.

اما در ادامه، یک Business Goal جدید به مسئله اضافه شد.

هدف جدید کسب‌وکار

محصول می‌خواست به سمت پیشنهاد تأمین‌کننده به فروشگاه‌ها حرکت کند و در ادامه، بخشی از فرایند سنتی تأمین و نقش ویزیتور را کاهش دهد.

برای اینکه بتوانیم چنین سرویسی بسازیم، باید می‌دانستیم:

  • فروشگاه چه کالاهایی می‌خرد؟
  • چه زمانی خرید می‌کند؟
  • از هر کالا چه حجمی خریداری می‌کند؟
  • الگوی خرید فروشگاه چیست؟
  • و در نهایت، از چه تأمین‌کننده‌ای می‌تواند آن کالا را تهیه کند؟

بنابراین یک نیاز داده‌ای جدید ایجاد شد:

برای پیشنهاد تأمین‌کننده، به Purchase Data قابل‌اعتماد نیاز داشتیم.

و اینجا یک تفاوت مهم با فاز اول وجود داشت.

در فاز اول، ثبت فاکتور خرید عمدتاً به‌عنوان ابزاری برای بهبود Inventory Accuracy دیده می‌شد.

اما در فاز دوم:

Purchase Invoice Data خودش تبدیل به یک Asset محصولی شد.

چون بدون ثبت فاکتورهای خرید، نمی‌توانستیم الگوی واقعی خرید فروشگاه را بفهمیم.


01 — مسئله را دوباره تعریف کردم

در این مرحله مسئله دیگر فقط این نبود:

«چطور فروشگاه را قانع کنیم موجودی خود را اصلاح کند؟»

بلکه سؤال جدید این بود:

چطور می‌توانیم فروشگاه‌ها را به ثبت منظم فاکتور خرید ترغیب کنیم تا داده‌ی کافی برای ساخت سرویس پیشنهاد تأمین‌کننده داشته باشیم؟

این تغییر سؤال مهم بود.

چون متوجه شدیم اصلاح موجودی و ثبت فاکتور خرید دو مسئله متفاوت هستند.

اصلاح موجودی

به ما کمک می‌کند بفهمیم:

الان چه چیزی در فروشگاه وجود دارد؟

ثبت فاکتور خرید

به ما کمک می‌کند بفهمیم:

فروشگاه چه چیزی را می‌خرد، چه زمانی می‌خرد و با چه الگویی خرید می‌کند؟

و برای Supplier Recommendation، دومی اهمیت حیاتی داشت.


02 — قبل از طراحی راهکار، ارزش ثبت فاکتور خرید را برای فروشگاه بررسی کردم

یک سؤال مهم داشتیم:

اگر ثبت فاکتور خرید برای ما این‌قدر ارزشمند است، آیا خود فروشگاه هم حاضر است برای داشتن چنین قابلیتی زمان و هزینه صرف کند؟

از تجربه فاز اول می‌دانستیم که صرفاً گفتن:

«فاکتور خرید را ثبت کن.»

انگیزه‌ی کافی برای همه فروشگاه‌ها ایجاد نمی‌کند.

بنابراین به جای اینکه مستقیماً یک Feature جدید طراحی کنیم، ابتدا سعی کردیم Value ثبت فاکتور خرید را برای خود فروشگاه قابل مشاهده کنیم.


02.1 — یک Experiment کوچک برای نشان دادن ارزش داده‌های فروشگاه

برای شروع، چند فروشگاه را به‌صورت هدفمند انتخاب کردیم تا بتوانیم ارزش این نوع Insightها را با خود فروشگاه بررسی کنیم.

نکته مهم این بود که این فروشگاه‌ها همگی از قبل فاکتور خرید ثبت می‌کردند، اما از نظر اندازه و موقعیت جغرافیایی متفاوت بودند.

برای اینکه مقایسه فقط محدود به یک نوع فروشگاه نباشد، آن‌ها را بر اساس دو Dimension اصلی تفکیک کردیم:

1. اندازه فروشگاه / تعداد صندوق

  • فروشگاه‌های بزرگ با ۶ صندوق یا بیشتر
  • فروشگاه‌های متوسط با ۲ تا ۳ صندوق
  • فروشگاه‌های کوچک با ۱ صندوق

2. موقعیت جغرافیایی

  • تهران
  • شهرستان

بنابراین به‌جای اینکه صرفاً بگوییم «۵ فروشگاه را بررسی کردیم»، در Case Study بهتر است بگویی:

برای اینکه اثر اندازه و موقعیت جغرافیایی فروشگاه را هم در نظر بگیریم، فروشگاه‌ها را بر اساس ترکیب تعداد صندوق و منطقه جغرافیایی در چند Segment مقایسه کردیم.

اگر تعداد نهایی دقیقاً ۶ فروشگاه بوده، همان ۶ فروشگاه را نگه می‌داریم؛ اما بهتر است در روایت، تمرکز روی منطق Segmentation باشد، نه عدد ۶.


02.2 — چه چیزی را به فروشگاه‌ها نشان دادیم؟

با استفاده از داده‌های فروش و خرید، چند نوع Insight برای فروشگاه استخراج کردیم.

هدف این نبود که صرفاً بگوییم:

«موجودی شما اشتباه است.»

می‌خواستیم نشان دهیم:

داده‌های فروشگاه می‌تواند درباره عملکرد واقعی کسب‌وکارش به او Insight بدهد.

برای همین چند شاخص را بررسی کردیم؛ از جمله:

کالاهای رسوب‌کرده

کالاهایی که مدت قابل‌توجهی در فروشگاه باقی مانده بودند و گردش مناسبی نداشتند.

کالاهای فروش‌نرفته

بررسی کردیم چه کالاهایی در بازه مشخصی فروش نداشته‌اند.

کالاهای کم‌گردش

کالاهایی که نسبت به الگوی فروش فروشگاه، گردش پایینی داشتند.

Stockout / عدم موجودی

بررسی کردیم چه کالاهایی در بازه‌هایی موجود نبوده‌اند، در حالی که می‌توانستند تقاضای فروش داشته باشند.

یکی از تحلیل‌های مورد استفاده نیز این بود که بررسی کنیم در ماه گذشته:

چه کالاهایی حداقل حدود یک فروش روزانه داشته‌اند، اما برای بیش از دو روز فروش نداشته‌اند.

این نوع تحلیل کمک می‌کرد تا مسئله را از یک عدد خام مثل «موجودی منفی» به یک Business Insight قابل فهم برای فروشگاه تبدیل کنیم.


02.3 — نتیجه چه بود؟

اینجا یک یافته جالب به دست آمد.

وقتی این Insightها را برای Segmentهای مختلف بررسی کردیم، مشخص شد:

فروشگاه‌های بزرگ و منظم

فروشگاه‌هایی که:

  • عملیات خرید منظم‌تری داشتند؛
  • فاکتور خرید را دقیق‌تر ثبت می‌کردند؛
  • و از نظر مدیریت موجودی وضعیت بهتری داشتند؛

در بسیاری از این شاخص‌ها زیان بالقوه بسیار بزرگی نداشتند.

یعنی اتفاقاً فروشگاه‌هایی که از قبل Data Discipline بهتری داشتند، بخش زیادی از مسئله را مدیریت کرده بودند.

در نتیجه، نمی‌توانستیم انتظار داشته باشیم:

«یک گزارش هوشمند» برای این فروشگاه‌ها ارزش مالی بسیار بزرگی ایجاد کند.


فروشگاه‌های متوسط

در فروشگاه‌های متوسط، بعضی از این مسائل بیشتر دیده می‌شد:

  • کالاهای کم‌گردش؛
  • کالاهای فروش‌نرفته؛
  • Stockout؛
  • و فرصت‌های از دست‌رفته فروش.

بنابراین Potential Value در این گروه ملموس‌تر بود.


02.4 — اما یک نکته مهم‌تر از عددها وجود داشت

با وجود اینکه در بسیاری از موارد، رقم مالی Opportunity آن‌قدر بزرگ نبود که به‌تنهایی یک Business Case بسیار قدرتمند ایجاد کند، واکنش فروشگاه‌ها به Insightها مثبت بود.

مثلاً ممکن بود فروشگاه بزرگی که فروش ماهانه بالایی دارد، از نظر مجموع فروش از دست‌رفته ناشی از این موارد، رقم خیلی بزرگی نداشته باشد.

اما وقتی به او نشان می‌دادیم:

«این کالا چند روز است که موجود نیست.»

یا:

«این محصول در شرایطی که معمولاً فروش داشته، چند روز فروش نداشته.»

برای فروشگاه قابل لمس و جذاب بود.

یعنی ارزش فقط در مقدار پول نبود.

Visibility into the business itself had value.

فروشگاه احساس می‌کرد نرم‌افزار دارد چیزی را درباره کسب‌وکارش به او می‌گوید که قبلاً به این شکل نمی‌دیده.


03 — Insight اصلی: برای Adoption باید Value را نشان می‌دادیم

این Experiment یک چیز مهم را برایمان روشن کرد.

در فاز اول، تلاش کرده بودیم:

Cost of doing the task را کاهش دهیم.

یعنی ثبت فاکتور را ساده‌تر کنیم.

اما در فاز دوم متوجه شدیم یک طرف دیگر معادله هم وجود دارد:

Value of doing the task

اگر کاربر نداند ثبت فاکتور چه چیزی برایش ایجاد می‌کند، حتی Workflow بسیار ساده هم ممکن است برایش اولویت نداشته باشد.

بنابراین مسئله را این‌طور دیدیم:

Perceived Value

در مقابل

Effort of Data Entry

و اینجا یک فرصت محصولی ایجاد شد:

اگر بتوانیم از همان داده‌ای که فروشگاه برای ما ثبت می‌کند، Insight واقعی و قابل استفاده برای خودش تولید کنیم، ثبت فاکتور دیگر فقط یک کار برای اکالا نیست؛ برای خود فروشگاه هم ارزش ایجاد می‌کند.


04 — اینجا Business Goal جدید به Product Strategy تبدیل شد

هدف کسب‌وکار:

ساخت Supplier Recommendation و کاهش وابستگی به ویزیتور

نیاز محصول:

داده قابل‌اعتماد از Purchase Behavior فروشگاه

نیاز کاربر:

دریافت Value قابل مشاهده در ازای ثبت داده

پس یک حلقه جدید شکل گرفت:

ثبت فاکتور خرید

↓

داده خرید

↓

تحلیل رفتار فروشگاه

↓

Business Insight

↓

Value برای فروشگاه

↓

انگیزه بیشتر برای ثبت فاکتور

↓

داده بهتر برای پیشنهاد تأمین‌کننده

این حلقه به نظرم باید یکی از مهم‌ترین دیاگرام‌های فاز دوم Case Study تو باشد.


05 — اما یک مشکل باقی مانده بود

Experiment به ما نشان داد که:

فروشگاه‌ها از Insightها استقبال می‌کنند.

اما یک مسئله هنوز پابرجا بود:

اگر ثبت فاکتور خرید برای بعضی فروشگاه‌ها هنوز سخت یا زمان‌بر باشد، چطور می‌توانیم حجم و کیفیت Data را بالا ببریم؟

اینجا دوباره به PDA برگشتیم.

اما این بار با یک نگاه متفاوت.

در فاز اول می‌گفتیم:

PDA باید ثبت فاکتور را راحت‌تر کند.

در فاز دوم می‌گفتیم:

PDA باید Data Capture را آن‌قدر ساده کند که حتی فروشگاه‌هایی که قبلاً فاکتور ثبت نمی‌کردند، بتوانند وارد این Workflow شوند.

و این تفاوت خیلی مهم است.


06 — Segment هدف فاز دوم با فاز اول فرق داشت

این یکی را حتماً در Case Study بیاور.

در فاز اول، بخشی از Adoption از سمت فروشگاه‌هایی اتفاق افتاد که از قبل رفتار ثبت فاکتور خرید داشتند.

یعنی:

فروشگاه‌هایی که از قبل Purchase Invoice ثبت می‌کردند، احتمال بیشتری داشت که از PDA هم استفاده کنند.

اما مسئله اصلی فاز دوم این بود:

چطور به فروشگاه‌هایی برسیم که اساساً Purchase Invoice Registration را انجام نمی‌دهند؟

بنابراین هدف دیگر این نبود که:

کاربران فعلی PDA را بیشتر استفاده کنند.

بلکه:

Non-adopters را وارد Workflow ثبت فاکتور خرید کنیم.

این به نظرم یکی از قوی‌ترین جمله‌های کل Case Study تو است.


07 — راهکار: ثبت فاکتور را حتی ساده‌تر کردیم

با توجه به یافته‌های دو فاز، به این نتیجه رسیدیم که اگر ثبت فاکتور خرید قرار است به یک Data Capture Habit تبدیل شود، نباید کاربر را مجبور کنیم یک Workflow پیچیده را یاد بگیرد.

اینجا AI وارد مسئله شد.

ایده این بود که:

ورود اطلاعات فاکتور را تا حد ممکن از Manual Data Entry جدا کنیم.

به جای اینکه کاربر مجبور باشد تک‌تک اطلاعات فاکتور را وارد کند:

Invoice

↓

AI

↓

Extract Purchase Data

↓

Create Purchase Invoice

هدف این بود که اصطکاک ثبت فاکتور خرید به حداقل برسد و بتوانیم حتی Non-adopterها را وارد این Workflow کنیم.


08 — بنابراین فاز دوم در نهایت چه چیزی را حل می‌کرد؟

فاز دوم را اگر بخواهم خیلی دقیق خلاصه کنم:

فاز اول

Problem:

موجودی دقیق نیست و Workflow ثبت فاکتور/اصلاح موجودی friction دارد.

Focus:

PDA Usability + Inventory Correction + Purchase Invoice Registration


فاز دوم

New Business Goal:

ساخت Supplier Recommendation و حرکت به سمت کاهش وابستگی به ویزیتور.

New Data Requirement:

نیاز به Purchase Data قابل‌اعتماد و مستمر.

New Product Question:

چطور فروشگاه را به ثبت مداوم فاکتور خرید ترغیب کنیم؟

Discovery Insight:

صرفاً ساده‌کردن Workflow کافی نیست؛ کاربر باید Value حاصل از Data را هم ببیند.

Strategic Direction:

تبدیل Purchase Invoice از یک Task اجباری برای سیستم به یک Value Exchange برای فروشگاه.

Product Direction:

  • ارائه Business Insight به فروشگاه
  • استفاده از داده خرید برای سرویس‌های ارزشمندتر
  • و در نهایت ساده‌سازی شدید Data Capture با AI
THE SHIFT

مسئله فقط ثبت فاکتور نبود؛ کیفیت Data Capture بخشی از Product Strategy شد.

این تغییر، نقش PDA را از یک ابزار عملیاتی به بخشی از حلقه ارزش محصول نزدیک کرد.

Brief پروژه

پروژه را با این brief تحویل گرفتم: بازطراحی نسخه موجود PDA به‌عنوان یک ابزار کم‌هزینه‌تر برای ثبت فاکتور خرید و اصلاح سریع‌تر موجودی، با هدف افزایش مشارکت فروشگاه‌ها و بهبود تنوع و دسترس‌پذیری کالا در اکالا. تیم محصول بر اساس داده‌های موجود و یک survey از فروشگاه‌ها، PDA را راهکار مناسبی برای این مسئله می‌دانست.

سگمنت مشتریان

فروشگاه هایی که شرایط زیر را داشته باشند
  • تنوع کالایی بالایی داشتند بیش از 1500 قلم کالا؛
  • فروش حضوری بالایی داشتند؛
  • و در نتیجه، کیفیت موجودی آن‌ها تأثیر مستقیمی بر تنوع کالای قابل‌فروش در اکالا داشت.

01 — ابتدا Brief را به یک سؤال قابل‌بررسی تبدیل کردم

من Brief را این‌طور می‌خواندم:

Business Problem:
موجودی ثبت‌شده فروشگاه‌ها دقیق نیست → کالاهای موجود در فروشگاه روی اکالا قابل فروش نیستند → تنوع و فروش آنلاین کاهش پیدا می‌کند.

Product Hypothesis:
اگر ثبت فاکتور خرید و اصلاح موجودی ساده‌تر و سریع‌تر شود، فروشگاه‌ها بیشتر از PDA استفاده می‌کنند و در نتیجه کیفیت داده موجودی بهتر می‌شود.

اما هنوز یک چیز را نمی‌دانستم:

آیا واقعاً مشکل، سخت بودن ابزار است؟

چون اگر مشکل اصلی انگیزه، ارزش perceived، آموزش، فرآیند کاری یا هر چیز دیگری باشد، صرفاً redesign کردن PDA مسئله را حل نمی‌کند.

بنابراین اولین سؤال من:

دقیقاً در کدام نقطه از مسیر، Adoption و Workflow دچار اختلال می‌شوند؟

02 — در ادامه وضعیت موجود و الگوی استفاده از PDA را بررسی کردم

قبل از اینکه چیزی طراحی کنم، می‌خواستم بفهمم:

  1. چه فروشگاه‌هایی PDA دارند؟
  2. کدام فروشگاه‌ها واقعاً از آن استفاده می‌کنند؟
  3. از PDA برای چه کارهایی استفاده می‌کنند؟
  4. کجا از PDA استفاده نمی‌کنند و به POS برمی‌گردند؟
  5. فرایند ثبت فاکتور و اصلاح موجودی بدون PDA چگونه انجام می‌شود؟
  6. تفاوت رفتار کاربران فعال و غیرفعال چیست؟
برای پاسخ به این سوالات از سه روش استفاده کردم

2.1 Data Analysis

برای اینکه ابتدا یک تصویر کمی از وضعیت موجود داشته باشم، از تیم Data خواستم الگوی استفاده از PDA را در سطح فروشگاه‌ها استخراج کند؛ از جمله میزان استفاده از PDA برای ثبت فاکتور خرید و اصلاح موجودی و وضعیت موجودی فروشگاه‌ها.

فروشگاه‌ها را بر اساس میزان استفاده از PDA به چند گروه تقسیم کردم تا بتوانم رفتار و عملکرد آن‌ها را با یکدیگر مقایسه کنم. نتایج به دست آمده از این بخش به شرح زیر است

شاخص Active PDA Partial PDA Inactive PDA No PDA
تعریف PDA را به‌صورت منظم برای عملیات اصلی استفاده می‌کند PDA را به‌صورت محدود/مقطعی استفاده می‌کند PDA دارد اما عملاً استفاده نمی‌کند PDA ندارد
سهم از فروشگاه‌ها 11٪ 6٪ 2٪ 81٪
کاربرد اصلی PDA ثبت فاکتور خرید + انبارگردانی اصلاح موجودی + چاپ برچسب — —
سهم ثبت فاکتور خرید با PDA 48٪ 0٪ 0٪ —
سهم اصلاح موجودی با PDA 3٪ 74٪ 5٪ —
SKUهای با موجودی منفی 1٪ 52٪ 12٪ 78٪
فروشگاه‌های دارای SKU با موجودی منفی 2٪ 94٪ 35٪ 89٪
ویرایش / اصلاح فروش آنلاین 12٪ 12٪ 17٪ 19٪
کنسلی سفارش‌های آنلاین 21٪ 18٪ 11٪ 32٪

نتیجه گیری خیلی مهم:

  • نتایج به دست آمده از جدول بالا نشان داد کنسل یا ویرایش کردن سفارش آنلاین در فروشگاه ها ارتباط معناداری با موجودی غلط فروشگاه ندارد و احتمالا عامل دیگری باعث اصلاح و کنسلی سفارش آنلاین فروشگاه ها میشود و در این مرحله رسیدگی و پیگیری این مسئله از بازطراحی PDA خارج شد و توسط تیم جداگانه ای پیگیری و برطرف شد.
  • نتایج بالا همچنین نشان داد حتی فروشگاه هایی که به طور مرتب فاکتور خرید ثبت میکنند همه فاکتورها را با PDA ثبت نمیکنند و نیاز بود علت این مسئله ریشه یابی شود

02.2 — Behavioral Research | کاربران در عمل چگونه کار می‌کنند؟

برای فهمیدن رفتار واقعی کاربران، با فروشگاه‌هایی که در حال حاضر PDA داشتند تماس گرفتم و درباره‌ی فرایند واقعی کارشان از لحظه دریافت کالا تا ثبت فاکتور، اصلاح موجودی و به‌روزرسانی قیمت‌ها مصاحبه کردم.

به‌جای پرسیدن صرفاً «چه مشکلی با PDA دارید؟»، سؤال‌ها را حول رفتار واقعی آن‌ها طراحی کردم؛ مثلاً:

  • وقتی کالای جدید وارد فروشگاه می‌شود، از ابتدا چه کاری انجام می‌دهید؟
  • فاکتور خرید را کجا و چگونه ثبت می‌کنید؟
  • اگر موجودی سیستم اشتباه باشد، چه کاری انجام می‌دهید؟
  • چه زمانی از PDA استفاده می‌کنید و چه زمانی سراغ POS می‌روید؟
  • برای چه کارهایی حاضر هستید زمان بگذارید؟
  • چه کارهایی را انجام نمی‌دهید و چرا؟
  • اگر کالایی بارکد نداشته باشد چه می‌کنید؟
  • وقتی قیمت خرید کالا تغییر می‌کند، چگونه قیمت آن را در سیستم به‌روزرسانی می‌کنید؟

نتیجه گیری خیلی مهم:

خروجی اول: PDA به‌تنهایی مسئله Adoption را حل نمی‌کرد

مهم‌ترین یافته این بود که مسئله فقط سرعت یا usability نبود.

کاربران برای بعضی عملیات، مثل به‌روزرسانی قیمت کالا، حاضر بودند زمان بگذارند؛ اما برای ثبت فاکتور خرید و اصلاح موجودی انگیزه مشابهی نداشتند.

دلیلش این بود که بخشی از فروشگاه‌ها ارزش مستقیم سرویس آنلاین را درک نکرده بودند. آن‌ها فروش حضوری مناسبی داشتند و از طرف دیگر، به دلیل موجودی منفی و نمایش ندادن بخشی از کالاها در فروش آنلاین، فروش آنلاین پایین‌تری تجربه می‌کردند. بنابراین وقتی عملکرد فروش آنلاین را با فروش حضوری خود مقایسه می‌کردند، ثبت فاکتور و اصلاح موجودی را فعالیتی با ارزش کافی نمی‌دیدند.

نتیجه:

بهبود PDA می‌توانست friction عملیاتی را کاهش دهد، اما به‌تنهایی نمی‌توانست مشکل Value Perception / Motivation را حل کند. برای این بخش به یک راهکار محصولی یا بیزینسی جداگانه نیاز داشتیم.

خروجی دوم: تعداد بالای کالاهای با موجودی منفی مانع شروع اصلاح موجودی بود

برخی از فروشگاه ها با وجود انکه فروش در سرویس آنلاین را پرمنفعت می دیدند اما به دلیل تعداد بالای کالاهای نیاز به اصلاح هرگز انگیزه ای برای شروع پیدا نمیکردند به این دلیل که به درستی نمیدانستند کدام کالاها را اصلاح کنند

خروجی سوم: خود PDA نیز چند مانع Adoption داشت

در مصاحبه‌ها، علاوه بر مسئله انگیزه، چند مانع مشخص در خود محصول پیدا کردم:

۱. نبود Search برای کالا

PDA عمدتاً بر پایه اسکن بارکد طراحی شده بود و امکان جست‌وجوی مناسب کالا وجود نداشت. در نتیجه برای کالاهای بدون بارکد، مثل برخی کالاهای فله‌ای، کاربر نمی‌توانست به‌راحتی عملیات را انجام دهد.

۲. نیاز به پشتیبانی از کالاهای چندقیمتی / Jet Print

برخی فروشگاه‌ها یک کالا را با قیمت‌های متفاوت در موجودی داشتند؛ به‌خصوص در شرایط تورمی، کالاهایی که در زمان‌های مختلف و با قیمت‌های متفاوت خریداری شده بودند. این موضوع نیاز به Jet Print / پشتیبانی از چند قیمت برای یک کالا را ایجاد می‌کرد.

۳.عدم اعتماد مدیر فروشگاه به کارگر تحویل بار برای ثبت فاکتور خرید در زمان تحویل بار با PDA

مدیر فروشگاه باور داشت کارگر تحویل گیرنده بار سوار کافی ندارد و نمیتواند فاکتورخرید را ثبت کند در حالی که ثبت فاکتور با PDA مستقیما در صندوق ثبت میشود 

۳. کمبود صبر کاربر در فرایندهای طولانی

در جریان‌های چندمرحله‌ای، کاربران انتظار داشتند عملیات سریع انجام شود و وقتی فرایند طولانی یا پرتعامل می‌شد، احتمال رها کردن آن افزایش پیدا می‌کرد.

بنابراین از Behavioral Research به دو دسته مسئله رسیدم:

نوع مسئله Insight
Adoption Barrier PDA به‌تنهایی ارزش کافی برای ترغیب برخی فروشگاه‌ها به ثبت فاکتور و اصلاح موجودی ایجاد نمی‌کرد
Product Barrier برای کاربرانی که می‌خواستند از PDA استفاده کنند، محدودیت‌هایی مثل نبود Search، پشتیبانی ناکافی از کالاهای بدون بارکد، چندقیمتی بودن کالا و طولانی بودن برخی جریان‌ها وجود داشت

این تفکیک خیلی مهم بود؛ چون نشان داد همه مشکلات را نباید با Redesign خود PDA حل کرد.


02.3 — Event Tracking & Task Analysis | دقیقاً کجا friction ایجاد می‌شود؟

بعد از اینکه فهمیدم چه کسانی از PDA استفاده نمی‌کنند و چرا، تمرکز را روی کاربرانی گذاشتم که قصد استفاده از PDA را داشتند.

سؤال جدید این بود:

در خود فرایند ثبت فاکتور و اصلاح موجودی، دقیقاً کدام مرحله بیشترین زمان یا تعامل را از کاربر می‌گیرد؟

برای پاسخ به این سؤال، فرایندها را به Micro-task شکستم و برای مراحل اصلی Event Tracking تعریف کردم تا بتوانیم زمان، تعداد تعامل و نقاط ریزش را اندازه‌گیری کنیم.

متریک‌هایی که برای Tracking تعریف کردم

مرحله / Event متریک مورد اندازه‌گیری هدف
ورود به فرایند Time to Start زمان رسیدن کاربر به شروع عملیات
شروع ثبت فاکتور Time to First Action مدت‌زمان تا اولین تعامل
نمایش Search Search Response Time زمان نمایش نتایج جست‌وجو
جست‌وجوی کالا Search Attempts تعداد دفعات جست‌وجو
انتخاب کالا Selection Time زمان پیدا کردن و انتخاب کالا
اسکن بارکد Scan Success Rate درصد اسکن‌های موفق
اسکن بارکد Scan Time زمان ثبت موفق یک کالا
اسکن ناموفق Scan Failure / Retry تعداد خطا و تلاش مجدد
ورود مقدار Quantity Entry Time زمان ثبت تعداد
ورود قیمت Price Entry Time زمان ثبت قیمت
اضافه‌کردن آیتم Add Item Time زمان اضافه‌شدن کالا به فاکتور
تعداد آیتم‌ها Items per Invoice تعداد کالاهای هر فاکتور
مشاهده لیست کالاها List Review Time زمان بررسی اقلام ثبت‌شده
Scroll Scroll Count / Depth میزان اسکرول برای پیدا کردن اطلاعات
تغییر صفحه / Bottom Sheet Navigation Count تعداد جابه‌جایی‌ها
خطا Error Rate نرخ خطا در هر مرحله
رها کردن فرایند Drop-off Rate درصد کاربرانی که فرایند را کامل نمی‌کنند
ثبت نهایی Submit Success Rate درصد فاکتورهای واقعاً ثبت‌شده
زمان کل End-to-End Completion Time زمان کامل ثبت یک فاکتور

خروجی این مرحله

این Tracking به من اجازه داد فرایند را از یک «فلو کلی» به مجموعه‌ای از نقاط قابل‌اندازه‌گیری تبدیل کنم و بفهمم:

کجا کاربر بیشتر مکث می‌کند؟
کجا تعامل اضافی دارد؟
کجا خطا می‌کند؟
کجا فرایند را رها می‌کند؟
و کدام بخش بیشترین سهم را در زمان کل عملیات دارد؟

نتایج به دست آمده از Event های بالا به شرح زیر است

Insight Design Decision Expected Impact
Submit به‌راحتی دیده نمی‌شد Redesign final submission ↑ Completion
Inputها فضای زیادی می‌گرفتند Bottom Sheet ↑ Item visibility
Navigation زیاد بود Simplify flow ↓ Interaction cost
کاربران در محیط‌های کم‌تکنولوژی کار می‌کردند Explicit confirmation / clearer states ↓ Error

03 — از Insight به راه‌حل رسیدم

تحلیل داده و تحقیق رفتاری نشان داد که مسئله فقط «سخت بودن PDA» نیست. در واقع با چند مانع متفاوت روبه‌رو بودیم:

  1. برخی فروشگاه‌ها ارزش اصلاح موجودی برای فروش آنلاین را درک نمی‌کردند.
  2. برخی فروشگاه‌ها ارزش را می‌دانستند، اما تعداد زیاد اقلام با موجودی اشتباه، شروع کار را برایشان دشوار می‌کرد.
  3. برخی کاربران به دلیل محدودیت‌های محصول نمی‌توانستند با PDA تمام سناریوهای خود را پوشش دهند.
  4. برای بخشی از کاربران، اعتماد به فرایند ثبت فاکتور و نحوه کنترل اطلاعات مسئله بود.
  5. حتی در فروشگاه‌هایی که قصد استفاده از PDA را داشتند، خود Workflow دارای friction و تعاملات غیرضروری بود.

بنابراین به‌جای اینکه همه مشکلات را با یک Redesign حل کنیم، برای هر مانع یک راهکار جداگانه در نظر گرفتیم.

03.1 — ایجاد انگیزه برای اصلاح موجودی

مسئله

برای بخشی از فروشگاه‌ها، مسئله اصلی نبود انگیزه بود، نه سخت بودن PDA.

کاربر نمی‌دید اصلاح موجودی چه منفعت مستقیمی برای کسب‌وکارش دارد؛ بنابراین حتی اگر فرایند ساده‌تر می‌شد، لزوماً حاضر نبود برای آن زمان بگذارد.

راهکارهای پیشنهادی

برای ایجاد یک ارتباط مستقیم بین موجودی اشتباه → فروش از دست‌رفته → منفعت فروشگاه، چند مدل ارتباطی را پیشنهاد کردیم و قرار شد اثربخشی آن‌ها با Experiment اندازه‌گیری شود:

راهکار نحوه اجرا هدف
SMS اطلاع‌رسانی میزان تقریبی فروش/سفارش از دست‌رفته به دلیل موجودی نادرست + مقایسه با فروشگاه‌های مشابه ایجاد Awareness و انگیزه
Notification داخل محصول نمایش پیام در زمان استفاده از سیستم فروش ایجاد انگیزه در Context مناسب
گزارش پایان روز / Journal نمایش میزان تقریبی فروش از دست‌رفته در گزارش روزانه فروشگاه تبدیل مشکل موجودی به یک Business Metric قابل لمس
بهبود Ranking فروشگاه اولویت دادن به فروشگاه‌هایی که به حد مشخصی از کیفیت موجودی رسیده‌اند ایجاد Reward و انگیزه برای اصلاح موجودی

فرضیه

اگر فروشگاه بتواند اثر مستقیم موجودی نادرست را روی فروش آنلاین خود ببیند و در مقابل، از اصلاح موجودی منفعت ملموسی دریافت کند، احتمال مشارکت آن در فرایند اصلاح موجودی افزایش پیدا می‌کند.


03.2 — وقتی مشکل «زیاد بودن کار» بود، کار را کوچک کردم

مسئله

در مصاحبه‌ها با فروشگاه‌هایی مواجه شدم که ارزش فروش آنلاین را متوجه شده بودند، اما با حجم زیادی از موجودی‌های اشتباه مواجه بودند.

برای فروشگاهی که صدها یا هزاران SKU با موجودی منفی دارد، پیام «موجودی خود را اصلاح کنید» عملاً یک Task بسیار بزرگ است.

کاربر نمی‌دانست:

«از بین این همه کالا، از کجا شروع کنم؟»

راهکار: Daily Recommendations

به‌جای اینکه تمام موجودی‌های اشتباه را یکجا به کاربر نشان دهیم، پیشنهاد شد سیستم هر روز تعداد محدودی از مهم‌ترین کالاها را پیشنهاد کند.

منطق اولیه:

Top-selling products on Akala
↓
مقایسه با موجودی فروشگاه
↓
شناسایی کالاهای مهم با موجودی اشتباه
↓
نمایش چند مورد با اولویت بالاتر
↓
اصلاح موجودی همان موارد

مثلاً به‌جای اینکه کاربر با لیستی از ۲۰۰ SKU مواجه شود:

امروز این ۳ کالا را بررسی کنید.

این Recommendation می‌توانست هم در PDA و هم در صفحه فروش قرار بگیرد.

هدف

کاهش Cognitive Load و تبدیل یک کار بزرگ و مبهم به مجموعه‌ای از Taskهای کوچک و قابل انجام.


03.3 — پوشش سناریوهایی که PDA فعلی پشتیبانی نمی‌کرد

Behavioral Research نشان داد که حتی کاربرانی که قصد استفاده از PDA را داشتند، در بعضی سناریوها مجبور بودند به POS برگردند.

چند نیاز مشخص شناسایی شد:

Search

PDA عمدتاً بر پایه Barcode Scan بود و برای کالاهای بدون بارکد، مانند برخی کالاهای فله‌ای، کاربر مسیر مناسبی برای پیدا کردن کالا نداشت.

راهکار: اضافه کردن Search به جریان انتخاب کالا.

کالاهای چندقیمتی / Jet Print

فروشگاه‌ها ممکن بود یک SKU را در چند نوبت و با قیمت خرید متفاوت تهیه کرده باشند. بنابراین ثبت یک قیمت واحد برای همه موجودی همیشه با واقعیت فروشگاه سازگار نبود.

راهکار: پشتیبانی از چند قیمت برای یک کالا / Jet Print.


03.4 — کاهش ریسک ثبت فاکتور برای کاربران کم‌تجربه

یکی از یافته‌های Behavioral Research این بود که بعضی کاربران به‌خصوص در فروشگاه‌هایی با نیروی کم‌تجربه، نسبت به ثبت مستقیم اطلاعات خرید در سیستم اطمینان نداشتند.

در بررسی الگوهای رقبا، دیدیم که در برخی محصولات مشابه، ثبت فاکتور به‌صورت مستقیم نهایی نمی‌شود و ابتدا در وضعیت Draft قرار می‌گیرد.

راهکار

فرایند ثبت فاکتور را به یک جریان دو مرحله‌ای تبدیل کردیم:

ثبت اطلاعات فاکتور
↓
Draft
↓
بازبینی / تأیید
↓
ثبت نهایی

این مدل به کاربر اجازه می‌داد قبل از تأثیر نهایی اطلاعات روی سیستم، آن را بررسی و تأیید کند.


03.5 — و در نهایت، خود Workflow را ساده کردم

تا اینجا چند مسئله Adoption و Workflow را شناسایی و برایشان راهکار در نظر گرفته بودیم.

اما برای کاربرانی که واقعاً می‌خواستند از PDA استفاده کنند، یک سؤال باقی مانده بود:

آیا خود فرایند PDA می‌تواند سریع‌تر و کم‌اصطکاک‌تر شود؟

اینجا وارد طراحی اصلی شدم.


04 — طراحی PDA بر اساس Frictionهای اندازه‌گیری‌شده

با استفاده از Micro-taskها و Eventهایی که در مرحله قبل تعریف کرده بودم، طراحی را بر اساس نقاطی که بیشترین زمان، تعامل و ریزش ایجاد می‌کردند انجام دادم.

هدف صرفاً تغییر ظاهر نبود؛ بلکه می‌خواستم:

  • تعداد تعاملات کاهش پیدا کند؛
  • زمان ثبت هر آیتم کمتر شود؛
  • اطلاعات بیشتری بدون جابه‌جایی بین صفحات در دسترس باشد؛
  • احتمال خطا و رها کردن فرایند کاهش پیدا کند؛
  • و ثبت فاکتور به یک Workflow سریع و قابل تکرار تبدیل شود.

در طراحی جدید، بخش‌های مختلف فرایند را ساده‌تر کردم و برای جریان‌هایی که تعداد زیادی آیتم داشتند، اطلاعات و کنترل‌های غیرضروری را از مسیر اصلی خارج کردم.

یکی از تصمیم‌های مهم، کاهش تعداد Stepهای قابل مشاهده در فرایند ثبت فاکتور بود؛ به‌جای اینکه کاربر با چندین بخش و کنترل مواجه شود، جریان اصلی به چند اقدام واضح و محدود تبدیل شد.


04.1 — Prototype Validation

بعد از طراحی اولیه، Prototype را قبل از پیاده‌سازی با اعضای تیم بررسی کردم و برای بررسی فنی و رفتاری، آن را در فرآیند QA نیز تست کردیم.

در این مرحله هدف فقط پیدا کردن Bug نبود؛ بررسی می‌کردیم که آیا:

  • کاربر متوجه مسیر انجام Task می‌شود؟
  • CTAها قابل تشخیص هستند؟
  • اطلاعات ضروری در دسترس است؟
  • فرایند با منطق عملیاتی فروشگاه سازگار است؟
  • طراحی جدید محدودیت‌های فنی و اجرایی را ایجاد نمی‌کند؟

پس از پیاده‌سازی نیز رفتار واقعی کاربران را با Clarity بررسی کردم تا ببینم آیا frictionهایی که در طراحی پیش‌بینی کرده بودم، در استفاده واقعی نیز برطرف شده‌اند یا نه.


04.2 — Measurement | آیا واقعاً Workflow بهتر شد؟

اینجا پیشنهاد می‌کنم جدول Metrics را حتماً بیاوری، ولی عدد ساختگی نگذاری. چون این بخش یکی از قوی‌ترین Evidenceهای Case Study تو می‌تواند باشد.

ساختار جدول:

Metric قبل از Redesign بعد از Redesign تغییر تفسیر
زمان ثبت فاکتور به ازای هر آیتم 1′:03″ 0′:37″ ↓ 41٪ کاهش زمان End-to-End
زمان اصلاح موجودی 0′:46″ 0′:39″ ↓ 15٪ کاهش زمان ثبت SKU
زمان اصلاح موجودی X دقیقه X دقیقه ↓ X٪ کاهش زمان Task
تعداد تعامل به ازای هر آیتم X X ↓ X٪ کاهش Interaction Cost
فاکتور خرید رها شده 23٪ 4٪ ↑ 17% کاهش رها شدن فرایند
تعداد فاکتورهای خرید ثبت‌شده با PDA نسبت به صندوق 48% 79% ↑ 60% افزایش استفاده از PDA
سهم اصلاح موجودی ثبت‌شده با PDA 74٪ 78٪ ↑ 9% انتقال بیشتر Workflow به PDA
تعداد فروشگاه‌های Active PDA 148 325 ↑ 45٪ افزایش Adoption
تعداد فروشگاه‌های Inactive PDA 9 3 ↓ 66٪ کاهش کاربران غیرفعال


04.3 — Iteration | داده نشان داد هنوز یک مشکل باقی مانده

بعد از پیاده‌سازی، دوباره Eventها را بررسی کردم.

یک الگوی غیرمنتظره دیدم:

در بعضی فروشگاه‌ها، زمان ثبت فاکتور به ازای هر آیتم همچنان بالا بود.

این بار به‌جای اینکه دوباره حدس بزنم، Sessionهای همین فروشگاه‌ها را در Clarity بررسی کردم.

چیزی که در Sessionها دیدم

کاربر بعد از اضافه کردن چند کالا، مرتب در لیست آیتم‌ها Scroll می‌کرد تا بررسی کند:

«این کالا را ثبت کردم یا نه؟»

بررسی بیشتر نشان داد که مشکل از سرعت اسکن نبود.

فضای نمایش Line Itemها بیش از حد کوچک شده بود.

بخش زیادی از صفحه توسط Inputها اشغال شده بود و در نتیجه کاربر برای دیدن لیست کالاهای ثبت‌شده فضای کافی نداشت.

این یک Insight مهم بود:

Friction در اینجا از «ورود اطلاعات» نبود؛ از «Review کردن اطلاعات واردشده» بود.


04.4 — Iteration دوم: طراحی را بر اساس رفتار واقعی اصلاح کردم

برای حل این مشکل، بخش Input را از فضای اصلی Workflow خارج کردم و آن را به Bottom Sheet منتقل کردم.

در نتیجه:

قبل

Inputهای بزرگ
↓
فضای کم برای Line Items
↓
Scroll زیاد
↓
زمان بیشتر برای Review

بعد

Line Items با فضای بیشتر
↕
Bottom Sheet برای ورود / ویرایش اطلاعات

این تغییر باعث شد کاربر بتواند تعداد بیشتری از آیتم‌های ثبت‌شده را همزمان ببیند و بدون Scrollهای مکرر آن‌ها را بررسی کند.

همزمان متوجه شدم جدول اطلاعات بیش از حد متراکم است و بعضی ستون‌ها ارزش عملیاتی کافی برای این Task ندارند.

بنابراین اطلاعات را دوباره اولویت‌بندی کردم و ستون‌های غیرضروری، مثل قیمت فروش در این مرحله از Workflow، حذف شدند تا فضای بیشتری برای اطلاعات ضروری باقی بماند و خوانایی Line Itemها افزایش پیدا کند.

فاز دوم — وقتی یک هدف بیزینسی جدید، مسئله PDA را تغییر داد

چرا فاز دوم شکل گرفت؟

فاز اول با یک مسئله مشخص شروع شده بود:

چطور ثبت فاکتور خرید و اصلاح موجودی را برای فروشگاه‌ها ساده‌تر کنیم تا کیفیت موجودی بهتر شود؟

در فاز اول، روی کاهش frictionهای Workflow، افزایش استفاده از PDA و ساده‌تر کردن ثبت فاکتور و اصلاح موجودی کار کردیم.

اما در ادامه، یک Business Goal جدید به مسئله اضافه شد.

هدف جدید کسب‌وکار

محصول می‌خواست به سمت پیشنهاد تأمین‌کننده به فروشگاه‌ها حرکت کند و در ادامه، بخشی از فرایند سنتی تأمین و نقش ویزیتور را کاهش دهد.

برای اینکه بتوانیم چنین سرویسی بسازیم، باید می‌دانستیم:

  • فروشگاه چه کالاهایی می‌خرد؟
  • چه زمانی خرید می‌کند؟
  • از هر کالا چه حجمی خریداری می‌کند؟
  • الگوی خرید فروشگاه چیست؟
  • و در نهایت، از چه تأمین‌کننده‌ای می‌تواند آن کالا را تهیه کند؟

بنابراین یک نیاز داده‌ای جدید ایجاد شد:

برای پیشنهاد تأمین‌کننده، به Purchase Data قابل‌اعتماد نیاز داشتیم.

و اینجا یک تفاوت مهم با فاز اول وجود داشت.

در فاز اول، ثبت فاکتور خرید عمدتاً به‌عنوان ابزاری برای بهبود Inventory Accuracy دیده می‌شد.

اما در فاز دوم:

Purchase Invoice Data خودش تبدیل به یک Asset محصولی شد.

چون بدون ثبت فاکتورهای خرید، نمی‌توانستیم الگوی واقعی خرید فروشگاه را بفهمیم.


01 — مسئله را دوباره تعریف کردم

در این مرحله مسئله دیگر فقط این نبود:

«چطور فروشگاه را قانع کنیم موجودی خود را اصلاح کند؟»

بلکه سؤال جدید این بود:

چطور می‌توانیم فروشگاه‌ها را به ثبت منظم فاکتور خرید ترغیب کنیم تا داده‌ی کافی برای ساخت سرویس پیشنهاد تأمین‌کننده داشته باشیم؟

این تغییر سؤال مهم بود.

چون متوجه شدیم اصلاح موجودی و ثبت فاکتور خرید دو مسئله متفاوت هستند.

اصلاح موجودی

به ما کمک می‌کند بفهمیم:

الان چه چیزی در فروشگاه وجود دارد؟

ثبت فاکتور خرید

به ما کمک می‌کند بفهمیم:

فروشگاه چه چیزی را می‌خرد، چه زمانی می‌خرد و با چه الگویی خرید می‌کند؟

و برای Supplier Recommendation، دومی اهمیت حیاتی داشت.


02 — قبل از طراحی راهکار، ارزش ثبت فاکتور خرید را برای فروشگاه بررسی کردم

یک سؤال مهم داشتیم:

اگر ثبت فاکتور خرید برای ما این‌قدر ارزشمند است، آیا خود فروشگاه هم حاضر است برای داشتن چنین قابلیتی زمان و هزینه صرف کند؟

از تجربه فاز اول می‌دانستیم که صرفاً گفتن:

«فاکتور خرید را ثبت کن.»

انگیزه‌ی کافی برای همه فروشگاه‌ها ایجاد نمی‌کند.

بنابراین به جای اینکه مستقیماً یک Feature جدید طراحی کنیم، ابتدا سعی کردیم Value ثبت فاکتور خرید را برای خود فروشگاه قابل مشاهده کنیم.


02.1 — یک Experiment کوچک برای نشان دادن ارزش داده‌های فروشگاه

برای شروع، چند فروشگاه را به‌صورت هدفمند انتخاب کردیم تا بتوانیم ارزش این نوع Insightها را با خود فروشگاه بررسی کنیم.

نکته مهم این بود که این فروشگاه‌ها همگی از قبل فاکتور خرید ثبت می‌کردند، اما از نظر اندازه و موقعیت جغرافیایی متفاوت بودند.

برای اینکه مقایسه فقط محدود به یک نوع فروشگاه نباشد، آن‌ها را بر اساس دو Dimension اصلی تفکیک کردیم:

1. اندازه فروشگاه / تعداد صندوق

  • فروشگاه‌های بزرگ با ۶ صندوق یا بیشتر
  • فروشگاه‌های متوسط با ۲ تا ۳ صندوق
  • فروشگاه‌های کوچک با ۱ صندوق

2. موقعیت جغرافیایی

  • تهران
  • شهرستان

بنابراین به‌جای اینکه صرفاً بگوییم «۵ فروشگاه را بررسی کردیم»، در Case Study بهتر است بگویی:

برای اینکه اثر اندازه و موقعیت جغرافیایی فروشگاه را هم در نظر بگیریم، فروشگاه‌ها را بر اساس ترکیب تعداد صندوق و منطقه جغرافیایی در چند Segment مقایسه کردیم.

اگر تعداد نهایی دقیقاً ۶ فروشگاه بوده، همان ۶ فروشگاه را نگه می‌داریم؛ اما بهتر است در روایت، تمرکز روی منطق Segmentation باشد، نه عدد ۶.


02.2 — چه چیزی را به فروشگاه‌ها نشان دادیم؟

با استفاده از داده‌های فروش و خرید، چند نوع Insight برای فروشگاه استخراج کردیم.

هدف این نبود که صرفاً بگوییم:

«موجودی شما اشتباه است.»

می‌خواستیم نشان دهیم:

داده‌های فروشگاه می‌تواند درباره عملکرد واقعی کسب‌وکارش به او Insight بدهد.

برای همین چند شاخص را بررسی کردیم؛ از جمله:

کالاهای رسوب‌کرده

کالاهایی که مدت قابل‌توجهی در فروشگاه باقی مانده بودند و گردش مناسبی نداشتند.

کالاهای فروش‌نرفته

بررسی کردیم چه کالاهایی در بازه مشخصی فروش نداشته‌اند.

کالاهای کم‌گردش

کالاهایی که نسبت به الگوی فروش فروشگاه، گردش پایینی داشتند.

Stockout / عدم موجودی

بررسی کردیم چه کالاهایی در بازه‌هایی موجود نبوده‌اند، در حالی که می‌توانستند تقاضای فروش داشته باشند.

یکی از تحلیل‌های مورد استفاده نیز این بود که بررسی کنیم در ماه گذشته:

چه کالاهایی حداقل حدود یک فروش روزانه داشته‌اند، اما برای بیش از دو روز فروش نداشته‌اند.

این نوع تحلیل کمک می‌کرد تا مسئله را از یک عدد خام مثل «موجودی منفی» به یک Business Insight قابل فهم برای فروشگاه تبدیل کنیم.


02.3 — نتیجه چه بود؟

اینجا یک یافته جالب به دست آمد.

وقتی این Insightها را برای Segmentهای مختلف بررسی کردیم، مشخص شد:

فروشگاه‌های بزرگ و منظم

فروشگاه‌هایی که:

  • عملیات خرید منظم‌تری داشتند؛
  • فاکتور خرید را دقیق‌تر ثبت می‌کردند؛
  • و از نظر مدیریت موجودی وضعیت بهتری داشتند؛

در بسیاری از این شاخص‌ها زیان بالقوه بسیار بزرگی نداشتند.

یعنی اتفاقاً فروشگاه‌هایی که از قبل Data Discipline بهتری داشتند، بخش زیادی از مسئله را مدیریت کرده بودند.

در نتیجه، نمی‌توانستیم انتظار داشته باشیم:

«یک گزارش هوشمند» برای این فروشگاه‌ها ارزش مالی بسیار بزرگی ایجاد کند.


فروشگاه‌های متوسط

در فروشگاه‌های متوسط، بعضی از این مسائل بیشتر دیده می‌شد:

  • کالاهای کم‌گردش؛
  • کالاهای فروش‌نرفته؛
  • Stockout؛
  • و فرصت‌های از دست‌رفته فروش.

بنابراین Potential Value در این گروه ملموس‌تر بود.


02.4 — اما یک نکته مهم‌تر از عددها وجود داشت

با وجود اینکه در بسیاری از موارد، رقم مالی Opportunity آن‌قدر بزرگ نبود که به‌تنهایی یک Business Case بسیار قدرتمند ایجاد کند، واکنش فروشگاه‌ها به Insightها مثبت بود.

مثلاً ممکن بود فروشگاه بزرگی که فروش ماهانه بالایی دارد، از نظر مجموع فروش از دست‌رفته ناشی از این موارد، رقم خیلی بزرگی نداشته باشد.

اما وقتی به او نشان می‌دادیم:

«این کالا چند روز است که موجود نیست.»

یا:

«این محصول در شرایطی که معمولاً فروش داشته، چند روز فروش نداشته.»

برای فروشگاه قابل لمس و جذاب بود.

یعنی ارزش فقط در مقدار پول نبود.

Visibility into the business itself had value.

فروشگاه احساس می‌کرد نرم‌افزار دارد چیزی را درباره کسب‌وکارش به او می‌گوید که قبلاً به این شکل نمی‌دیده.


03 — Insight اصلی: برای Adoption باید Value را نشان می‌دادیم

این Experiment یک چیز مهم را برایمان روشن کرد.

در فاز اول، تلاش کرده بودیم:

Cost of doing the task را کاهش دهیم.

یعنی ثبت فاکتور را ساده‌تر کنیم.

اما در فاز دوم متوجه شدیم یک طرف دیگر معادله هم وجود دارد:

Value of doing the task

اگر کاربر نداند ثبت فاکتور چه چیزی برایش ایجاد می‌کند، حتی Workflow بسیار ساده هم ممکن است برایش اولویت نداشته باشد.

بنابراین مسئله را این‌طور دیدیم:

Perceived Value

در مقابل

Effort of Data Entry

و اینجا یک فرصت محصولی ایجاد شد:

اگر بتوانیم از همان داده‌ای که فروشگاه برای ما ثبت می‌کند، Insight واقعی و قابل استفاده برای خودش تولید کنیم، ثبت فاکتور دیگر فقط یک کار برای اکالا نیست؛ برای خود فروشگاه هم ارزش ایجاد می‌کند.


04 — اینجا Business Goal جدید به Product Strategy تبدیل شد

هدف کسب‌وکار:

ساخت Supplier Recommendation و کاهش وابستگی به ویزیتور

نیاز محصول:

داده قابل‌اعتماد از Purchase Behavior فروشگاه

نیاز کاربر:

دریافت Value قابل مشاهده در ازای ثبت داده

پس یک حلقه جدید شکل گرفت:

ثبت فاکتور خرید

↓

داده خرید

↓

تحلیل رفتار فروشگاه

↓

Business Insight

↓

Value برای فروشگاه

↓

انگیزه بیشتر برای ثبت فاکتور

↓

داده بهتر برای پیشنهاد تأمین‌کننده

این حلقه به نظرم باید یکی از مهم‌ترین دیاگرام‌های فاز دوم Case Study تو باشد.


05 — اما یک مشکل باقی مانده بود

Experiment به ما نشان داد که:

فروشگاه‌ها از Insightها استقبال می‌کنند.

اما یک مسئله هنوز پابرجا بود:

اگر ثبت فاکتور خرید برای بعضی فروشگاه‌ها هنوز سخت یا زمان‌بر باشد، چطور می‌توانیم حجم و کیفیت Data را بالا ببریم؟

اینجا دوباره به PDA برگشتیم.

اما این بار با یک نگاه متفاوت.

در فاز اول می‌گفتیم:

PDA باید ثبت فاکتور را راحت‌تر کند.

در فاز دوم می‌گفتیم:

PDA باید Data Capture را آن‌قدر ساده کند که حتی فروشگاه‌هایی که قبلاً فاکتور ثبت نمی‌کردند، بتوانند وارد این Workflow شوند.

و این تفاوت خیلی مهم است.


06 — Segment هدف فاز دوم با فاز اول فرق داشت

این یکی را حتماً در Case Study بیاور.

در فاز اول، بخشی از Adoption از سمت فروشگاه‌هایی اتفاق افتاد که از قبل رفتار ثبت فاکتور خرید داشتند.

یعنی:

فروشگاه‌هایی که از قبل Purchase Invoice ثبت می‌کردند، احتمال بیشتری داشت که از PDA هم استفاده کنند.

اما مسئله اصلی فاز دوم این بود:

چطور به فروشگاه‌هایی برسیم که اساساً Purchase Invoice Registration را انجام نمی‌دهند؟

بنابراین هدف دیگر این نبود که:

کاربران فعلی PDA را بیشتر استفاده کنند.

بلکه:

Non-adopters را وارد Workflow ثبت فاکتور خرید کنیم.

این به نظرم یکی از قوی‌ترین جمله‌های کل Case Study تو است.


07 — راهکار: ثبت فاکتور را حتی ساده‌تر کردیم

با توجه به یافته‌های دو فاز، به این نتیجه رسیدیم که اگر ثبت فاکتور خرید قرار است به یک Data Capture Habit تبدیل شود، نباید کاربر را مجبور کنیم یک Workflow پیچیده را یاد بگیرد.

اینجا AI وارد مسئله شد.

ایده این بود که:

ورود اطلاعات فاکتور را تا حد ممکن از Manual Data Entry جدا کنیم.

به جای اینکه کاربر مجبور باشد تک‌تک اطلاعات فاکتور را وارد کند:

Invoice

↓

AI

↓

Extract Purchase Data

↓

Create Purchase Invoice

هدف این بود که اصطکاک ثبت فاکتور خرید به حداقل برسد و بتوانیم حتی Non-adopterها را وارد این Workflow کنیم.


08 — بنابراین فاز دوم در نهایت چه چیزی را حل می‌کرد؟

فاز دوم را اگر بخواهم خیلی دقیق خلاصه کنم:

فاز اول

Problem:

موجودی دقیق نیست و Workflow ثبت فاکتور/اصلاح موجودی friction دارد.

Focus:

PDA Usability + Inventory Correction + Purchase Invoice Registration


فاز دوم

New Business Goal:

ساخت Supplier Recommendation و حرکت به سمت کاهش وابستگی به ویزیتور.

New Data Requirement:

نیاز به Purchase Data قابل‌اعتماد و مستمر.

New Product Question:

چطور فروشگاه را به ثبت مداوم فاکتور خرید ترغیب کنیم؟

Discovery Insight:

صرفاً ساده‌کردن Workflow کافی نیست؛ کاربر باید Value حاصل از Data را هم ببیند.

Strategic Direction:

تبدیل Purchase Invoice از یک Task اجباری برای سیستم به یک Value Exchange برای فروشگاه.

Product Direction:

  • ارائه Business Insight به فروشگاه
  • استفاده از داده خرید برای سرویس‌های ارزشمندتر
  • و در نهایت ساده‌سازی شدید Data Capture با AI