Parhaimmankaan ennakoivan analytiikan avulla emme pysty näkemään tulevaisuuteen sataprosenttisen tarkasti. Mutta siitä huolimatta – ja onneksemme – ihmiset ovat ennakoitavia olentoja. Tämä tarkoittaa, että voit käyttää käyttäjiesi aiempaa käyttäytymistä muodostaaksesi melko tarkan käsityksen siitä, mitä he tekevät seuraavaksi.
Tuotehallinnassa ja data-analytiikassa kutsumme tätä prosessia ”ennakoivaksi data-analytiikaksi”, ja se on yksi arvokkaimmista työkaluista erinomaista käyttökokemusta tarjoavien tuotteiden rakentamiseen.
Tarkastellaan siis ennakoivaa analytiikkaa ja sitä, miten voit käyttää sitä käyttökokemuksesi optimoimiseen.
Mitä ennakoiva analytiikka tarkoittaa?
Ennakoiva analytiikka on edistynyt datatieteen lähestymistapa, jossa käytettävissäsi olevia tuote- ja käyttäjätietoja analysoidaan, jotta voidaan ennustaa (tästä tulee sana ”ennakoiva”) käyttäjiesi tulevaa toimintaa ja tuotteesi tulevaa suorituskykyä.
Pohjimmiltaan siinä tarkastellaan dataasi tilastollisten mallien, erikoistuneiden työkalujen ja koneoppimisalgoritmien avulla tiettyjen käyttäytymismallien löytämiseksi. Jos oletetaan, että nämä mallit pysyvät tulevaisuudessa suhteellisen vakaina, voit ekstrapoloida dataasi niiden perusteella ja tehdä perusteltuja arvioita tulevasta käytöstä.
Huomautus: tämä on kaikki hyvin yleisluontoista tietoa, mutta raapaisemme tässä arvokkaan osaamisalueen pintaa. Jos haluat perehtyä aiheeseen syvemmin, suosittelen tutustumaan tuoteanalytiikan kurssien luetteloomme ja suorittamaan yhden kurssin vuoden tai kahden välein.
Ennakoivan analytiikan hyötyjä ovat muun muassa:
- Laadukkaampi päätöksenteko: Kun tiedät selkeästi, mitä seuraavaksi on tulossa, pystyt tekemään päätöksiä, jotka johtavat todennäköisemmin onnistumiseen.
- Parempi tehokkuus: Ennusteiden avulla näet myös mahdolliset tehokkuusongelmat, joita kohtaat tulevaisuudessa, jos pidät kaiken ennallaan. Näin saat mahdollisuuden parantaa tehokkuuttasi etukäteen. Tämä voi auttaa sinua pienentämään kustannuksia, laskemaan hintoja ja saavuttamaan merkittävän kilpailuedun muihin nähden.
- Parempi riskienhallinta: Tietyntyyppinen ennakoiva analytiikka auttaa sinua näkemään tulevat liiketoiminta-, laki- ja talousriskit. Voit jälleen ehkäistä nämä riskit ennen kuin ne toteutuvat.
- Parempi käyttäjien personointi: Personoidut ominaisuudet ja sisältö ovat käyttökokemuksen huippu. Ennakoivan analytiikan avulla voit ilahduttaa käyttäjiäsi ehdotuksilla ja kokemuksilla, jotka vastaavat parhaiten heidän tarpeitaan.
Kuulostaa mahtavalta, eikö?
No, kyllä, mutta tähän liittyy yksi varaus. Tulevista tapahtumista on mahdotonta tehdä sataprosenttisen tarkkaa ennustetta. Emmehän sentään ole fantasiaroolipelin ennustajia.
Ennusteesi on parhaimmillaan 70–80-prosenttisen tarkka. Pidä tämä siis mielessä, kun teet tuloksiisi perustuvia tärkeitä päätöksiä.
Esimerkkejä tunnettujen tuotteiden ennakoivasta analytiikasta
Absoluuttisen tarkkuuden puute ei kuitenkaan tarkoita, ettet voisi hyötyä näistä ennakoivaan analytiikkaan perustuvista havainnoista. Itse asiassa ennakoiva analytiikka on joidenkin tunnetuimpien tuoteonnistumisten taustalla.
Tässä on kolme menestystarinaa suurilta teknologiayrityksiltä todistamaan väitteeni.
Esimerkki 1: Netflixin kuuluisa suosittelumoottori
Yksi tärkeimmistä syistä Netflixin suosioon on sen kyky suositella loistavia ohjelmia. Suosittelumoottori onkin yksi Netflixin menestyksen kahdesta keskeisestä syystä (toinen on sen erinomainen sisällönjakeluarkkitehtuuri).
Netflix käyttää tekoälyä ja tilastollisia menetelmiä ymmärtääkseen kunkin käyttäjän mieltymyksiä ja suositellakseen ohjelmia, joista he todennäköisesti pitävät.
Käytännössä Netflix tarkastelee aiemmin katsomiasi ohjelmia, sitä, ohititko ne vai katsoitko ne loppuun asti, sekä yleisiä kiinnostuksenkohteitasi alueellasi ennustaakseen, millaisista ohjelmaluokista ja ohjelmatyypeistä voisit pitää.
He jopa tarjoavat sinulle kiinnostuksenkohteidesi perusteella personoidun pikkukuvan.
Jos Netflix huomaa, että katsot paljon elokuvia tai ohjelmia, joissa esiintyy tietty näyttelijä, se näyttää sinulle pikkukuvan version, jossa kyseinen näyttelijä on etualalla. (Ja jos et tiennyt tätä ennestään, et pysty enää olemaan huomaamatta sitä!)
Have an account? Log In
Amazonin ennakoiva toimitus
Muistatko, kun mainitsin, kuinka ennakoivan analytiikan avulla voi parantaa tehokkuutta? Juuri näin Amazon toimii ennakoivassa toimitusprosessissaan.
Kuten käy ilmi, ihmisten ostokäyttäytyminen on melko ennakoitavaa. Ostamme yleensä tiettyjä tuotteita säännöllisin väliajoin (esimerkiksi pyykinpesuainetta joka kuukausi) tai tiettyjen sesonkien mukaisesti (joulukoristeita ja niin edelleen). Amazonin onneksi sillä on kaikki nämä tiedot, ja se voi suorittaa niille ennakoivaa analytiikkaa.
Tilastollisten malliensa avulla Amazon voi toimittaa oikeantyyppisiä tuotteita (ja oikean määrän) ennakkoon varastoihinsa. Näin se voi lyhentää merkittävästi toimitusaikaa loppuasiakkaille ja vähentää niiden tuotteiden määrää, jotka sen on lähetettävä takaisin toiseen varastoon, jossa niille on suurempi kysyntä.
Tältä prosessi näyttää patenttiasiakirjoissa.
Tässä nimenomaisessa kaaviossa Amazon näyttää, kuinka tuotteen toimitusosoitetta muutetaan reaaliajassa.
Google Mapsin liikenne-ennusteet
Pidän Google Mapsin liikenneominaisuudesta. Se on uskomattoman tarkka ja nopea.
Tiedätkö, miten se on saavuttanut tämän tarkkuustason? Aivan oikein – ennakoivan analytiikan avulla!
Googlella on tietoa lähes kaikesta, mitä missä tahansa kaupungissa tapahtuu. Suurin osa autoilijoista käyttää Android-käyttöjärjestelmällä toimivaa laitetta tai jotakin muuta Google-palvelua, jonka sijaintipalvelu on otettu käyttöön. Jos Google siis havaitsee joukon älypuhelimia liikkumassa hitaasti moottoritiellä, se merkitsee kohdan ruuhkaksi.
Google pystyy kuitenkin liikenteen ennustamisessa myös paljon älykkäämpiin ratkaisuihin. Koska sillä on tietoa lähes kaikissa kaupungeissa järjestettävistä suurista tapahtumista (esimerkiksi suurista urheiluotteluista), se ottaa nekin huomioon kuljettajien reittejä suunnitellessaan. Jos sinulla on esimerkiksi tunnin ajomatka kaupungin halki ja ottelu alkaa pian, Googlen algoritmi pitää sinut poissa pääteiltä, jotka ovat todennäköisesti täynnä urheilufaneja siihen mennessä, kun saavut kyseiselle alueelle.
Tähän mennessä olemme tarkastelleet ennakoivaa analytiikkaa yritysten käytössä olevana yleisenä työkaluna. Tämän päivän pääaiheena on kuitenkin tämän kiehtovan tekniikan soveltaminen käyttäjäkokemuksen parantamiseen. Siirryn siis selittämään, miten voit viedä UX-tutkimuksesi ennakoivan analytiikan avulla täysin uudelle tasolle.
Ennakoivan data-analytiikan tekniikat UX-tutkimukseen
Ennakoivan analytiikan ala on melko laaja, kun tarkastellaan erilaisia tekniikoita, joita voi soveltaa jokapäiväisten ongelmien ratkaisemiseen. Tänään haluan kuitenkin keskittyä kolmeen tekniikkaan, jotka soveltuvat hyvin UX-tutkimukseen: regressioanalyysiin, päätöspuihin ja aikasarja-analyysiin.
Regressio
Jos sinulla on taustaa liiketoiminnassa tai matematiikassa, tämä termi saattaa olla sinulle tuttu. Kyllä, kyseessä on klassinen tilastollinen regressiomalli, joka tunnistaa aineistossasi olevia malleja.
Käytännönläheisemmin ilmaistuna regressio (tarkemmin sanottuna lineaarinen regressio) on trendiviivasi – kaavion viiva, joka osoittaa, kasvaako vai väheneekö analysoimasi käyttäjätoiminta.
Trendiviivat ovat jotain, mitä UX-tiimini ja minä käytämme jatkuvasti Amplitude-kaavioissamme, koska niiden avulla voimme muuttaa sekavan datan näkyviksi trendeiksi ja nähdä, ovatko UX-muutoksemme tuottaneet myönteisiä tuloksia.
Tässä on esimerkki regressiosta:
Selkeytimme hankintaprosessiamme UX-tiimin kanssa kolme kuukautta sitten ja haluamme nähdä, onko rekisteröitymisten määrä kasvanut sen jälkeen.
Tässä on käyttäjien rekisteröitymisiä kuvaava kaavio viimeiseltä 90 päivältä. Osaatko sanoa, kasvaako määrä vai ei?
Et tietenkään voi, sillä kaavio on aivan liian sekava.
Mutta vaihdetaanpa kaavion mittaustyypiksi kaava sivupalkista.
Ja lisätään trendiviiva.
Nyt rekisteröitymisiä kuvaava kaavio näyttää tältä.
Kun trendiviiva on lisätty, näemme, että muutoksemme vaikuttivat myönteisesti hankintaamme. Muutos on kuitenkin liian pieni ollakseen tilastollisesti merkitsevä, joten väittäisin, etteivät UX-muutoksemme ole todellisuudessa vaikuttaneet asiaan.
Päätöspuut
Päätöspuut ovat yksi suosituimmista tekoälymallien rakenteista datasi analysointiin ja hyödyllisten johtopäätösten tekemiseen siitä.
Tässä tapauksessa neuroverkko ottaa alkuperäisen tietojoukkosi ja alkaa jakaa sitä alaryhmiin tiettyjen ehtojen perusteella. Sen jälkeen se jakaa nämä alaryhmät edelleen muihin ryhmiin ja niin edelleen. Tuloksena on jotain ylösalaisin käännetyn puun kaltaista.
Kun puu on rakennettu, algoritmi antaa sinulle vastauksen käytettävissäsi olevan datan perusteella. Yllä olevassa esimerkissä päätöspuu kertoo, kannattaako kouluun mennä bussilla vai kävellen.
Katsotaan nyt, miten voimme ratkaista käyttäjäkokemukseen liittyviä ongelmia näiden mallien avulla. Kuvittele, että yrität pienentää verkkokauppasi ostoskorin hylkäysastetta. Kun suoritat päätöspuu-algoritmin käyttäjädatallasi, saat seuraavan tuloksen.
Tarkastelemalla yllä olevaa päätöspuuta voimme ymmärtää keskeiset ostoskorin hylkäysasteeseen vaikuttavat tekijät. Tässä tapauksessa meidän tulee lisätä ominaisuuksia ja käyttäjäkokemukseen liittyviä ratkaisuja, jotka:
- Kannustavat ihmisiä siirtymään kassalle ennen kuin heidän ostoskorinsa kasvaa liian suureksi.
- Varmistavat, että toimituskulut näkyvät ja erottuvat helposti kaikenlaisilla laitteilla.
- Kannustavat ihmisiä kirjautumaan sisään.
- Nopeuttavat sivujamme.
Voimme tämän jälkeen jatkaa käyttämällä ennakoivan analytiikan työkaluja selvittääksemme, mitkä näistä tekijöistä vaikuttavat hylkäysasteeseen eniten. Näin voimme asettaa nämä ratkaisut tärkeysjärjestykseen.
Aikasarja-analyysi
Aikasarja-analyysi on kehittyneempi joukko mallinnustekniikoita. Kuten nimi kertoo, tämäntyyppinen analyysi tehdään tietyntyyppiselle datalle, pääasiassa ajallisesti sidotulle historialliselle datalle.
Yksi parhaista tavoista sisällyttää aikasarja-analyysi käyttäjäkokemusprosessiisi on ennustaa keskeisiä käyttäjäkokemusmittareitasi, kuten sitoutumista, asiakaspoistumaa ja asiakaspysyvyyttä, aiemman datan käyttäytymisen perusteella ja tarkastella, ovatko ne paranemassa tulevaisuudessa. Jos ennusteet osoittavat mittareidesi heikkenevän, voit pitää sitä merkkinä siitä, että jokin on vialla ja että sinun on korjattava asia.
En mene tässä liian syvälle siihen, miten aikasarja-analyysiä tehdään, sillä tutustumme seuraavaksi Amplituden Ennuste-ominaisuuteen, joka hyödyntää tätä menetelmää.
Parhaat koneoppimismallit ja -palvelut ennakoivaan analytiikkaan
Kaikkien ennakoivan analytiikan hyötyjen ohella siihen liittyy yksi merkittävä haittapuoli: sen tekeminen manuaalisesti on tunnetusti vaikeaa. Onneksi internet on täynnä erilaisia tutkimustyökaluja ja ratkaisuja, jotka voivat suorittaa nämä analyyttiset mallit puolestasi yhdellä napin painalluksella.
Katsotaan siis, miten voit hyödyntää erityyppisiä työkaluja käyttäjäkokemuksesi tulevaisuuden ennustamiseen.
Tuoteanalytiikkatyökalujen käyttäminen
Nopein ja helpoin tapa tehdä ennakoivaa analytiikkaa on käyttää käytettävissäsi olevia suhteellisen kehittyneitä tuoteanalytiikkatyökaluja. Tavallisissa tehtävissä se on yleensä Amplitude. Kehittyneempiin työnkulkuihin, joihin liittyy tiedonlouhintaa, voit harkita edistyneitä ennakoivan analytiikan työkaluja, kuten Domoa tai Tableauta.
Tällä hetkellä Amplitude on päivittäinen työkaluni tällaisissa käyttötapauksissa. Näytän siis, miten voit käyttää joitakin sen ominaisuuksia tuotteesi tulevaisuuden ennustamiseen.
Ennakoivat kohortit
Ensimmäinen Amplitudesta löytyvä ominaisuus, joka voi auttaa tässä, on nimeltään ”Ennakoivat kohortit”.
Amplitude käyttää ennustavia tekoälymallejaan käyttäjäkohorttien luomiseen sen perusteella, kuinka todennäköisesti käyttäjät suorittavat tiettyjä toimintoja tai käyttäytyvät tietyllä tavalla.
Voit myöhemmin käyttää näitä kohortteja analyysissäsi luomalla kaavioita ja vertaamalla kohorttisi jäsenten käyttäytymistä muiden käyttäjien käyttäytymiseen. Voit myös suorittaa A/B-testejä näiden kohorttien perusteella nähdäksesi, vaikuttavatko tekemäsi käyttäjäkokemuksen muutokset heidän käyttäytymiseensä.
Ennakoivan kohortin luominen Amplitudessa
- Avaa ensin Amplituden kohorttiosio ja napsauta ”Ennusta kohortti”.
2. Sen jälkeen voit alkaa määrittää sinua kiinnostavaa käyttäytymistä.
Tässä tapauksessa haluamme ryhmitellä ihmiset, jotka ostavat todennäköisimmin vähintään $25:n arvosta kappaleita ja videoita.
Vaatimustesi perusteella Amplituden mallit analysoivat aiemmat ja uudet tietosi ja antavat ennusteen, jota voit käyttää kohorttiosiossa.
3. Voimme muuttaa tämän ennusteen käyttökelpoiseksi kohortiksi napsauttamalla sitä ja tallentamalla sen kohortiksi.
4. Halutessasi voit hienosäätää valintaa valitsemalla, minkä prosenttipisteen käyttäjäkannasta haluat sisällyttää kohorttiisi. Suosittelen kuitenkin pitäytymään oletusvalinnassa ja tallentamaan sen napsauttamalla “Tallenna kohorttina” -painiketta.
Hienoa! Nyt sinulla on ennakoiviin malleihin perustuva dynaaminen kohortti, jota voit käyttää käytännössä kaikkialla Amplitudessa, kuten kaavioissa, analyyseissä ja A/B-testeissä.
Ennustaminen
Toinen Amplituden ominaisuus, josta on ollut hyötyä minulle ja UX-tiimilleni, on sen natiivi ennustemoottori. Se automatisoi prosessin ja käyttää regressioanalyysiä, aikasarja-analyysiä sekä omia tekoälymallejaan antaakseen sinulle ennusteen kiinnostuksen kohteena olevista mittareistasi.
Kokemukseni perusteella yksi tämän ominaisuuden käytännöllisimmistä sovelluksista UX:n parissa on aktivointisuppilon konversioasteiden ennustaminen.
Aktivointisuppilon konversioasteiden ennustaminen Amplitudessa
1. Kuvitellaan, että rahoituspalveluiden CRM-työkalusi aktivointisuppilo koostuu kolmesta tapahtumasta — rekisteröityminen, integraation lisääminen ja mahdollisuuden luominen. Jos tarkastelemme konversioastetta ajan kuluessa, se näyttää suunnilleen tältä.
Olet nyt toteuttanut käyttäjäpolussa pari UX-parannusta viikko sitten ja haluat selvittää, ovatko ne tuottaneet konkreettisia parannuksia. Pyydetään Amplitudea antamaan meille ennuste seuraavalle 30 päivälle.
2. Napsauta “Poikkeama + ennuste” -painiketta ja napsauta sen jälkeen “Lisää ennuste” -painiketta.
Amplituden mallit latautuvat ja antavat meille tältä näyttävän kaavion.
Kuten näemme, suppilomme konversioasteessa ei ole havaittavissa kasvua (mikä on yleisempää kuin uskotkaan). Käytännön toimenpide tästä havainnosta on toteuttaa uusi kierros UX-parannuksia.
Pilvipohjaisten ennakoivien mallien API-rajapintojen käyttäminen
Tuoteanalytiikkatyökalujen käyttäminen ennakoivaan datamallinnukseen on erittäin kätevää, kun ratkaistava ongelma on suhteellisen yksinkertainen. Jos kuitenkin tarvitset jotakin edistyneempää, voit valita kolmansien osapuolten koneoppimismallien API-rajapintoja.
Tässä on kaksi palveluntarjoajaa, joista tiimini on aiemmin kokenut olevan hyötyä.
More Articles
AWS:n koneoppimisen API
Amazonin pilvipalvelu sisältää runsaasti erilaisia liiketoimintatiedon hallinnan tekoälymalleja, joihin voit muodostaa yhteyden API-rajapinnan kautta. Kokonaisuuteen sisältyy myös ennakoivan analytiikan malleja.
- Tarjolla on Amazon Forecast, joka voi toimia aikasarjadatan kanssa ja auttaa sinua näkemään UX:n vaikutuksen pitkälle tulevaisuuteen.
- Tarjolla on myös Amazon Personalize, joka tarjoaa skaalautuvan ja mukautettavan personointimoottorin, jonka avulla voit ehdottaa asiakkaillesi olennaisia tuotteita ja palveluita (kuten Netflix ja TikTok tekevät).
Googlen tekoälyinfrastruktuuri
Toisin kuin Amazon, Google ei tarjoa valmiita tekoälymalleja ennustamiseen. Sen sijaan saat käyttöösi valtavan työkalukokonaisuuden, jonka avulla voit analysoida massadataa ja rakentaa omia mukautettuja syväoppimiseen perustuvia ennustemalleja nykyisen datatieteilijätiimisi avulla.
Googlen työkalut sopivat erityisen hyvin suurten tietomäärien käsittelyyn ja tulevien trendien löytämiseen niiden joukosta (niiden tiedonhallintaominaisuudet ovat hämmästyttäviä). Ennusteiden lisäksi voit käyttää heidän työkalupakettiaan myös kuvailevan analytiikan tarpeisiin, elinkaarimarkkinointikampanjoihin, liiketoiminta-analytiikkaan, taloushallintoon (esimerkiksi luottopisteisiin) ja muuhun.
Jos Amazonin valmiit mallit eivät siis pysty ratkaisemaan tiettyä ongelmaasi, Google on ensisijainen palvelusi.
Kurkistus tulevaisuuteen saattaa pelastaa UX:si
Me kaikki toivomme, että voisimme ennustaa tulevaisuuden. Jos se olisi mahdollista, loisimme täydellisiä tuotteita, joiden UX olisi maailman houkuttelevin – hyvässä tai pahassa. Sillä välin ennakoiva analyysi on lähin vaihtoehto, joka auttaa meitä tekemään dataan perustuvia UX-päätöksiä ja ilahduttamaan asiakkaitamme upeilla kokemuksilla.
Älä unohda tilata uutiskirjettämme saadaksesi lisää tuotehallinnan resursseja ja oppaita sekä uusimmat podcastit, haastattelut ja muut alan johtajien ja asiantuntijoiden näkemykset.
