Duomenų analizė UX tyrimuose | UX tyrimai #33

Ar žinote, kokią rolę duomenų analizė atlieka UX tyrimuose? Šiandien norėtume sutelkti dėmesį į duomenų analizės klausimą UX srityje, aptardami kokybinę ir kiekybinę duomenų analizę, taip pat sužinodami apie jos etapus, pagrindinius tikslus ir uždavinius. Taip pat pasiūlysime, kada yra tinkamas momentas ją atlikti projekte.

Duomenų analizė UX tyrimuose – turinys:

1. Kodėl analizuoti surinktus duomenis?
2. Kada analizuoti duomenis?
3. Duomenų analizė UX tyrimuose
4. Analizės tikslų apibrėžimas
5. Kokybinė tyrimo duomenų analizė
6. Santrauka

Kodėl analizuoti surinktus duomenis?

Priimti produkto sprendimą remiantis tik žaliomis duomenimis yra didelė UX klaida. Praleidus analizės etapą, gali būti pateikta vartotojams neišsami arba neefektyvi sprendimas, arba netgi gali sukelti projekto komandos dėmesio nukreipimą į neteisingą problemą arba realių vartotojų atpažinimą. Dėl šių ir kitų priežasčių duomenų analizė yra esminis procesas, kuris išlaiko visą projektą teisingame kelyje. Tai daroma atsižvelgiant į realius vartotojų poreikius ir renkant informaciją, kuri padeda sukurti geriausią ir optimaliausią sprendimą.

Kada analizuoti duomenis?

Daugelis žmonių turi didelę klaidingą nuomonę, kad analizė turėtų vykti po tyrimo užbaigimo, t.y., surinkus informaciją iš daugelio šaltinių. Tačiau šis požiūris yra neefektyvus, nes nagrinėjant tokį didelį duomenų kiekį reikia didžiulių pastangų, darbo jėgos ir laiko. Efektyviau tirti duomenis nuolat, pavyzdžiui, skiriant kelias minutes po kiekvieno išsamaus interviu.

Taip pat nepamirškite daryti užrašus tyrimo metu. Taip galėsite užfiksuoti šviežius pastebėjimus ir įsitikinti, kad niekas nebuvo praleista. Šie apmąstymai padeda lengvai pasirinkti informaciją ir iš jos pasirinkti tai, kas bus labiausiai aktualu vėlesnėms dizaino rekomendacijoms. Nuolatinė analizė po kiekvieno mažo tyrimo žingsnio leidžia atlikti galutinę santraukos analizę daug organizuotesniu ir struktūruotu būdu, bet pirmiausia, daug greičiau.

Duomenų analizė UX tyrimuose

Duomenų analizė UX tyrimuose paverčia anksčiau neapdorotus duomenis prasminga informacija, kuri padės priimti verslo sprendimus. Visapusiška duomenų analizė susideda iš penkių pagrindinių žingsnių – šie žingsniai yra:

1. Analizės tikslų apibrėžimas
2. Duomenų organizavimas
3. Tyrimas
4. Klastorizacija
5. Rezultatų ir įžvalgų identifikavimas

Analizės tikslų apibrėžimas

Pirmas žingsnis apibrėžia mūsų analizės tikslus – jie turėtų griežtai atitikti UX tyrimo tikslus. Šiame etape nepamirškite nenukrypti nuo motyvų, kurie paskatino jus pradėti tyrimą – pavyzdžiui, kokie yra vartotojo poreikiai; kuriame puslapyje atmetimo rodiklis yra didesnis ir kodėl; kokius patobulinimus reikia padaryti, kad padidėtų konversijos rodiklis; arba kaip padaryti mūsų produktą patrauklesnį už konkurenciją. Laikydamiesi šių ir tyrimo tikslų, padėsite suprasti, kaip atlikti duomenų analizę, kuri būtų naudinga projektui. Apibrėžti, ko tiksliai ieškote.

Duomenų organizavimas

Kiekvienas tyrimas pateikia skirtingų tipų duomenis, labiau ir mažiau aktualius projektui. Taigi, turite protingai valdyti, pasirinkti ir filtruoti juos naudojamumui. Duomenų organizavimas taip pat leidžia apgalvotai juos išdėstyti, kad greitai gautumėte reikiamą informaciją, kai to prireiks. Pavyzdžiui, galite kataloguoti duomenis pagal subpuslapį, kuriam jie priklauso. Segregacija yra raktas į efektyvią duomenų analizę ir jos vizualizacijos gerinimą, kas padeda suinteresuotoms šalims geriau suprasti visą procesą.

Tyrimas

Tyrimo etapas yra viso duomenų analizės proceso širdis. Jo pagrindinis tikslas yra nustatyti žodžius, idėjas ar frazes, kurios dažniausiai pasitaiko vartotojų atsakymuose ir kurios labiausiai atitinka analizės tikslą. Šis procesas nėra tik žodžių ir jų sinonimų paieška, bet ir supratimas, ką jie reiškia vartotojams jų kontekste.

Supratus, kokie žodžiai ir išraiškos priklauso tiriamai vartotojų grupei. Tai vyksta todėl, kad žmonės yra skirtingi. Jie turi unikalią patirtį ir elgesį, taip pat savitus savęs išraiškos būdus. Todėl turėtumėte vengti vartotojų atsakymų transkribuoti į savo žodyną. Vietoj to, laikykitės originalo kiek įmanoma, nes bet koks variantas, net ir mažiausias, gali pakenkti tyrimo etapui, pertvarkydamas visą duomenų analizę.

Klastorizacija

Kitas žingsnis yra sukurti vadinamuosius klasterius, kad būtų galima pažymėti atsakymus pagal tuos, kurie buvo nustatyti tyrimo etape. Šie klasteriai padeda komandai atskirti prioritetinius klausimus. Pavyzdžiui, jei daugiau nei pusė vartotojų atsakymų patenka į sukurtą klasterį, pažymėtą „Sąsajos našumas“, komanda turėtų greičiausiai prioritetizuoti šią temą ir ieškoti klausimų, susijusių su sąsajos našumu.

Rezultatų ir įžvalgų identifikavimas

Nepamirškime, kad rezultatai nėra įžvalgos. Rezultatai susiję su atrastais, ištirtais, tada sugrupuotais ir kataloguotais faktais, kuriuos tyrimo komanda atskleidė analizės proceso metu. Įžvalgos, kita vertus, reiškia tik priežasčių, sukėlusių rezultatus, atpažinimą. Tai yra gana skirtinga savybė, nes vartotojų atsakymai ne visada veda prie problemos šaltinio. Taigi dizainerio užduotis yra pažvelgti giliau ir ieškoti įžvalgų.

Vartotojai paprastai negali patys nustatyti savo sunkumų šaltinio. Todėl tyrimo komanda turi peržiūrėti rezultatus duomenų analizės proceso metu, aptarti juos, o tada ieškoti įžvalgų ir pritaikyti jas tyrimo tikslams. Dirbtuvės, skirtos nustatyti svarbiausias įžvalgas, padeda įgyvendinti šią užduotį. Efektyvus šio įrankio naudojimas apima kelis diskusijų raundus, atskirtus trumpomis pertraukomis.

Aukščiau aprašyti žingsniai yra gana bendras ir standartinis duomenų analizės procesas, kuris veikia su bet kokiu tyrimo metodu (tiek kokybiniu, tiek kiekybiniu). Viskas, ką jums reikia padaryti, tai tinkamai pritaikyti žingsnius savo procesui.

Kiekybinė vs. kokybinė duomenų analizė

Nors kiekybinių duomenų analizės procesas nesiskiria nuo kokybinių duomenų analizės, dėl šios tyrimo pobūdžio dizaineriai gali gauti skirtingas įžvalgas. Kiekybiniai tyrimai orientuojasi į skaitinių duomenų rinkimą ir analizę, naudojant statistiką ir tikimybę. Tokie rodikliai kaip tam tikro puslapio atmetimo rodiklis, pavyzdžiui, arba vartotojo demografinis profilis, suteikia tyrėjams konkrečią ir kiekybiškai įvertinamą informaciją apie tai, kaip žmonės bendrauja su produktu ir pačia auditorija.

Kokybiniai tyrimai labiau orientuojasi į abstrakčius konceptus, tokius kaip žmogaus elgesys. Dėl šios priežasties šiuo etapu verta skirti šiek tiek daugiau laiko studijoms ir vertinimams, kad visiškai suprastumėte vartotojo patirtį ir nuomones. Šiuo etapu verta užduoti naudingus klausimus, tokius kaip:

• Ką vartotojai labiausiai mėgsta apie produktą ir ko mažiausiai?
• Kodėl kai kurie vartotojai reaguoja kitaip nei kiti?
• Ar (ir kada) vartotojai turėjo emocinę reakciją?
• Ar (ir kodėl) vartotojai yra patenkinti produktu?

Atsižvelgiant į gautų duomenų skirtumus, prasminga naudoti tiek kiekybinius, tiek kokybinius anekdotus kaip dalį UX tyrimų. Toks būdas surinkti duomenys papildo vienas kitą ir suteikia aiškesnę ir gilesnę įžvalgą apie rezultatus.

Santrauka

Tinkamai atlikta duomenų analizė leidžia priimti geresnius, optimaliausius dizaino sprendimus. Praleidus jos išvadas, sukuriamas neišsamus, neefektyvus produktas, kuris nereaguoja į vartotojų tikruosius poreikius. Štai kodėl duomenų analizė yra toks kritinis procesas, lemiantis viso projekto sėkmę. Ji suteikia jums galimybę surinkti ir pasirinkti svarbiausią informaciją, kuri, kai ji paverčiama konkrečiomis dizaino rekomendacijomis, padeda sukurti geriausią galimą sprendimą – pritaikytą vartotojų poreikiams ir reikalavimams. Aprašyti duomenų analizės žingsniai padės jums tai atlikti struktūruotu būdu ir sutelkti dėmesį į tai, kas svarbiausia.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.