Lean Startup volgens Ries

De Lean Startup-benadering, geïntroduceerd door Ries (2011), benadert innovatie als een proces dat zich afspeelt onder ‘conditions of extreme uncertainty’. In plaats van te vertrouwen op traditionele plannen, uitgebreide voorspellingsmodellen en lineaire ontwikkeltrajecten, stelt Ries dat startups functioneren in een omgeving waarin conventionele managementlogica onvoldoende houvast biedt. Innovatie wordt daarmee geen voorspelbaar uitvoeringsproces, maar een zoektocht naar wat klanten daadwerkelijk willen en waarvoor zij bereid zijn te betalen. Lean Startup biedt een gestructureerde methode om deze zoektocht systematisch, empirisch en met minimale verspilling vorm te geven.

Onderstaand wordt nader ingegaan op de grondslagen van Lean Startup, gevolgd door de vijf kernprincipes die Ries introduceert, waarna zeven onderdelen van het framework worden uiteengezet. Daarna volgt een stappenplan op welke wijze de methode kan worden toegepast. Als laatste worden enkele kanttekeningen weergegeven die bij de Lean Startup geplaatst kunnen worden. 

Grondslagen van de Lean Startup-benadering

Lean Startup is conceptueel geworteld in de lean manufacturing-traditie. Womack en Jones (2003) beschrijven hoe in productieomgevingen alle activiteiten die geen waarde toevoegen voor de klant als verspilling moeten worden beschouwd. Waar hun werk zich richtte op fysieke productieprocessen, vertaalt Ries (2011) dit principe naar innovatie: alles wat niet bijdraagt aan validated learning – empirisch onderbouwd leren – is verspilling.

Dat betekent dat langdurige businessplannen, uitgebreide documentatie, volledig uitgewerkte producten en grootschalige lanceringen voordat aannames getest zijn, worden gezien als systematische verspilling van tijd, geld en aandacht. Innovatie moet “lean” worden in de zin dat het leerproces centraal staat, niet de uitvoer.

Een tweede belangrijke grondslag is het customer development-model van Blank (2013). Hij bekritiseert het klassieke idee dat bedrijven eerst in stilte een product ontwikkelen en pas op het moment van lancering de markt opzoeken. In plaats daarvan pleit hij voor directe en voortdurende interactie met (potentiële) klanten, waarin aannames over problemen, doelgroepen en waardepropositie stap voor stap worden gevalideerd of verworpen.

Eisenmann, Ries en Dillard (2012) bouwen dit uit tot hypothesis-driven entrepreneurship: ondernemerschap als een systematisch proces van hypothesevorming en -testing. De ondernemersvisie wordt niet als waarheid genomen, maar als een set voorlopige aannames die expliciet, toetsbaar en falsifieerbaar moeten zijn. De ondernemer wordt – ten minste in deze benadering – een onderzoeker die met behulp van experimenten, data en iteratie tot een robuust businessmodel komt.

Verder kan worden gesteld dat Lean Startup inhoudelijk sterke aansluiting vindt bij theorieën over organisatorisch leren. Zo maken Argyris en Schön (1978) onderscheid tussen single-loop learning – het bijstellen van gedrag binnen bestaande aannames – en double-loop learning – het herzien van de aannames zelf. De Build-Measure-Learn-cyclus van Lean Startup is in essentie ontworpen om double-loop learning te faciliteren: niet alleen het product, maar de onderliggende aannames over klant, probleem en waarde worden voortdurend ter discussie gesteld. Hiermee wordt Lean Startup een vorm van ingebouwde epistemische reflectie: de organisatie leert niet alleen hoe zij efficiënter kan doen wat zij al deed, maar ook of zij wel de juiste dingen doet.

Tenslotte is er een duidelijke verwantschap met het effectuation framework van Sarasvathy (2001). Effectuation stelt dat ondernemers onder fundamentele onzekerheid niet primair moeten uitgaan van voorspellen en plannen, maar van iteratief handelen met de middelen die zij beschikbaar hebben, in nauwe interactie met stakeholders. Lean Startup operationaliseert dit door middel van kleine, gecontroleerde experimenten, waarbij strategie niet in één keer wordt vastgelegd, maar voortdurend wordt vormgegeven op basis van nieuwe informatie.

De vijf kernprincipes van Lean Startup

Ries (2011) formuleert een set kernprincipes die de basis vormen van het Lean Startup-denken. Deze principes structureren de manier waarop organisaties naar innovatie en ondernemerschap kijken.

1. Ondernemerschap is overal
   Het eerste principe stelt dat een startup geen kwestie is van organisatiegrootte, maar van context. Elke organisatie die onder hoge onzekerheid aan nieuwe producten, diensten of businessmodellen werkt, functioneert de facto als een startup – of die nu autonoom is of onderdeel van een corporate. Dit impliceert dat Lean Startup niet alleen relevant is voor kleine technologiebedrijven, maar ook voor innovatie-afdelingen, interne ventures en publieke organisaties.

2. Ondernemerschap is een managementdiscipline
   Het tweede principe is dat ondernemerschap niet een puur creatief of visionair domein is, maar een vorm van management. Omdat onzekerheid structureel is, volstaan klassieke projectmanagementmethoden – gebaseerd op voorspelbaarheid, vaste scope en stabiele eisen – niet. Innovatie vraagt om een eigen managementsysteem, waarin hypothesen, experimenten en meetbare vooruitgang centraal staan.

3. Validated learning is de kern van vooruitgang
   Het derde principe stelt dat echte vooruitgang in een startup niet wordt gemeten in output (aantal features, lijnen code, marketingcampagnes) maar in validated learning. Leren is pas “gevalideerd” als het is gebaseerd op toetsbare hypothesen en empirisch bewijs, niet op aannames, meningen of hiërarchische besluitvorming. Een release die geen nieuwe inzichten oplevert, is in deze logica geen vooruitgang, maar verspilling.

5. Build-Measure-Learn als motor van innovatie
   Het vierde principe operationaliseert het leerproces via de Build-Measure-Learn-loop. Ideeën worden vertaald in experimenten (build), experimenten leveren data op (measure) en data worden geïnterpreteerd in termen van hypothesen (learn). De snelheid en kwaliteit van deze cyclus bepalen hoe snel een organisatie verkeerde aannames elimineert en werkende patronen ontdekt.

6. Experimenteel bouwen met Minimum Viable Products
   Het vijfde principe stelt dat bouwen geen doel op zich is, maar een middel om te leren. Daarom werkt Lean Startup met Minimum Viable Products (MVP’s): de kleinst mogelijke experimentele interventies die toch voldoende informatie opleveren om een belangrijke hypothese te testen (Ries, 2011). In plaats van alles in één keer te ontwikkelen, zet de organisatie steeds kleine stappen, waarover telkens wordt geleerd.

Lean Startup Framework

1. Hypothesevorming: van visie naar toetsbare aannames

Het model start bij de ondernemersvisie, maar behandelt die visie niet als gegeven. In plaats daarvan wordt zij ontleed in een netwerk van aannames over onder andere:

• welk probleem wordt opgelost en waarom dat urgent is;
• welke klantsegmenten dit probleem ervaren;
• welke waardepropositie daar betekenisvol op aansluit;
• via welke kanalen de klant bereikt wordt;
• welke prijs- en inkomstenmodellen realistisch zijn.

Eisenmann et al. (2012) benadrukken dat deze aannames expliciet en falsifieerbaar moeten zijn. In plaats van “klanten willen eenvoud” wordt bijvoorbeeld gesteld: “Minstens 40% van de eerste honderd gebruikers geeft aan dat functie X essentieel is voor hun gebruiksbeslissing”. Hierdoor ontstaat een helder toetsingskader.

2. Minimum Viable Product: MVP als onderzoeksinstrument

Het Minimum Viable Product fungeert als experimenteel instrument om aannames te testen. Een MVP is daarbij niet per definitie een technisch product, maar de minimaal noodzakelijke vorm waarin de hypothese kan worden blootgesteld aan echt klantgedrag.

In de literatuur worden verschillende vormen van MVP onderscheiden. Furr en Dyer (2014) beschrijven smoke tests, zoals landingspagina’s waarop klanten zich kunnen inschrijven of pre-orderen. Larman en Vodde (2010) spreken over Wizard-of-Oz-opstellingen, waarin de voorkant van een dienst geautomatiseerd lijkt, terwijl de back-end nog handmatig wordt uitgevoerd. Ulrich en Eppinger (2016) focussen meer op technische prototypen in productontwikkeling.

In al deze gevallen ligt het zwaartepunt niet op het creëren van een “af” product, maar op het zo efficiënt mogelijk genereren van data over klantgedrag.

3. De Build-Measure-Learn-cyclus als leermechanisme

De Build-Measure-Learn-cyclus vormt de kern van het Lean Startup-proces (Ries, 2011). In de build-fase ontwerpt en realiseert het team een experiment dat is afgeleid van een of meer hypothesen. Cruciaal is dat van tevoren duidelijk is welke uitkomsten als bevestigend of falsificerend worden gezien. Deze voorafgaande specificatie voorkomt dat resultaten achteraf opportunistisch worden geïnterpreteerd.

In de measure-fase verzamelt en analyseert het team gedragsdata. In plaats van te vertrouwen op meningen of intenties, kijkt men naar daadwerkelijk gedrag: kliks, inschrijvingen, betalingen, gebruiksduur, retentie als voorbeeld. Fader en Hardie (2013) laten zien dat dergelijke gedragsdata veel beter in staat zijn om klantenwaarde en -gedrag te voorspellen dan zelfrapportage.

In de learn-fase worden de resultaten geïnterpreteerd in termen van hypothesen. De centrale vraag is niet “vonden mensen het leuk?”, maar “hebben we bewijs dat deze cruciale aanname houdbaar is?”. Wanneer de data consistent in een andere richting wijzen dan verwacht, moet de aanname worden herzien of verworpen.

4. De pivot: strategische heroriëntatie op grond van bewijs

Een belangrijke uitkomst van de Build-Measure-Learn-cyclus kan de beslissing zijn om te pivoteren. Een pivot is een bewuste, strategische koerswijziging waarbij een of meer elementen van het businessmodel worden aangepast – bijvoorbeeld klantsegment, probleemdefinitie, waardepropositie, kanaal of technologie – terwijl de langetermijnvisie in grote lijnen intact blijft (Ries, 2011).

Eisenmann et al. (2012) benadrukken dat een pivot alleen legitiem is als deze is gebaseerd op solide bewijs uit experimenten en niet op opportunisme of paniek. In die zin is de pivot een kernmechanisme van double-loop learning: de onderneming herconfigureert zich op basis van wat zij geleerd heeft, in plaats van vasthouden aan de oorspronkelijke richting.

5. Engines of growth: hoe groei wordt gerealiseerd

Een gevalideerd businessmodel is pas duurzaam als ook de groeimotor duidelijk is. Ries (2011) onderscheidt drie zogenoemde engines of growth:

• een sticky engine, waarin groei voortkomt uit hoge retentie en lage churn;
• een viral engine, waarin bestaande gebruikers nieuwe gebruikers aanbrengen;
• een paid engine, waarin groei wordt gedreven door betaalde acquisitie, mits de verhouding tussen customer acquisition cost en customer lifetime value positief is.

De gekozen groeimotor bepaalt welke experimenten prioriteit krijgen en welke metrics doorslaggevend zijn. Engines of growth vormen daarmee een logisch vervolg op de Build-Measure-Learn-cyclus: niet alleen het product moet werken, maar ook de manier waarop het model schaalbaar groeit. 

6. Innovation accounting en het meten van voortgang

Omdat traditionele financiële metrics in vroege fasen weinig zeggen, introduceert Ries innovation accounting als meetkader voor voortgang. Innovation accounting bestaat uit drie stappen. Eerst wordt een baseline vastgesteld: met behulp van een eerste MVP wordt gemeten hoe gebruikers zich gedragen. Vervolgens wordt de engine of growth geoptimaliseerd: via iteratieve experimenten wordt getest of de kernmetrics verbeteren. Tenslotte volgt een expliciet besluit: als verbetering uitblijft, is een pivot noodzakelijk; als de metrics verbeteren, is doorgaan gerechtvaardigd.

Binnen innovation accounting is het cruciaal onderscheid te maken tussen vanity metrics en actionable metrics. Vanity metrics – zoals totale views of downloads – lijken indrukwekkend, maar zeggen weinig over oorzakelijke verbanden of toekomstig gedrag. Actionable metrics daarentegen zijn reproduceerbaar, gerelateerd aan specifieke acties en gevoelig voor veranderingen in waardepropositie of product. Cohort analysis is hierbij essentieel: in plaats van alle gebruikers samen te nemen, analyseert men groepen gebruikers die op hetzelfde moment instappen, zodat echte trends zichtbaar worden.

7. Operationele principes: small batches, continuous deployment en five whys

Als laatste kunnen er drie praktische principes worden geduid die het Lean Startup-proces ondersteunen, namelijk:

• Small batches: werken in kleine, beheersbare iteraties maakt fouten sneller zichtbaar, verkort de feedbackloop en vermindert de omschakelkosten
• Continuous deployment: het vermogen om wijzigingen zeer frequent live te zetten versnelt de Build-Measure-Learn-cyclus en maakt realtime experimenteren mogelijk
• Five whys: een methode om systematische oorzaken van problemen te achterhalen. Door telkens door te vragen naar de onderliggende oorzaak wordt voorkomen dat symptomen worden bestreden in plaats van fundamentele problemen.

Deze principes zijn niet optioneel, maar vormen de operationele basis die nodig is om de Lean Startup-methode effectief uit te voeren.

Aan de slag met Lean Startup: stappenplan

Onderstaand volgt een beknopt stappenplan.

Stap 1 – Identificeer de kernveronderstellingen
Breng de twee fundamentele aannames expliciet in kaart: levert het product daadwerkelijk waarde op voor de klant en is het businessmodel in potentie schaalbaar? Deze uitgangspunten vormen de basis van alle experimenten.

Stap 2 – Maak alle overige aannames expliciet
Leg vast wie de klant is, welk probleem wordt opgelost, waarom dat probleem urgent is, wat de waardepropositie is, via welke kanalen de klant bereikt wordt en hoe inkomsten worden gegenereerd. Alles wat nog niet empirisch bewezen is, geldt als aanname.

Stap 3 – Bepaal welke aannames het meest risicovol zijn
Prioriteit ligt bij aannames die het businessmodel laten omvallen wanneer zij onjuist blijken. Dit zijn de aannames die als eerste getest moeten worden, omdat zij de grootste impact hebben op de levensvatbaarheid.

Stap 4 – Formuleer concrete learning milestones
Definieer per aanname welk inzicht nodig is, welk experiment dat inzicht gaat opleveren en welke uitkomsten als bevestiging dan wel ontkrachting gelden. Hiermee wordt voorkomen dat experimenten achteraf opportunistisch worden geïnterpreteerd.

Stap 5 – Ontwerp het kleinst mogelijke experiment (MVP)
Ontwikkel een MVP dat zo klein mogelijk is, maar direct klantgedrag uitlokt. Het experiment moet gericht zijn op het testen van één cruciale aanname. Dit kan variëren van een landingspagina tot een concierge-prototype of een Wizard-of-Oz-constructie.

Stap 6 – Kies de groeimotor die getest wordt
Bepaal vooraf welke engine of growth het uitgangspunt vormt: sticky, viral of paid. Deze keuze bepaalt welke metrics centraal staan en welke experimenten prioriteit krijgen.

Stap 7 – Stel actionable metrics vast en meet de baseline
Bepaal per experiment welke metrics reproduceerbaar zijn, causaal verbonden zijn aan het experiment en daadwerkelijk helpen bij beslissingen. Het eerste experiment levert de baseline die als referentiepunt fungeert voor alle opvolgende iteraties.

Stap 8 – Zet het experiment in de markt en meet werkelijk gedrag
Voer het MVP uit bij echte klanten en verzamel uitsluitend gedragsdata, zoals activatie, conversie, retentie, gebruiksintensiteit en referrals. Cohortanalyses helpen om echte trends te scheiden van ruis.

Stap 9 – Trek expliciete conclusies per hypothese
Voor elke geteste aanname moet een helder oordeel volgen: bevestigd, ontkracht of onvoldoende bewijs. Vage conclusies vormen een risico op misinterpretatie en vertraging in het ontwikkelproces.

Stap 10 – Houd vaste pivot-of-persevere-momenten
Plan structurele besluitmomenten. Wanneer metrics verbeteren is doorgaan logisch, bij ambiguïteit is bijsturen nodig en wanneer aannames structureel niet houdbaar blijken, volgt een pivot. Een pivot is geen mislukking, maar een consequentie van leren.

Stap 11 – Optimaliseer de groeimotor
Wanneer de waardepropositie bewijs heeft, verschuift de aandacht naar schaalbaarheid. Optimalisatie hangt af van de gekozen groeimotor: retentie verhogen, viraliteit vergroten of de verhouding tussen acquisitiekosten en customer lifetime value verbeteren.

Stap 12 – Herhaal de Build–Measure–Learn-cyclus
Elke iteratie verkleint de onzekerheid en verfijnt het businessmodel. Snellere cycli leiden tot sneller leren en een sterker fundament.

Stap 13 – Los structurele problemen op met de Five Whys
Wanneer experimenten vastlopen, worden structurele oorzaken blootgelegd door vijf keer waarom te vragen. Dit voorkomt dat symptomen worden bestreden in plaats van fundamentele oorzaken.

Stap 14 – Maak continuous deployment onderdeel van het proces
Door wijzigingen frequent live te zetten, versnelt het leerproces, worden fouten sneller zichtbaar en ontstaat een ritme van voortdurende verbetering.

Stap 15 – Schaal pas op wanneer waarde en groei bewezen zijn
Opschalen gebeurt alleen wanneer klanten aantoonbaar waarde ervaren en het groeimechanisme bewezen functioneert. Investeren voordat die basis staat, vergroot de kans op mislukking.

Welke kanttekeningen kunnen worden geplaatst bij de Lean Startup?

Lean Startup is enorm krachtig. Desondanks kunnen er enkele kanttekeningen worden geplaatst welke onderstaand zijn weergegeven.

1. Beperkte toepasbaarheid in deep-tech en kapitaalintensieve sectoren
   In deep-tech, biotech, hardware en medisch-technologische contexten zijn experimenten vaak duur, tijdrovend en sterk gereguleerd. Dionisio et al. (2023) laten zien dat de Build-Measure-Learn-logica daar soms simpelweg niet uitvoerbaar is: MVP’s vergen jaren, certificeringstrajecten zijn zwaar, en feedback uit de markt komt laat. Lean Startup moet in dergelijke contexten worden aangevuld met andere benaderingen, en kan niet één-op-één worden overgenomen.

2. Onvoldoende ondersteuning van kwalitatief sterke hypothesevorming
   Bocken en Snihur (2020) bekritiseren Lean Startup omdat het raamwerk weliswaar veel aandacht besteedt aan experimenteren, maar weinig aan de kwaliteit van de hypothesevorming zelf. In de praktijk worden hypothesen vaak ad hoc geformuleerd, zonder stevige theoretische onderbouwing of diepgaand marktonderzoek. Hierdoor kan een organisatie heel efficiënt de verkeerde vragen stellen en dus systematisch in de verkeerde richting leren.

3. Methodologische tekortkomingen in experimenten
   York (2020, 2024) toont aan dat Lean Startup-experimenten in de praktijk vaak methodologisch zwak zijn. Veel experimenten missen vooraf gedefinieerde succescriteria, maken geen gebruik van controlegroepen, werken met te kleine of niet-representatieve steekproeven en zijn gevoelig voor confirmation bias.

4. Misinterpretaties en versimpeling in de praktijk
   Galli (2019) laat zien dat Lean Startup in de praktijk vaak wordt gereduceerd tot slogans als “fail fast”. MVP’s worden dan misverstaan als inferieure of onafgewerkte producten, in plaats van scherp ontworpen experimenten, en pivots worden uitgevoerd zonder dat er sprake is van overtuigend bewijs. Veel kritiek op Lean Startup komt zo niet voort uit de methode zelf, maar uit een oppervlakkige of incorrecte toepassing ervan.

5. Risico op kortetermijnoptimalisatie en lokale optima
   Een meer strategisch punt van kritiek van O’Reilly en Tushman (2013) is dat de focus op korte feedbackloops en direct meetbare signalen kan leiden tot kortetermijngerichtheid. Organisaties kunnen geneigd zijn te optimaliseren voor wat nu goed convergeert in experimenten, terwijl langetermijnpotentieel, radicalere innovaties of nog niet manifeste klantbehoeften onderbelicht blijven. Lean Startup kan zo, als het onkritisch wordt toegepast, bijdragen aan het vastlopen in lokale optima.

6. Gemengde empirische resultaten over effectiviteit
   Empirische studies over Lean Startup laten een gemengd beeld zien. De methode lijkt bijzonder effectief in digitale contexten met lage marginale kosten voor experimenten, maar minder overtuigend in kapitaalintensieve of sterk gereguleerde sectoren. Daarnaast blijken factoren als teamkwaliteit, toegang tot data, sectorstructuur en kwaliteit van hypothesevorming sterk medebepalend voor de uiteindelijke impact. De dominante conclusie is dan ook dat Lean Startup een waardevol instrument is, maar geen universele succesformule.

LITERATUUR

1. Argyris, C., & Schön, D. (1978). Organizational learning: A theory of action perspective. Reading, MA: Addison-Wesley.
2. Blank, S. (2013). Why the lean start-up changes everything. Harvard Business Review, 91(5), 63–72.
3. Bocken, N. M. P., & Snihur, Y. (2020). Lean Startup and the business model: Experimenting for novelty and impact. Long Range Planning, 53(4), 101953. 
4. Dionisio, E. A., Cheng, C.-F., Carmona, C., & Rueda, F. (2023). Identifying necessary conditions to deep-tech entrepreneurship. RAUSP Management Journal, 58(2), 162–179.
5. Eisenmann, T., Ries, E., & Dillard, S. (2012). Hypothesis-driven entrepreneurship: The Lean Startup (Harvard Business School Note 812-095). Boston, MA: Harvard Business School Publishing.
6. Fader, P. S., & Hardie, B. G. S. (2013). The value of simple models in new product forecasting and customer-base analysis. Applied Stochastic Models in Business and Industry, 29(3), 185–191.
7. Furr, N., & Dyer, J. (2014). The innovator’s method: Bringing the lean startup into your organization. Boston, MA: Harvard Business Review Press.
8. Galli, B. J. (2019). Reflection of literature on using lean innovation models for start-up ventures. Journal of Modern Project Management, 7(2), 20–35.
9. Larman, C., & Vodde, B. (2010). Practices for scaling lean & agile development: Large, multisite, and offshore product development with large-scale Scrum. Upper Saddle River, NJ: Addison-Wesley.
10. O’Reilly, C. A., & Tushman, M. L. (2013). Organizational ambidexterity: Past, present, and future. Academy of Management Perspectives, 27(4), 324–338.
11. Ries, E. (2011). The lean startup: How today’s entrepreneurs use continuous innovation to create radically successful businesses. New York, NY: Crown Business.
12. Sarasvathy, S. D. (2001). Causation and effectuation: Toward a theoretical shift in the study of entrepreneurship. Academy of Management Review, 26(2), 243–263.
13. Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Boston, MA: Houghton Mifflin.
14. Thomke, S. (2003). Experimentation matters: Unlocking the potential of new technologies for innovation. Boston, MA: Harvard Business School Press.
15. Ulrich, K. T., & Eppinger, S. D. (2016). Product design and development (6th ed.). New York, NY: McGraw-Hill.
16. Womack, J. P., & Jones, D. T. (2003). Lean thinking: Banish waste and create wealth in your corporation (2nd ed.). New York, NY: Free Press.
17. York, J. M. (2020). Lean Startup as an entrepreneurial strategy: Limitations, outcomes, and learnings. Journal of Entrepreneurship and Innovation in Emerging Economies, 6(2), 1–18.
18. York, J. M. (2024). Lean startup and learning loops in entrepreneurial management. Journal of Knowledge Management & Practice, 25(1), 1–15.