Analisi Predittiva per l’UX: Guida Completa e Strumenti
Anche con le migliori analisi predittive disponibili, non possiamo vedere nel futuro con il 100% di precisione. Ma nonostante questo—e per fortuna—gli esseri umani sono creature prevedibili. Ciò significa che puoi utilizzare i comportamenti passati dei tuoi utenti per capire con buona accuratezza cosa faranno in seguito.
Nel product management e nell'analisi dei dati, chiamiamo questo processo “analisi predittiva dei dati” ed è uno degli strumenti più preziosi per creare prodotti con un'esperienza utente straordinaria.
Quindi, esaminiamo le analisi predittive e come puoi usarle per ottimizzare la tua UX.
Want more from The CPO Club?
Sign up for a free membership to complete reading this article:
Have an account? Log In
Di cosa si occupa la Predictive Analytics?
La Predictive Analytics è un approccio avanzato di data science che analizza i dati di prodotto e degli utenti a tua disposizione per prevedere (da qui il termine "predittiva") le azioni che i tuoi utenti compiranno e le modalità in cui il tuo prodotto si comporterà in futuro.
In sostanza, si tratta di esaminare i tuoi dati con l'aiuto di modelli statistici, strumenti specializzati e algoritmi di machine learning per individuare determinati schemi comportamentali. Supponendo che questi schemi rimangano relativamente stabili nel tempo, puoi estrapolare i tuoi dati su tali schemi e fare ipotesi fondate sugli utilizzi futuri.
Disclaimer: queste sono tutte informazioni molto generali, ma stiamo appena sfiorando la superficie di una competenza molto preziosa. Per approfondire, ti suggerisco di consultare la nostra lista di corsi di analytics di prodotto e di seguirne uno ogni uno o due anni.
I benefici della Predictive Analytics includono:
- Migliore qualità delle decisioni: Con una visione chiara di ciò che accadrà dopo, sarai in grado di prendere decisioni più efficaci e più orientate al successo.
- Maggior efficienza: Le previsioni ti permettono anche di vedere in anticipo i problemi di efficienza che potresti incontrare in futuro se lasci tutto invariato. Così, hai l’opportunità di migliorare l’efficienza in anticipo. Questo può aiutarti a ridurre i costi, abbassare i prezzi e ottenere un grande vantaggio competitivo sugli altri.
- Migliore gestione del rischio: Alcuni tipi di analisi predittiva ti aiutano a individuare i rischi aziendali/legali/finanziari in arrivo. Anche in questo caso, puoi prevenire questi rischi prima che si concretizzino.
- Migliore personalizzazione dell’utente: Funzionalità e contenuti personalizzati rappresentano il massimo per la UX. Grazie all’analisi predittiva, puoi sorprendere i tuoi utenti con suggerimenti ed esperienze che rispondono perfettamente alle loro esigenze.
Sembra fantastico, vero?
Beh, sì, ma con una riserva. È impossibile avere una previsione precisa al 100% dei risultati futuri. Non siamo indovini di un gioco di ruolo fantasy, dopotutto.
Qualsiasi previsione otterrai sarà precisa al 70-80% nel migliore dei casi. Quindi, ti prego di tenerlo a mente quando prendi decisioni importanti basate sui tuoi risultati.
Esempi di Predictive Analytics da prodotti noti
La mancanza di precisione assoluta, però, non significa che tu non possa trarre vantaggio da queste informazioni predittive. In effetti, l’analisi predittiva è responsabile di alcuni dei più grandi successi di prodotto là fuori.
Ecco tre storie di successo di grandi aziende tech a dimostrazione di ciò che intendo.
Esempio 1: Il famoso motore di raccomandazione di Netflix
Uno dei motivi principali per cui le persone amano Netflix è la sua capacità di suggerire contenuti adatti agli utenti. In realtà, il motore di raccomandazione è uno dei due motivi chiave dietro il successo di Netflix (l’altro è la sua straordinaria architettura di delivery dei contenuti).
Netflix utilizza intelligenza artificiale e tecniche statistiche per comprendere le preferenze di ciascun utente e suggerirgli programmi che potrebbero piacergli.
In sostanza, analizzano i contenuti che hai guardato in passato, se li hai saltati o li hai visti fino alla fine, e i tuoi interessi generali nella tua area, per prevedere le categorie e i tipi di show che potrebbero piacerti.
Addirittura ti propongono una miniatura personalizzata in base ai tuoi interessi.
Se Netflix nota che guardi molti film/serie con un certo attore, ti mostrerà una versione della miniatura in cui quell’attore è in primo piano. (E se non lo sapevi, ora non riuscirai a non notarlo!)
La spedizione anticipata di Amazon
Ricordi quando ho menzionato come puoi migliorare l’efficienza con l’analisi predittiva? È esattamente ciò che Amazon fa con il suo processo di spedizione anticipata.
A quanto pare, il comportamento d’acquisto umano è piuttosto prevedibile. Tendiamo ad acquistare determinati prodotti a intervalli regolari (ad esempio, detersivo per il bucato ogni mese) oppure con una certa stagionalità (decorazioni natalizie, ecc.). Fortunatamente per Amazon, dispongono di tutti questi dati e possono eseguire analisi predittive su di essi.
Grazie ai loro modelli statistici, possono pre-spedire le tipologie (e le quantità) corrette di prodotti ai loro magazzini. Questo permette di ridurre notevolmente i tempi di spedizione ai consumatori finali e diminuire la quantità di prodotti che devono essere spediti nuovamente verso un altro magazzino dove sono più richiesti.
Ecco come appare il processo nei documenti depositati per il brevetto.
In questo schema specifico, Amazon mostra il processo di cambiamento in tempo reale dell’indirizzo di destinazione del prodotto.
Previsioni del traffico su Google Maps
Adoro la funzione traffico su Google Maps. È incredibilmente precisa e veloce.
E sai come sono arrivati a questo livello di accuratezza? Esatto: analisi predittiva!
Google dispone di dati su quasi tutto ciò che accade in qualsiasi città. La stragrande maggioranza delle persone alla guida utilizza un dispositivo dotato di Android o un altro servizio Google con la geolocalizzazione attivata. Quindi, se vedono un gruppo di smartphone che si muovono lentamente in autostrada, lo segnalano come ingorgo stradale.
Ma Google è in grado di soluzioni ancora più intelligenti quando si tratta di prevedere il traffico. Poiché hanno informazioni sui principali eventi che avvengono in quasi tutte le città (ad esempio una grande partita sportiva), considerano anche questi dati nella pianificazione degli itinerari. Se per esempio hai un viaggio di un’ora attraverso la città e sta per iniziare una partita, l’algoritmo di Google ti terrà lontano dalle strade principali che, con ogni probabilità, saranno piene di tifosi quando ci arriverai.
Finora abbiamo analizzato l’analisi predittiva come strumento generico nelle mani delle aziende. Tuttavia, l’argomento principale di oggi è l’applicazione di questa tecnica affascinante per migliorare la UX. Quindi, lascia che ti spieghi come puoi portare la tua ricerca UX a un livello superiore grazie all’analisi predittiva.
Tecniche di Analisi dei Dati Predittivi per la Ricerca UX
L’ambito dell’analisi predittiva è piuttosto vasto in termini di tecniche che si possono applicare per risolvere problemi quotidiani. Ma oggi voglio che ci concentriamo sulle tre più adatte alla ricerca UX: analisi di regressione, alberi decisionali e analisi delle serie temporali.
Regressione
Se hai un background in business o matematica, forse già conosci questo termine. Sì, si tratta del classico modello statistico di regressione che permette di riconoscere schemi tra i tuoi dati.
In termini più pratici, la regressione (più precisamente la regressione lineare) è la tua linea di tendenza: cioè una linea sul grafico che mostra se l’attività dell’utente che stai analizzando sta aumentando o diminuendo.
Le linee di tendenza sono uno strumento che il mio team UX e io usiamo sempre sui nostri grafici Amplitude, perché ci aiutano a trasformare dati confusi in trend visibili e a verificare se i cambiamenti UX hanno prodotto risultati positivi.
Ecco un esempio di regressione:
Abbiamo semplificato il nostro flusso di acquisizione con il team UX tre mesi fa e vogliamo vedere se il numero di iscrizioni è aumentato da allora.
Questo è un grafico delle iscrizioni utenti degli ultimi 90 giorni; riesci a dirmi se c’è una crescita o meno?
Ovviamente no, è troppo confuso.
Ma lascia che cambi il tipo di misurazione del grafico con una formula dalla barra laterale.
E aggiungo una linea di tendenza.
Ora, il grafico delle iscrizioni appare così.
Con l’aggiunta della linea di tendenza, possiamo vedere che i nostri cambiamenti hanno avuto un effetto positivo sull’acquisizione di utenti. Tuttavia, questa variazione è troppo piccola per essere statisticamente significativa, quindi direi che i nostri interventi sulla UX non hanno realmente fatto la differenza.
Alberi Decisionali
Gli alberi decisionali sono tra le strutture di modello di intelligenza artificiale più popolari per analizzare i dati e trarre conclusioni utili da essi.
Una rete neurale, in questo caso, prende il tuo set di dati originale e inizia a suddividerlo in sottogruppi in base a determinate condizioni, poi divide questi sottogruppi in altri gruppi, e così via. Come risultato, ottieni qualcosa che assomiglia a un albero rovesciato.
Dopo aver costruito questo albero, l’algoritmo ti darà una risposta basata sui dati a disposizione. Nell’esempio sopra, l’albero decisionale ti dirà se dovresti andare a scuola in autobus o a piedi.
Vediamo ora come possiamo risolvere i problemi di UX con questi modelli. Immagina di voler ridurre il tasso di abbandono del carrello nel tuo negozio eCommerce. Quando esegui l’algoritmo dell’albero decisionale sui dati dei tuoi utenti, ottieni il seguente risultato.
Osservando l’albero decisionale qui sopra, possiamo capire i principali fattori che influenzano il tasso di abbandono. In questo caso, dobbiamo aggiungere funzionalità/esperienze utente che:
- Incoraggino gli utenti a completare l’acquisto prima che il carrello diventi troppo grande.
- Assicurino che i costi di spedizione siano ben visibili e facili da notare su ogni tipo di dispositivo.
- Incoraggino gli utenti ad accedere.
- Rendano più veloci le nostre pagine.
Possiamo poi continuare utilizzando strumenti di analisi predittiva per vedere quale di questi fattori avrà il maggiore impatto sul tasso di abbandono—aiutandoci a dare priorità a queste soluzioni.
Analisi delle Serie Temporali
L’analisi delle serie temporali è un insieme di tecniche di modellizzazione più avanzato. Come suggerisce il nome, questo tipo di analisi viene effettuato su particolari tipi di dati (principalmente dati storici legati al tempo).
Uno dei modi migliori per incorporare l’analisi delle serie temporali nel tuo processo di UX sarebbe prevedere le tue principali metriche UX (ad esempio engagement, churn, retention, ecc.) in base al comportamento degli utenti nei dati storici, per vedere se miglioreranno in futuro o meno. Se le previsioni mostrano una diminuzione delle metriche, è un segnale che qualcosa non va e che è necessario intervenire.
Non entrerò troppo nei dettagli su come fare l’analisi delle serie temporali qui, visto che tra poco analizzeremo la funzione Forecast di Amplitude che utilizza questa metodologia.
I Migliori Modelli di Machine Learning e Servizi per l’Analisi Predittiva
Insieme a tutti i vantaggi offerti dall’analisi predittiva, esiste un grande inconveniente: sono notoriamente difficili da eseguire manualmente. Fortunatamente, Internet è pieno di vari strumenti di ricerca e soluzioni che possono eseguire questi modelli analitici per te con un semplice clic.
Dunque, vediamo come puoi sfruttare diversi tipi di strumenti per prevedere il futuro della tua UX.
Utilizzare Strumenti di Analisi del Prodotto
Il modo più rapido e semplice per fare analisi predittiva è utilizzare strumenti di analisi del prodotto relativamente avanzati a tua disposizione. Per le attività ordinarie si usa di solito Amplitude; per flussi di lavoro più complessi che prevedono data mining, puoi considerare strumenti di analisi predittiva avanzati come Domo o Tableau.
Attualmente, Amplitude è il mio strumento preferito per questi casi d’uso quotidiani. Quindi, lascia che ti mostri come utilizzare alcune delle sue funzioni per prevedere il futuro del tuo prodotto.
Cohort Predittivi
La prima funzione presente in Amplitude che può aiutarti in questo si chiama “Cohort Predittivi”.
Amplitude utilizzerà i suoi modelli di intelligenza artificiale predittiva per creare cohort di utenti basandosi sulla probabilità che compiano determinate azioni o si comportino in un certo modo.
Successivamente puoi utilizzare questi cohort nella tua analisi creando grafici e confrontando il comportamento delle persone nel tuo cohort con gli altri. Puoi anche eseguire A/B test su questi cohort per vedere se i cambiamenti introdotti nella user experience influenzano o meno il loro comportamento.
Come Creare un Cohort Predittivo in Amplitude
- Per prima cosa, apri semplicemente la sezione cohort in Amplitude e clicca su “Predict a Cohort”.
2. Quindi, puoi iniziare a definire il comportamento che ti interessa.
In questo caso, vogliamo raggruppare le persone che hanno maggiori probabilità di acquistare canzoni e video per un valore di almeno $25.
In base alle tue esigenze, i modelli di Amplitude analizzeranno i tuoi dati passati e nuovi e ti forniranno una previsione a cui puoi accedere nella sezione dei gruppi (cohort).
3. Possiamo trasformare questa previsione in un gruppo utilizzabile cliccandoci sopra e salvandola come gruppo (cohort).
4. Se vuoi, hai la possibilità di perfezionare la selezione scegliendo quale percentile della base utenti vuoi includere nel tuo gruppo. Tuttavia, ti consiglierei di mantenere la selezione predefinita e salvarla cliccando sul pulsante “Salva come Cohort”.
Voilà! Ora hai un gruppo dinamico basato su modelli predittivi che puoi usare praticamente ovunque in Amplitude, inclusi i tuoi grafici, analisi e test A/B.
Previsione
Un'altra funzione di Amplitude che è stata molto utile per me e il mio team UX è il loro motore di previsione nativo. Automatizza il processo e utilizza sia la regressione, l'analisi delle serie temporali, sia una propria serie di modelli AI per fornirti una previsione sui tuoi indicatori di interesse.
Dalla mia esperienza, una delle applicazioni più pratiche di questa funzione per la UX è la previsione dei tassi di conversione nel funnel di attivazione.
Come prevedere i tassi di conversione del funnel di attivazione in Amplitude
1. Immagina che il funnel di attivazione per il tuo tool CRM per i servizi finanziari sia composto da tre eventi—registrazione, aggiunta integrazione e creazione opportunità. Se osserviamo il tasso di conversione nel tempo, apparirà più o meno così.
Ora, hai già implementato un paio di miglioramenti UX nel percorso una settimana fa e vuoi capire se hanno portato miglioramenti tangibili. Per questo, chiediamo ad Amplitude di fornirci una previsione per i prossimi 30 giorni.
2. Clicca sul pulsante “Anomalia + Previsione” e poi su "Aggiungi previsione".
I modelli di Amplitude caricheranno i dati e ci forniranno un grafico simile a questo.
Come possiamo vedere, non c’è alcuna crescita visibile nel tasso di conversione del nostro funnel (il che è più comune di quanto si pensi). L’insight azionabile qui è di effettuare un nuovo ciclo di miglioramenti UX.
Utilizzo delle API di modelli predittivi in cloud
Utilizzare strumenti di analytics di prodotto per la modellazione predittiva dei dati è piuttosto comodo quando il problema che vuoi risolvere è relativamente semplice. Tuttavia, se necessiti di qualcosa di più avanzato, puoi optare per API di modelli di machine learning di terze parti.
Ecco due fornitori che il mio team ha trovato utili in passato.
API Machine Learning AWS
Il servizio cloud di Amazon offre vari modelli di intelligenza artificiale per la business intelligence a cui puoi connetterti tramite API. La suite include anche modelli di analytics predittivi.
- C'è Amazon Forecast, che funziona su dati di serie temporali—consentendoti di vedere l’effetto della UX nel lungo periodo.
- C'è anche Amazon Personalize, che ti fornisce un motore di personalizzazione scalabile e personalizzabile che puoi utilizzare per suggerire ai tuoi clienti prodotti e servizi pertinenti (proprio come fanno Netflix e TikTok).
Infrastruttura AI Google
A differenza di Amazon, Google non fornisce modelli di AI predittivi preconfezionati. Invece, avrai accesso al loro vasto set di strumenti che possono aiutarti ad analizzare big data e costruire i tuoi modelli predittivi di deep learning personalizzati grazie al tuo attuale team di data scientist.
Gli strumenti di Google sono particolarmente adatti per gestire grandi volumi di dati e individuare tendenze future al loro interno (le loro funzionalità di gestione dati sono eccezionali). Oltre alle previsioni, puoi anche utilizzare la loro suite di strumenti per le tue esigenze di analisi descrittiva, campagne di marketing del ciclo di vita, analisi aziendali, ambiti finanziari (ad esempio, valutazioni del credito) e altro ancora.
Quindi, se i modelli predefiniti di Amazon non riescono a risolvere il problema specifico che hai, Google è il servizio a cui affidarti.
Dare Un’Occhiata Al Futuro Potrebbe Salvare La Tua Esperienza Utente
Tutti noi vorremmo poter prevedere il futuro. Se potessimo, creeremmo prodotti perfetti con la miglior esperienza utente al mondo—nel bene o nel male. Ma, nel frattempo, l’analisi predittiva è l’alternativa più vicina per aiutarci a prendere decisioni sulla UX basate sui dati e sorprendere i nostri clienti con esperienze eccellenti.
Non dimenticare di iscriverti alla nostra newsletter per maggiori risorse e guide sulla gestione di prodotto, oltre agli ultimi podcast, interviste e altre informazioni da leader ed esperti del settore.