Elämme big datan ja analytiikan aikakautta, ja näyttää siltä, että tämä tieteenala on levinnyt lähes kaikkialle, mukaan lukien myyntiin, markkinointiin, tuotehallintaan ja tietenkin UX-suunnitteluun.
Data-analytiikan nousulle olennaiseksi osaksi suunnitteluprosessia on nykyään hyvä syy. Analysoimalla käyttäjiesi toimintaa voit parantaa suunnitelmiesi laatua merkittävästi.
Ymmärretään siis, miten suunnittelutiimit voivat hyödyntää dataohjattua suunnittelua ja varmistaa, että käyttäjäsi kokevat täydellistä tyytyväisyyttä ollessaan vuorovaikutuksessa tuotteesi kanssa.
Mitä dataohjattu suunnittelu on (ja miksi käyttää dataa UX-suunnitteluprosessissasi)?
Dataohjattu suunnittelu on prosessi, jossa dataa kerätään ja analysoidaan osana työnkulkua, jotta voit tehdä parempia suunnittelupäätöksiä data-analyysityökaluillasi saatujen tietojen perusteella.
Suunnittelijat käyttävät erilaisia käyttäjätutkimus- ja analytiikkatyökaluja seuratakseen tärkeitä käyttäjäpolkuja ja KPI-mittareita, jotka kuvaavat tuotteen yleistä käyttäjäystävällisyyttä. Tätä varten he käyttävät muun muassa A/B-testausta, erityyppisten tietojen analysointia (esim. määrällinen ja laadullinen data), käyttäjätestausta, fokusryhmien haastatteluja sekä seurattavien laskeutumissivujen ja prototyyppien rakentamista.
Tämän ansiosta he voivat nopeasti tunnistaa käytettävyysongelmat, löytää niiden aiheuttavan perusongelman ja korjata sen.
Lisäksi suunnittelutiimit käyttävät aktiivisesti data-analytiikkaa mitatakseen uusimpien suunnitelmiensa vaikutusta käyttäjäkokemukseen ja hyödyntävät havaintoja uusien ja parannettujen versioiden luomisessa.
Esimerkkejä dataan perustuvasta suunnittelusta
Empiiriseen dataan perustuvien UX-suunnitteluratkaisujen toteuttaminen on paljon yleisempää kuin ehkä ajattelit. Suurin osa menestyvistä tuoteyrityksistä käyttää tätä prosessia aktiivisesti varmistaakseen, että niiden tekemillä suunnitteluratkaisuilla on todennäköisesti myönteinen vaikutus tuotteeseen.
Tässä on kolme esimerkkiä tällaisista tuotteista.
YouTuben automaattinen toisto
Muistatko YouTuben vanhemmat versiot, joissa uuden videon kohdalla piti napsauttaa seuraava video käyntiin nykyisen päätyttyä? Eikö se ollutkin ärsyttävää?
Tämä ”ominaisuus” johti YouTuben käyttäjien sitoutumisasteen (päivässä toistettujen videoiden määrän) merkittävään laskuun, joten suunnittelutiimi päätti tehdä asialle jotain.
He tarkastelivat dataa ja saivat kaksi mielenkiintoista havaintoa:
- Ihmisillä on tapana katsoa useita videoita peräkkäin. Jotkut haluavat laittaa YouTubesta musiikkia taustalle kokatessaan tai siivotessaan. Toiset, kuten minä, haluavat nukahtaa jonkin videon pyöriessä taustalla.
- Monet käyttäjät eivät napsauttaneet toisen videon pikkukuvaa toiston päätyttyä. Monista käyttäjistä oli hankalaa napsauttaa jatkuvasti videoiden pikkukuvia.
Näiden havaintojen perusteella he päättivät lisätä kuuluisan ”automaattisen toiston” ominaisuuden, joka vaihtaa automaattisesti alustan ehdottamaan aiheeseen liittyvään videoon tai soittolistan seuraavaan videoon.
Tämän seurauksena YouTube näki sitoutumismittareidensa kasvavan valtavasti.
Have an account? Log In
Airbnb:n käyttäjäkeskeinen arvosteluprosessi
Jos olet joskus majoittunut Airbnb-kohteessa, olet todennäköisesti arvioinut paikan käymällä läpi alustan palautekanavan.
Jos kysyisin, oliko arvostelun jättäminen hankalaa, useimmat teistä luultavasti sanoisivat, ettei lomake ollut lyhyt, mutta sen täyttäminen ei tuntunut tuskalliselta.
Se johtuu siitä, ettet joutunut kokemaan sen miljoonakysymyksisen lomakkeen täyttämisen tuskaa, jota Airbnb käytti aiemmin arvosteluissaan.
Airbnb:llä oli kaksi ongelmaa:
- Vain harvat ihmiset täyttivät heidän arvostelulomakkeensa.
- Lomakkeiden vastaukset olivat hyvin yleisluontoisia eivätkä auttaneet juuri lainkaan.
Ratkaisun löytämiseksi suunnittelutiimi alkoi analysoida lomakkeen suorituskykydataa ja ymmärsi, että valtaosa käyttäjistä yksinkertaisesti hylkäsi sen jossain vaiheessa täyttämistä.
Näiden havaintojen perusteella tiimi aloitti käytettävyystestauksen ja ymmärsi, että:
- Lomakkeen koko tuntui käyttäjistä ylivoimaiselta. Kukaan ei halunnut vastata niin moneen kysymykseen.
- Ihmiset jättivät yleisluontoista palautetta, koska he eivät halunneet käyttää kallisarvoista aikaansa yksityiskohtaisten arvostelujen kirjoittamiseen.
Kun ongelman lähde oli selvä, Airbnb:n tiimi aloitti arvostelukokemuksen perusteellisen uudelleensuunnittelun. Yhden pitkän lomakkeen sijaan he loivat useita lyhyempiä lomakesivuja, jotta käyttäjät eivät kokisi tehtävää ylivoimaiseksi.
He alkoivat myös käyttää ennalta määritettyjä vastauksia sisältäviä painikkeita tekstikenttien sijaan, mikä auttoi heitä välttämään yleisluontoisia vastauksia. Lisäksi tiimi pystyi analysoimaan käyttäjien vastauksia ja optimoimaan niitä entisestään, koska vastaukset olivat tekstin sijaan rakenteisia.
Kuten ehkä jo arvasit, uudistettu lomake oli valtava menestys!
Redditin kommenttien selaus
Reddit ei ole vain yksi keskustelufoorumi muiden joukossa. Siitä on tullut kulttuurinen ilmiö ja paikka, johon koko internet kokoontuu keskustelemaan asioista.
Redditin suosiolla oli kuitenkin mielenkiintoinen kääntöpuolensa. Ihmiset lisäsivät sivustolla julkaistujen aiheiden alle niin paljon kommentteja, että keskusteluketjun lukemisesta oli tulossa mahdotonta. Selaaminen oli erityisen ärsyttävää silloin, kun yhden kommentin alla oli kymmeniä vastauksia ja seuraavan kommentin saavuttamiseksi täytyi vierittää pitkään.
Redditin väki tiesi tästä ongelmasta. Heillä oli jopa useita ideoita kommenttiosion uudistamiseksi, jotta siellä olisi helpompi navigoida.
Valitakseen parhaan idean he alkoivat tehdä käytettävyystestejä ja hyödyntää muita tutkimusmenetelmiä kerätäkseen tietoa käyttäjien vuorovaikutuksesta, poimiakseen keskeiset mittarit ja vertaillakseen ideoitaan näiden mittareiden avulla.
Yksi suunnitteluratkaisu suoriutui selvästi muita paremmin: käyttäjien salliminen laajentaa ja supistaa vastauksia.
Tällä tavalla, jos et halunnut lukea tietyn kommentin alla olevaa loputonta vastausketjua, voit yksinkertaisesti supistaa sen ja siirtyä luettelossa seuraavaan kommenttiin.
Kuten näet, dataohjattu suunnitteluprosessi on monien menestyvien tuotteiden työnkulkujen ytimessä.
Ja tiedän, että sinäkin haluat tehdä suunnittelupäätöksesi dataan perustuen (muuten miksi olisit täällä?).
Joten tässä on vaiheittainen erittely siitä, miten dataohjattu suunnittelu sisällytetään tuotteen kehitysprosessiin.
6 vaihetta dataan perustuvien päätösten mahdollistamiseksi tuotteessasi
Otetaan tässä käytännöllisempi lähestymistapa. Sen sijaan, että vain puhuisimme siitä, mitä teoriassa pitäisi tehdä, tarkastelemme myös esimerkkejä jokaisesta vaiheesta oikean elämän työkaluja käyttäen. Tämän päivän tärkein työkaluni on Amplitude, sillä se on tapahtumapohjainen tuoteanalytiikkatyökalu, jota käytän työssäni joka päivä.
Aloitetaan nyt ensimmäisestä vaiheesta – strategian luomisesta.
Vaihe 1: Luo data-analyysistrategia sidosryhmiesi kanssa
Voit unohtaa arvokkaiden tulosten saamisen data-analyysiponnisteluistasi, jos sinulla ei ole toimivaa strategiaa sitä varten.
Tyypillinen data-analyysistrategia sisältää seuraavat kaksi osiota:
Osio 1: Tavoitteet
Sinun tulee määritellä selkeästi syy, jonka vuoksi otat analytiikan ylipäätään käyttöön. Ilman selkeitä tavoitteita saatat seurata ja mitata käyttäjätietoja, jotka eivät sisällä arvokkaita oivalluksia.
Kuvitellaan nyt, että vastaat Spotifysta, ja katsotaan, miltä tyypillinen tavoitekokonaisuus voisi näyttää sinun tapauksessasi.
Tiedän, että nämä tavoitteet vaikuttavat melko ilmeisiltä. Mutta usko minua: jos et määrittele niitä selkeästi, päädyt analytiikan osalta kaaokseen.
Osio 2: KPI:t
Kun tavoitteesi ovat valmiit, käytät niitä määrittämään keskeiset mittarit, joita haluat mitata. Tässä avainsana on ”johtaa”. Se tarkoittaa, että mittareidesi parantamisen tulisi viedä sinua lähemmäs tavoitteidesi saavuttamista.
Jos tavoitteesi on esimerkiksi käyttäjämäärän kestävä kasvu, sinun kannattaa harkita pysyvyyden, aktivointiasteen ja rekisteröitymisasteen mittaamista. MRR:n valitseminen keskeiseksi mittariksi olisi sen sijaan huono idea, sillä voit kasvattaa liikevaihtoasi lyhyellä aikavälillä mutta menettää suurimman osan siitä pitkällä aikavälillä. Tässä tapauksessa kasvu ei ole kestävää etkä saavuta tavoitettasi.
Tältä KPI-luettelo näyttää edellisen esimerkkimme ensimmäisen tavoitteen – ”Paranna käyttäjäkokemusta” – osalta:
Nämä kaikki ovat myönteisen käyttäjäkokemuksen indikaattoreita. Jos edellä mainitut luvut kasvavat, voimme luottavaisin mielin todeta, että käyttäjät nauttivat tuotteemme käytöstä.
Vaihe 2: Integroi data-analytiikkatyökalu
Nyt kun ymmärrät selkeästi, mitä haluat mitata, on aika pohtia, miten mittaat sen. Erityisesti kyse on sen analytiikkatyökalun valinnasta, jota tulet käyttämään löytääksesi kiinnostavia oivalluksia datastasi.
Voit harkita tähän monenlaisia työkaluja sen mukaan, mistä analytiikan kategoriasta olet kiinnostunut (esimerkiksi lämpökartat, demografiset tiedot, käyttäjien toiminta ja niin edelleen), mitä ominaisuuksia tarvitset (kohortit, suppilot ja niin edelleen) sekä tietysti budjettisi mukaan.
Tässä on muutama vaihtoehto, joita voit harkita kunkin tyypin kohdalla:
- Lämpökartat (mukaan lukien A/B- ja monimuuttujatestit): Hotjar, Mouseflow, Clarity.
- Demografiset tiedot ja sivustoanalytiikka (esimerkiksi välitön poistumisprosentti): Google Analytics, Matomo, Yandex Metrica.
- Tapahtumapohjainen analytiikka (muun muassa konversioasteita ja suppiloita varten): Amplitude, Mixpanel.
- Liiketoimintatiedon hallinta (muun muassa taloudellisten vaikutusten mittareita varten): Looker Studio, Tableau, PowerBI.
Nykyinen kokoonpanoni koostuu GA4:n, Hotjarin, Amplituden ja Looker Studion yhdistelmästä.
Tänään haluan kuitenkin keskittyä Amplitudeen ja näyttää, miten se integroidaan.
Käytämme Google Tag Manageria (GTM), jotta prosessi pysyy yksinkertaisena eikä meidän tarvitse ottaa teknistä tiimiä mukaan sen käyttöönottoon.
Aloitamme avaamalla GTM:n, napsauttamalla vasemman sivupalkin kohtaa ”Tunnisteet” avataksemme tunnisteiden luettelon ja napsauttamalla kohtaa ”Uusi” avataksemme tunnisteen luontisivupalkin.
Jotta Amplitudelle ei tarvitsisi määrittää tunnistetta manuaalisesti, yritys on luonut meille käytettäväksi mallin. Käyttääksemme tätä mallia napsautamme ”Tunnisteen määritys” -korttia avataksemme malligallerian.
Tässä meidän on napsautettava kohtaa ”Etsi yhteisön malligalleriasta lisää tunnistetyyppejä”, haettava hakusanalla ”Amplitude” ja napsautettava kohtaa ”Amplitude Analytics -selaimen SDK”.
Olemme melkein valmiita. Ensin meidän on lisättävä Amplituden API-avain vastaavaan kenttään.
Sen jälkeen lisäämme käynnistimen napsauttamalla näytöllä olevaa käynnistinkorttia ja valitsemalla ”Alustus—Kaikki sivut”.
Lopuksi annamme tunnisteelle nimen (esimerkiksi ”Amplitude-alustus”), tallennamme sen ja julkaisemme uuden version GTM:ssä. Siinä kaikki! Kun joku seuraavan kerran avaa tuotteesi, Amplituden SDK alustetaan ja se alkaa toimia taustalla.
Vaihe 3: Dokumentoi kvantitatiivinen tiedonkeruuprosessisi
Amplituden käyttöönotto on vasta määrityksen alku. Koska kyseessä on tapahtumapohjainen analytiikkatyökalu, sinun on määritettävä tapahtumat tuotteeseesi manuaalisesti ja käynnistettävä ne Amplituden SDK:n avulla. Lisäsimme SDK:n tuotteeseesi juuri äsken GTM:n avulla.
Ennen tapahtumien lisäämistä meidän on kuitenkin ensin dokumentoitava ne. Tiedonkeruudokumentti on yleensä taulukko, jossa luetellaan tapahtumat, jotka SDK käynnistää, käyttäjien toiminnot, jotka toimivat niiden käynnistiminä, sekä eri parametrit, jotka haluat lähettää Amplitudelle tapahtuman yhteydessä.
Tältä näyttää tämän taulukon yksinkertaistettu versio, kun seurataan käyttäjien toimia AirbnB:n arvostelulomakkeessa.
Kun olemme dokumentoineet seurattavat tapahtumat, pyydämme suunnittelutiimiämme lisäämään jokaiselle niistä käynnistimet käyttöliittymäkoodiimme Amplituden SDK:n avulla. Kun he ovat suorittaneet tämän tehtävän, tuotteemme käynnistää nämä tapahtumat automaattisesti ja lähettää tarvittavat tiedot Amplitudelle analysoitaviksi.
Vaihe 4: Luo raportteja ja koontinäyttöjä tärkeimmille käyttökokemusmittareillesi
Tässä vaiheessa sinulla on kaikki tarvittava varsinaisen analyysin aloittamiseen ja sen selvittämiseen, vastaako käyttäjäkokemus odotuksiasi.
Matkasi kohti tietojen visualisointia alkaa luomalla kaavioita aiemmin tunnistamistasi ja dokumentoimistasi tärkeimmistä käytettävyysmittareista valitsemallasi analytiikkatyökalulla. Näytän, miten tämä tehdään Amplituden avulla. Soittolistojen käyttöaste vaikuttaa hyvältä mittarilta, josta aloittaa.
Luomme Amplitudessa uuden segmentointikaavion (eli tavallisen kaavion) napsauttamalla ”Uusi”-painiketta ja valitsemalla avautuvasta sivupalkista ”Segmentointi”.
Seuraavaksi meidän on valittava tapahtumat, joiden avulla voimme mitata käyttöä. Tässä tapauksessa se on ”Seuraa soittolistaa”.
Seuraavaksi meidän on varmistettava, että kaavion luvut edustavat niiden aktiivisten käyttäjien prosenttiosuutta, jotka suorittavat tämän toiminnon. Siksi valitsemme ”Mitattu muodossa” -valikosta vaihtoehdon ”Aktiiviset %”.
Tältä kaaviomme näyttää. Se osoittaa, että noin 70 % päivittäin aktiivisista käyttäjistämme seuraa soittolistoja joka päivä. Rehellisesti sanottuna tämä vaikuttaa melko hyvältä tulokselta.
Lopuksi tallennamme kaavion ja työskentelemme muiden mittareiden parissa.
Voit luoda koontinäytön, jossa kaikki tärkeät mittarisi näkyvät yhdessä paikassa. Tätä varten napsautamme jälleen ”Uusi”-painiketta, valitsemme ”Raportti” ja sitten ”Koontinäyttö”.
Tuloksena näemme tyhjän koontinäytön, jolle meidän on annettava nimi ja johon meidän on lisättävä aiemmin luomamme kaaviot.
Annetaan sille nimeksi ”Tärkeät käytettävyysmittarit” ja lisätään kaaviomme napsauttamalla ”Lisää sisältöä”, sitten ”Olemassa oleva kaavio” ja valitsemalla luomamme kaaviot.
Onnittelut! Nyt sinulla on yleiskatsaus kaikista tärkeistä mittareistasi!
More Articles
Vaihe 5: Tarkastele ja analysoi raporttejasi jatkuvasti
Amplitude-koontinäytöllä näkemäsi tulokset ovat ”eläviä”. Ne kasvavat tai pienenevät käyttöliittymäkokemukseesi tekemistäsi muutoksista riippuen. Siksi sinun tulisi tarkastella näitä mittareita jatkuvasti, jotta voit:
- nähdä, ovatko toimenpiteesi vaikuttaneet myönteisesti tuotteesi käytettävyyteen.
- tunnistaa heikosti suoriutuvat mittarit ja yrittää selvittää niiden taustalla olevan syyn.
Suosittelen järjestämään viikoittaisia tai joka toinen viikko pidettäviä katselmointikokouksia sidosryhmiesi kanssa KPI-mittareiden muutosten käsittelemiseksi ja mahdollisten syiden ideoimiseksi niiden osalta, jotka eivät suoriudu hyvin.
Näiden kokousten tuloksena tulisi olla luettelo hypoteeseista mittareidesi parantamiseksi sekä mahdollisista ongelmista, jotka aiheuttavat heikon suorituskyvyn.
Sen jälkeen toteutat käyttökokemuksen suunnittelun tutkimusprosessin näiden hypoteesien vahvistamiseksi tai hylkäämiseksi ja alat rakentaa ratkaisuja, joilla voi olla merkittävä vaikutus tuloksiin.
Tässä on tosielämän tapaustutkimus omasta kokemuksestani.
Yksi tuotteista, joiden parissa työskentelin, oli verkkosivustojen markkinointialusta, jonka avulla ne saattoivat lähettää push-ilmoituksia yleisölleen. Rekisteröitymisen jälkeen verkkosivustojen omistajien oli asennettava SDK:mme verkkosivustoilleen push-ilmoitusten aktivoimiseksi.
Rakensimme suppilokaavion, joka näytti kaikki tärkeimmät vaiheet, jotka verkkosivustojen omistajien tuli määrittää. Kun tarkastelimme suppiloa ensimmäisen kerran, huomasimme jotain outoa. SDK:n asennusvaiheen ja ensimmäisen lähetetyn push-ilmoituksen välillä oli valtava 70 prosentin pudotus.
Aivoriihen jälkeen oletimme, että pudotuksen syynä oli ”testitilan” puuttuminen. Sen avulla käyttäjät olisivat voineet tarkistaa, toimivatko push-ilmoitukset oikein.
Teimme useita käytettävyystestejä ja käyttäjähaastatteluja tämän oletuksen vahvistamiseksi. Kävi ilmi, että verkkosivustojen omistajat eivät halunneet käyttää uutta teknologiaa, elleivät he voineet ensin testata sitä itse.
Siksi suunnittelimme ja rakensimme testauspolun, jonka käyttäjät kävisivät läpi heti SDK:n asentamisen jälkeen. Tulos oli hämmästyttävä. Pystyimme vastaamaan varsin hyvin käyttäjien tarpeisiin ja kipukohtiin. Muutamassa viikossa 70 prosentin pudotus muuttui vain 15 prosentiksi!
Vaihe 6: Hyödynnä oppeja suunnitelmissasi
Dataohjatussa lähestymistavassa viimeinen vaihe on myös tärkein. Analyysisi ja oletuksesi eivät vaikuta tuotteeseesi, ellet toimi niiden perusteella.
Prosessi, jota johdin yhden tuotteen kohdalla, oli varsin yksinkertainen. Heti kun olimme vahvistaneet oletuksen, loimme tuotteen suunnittelutehtävän tehtävienhallintatyökaluumme, priorisoimme sen ja osoitimme sen yhdelle suunnittelijoistamme.
Heti kun suunnitelma oli valmis, teimme sille moderoituja tai moderoimattomia käytettävyystestejä, iteroimme käyttäjäpalautteen perusteella ja valmistelimme uuden suunnitelman tehtäväjonon tarkentamista varten.
Riippumatta siitä, noudatatko juuri läpikäymääni prosessia vai rakennatko oman prosessisi – varmista, että toimit oppien perusteella!
Kehitä suunnittelutyötäsi datan avulla
Data-analytiikka on suunnittelutiimin käsissä erinomainen työkalu. Seuraamalla jatkuvasti keskeisiä käytettävyysmittareitasi ja selvittämällä niiden ongelmakohtia voit parantaa merkittävästi päätöksentekoasi ja luoda käyttäjäkokemuksia, jotka hämmästyttävät käyttäjäsi.
Älä unohda tilata uutiskirjettämme saadaksesi lisää tuotehallinnan resursseja ja oppaita sekä uusimmat podcastit, haastattelut ja muut alan johtajien ja asiantuntijoiden näkemykset.
