Selv med de bedste forudsigende analyser i branchen kan vi ikke se ind i fremtiden med 100 % nøjagtighed. Men på trods af det – og heldigvis for os – er mennesker forudsigelige væsener. Det betyder, at du kan bruge dine brugeres tidligere adfærd til at opnå en forholdsvis præcis forståelse af, hvad de vil gøre som det næste.
Inden for produktledelse og dataanalyse kalder vi denne proces for »forudsigende dataanalyse«, og det er blandt de mest værdifulde værktøjer til at udvikle produkter med en fantastisk UX.
Så lad os undersøge forudsigende analyse, og hvordan du kan bruge den til at optimere din UX.
Hvad handler forudsigende analyse om?
Forudsigende analyse er en avanceret datavidenskabelig tilgang til at analysere de produkt- og brugerdata, du har til rådighed, for at forudsige (deraf »forudsigende«) de handlinger, dine brugere vil foretage, og hvordan dit produkt vil klare sig i fremtiden.
Grundlæggende indebærer det, at du ser på dine data ved hjælp af statistiske modeller, specialiserede værktøjer og maskinlæringsalgoritmer for at finde bestemte adfærdsmønstre. Hvis vi antager, at disse mønstre forbliver relativt stabile i fremtiden, kan du ekstrapolere dine data på baggrund af mønstrene og foretage kvalificerede gæt om fremtidig brug.
Ansvarsfraskrivelse: Dette er alt sammen information på et meget overordnet niveau, men vi kradser her kun i overfladen af et værdifuldt kompetenceområde. Hvis du vil gå mere i dybden, foreslår jeg, at du kigger på vores liste over kurser i produktanalyse og gennemfører ét hvert eller hvert andet år.
Fordelene ved forudsigende analyse omfatter:
- Bedre kvalitet i beslutningstagningen: Med et klart billede af, hvad der kommer, vil du kunne træffe beslutninger, som med større sandsynlighed fører til succes.
- Bedre effektivitet: Prognoser giver dig også mulighed for at se de potentielle effektivitetsproblemer, du vil møde i fremtiden, hvis du fortsætter med at lade alt være, som det er. Dermed får du mulighed for at forbedre din effektivitet på forhånd. Det kan hjælpe dig med at reducere omkostningerne, sænke priserne og opnå en stor konkurrencefordel i forhold til andre.
- Bedre risikostyring: Visse typer af forudsigende analyse hjælper dig med at se kommende forretningsmæssige, juridiske og økonomiske risici. Igen kan du forhindre disse risici, før de bliver til virkelighed.
- Bedre personalisering for brugerne: Personaliserede funktioner og indhold er højdepunktet inden for UX. Med forudsigende analyse kan du glæde dine brugere med forslag og oplevelser, der bedst matcher deres behov.
Det lyder fantastisk, ikke?
Jo, men der er et forbehold. Det er umuligt at lave en 100 % præcis forudsigelse af fremtidige resultater. Vi er trods alt ikke spåkoner fra et fantasy-rollespil.
Uanset hvilken prognose du får, vil den højst være 70-80 % præcis på sit bedste. Så husk venligst dette, når du træffer vigtige beslutninger baseret på dine resultater.
Eksempler på forudsigende analyse hos velkendte produkter
Manglende absolut præcision betyder dog ikke, at du ikke kan drage fordel af disse forudsigende indsigter. Faktisk står forudsigende analyse bag nogle af de mest berømte produktsucceser, der findes.
Her er tre succeshistorier fra store teknologivirksomheder, der kan underbygge min pointe.
Eksempel 1: Netflix’ berømte anbefalingsmotor
En af de vigtigste grunde til, at folk elsker Netflix, er tjenestens evne til at anbefale gode serier. Faktisk er anbefalingsmotoren en af de to vigtigste årsager til Netflix’ succes (den anden er den fantastiske arkitektur til levering af indhold).
Netflix bruger kunstig intelligens og statistiske teknikker til at forstå hver brugers præferencer og anbefale serier, som de sandsynligvis vil synes om.
Det, de grundlæggende gør, er at se på de serier, du tidligere har set, om du sprang dem over eller så dem til ende, samt dine generelle interesser i dit område for at forudsige de kategorier og typer af serier, du måske vil kunne lide.
De giver dig endda et personaliseret miniaturebillede baseret på dine interesser.
Hvis Netflix kan se, at du ser mange film eller serier med en bestemt skuespiller, vil tjenesten give dig en version af miniaturebilledet, hvor skuespilleren er i forgrunden. (Og hvis du ikke vidste det, kan du nu ikke længere lade være med at se det!)
Have an account? Log In
Amazons forudseende forsendelse
Kan du huske, da jeg nævnte, hvordan du kan forbedre effektiviteten med prædiktiv analyse? Det er præcis det, Amazon gør med deres anticipatoriske forsendelsesproces.
Det viser sig, at menneskers købsadfærd er ret forudsigelig. Vi har en tendens til at købe bestemte produkter med regelmæssige intervaller (f.eks. vaskemiddel hver måned) eller med en bestemt sæsonvariation (julepynt osv.). Heldigvis for Amazon har de alle disse data og kan køre prædiktiv analyse på dem.
Ved hjælp af deres statistiske modeller kan de på forhånd sende de rigtige typer produkter (og den rigtige mængde) til deres lagre. Det gør det muligt for dem at reducere leveringstiden til de endelige forbrugere betydeligt og mindske mængden af produkter, som de skal sende tilbage til et andet lager, hvor efterspørgslen er større.
Sådan ser processen ud i deres patentdokumenter.
I dette specifikke diagram viser Amazon processen med at ændre produktets leveringsadresse i realtid.
Google Maps’ trafikforudsigelser
Jeg elsker trafikfunktionen i Google Maps. Den er utrolig præcis og hurtig.
Og ved du, hvordan de har opnået det niveau af nøjagtighed? Præcis—prædiktiv analyse!
Google har data om næsten alt, hvad der sker i en given by. Langt de fleste mennesker bag rattet bruger en enhed, der drives af Android, eller en anden Google-tjeneste med geolokation slået til. Så hvis de ser en gruppe smartphones bevæge sig langsomt på en motorvej, markerer de det som en trafikprop.
Men Google er også i stand til at finde langt smartere løsninger, når det handler om at forudsige trafik. Fordi de har data om de større begivenheder, der finder sted i stort set enhver given by (f.eks. en stor sportsbegivenhed), tager de også højde for det, når de planlægger bilisternes ruter. Hvis du for eksempel har en køretur på en time gennem byen, og der snart starter en kamp, vil Googles algoritme holde dig væk fra de større veje, som sandsynligvis vil blive overfyldt med sportsfans, når du når frem til området.
Indtil videre har vi set på prædiktiv analyse som et generisk værktøj i virksomhedernes hænder. Dagens hovedemne er imidlertid at anvende denne fascinerende teknik til at forbedre din UX. Så lad mig gå videre med at forklare, hvordan du kan tage din UX-research til et helt nyt niveau med prædiktiv analyse.
Teknikker inden for prædiktiv dataanalyse til UX-research
Området for prædiktiv analyse er ret bredt, når det gælder de forskellige teknikker, du kan anvende til at løse dagligdags problemer. Men i dag vil jeg gerne fokusere på de tre, der egner sig godt til UX-research—regressionsanalyse, beslutningstræer og tidsserieanalyse.
Regression
Hvis du har en baggrund inden for erhverv eller matematik, lyder dette begreb måske bekendt. Ja, det er den klassiske statistiske regressionsmodel, der kan genkende mønstre i dine data.
Mere praktisk er regression (mere specifikt lineær regression) din tendenslinje—en linje på diagrammet, der viser, om den brugeraktivitet, du analyserer, er stigende eller faldende.
Tendenslinjer er noget, som mit UX-team og jeg bruger hele tiden i vores Amplitude-diagrammer, fordi de hjælper os med at omdanne uoverskuelige data til synlige tendenser og se, om vores UX-ændringer har haft positive resultater.
Her er et eksempel på regression:
Vi strømlinede vores tilgangsflow med UX-teamet for tre måneder siden og vil gerne se, om antallet af tilmeldinger er steget siden da.
Dette er et diagram over brugertilmeldinger for de seneste 90 dage. Kan du fortælle mig, om det er stigende eller ej?
Selvfølgelig kan du ikke det—det er simpelthen for uoverskueligt.
Men lad mig ændre målingstypen for diagrammet til en formel fra sidepanelet.
Og tilføje en tendenslinje.
Nu ser diagrammet over tilmeldinger sådan ud.
Med tendenslinjen tilføjet kan vi se, at vores ændringer havde en positiv effekt på vores tilgang. Denne ændring er dog for lille til at være statistisk signifikant, så jeg vil hævde, at vores UX-ændringer ikke har gjort nogen reel forskel.
Beslutningstræer
Beslutningstræer er blandt de mest populære AI-modelstrukturer til at analysere dine data og drage nyttige konklusioner ud fra dem.
Et neuralt netværk tager i dette tilfælde dit oprindelige datasæt og begynder at opdele det i undergrupper baseret på bestemte betingelser. Derefter opdeler det disse undergrupper i andre grupper og så videre. Resultatet er noget, der ligner et omvendt træ.
Efter at have opbygget dette træ giver algoritmen dig et svar baseret på de data, du har. I eksemplet ovenfor fortæller beslutningstræet dig, om du bør tage bussen i skole eller gå.
Lad os nu se, hvordan vi kan løse UX-problemer med disse modeller. Forestil dig, at du forsøger at reducere antallet af brugere, der forlader indkøbskurven i din e-handelsbutik. Når du kører beslutningstræalgoritmen på dine brugerdata, får du følgende resultat.
Ved at se på beslutningstræet ovenfor kan vi forstå de vigtigste faktorer, der påvirker andelen af brugere, som forlader indkøbskurven. I dette tilfælde skal vi tilføje funktioner/UX, der:
- Får folk til at gå til betaling, før deres indkøbskurv bliver større.
- Sikrer, at leveringsomkostningerne er synlige og nemme at få øje på alle typer enheder.
- Får folk til at logge ind.
- Gør vores sider hurtigere.
Derefter kan vi fortsætte med at bruge prædiktive analyseværktøjer til at se, hvilke af disse faktorer der vil påvirke andelen af brugere, som forlader indkøbskurven, mest—så vi kan prioritere disse løsninger.
Tidsserieanalyse
Tidsserieanalyse er det mere avancerede sæt af modelleringsteknikker. Som navnet antyder, udføres denne type analyse på bestemte typer data (primært historiske data, der er knyttet til tid).
En af de bedste måder at integrere tidsserieanalyse i din UX-proces på er at forudsige dine vigtigste UX-målepunkter (f.eks. engagement, kundeafgang, fastholdelse osv.) baseret på brugeradfærden i de historiske data og se, om de forventes at blive forbedret i fremtiden. Hvis forudsigelserne viser et fald i dine målepunkter, skal du tage det som et tegn på, at noget er galt, og at du er nødt til at rette det.
Jeg vil ikke gå for meget i detaljer med, hvordan man udfører tidsserieanalyse her, da vi lige om lidt skal se nærmere på prognosefunktionen i Amplitude, som anvender denne metode.
De bedste maskinlæringsmodeller og -tjenester til prædiktiv analyse
Ud over alle fordelene ved prædiktiv analyse er der én væsentlig ulempe—de er notorisk svære at udføre manuelt. Heldigvis er internettet fyldt med forskellige analyseværktøjer og løsninger, der kan køre disse analytiske modeller for dig med et enkelt klik på en knap.
Lad os derfor se, hvordan du kan drage fordel af forskellige typer værktøjer til at forudsige fremtiden for din UX.
Brug af produktanalyseværktøjer
Den hurtigste og nemmeste måde at udføre prædiktiv analyse på er ved at bruge de relativt avancerede produktanalyseværktøjer, du har til rådighed. Til almindelige opgaver er det som regel Amplitude. Til mere avancerede arbejdsgange, der involverer dataudvinding, kan du overveje avancerede værktøjer til prædiktiv analyse såsom Domo eller Tableau.
I øjeblikket er Amplitude mit daglige værktøj til sådanne anvendelser. Så lad mig vise dig, hvordan du kan bruge nogle af funktionerne til at forudsige dit produkts fremtid.
Prædiktive kohorter
Den første funktion i Amplitude, der kan hjælpe dig med dette, kaldes “Prædiktive kohorter”.
Amplitude bruger sine prædiktive AI-modeller til at oprette brugerkohorter baseret på deres sandsynlighed for at udføre bestemte handlinger eller udvise en bestemt adfærd.
Senere kan du bruge disse kohorter i din analyse ved at oprette diagrammer og sammenligne adfærden hos personerne i din kohorte med resten. Du kan også køre A/B-tests baseret på disse kohorter for at se, om de ændringer i brugeroplevelsen, du foretager, påvirker deres adfærd.
Sådan opretter du en prædiktiv kohorte i Amplitude
- Åbn først kohorteafsnittet i Amplitude, og klik på “Forudsig en kohorte”.
2. Derefter kan du begynde at definere den adfærd, du er interesseret i.
I dette tilfælde vil vi gruppere personer, der med størst sandsynlighed vil købe sange og videoer for $25+.
Ud fra dine krav vil Amplitudes modeller analysere dine tidligere og nye data og give dig en forudsigelse, som du kan tilgå i kohortesektionen.
3. Vi kan omdanne denne forudsigelse til en anvendelig kohorte ved at klikke på den og gemme den som en kohorte.
4. Hvis du vil, har du mulighed for at finjustere udvælgelsen ved at vælge, hvilken percentil af brugerbasen du vil inkludere i din kohorte. Jeg vil dog anbefale, at du beholder standardvalget og gemmer det ved at klikke på knappen “Gem som kohorte”.
Sådan! Nu har du en dynamisk kohorte baseret på prædiktive modeller, som du kan bruge praktisk talt overalt i Amplitude, herunder i dine diagrammer, analyser og A/B-tests.
Prognoser
En anden funktion i Amplitude, som har været nyttig for mig og mit UX-team, er deres indbyggede prognosemotor. Den automatiserer processen og bruger både regression, tidsserieanalyse og sit eget sæt af AI-modeller til at give dig en forudsigelse for de målepunkter, du er interesseret i.
Ud fra min erfaring er en af de mest praktiske anvendelser af denne funktion inden for UX at lave en prognose for konverteringsraterne i aktiveringstragten.
Sådan laver du en prognose for konverteringsraterne i aktiveringstragten i Amplitude
1. Forestil dig, at aktiveringstragten for dit CRM-værktøj til finansielle tjenester består af tre hændelser—tilmelding, tilføj integration og opret mulighed. Hvis vi ser på konverteringsraten over tid, vil den se nogenlunde sådan ud.
Nu har du allerede implementeret et par UX-forbedringer i brugerrejsen for en uge siden, og du vil gerne forstå, om de har medført nogen mærkbare forbedringer. Derfor beder vi Amplitude om at give os en prognose for de næste 30 dage.
2. Klik på knappen “Anomali + prognose”, og klik derefter på knappen “Tilføj prognose”.
Amplitudes modeller indlæses og giver os et diagram, der ser sådan ud.
Som vi kan se, er der ingen synlig vækst i vores konverteringsrate for tragten (hvilket er mere almindeligt, end du tror). Den handlingsanvisende indsigt her er at gennemføre endnu en runde UX-forbedringer.
Brug af API'er til prædiktive cloud-modeller
Det er praktisk at bruge produktanalyseværktøjer til prædiktiv datamodellering, når det problem, du forsøger at løse, er relativt enkelt. Hvis du har brug for noget mere avanceret, kan du dog vælge API'er til maskinlæringsmodeller fra tredjeparter.
Her er to udbydere, som mit team tidligere har fundet nyttige.
More Articles
AWS-maskinlærings-API
Amazons cloudtjeneste er fyldt med forskellige AI-modeller til forretningsanalyse, som du kan oprette forbindelse til via API. Teknologistakken omfatter også modeller til prædiktiv analyse.
- Der er Amazon Forecast, som kan køre på tidsseriedata—så du kan se effekten af din UX på lang sigt.
- Der er også Amazon Personalize, som giver dig en skalerbar og tilpasningsbar personaliseringsmotor, du kan bruge til at foreslå relevante produkter og tjenester til dine kunder (ligesom Netflix og TikTok gør).
Googles AI-infrastruktur
I modsætning til Amazon tilbyder Google ikke færdiglavede AI-modeller til forudsigelser. I stedet får du adgang til deres omfattende sæt af værktøjer, som kan hjælpe dig med at analysere store datamængder og opbygge dine egne tilpassede modeller til dyb læring og forudsigelser ved hjælp af dit nuværende team af dataforskere.
Googles værktøjer er særligt velegnede til at håndtere store datamængder og finde fremtidige tendenser i dem (deres funktioner til datastyring er fantastiske). Ud over forudsigelser kan du også bruge deres værktøjssæt til dine behov inden for deskriptiv analyse, marketingkampagner gennem hele kundelivscyklussen, forretningsanalyse, finansielle analyser (f.eks. kreditvurderinger) og meget mere.
Så hvis Amazons færdiglavede modeller ikke kan løse det specifikke problem, du står over for, er Google din foretrukne tjeneste.
Et smugkig ind i fremtiden kan måske redde din UX
Vi ville alle ønske, at vi kunne forudsige fremtiden. Hvis vi kunne, ville vi skabe perfekte produkter med verdens mest tiltalende UX – på godt og ondt. Men indtil videre er prædiktiv analyse det nærmeste alternativ, når det handler om at hjælpe os med at træffe datadrevne UX-beslutninger og begejstre vores kunder med fantastiske oplevelser.
Glem ikke at tilmelde dig vores nyhedsbrev for flere ressourcer og vejledninger inden for produktledelse samt de nyeste podcasts, interviews og andre indsigter fra brancheledere og eksperter.
