Som produktprofessionelle kan vi alle godt lide at tro, at vi står op hver morgen og søger sandheden for bedst muligt at betjene vores brugere og nå vores KPI'er. Ofte bruger vi undersøgelsesmetoder til at hjælpe os med at komme til bunds i tingene og træffe informerede produktbeslutninger. Sagen er den, at uanset hvor hårdt vi prøver, er vi tilbøjelige til at påvirke vores resultaters validitet med undersøgelsesbias.
Det er en fortælling så gammel som tiden, og uanset om du er akademisk forsker eller produktchef, er det afgørende at forstå alle aspekter af de bias, der kan føre dig på afveje. Lad os se nærmere på, præcis hvilke bias der findes, og hvordan du kan begrænse deres påvirkning af dit arbejde.
Hvad er undersøgelsesbias?
Undersøgelsesbias er kort sagt enhver handling eller tankegang under undersøgelsesprocessen, der påvirker din evne til at opnå objektive resultater. Det er vigtigt at bemærke, at undersøgelsesbias er ekstremt udbredt: Det kan forekomme i både kvalitativ og kvantitativ undersøgelse (ja, det er rigtigt – selv tal kan forvrænges af de historier, vi konstruerer omkring dem).
Bias kan snige sig ind overalt i undersøgelsesprocessen:
- Definition af undersøgelsesspørgsmål
- Dataindsamling
- Valg af studiedeltagere
- Dataanalyse
- Opsummering og formidling af resultater
Bias er generelt utilsigtet – vi er ikke bevidste om, at vores tankegang eller den måde, vi gennemfører vores studie på, påvirker validiteten af vores resultater. Det første skridt til at forebygge undersøgelsesbias er at indrømme over for os selv, at hver eneste person i universet, der udfører undersøgelser, er modtagelig for bias, uanset hvor gode vores intentioner er. Gode intentioner er fine, men de gør ikke hele arbejdet, når det gælder om at beskytte validiteten af vores studieresultater.
Læs videre for at forstå mere om de bias, der påvirker vores arbejde, og hvordan du kan begrænse deres effekter.
Typer af undersøgelsesbias, der kan afspore dit arbejde
Jeg er måske lidt forudindtaget (ordspillet er kun en lille smule tilsigtet), men dette er den sjove og interessante del. Nu undersøger vi alle de måder, hvorpå vi utilsigtet kan skabe forudindtagede undersøgelsesresultater takket være de finurlige måder, vores hjerner og vores studiedeltageres hjerner fungerer på. (Bare rolig: Hvis du læser videre, lærer du også, hvordan du undgår dem.)
Hukommelsesbias
Er det mærkeligt at have en yndlingsbias? Mærkeligt eller ej, dette er min. Det er min favorit, fordi den hentyder til sindets mysterier: Det, vi husker fra en begivenhed eller en række begivenheder, er ikke altid fuldstændigt eller nøjagtigt.
Hukommelsesbias henviser til vores tendens til ubevidst at huske tidligere begivenheder med visse unøjagtigheder, såsom udeladte detaljer. Det er mere sandsynligt, at det sker i tilfælde, hvor du beskæftiger dig med ubehagelige begivenheder, eller når du beskæftiger dig med ting, der skete for lang tid siden – men det kan faktisk ske når som helst.
Eksempel på hukommelsesbias
Hvis du for eksempel gennemfører et brugerinterview om en persons motionsvaner og spørger ind til en app, som vedkommende ikke har brugt i et år – ja, så er personens evne til at huske præcis, hvad vedkommende gjorde i appen, og hvordan det hele forløb, begrænset. Eller hvis du undersøger en persons oplevelse hos lægen efter en skade, kan personens sind have gjort vedkommende en tjeneste ved at gøre nogle af de mindre behagelige detaljer lidt uklare for at undgå psykisk belastning.
Der findes utallige eksempler, men bundlinjen er, at vores hjerner er historiefortællere. Af en hvilken som helst grund, uanset om det har at gøre med tidens gang, eller hvordan vi ønsker at opfatte bestemte begivenheder i forhold til, hvordan de faktisk fandt sted, er det, vi husker, ikke altid præcis det, der skete – og det kan påvirke vores undersøgelsesresultater, når vores studiedeltagere ubevidst lider under hukommelsesbias.
Selektionsbias
Hvis du tror, at bias kun forekommer hos dine studiedeltagere, må du tro om igen – denne ligger hos dig, den person, der udfører undersøgelsen. Du ved sikkert allerede, at den måde, du definerer de personer, der er berettigede til at deltage i dit studie, i høj grad påvirker dine resultater. Hvis du undersøger søvnvaner og kun interviewer eller spørger forældre til nyfødte børn, får du resultater, der ikke nødvendigvis gælder for den brede befolkning (gab).
Ved selektionsbias får visse forudfattede antagelser eller tilknytninger til hypoteser os til at definere vores undersøgelsesudvalg på en måde, der lægger op til de resultater, vi forventer eller ønsker.
Have an account? Log In
Eksempel på selektionsbias
Lad os sige, at din virksomhed har et værktøj til marketingautomatisering, og at du forsøger at forstå, hvorfor dine konkurrenter lader dig langt bagefter, når det gælder omsætning. Du har som produktchef måske en hypotese om, at det specifikt er funktionerne til automatisering af e-mails, der driver dine konkurrenters vækst.
Det kan få dig til at fokusere på at rekruttere studiedeltagere, der i høj grad arbejder med e-mail i deres roller – hvilket potentielt får dig til at overse værdiforslag og smertepunkter inden for andre områder af marketingautomatisering, simpelthen fordi du ikke rekrutterede nok deltagere, der er aktive inden for andre områder af produktet.
Bekræftelsesbias
Hvis du nogensinde har været en del af et projekt, hvor den person, der ledte researchindsatsen, kun syntes at være interesseret i brugerfeedback, der bekræftede vedkommendes egne antagelser, har du set bekræftelsesbias i praksis. Når vi ser på enhver form for data, kvalitativ eller kvantitativ, er det en menneskelig tendens at favorisere eller overdrive betydningen af information, der bekræfter vores hypoteser eller overbevisninger. Dette kaldes bekræftelsesbias, og det er udbredt. Faktisk er jeg kommet til at tro, at den måde, produktteams arbejder på, gør bekræftelsesbias særdeles sandsynlig, hvis vi ikke tager konkrete skridt for at bekæmpe den direkte.
I produktarbejde bliver vi ofte bedt om at træffe store beslutninger og løbe store risici—hurtigt. Det er sjældent at møde en designer eller en produktchef, som ikke har en stærk holdning til, hvilke funktionsiterationer eller produktændringer der vil bringe teamet tættere på deres overordnede mål. Derfor bliver brugerresearch nogle gange blot noget, der skal krydses af, og resultaterne præsenteres i en fortælling, der er gennemsyret af bekræftelsesbias.
Hvordan er det muligt? Det er højst sandsynligt, at din brugerresearch vil indeholde mange forskellige indsigter. Når du analyserer dine data, hvilket normalt er en proces med meget lidt opsyn i virksomheder, kan du ubevidst afvise datapunkter, der modsiger det, du tror på, og præsentere en fortælling, der ikke afspejler virkeligheden. Åh nej!
Eksempel på bekræftelsesbias
Forestil dig, at en researcher gennemfører brugerinterviews om en produktfunktion, der bruger AI til at generere svar på e-mailbeskeder. Hvis researcheren i denne sammenhæng stillede ledende spørgsmål som "ville du ikke finde værdi i denne funktion?" eller "hvor fantastisk ville det ikke være, hvis du kunne spare tid på at skrive e-mails?", ville vedkommende skabe bekræftelsesbias, fordi researchresultaterne blev påvirket af vedkommendes egne synspunkter på funktionens værdi.
Målingsbias
Uanset om du laver kvalitativ eller kvantitativ research, er det vigtigt, at den måde, du måler dine datapunkter på, giver mening og er ensartet hele vejen igennem. Når der er et grundlæggende problem med de målinger, vi bruger, introducerer vi potentielt falske resultater—det er målingsbias.
Eksempel på målingsbias
Lad os sige, at du laver en kvantitativ brugervenlighedsundersøgelse af en funktion, der skal reducere frafald på et bestemt tidspunkt i produktets centrale arbejdsgang. Det, du måler på tværs af hundredvis af tests, er brugerens evne til at gennemføre flowet i den nye iteration, og du leder efter en forbedring i forhold til den gamle version af funktionen. Dit team er nødt til at bruge lidt tid på at overveje, hvad at gennemføre flowet korrekt egentlig betyder: betyder det blot at komme forbi iterationen? Eller betyder det at gennemføre det hele? Indebærer det at opnå et tilfredsstillende resultat?
Som du kan se, kan den måde, du definerer selve målingen på, i høj grad påvirke dine resultater!
Interviewerbias
Når du gennemfører brugerinterviews til en kvalitativ undersøgelse, kan de spørgsmål, intervieweren stiller, og måden de stilles på, skabe grobund for potentiel bias.
Eksempler på interviewerbias
Her er nogle eksempler på, hvordan interviewerbias kan snige sig ind i enhver researchundersøgelse:
- Intervieweren stiller spørgsmål baseret på sine antagelser om hver deltager i stedet for at bruge et ensartet sæt spørgsmål til hver person i undersøgelsen.
- Intervieweren stiller ledende spørgsmål, der får deltageren til at svare på en bestemt måde, som bekræfter researcherens hypoteser.
- Intervieweren antyder en holdning eller værdidom gennem den måde, spørgsmålet formuleres på, hvilket tilskynder deltageren til at svare på en måde, der er fordelagtig (også kaldet social ønskværdighedsbias hos deltageren).
Publiceringsbias
Hvad gør du som produktprofessionel, når dine researchresultater ikke afspejler de fund, du havde håbet på? Tro det eller ej, mange researchere og produktprofessionelle rationaliserer ofte situationen og vælger ikke at dele deres researchresultater med deres teams, når det sker, og dette kaldes publiceringsbias.
Eksempel på publiceringsbias
Hvordan ser det ud? Det ser ud som dig eller en anden på dit team, der siger: “Vi testede det jo kun med 15 brugere—jeg tror ikke, det betyder noget. Lad os bare lade det ligge indtil videre.”
Faren her er, at du tilbageholder værdifuld information fra dit team, når den er i konflikt med dine håb og overbevisninger. Når du gør det, kan udeladelsen af information sende dit team i fuld fart i den forkerte retning.
Udvælgelsesbias
Hvem rekrutterer du egentlig til din undersøgelse? Tro det eller ej, dette er ofte en af de største faktorer for, om du får solide og pålidelige resultater eller ej. Udvælgelsesbias opstår, når du indsamler data, hvor stikprøven ikke er nuanceret eller repræsentativ, hvorefter resultaterne har potentiel bias og kan føre dig på afveje.
Eksempel på udvælgelsesbias
I dette eksempel gennemfører du en undersøgelse af madlavningsvaner for at få idéer til nye funktioner i din opskriftsapp. Hvis dine respondenter til spørgeskemaet kommer fra en gruppe, som du har rekrutteret på et universitetscampus, ser du grundlæggende på madlavningsvanerne hos unge, der studerer på fuld tid. Hvad med familier? Pensionister?
En af de vigtigste ting, du gør i processen med at designe en undersøgelse, er at sikre, at du ser på en repræsentativ stikprøve.
Analyseskevhed
Efter at du har gennemført dine dataindsamlingsmetoder, går du ind i analysefasen. Her træffer du alle mulige beslutninger: Hvilke data er vigtige? Hvilke er vigtigst? Hvad betyder alt dette kvalitativt? Statistisk? Ofte træffer vi disse beslutninger på en måde, der favoriserer vores oprindelige hypoteser eller ønskede resultater.
Eksempel på analyseskevhed
Et eksempel på analyseskevhed kunne være, hvis du tager dig selv i at sige ting som: “Det er ikke vigtigt. Det dukkede kun op et par gange. Det er bare afvigere.” Selvom det kan være rigtigt afhængigt af undersøgelsen, kan det også være analyseskevhed, der sniger sig ind og får dig til at ignorere en vigtig nuance i dine forskningsresultater.
Dette er blot nogle få eksempler på skævhed i forskning—der er virkelig utallige måder, hvorpå skævhed viser sig i forskningsprojekter. Så det næste spørgsmål er: Hvad kan vi gøre ved det?
Undgå skævhed i designet af forskningsundersøgelser
På nuværende tidspunkt sveder du sikkert en smule og spekulerer på, om forskning måske er meningsløs på grund af vores meget menneskelige tendens til at falde for forudindtagede metoder. Heldigvis er det ikke tilfældet. Nu hvor du er opmærksom på de potentielle former for skævhed, der lurer rundt om hvert velmenende hjørne, kan du tage skridt til at mindske skævhed i din brugerforskning og styre dit produktteam i den rigtige retning. Lad os se på nogle måder, hvorpå du kan gøre netop det.
Arbejd omhyggeligt med designet af din forskningsundersøgelse
Dette er brugerforskningens version af at komme godt fra start. Når du designer din undersøgelse, træffer du en række beslutninger, som, hvis de træffes korrekt, kan mindske sandsynligheden for potentiel skævhed.
Her er nogle tips:
- Definer dine brugergrupper så bredt som muligt, samtidig med at du stadig tager højde for din målpopulation
- Vælg dine forskningsmetoder med omhu: Sørg for, at metoden afspejler det, du forsøger at lære
- Hvis du gennemfører brugerinterviews, skal du skrive en interviewguide, før du begynder at interviewe, og forsøge at sikre, at du stiller alle de samme spørgsmål
Bonustip
Få en kollega til at gennemgå din forskningsplan, før du rent faktisk begynder at indsamle data. Det vil hjælpe med at sikre, at du ikke overser noget, der kan introducere skævhed.
More Articles
Undgå interessekonflikter i alle faser af brugerforskningen
Den produktchef, der hele året har insisteret på behovet for at foretage en bestemt ændring? Ideelt set bør det ikke være den person, der leder forskningsundersøgelsen. Selvom objektivitet stadig er mulig i dette tilfælde, gør interessekonflikter som denne det ofte ekstremt vanskeligt for folk at indsamle data og analysere forskningsresultater på en uvildig måde.
Et alternativ kunne være at lade en anden—måske en designer eller en brugerforsker på teamet—designe og lede undersøgelsen, mens vedkommende løbende rådfører sig med den førnævnte produktchef. Overordnet set er der en evidensbaseret regel om, at jo mindre tilknytning en person har til et ønsket resultat, desto større er sandsynligheden for, at vedkommende leverer pålidelige forskningsresultater.
Anerkend, at skævhed i forskning gælder for alle mennesker, der udfører forskning
Jeg mener dette på den mest respektfulde måde: Selvom du sikkert er særlig på mange forskellige måder, er du—når det kommer til risikoen for at introducere skævhed i en undersøgelse—ikke anderledes.
Alle de former for skævhed, som vi har gennemgået, er evidensbaserede tendenser, som alle mennesker har. Når du først indtager den holdning, at selv du i teorien kan være påvirket af forskellige former for skævhed, er du godt på vej til at forebygge dem!
Gennemfør altid en efterfølgende evaluering af forskningen
Det er okay at begå fejl i livet, og det samme gælder, når det kommer til brugerforskning. Hver gang du gennemfører en undersøgelse, skal du sørge for at sætte dig sammen med dit team og gennemgå jeres metode fra start til slut—hvad kunne I have gjort anderledes? Er det muligt, at nogle snedige former for skævhed har sneget sig ind?
Som regel vil du ikke opdage, at din undersøgelse er fuldstændig upålidelig, men du vil få øje på små justeringer, som du kan foretage i din næste undersøgelse for at øge pålideligheden af din brugerforskning fremover.
Forskningsbias er en realitet, men den kan håndteres.
Nu hvor du er klar over, hvad der kan spænde ben for dig, når det gælder pålidelig brugerresearch, er du klar til at komme i gang og udføre et godt stykke arbejde. Med risiko for at lyde en smule latterlig vil jeg fortælle dig en sidste hemmelighed: Jeg har en lille post-it-seddel på mit skrivebord, hvor der ganske enkelt står »skævhed!«. Jeg oplever, at den holder alt det, vi har gennemgået, øverst i bevidstheden.
Selv hvis en alarmerende post-it-seddel ikke er den metode, du foretrækker, så find en måde at holde elimineringen af skævhed øverst i bevidstheden, når du udfører brugerresearch, og så er du godt på vej til at levere indsigter, der hjælper dit team med at nå sine mål.
Glem ikke at tilmelde dig vores nyhedsbrev for flere ressourcer og vejledninger om produktledelse samt de seneste podcasts, interviews og andre indsigter fra brancheledere og eksperter.
