Wie der HADI-Zyklus funktioniert

HADI ist eine Forschungsmethode, die vier Phasen umfasst: Hypothesenbildung (H), Aktion (A), Datenerhebung (D), Schlussfolgerungen (I). Es handelt sich also um ein Akronym, bei dem jeder Buchstabe einer Phase des Zyklus entspricht.

Es wird angenommen, dass der Zyklus unendlich ist. Das heißt, nachdem das Unternehmen Schlussfolgerungen gezogen hat, formuliert es eine neue Hypothese. Dies ermöglicht eine kontinuierliche Weiterentwicklung des Geschäfts oder Projekts.

Diese Methode eignet sich hervorragend zur Überprüfung von Hypothesen, da sie es ermöglicht, die Hypothese so zu formulieren, dass die Liste der Maßnahmen zu ihrer Überprüfung offensichtlich wird.

Wir werden jede Phase durchgehen.

H — hypothesis — Hypothese. In dieser Phase wird eine Hypothese formuliert. Gleichzeitig mit der Hypothese werden die Kennzahlen ausgewählt, die durch die Änderung beeinflusst werden sollen. Es muss also beschrieben werden, was geändert werden soll, auf welche Metriken und wie sich dies auswirken wird.

Wichtig ist, dass in einem Zyklus nur eine Hypothese getestet werden sollte. Sonst ist nicht klar, was die Metrik beeinflusst hat. Wenn mehrere Hypothesen gleichzeitig getestet werden müssen, sollten sie sich auf verschiedene Metriken beziehen.

Zum Beispiel: „Wir möchten eine weitere Schaltfläche „Bestellen“ auf der Landingpage hinzufügen, dies sollte die Conversion-Rate der Zielseite erhöhen.“

A — action — Aktion. Dies ist die Phase, in der die Änderungen umgesetzt werden. Im Beispiel mit der Landingpage ist A die Phase, in der zusätzliche Schaltflächen auf der Zielseite platziert werden.

D — data — Datenerhebung. In der dritten Phase werden Daten gesammelt, die die Hypothese bestätigen oder widerlegen. In erster Linie werden Daten zu der Metrik erhoben, die beeinflusst werden sollte.

In unserem Beispiel ist diese Metrik die Conversion zu einer Anfrage. Es müssen Daten zur Conversion für den Zeitraum gesammelt werden, in dem die zusätzliche Schaltfläche „Bestellen“ auf der Website vorhanden war, sowie Daten aus früheren Zeiträumen. So lässt sich feststellen, ob die Änderung die Conversion beeinflusst hat.

I — insights — Schlussfolgerungen. In der letzten Phase muss analysiert werden, ob die Hypothese funktioniert hat. Wenn ja, kann die Änderung beibehalten oder skaliert werden. Wenn nicht, muss eine andere Hypothese getestet werden.

Im Beispiel mit der Landingpage: Wenn die Conversion nach dem Hinzufügen der Schaltfläche gestiegen ist, wird die Schaltfläche beibehalten. Nun können andere Änderungen getestet werden, die die Conversion erhöhen sollen.

Tipps: Wie man Hypothesen mit der HADI-Methode testet

Damit die Hypothesenprüfung nach HADI effektiv ist, ist es wichtig, die Arbeit richtig zu organisieren:

• Formulieren Sie mehrere Hypothesen für eine Metrik. Analysieren Sie jede, um die nützlichste auszuwählen. Diese sollte zuerst getestet werden.
• Formulieren Sie die Hypothese als Frage, die eindeutig mit „Ja“ oder „Nein“ beantwortet werden kann.
• Erfahren Sie, ob das Team an die Hypothese glaubt. Wenn nicht, lohnt es sich wahrscheinlich nicht, sie zu testen.
• Bewerten Sie, wie schwierig es ist, die Hypothese zu testen. Wenn es schwierig ist und das Team kaum daran glaubt, ist es besser, sie zurückzustellen.
• Beginnen Sie so schnell wie möglich mit dem Testen der Hypothese und beenden Sie ihn, sobald Sie die benötigten Informationen erhalten haben.
• Die Daten sollten statistisch signifikant sein. Wenn Sie beispielsweise eine Website testen, sollte diese während des Untersuchungszeitraums von ausreichend vielen Nutzern besucht werden. Als minimal statistisch signifikante Zahl gelten 30. Wenn Sie also eine Änderung auf einer Landingpage testen möchten, benötigen Sie mindestens 30 Anfragen.
• Eine Woche ist der optimale Zeitraum für das Testen einer einfachen Hypothese. Diese Zeit reicht in der Regel aus.

Einige Beispiele für Studien nach dem HADI-Modell

HADI-Zyklen werden häufig im Internetmarketing eingesetzt, um E-Mail-Newsletter, SEO, kontextbezogene und zielgerichtete Werbung zu testen. Schauen wir uns einige einfache Beispiele an.

Kontextbezogene Werbung eines Online-Tierhandels. Hypothese: Wenn nicht für Klicks auf Anzeigen in der kontextbezogenen Werbung, sondern für Leads bezahlt wird, sinken die Kosten pro Conversion.

Aktion: Ändern der Werbestrategie von Zahlung pro Klick auf Zahlung pro Conversion.

Datenerhebung: Die Leads aus der Werbung erwiesen sich als zu teuer. Die Kosten pro Conversion stiegen um das 1,5-fache.

Schlussfolgerungen: Die Hypothese ist falsch. Das Modell der Zahlung pro Klick sollte wiederhergestellt werden.

Werbung für Holztreppen. Hypothese: Wenn in der Werbeanzeige steht, dass die Vermessung kostenlos ist, steigt die Anzahl der Klicks auf die Website.

Aktion: Informationen zur kostenlosen Vermessung für die Treppenherstellung in die Anzeige aufnehmen.

Datenerhebung: Die Klickrate der Anzeige stieg von 4% auf 9%.

Schlussfolgerungen: Die Hypothese ist richtig. Die Information zur kostenlosen Vermessung sollte in alle Anzeigen aufgenommen werden.

Website eines Konditors. Hypothese: Wenn auf der Website Informationen über die Zusammensetzung der Torten und Fotos hinzugefügt werden, steigt die Anzahl der Bestellungen.

Aktion: Fotos der Torten machen, ihre Zusammensetzung beschreiben und auf der Website veröffentlichen.

Datenerhebung: Die Anzahl der telefonischen Bestellungen verdoppelte sich, die Online-Bestellungen stiegen um das 1,5-fache.

Schlussfolgerungen: Die Hypothese ist richtig. Es lohnt sich wahrscheinlich, noch mehr Informationen über das Produkt hinzuzufügen und die Fotos regelmäßig zu aktualisieren.

Beispiel für das Ausfüllen