Prediktiv analyse for UX: Komplett guide & verktøy

Selv med de beste prediktive analysene i bransjen kan vi ikke se inn i fremtiden med 100 % nøyaktighet. Men til tross for det – og heldigvis for oss – er mennesker forutsigbare skapninger. Det betyr at du kan bruke brukernes tidligere atferd til å få en ganske nøyaktig forståelse av hva de kommer til å gjøre neste gang.

Innen produktledelse og dataanalyse kaller vi denne prosessen «prediktiv dataanalyse», og det er et av de mest verdifulle verktøyene for å utvikle produkter med fantastisk brukeropplevelse.

La oss derfor se nærmere på prediktiv analyse og hvordan du kan bruke den til å optimalisere brukeropplevelsen.

Hva handler prediktiv analyse om?

Prediktiv analyse er en avansert datavitenskapelig tilnærming til analyse av produkt- og brukerdataene du har til rådighet, for å forutsi (derav «prediktiv»-delen) hvilke handlinger brukerne dine kommer til å utføre, og hvordan produktet ditt vil prestere i fremtiden.

I praksis innebærer det å se på dataene dine ved hjelp av statistiske modeller, spesialiserte verktøy og maskinlæringsalgoritmer for å finne bestemte atferdsmønstre. Hvis vi antar at disse mønstrene vil holde seg relativt stabile i fremtiden, kan du ekstrapolere dataene dine basert på mønstrene og gjøre kvalifiserte antakelser om fremtidig bruk.

Ansvarsfraskrivelse: Dette er svært overordnet informasjon, men vi skraper her bare overflaten av et verdifullt kompetanseområde. Hvis du vil gå mer i dybden, foreslår jeg at du sjekker ut listen vår over kurs i produktanalyse og tar ett hvert eller annethvert år.

Fordelene med prediktiv analyse omfatter:

• Bedre kvalitet på beslutningene: Med en klar forståelse av hva som kommer, vil du kunne ta beslutninger som med større sannsynlighet fører til suksess.
• Bedre effektivitet: Prognoser lar deg også se potensielle effektivitetsproblemer som du vil møte i fremtiden hvis du fortsetter som før. Dermed får du muligheten til å forbedre effektiviteten på forhånd. Dette kan hjelpe deg med å redusere kostnader, senke prisene og oppnå et stort konkurransefortrinn over andre.
• Bedre risikostyring: Visse typer prediktiv analyse hjelper deg med å se kommende forretningsmessige, juridiske og økonomiske risikoer. Igjen kan du forhindre disse risikoene før de blir virkelighet.
• Bedre personalisering for brukerne: Personlige funksjoner og innhold er det ypperste innen brukeropplevelse. Med prediktiv analyse kan du glede brukerne dine med forslag og opplevelser som passer best til behovene deres.

Høres fantastisk ut, ikke sant?

Jo, men det finnes et forbehold. Det er umulig å forutsi fremtidige utfall med 100 % nøyaktighet. Vi er tross alt ikke spåkoner fra et fantasy-rollespill.

Uansett hvilken prognose du får, vil den være 70–80 % nøyaktig på det meste. Ha derfor dette i bakhodet når du tar viktige beslutninger basert på resultatene dine.

Eksempler på prediktiv analyse hos kjente produkter

Manglende absolutt nøyaktighet betyr imidlertid ikke at du ikke kan dra nytte av disse prediktive innsiktene. Faktisk står prediktiv analyse bak noen av de mest kjente produktsuksessene som finnes.

Her er tre suksesshistorier fra store teknologiselskaper som beviser poenget mitt.

Eksempel 1: Netflix' berømte anbefalingsmotor

En av hovedgrunnene til at folk elsker Netflix, er tjenestens evne til å anbefale gode serier. Faktisk er anbefalingsmotoren én av de to viktigste grunnene til Netflix' suksess (den andre er den fantastiske arkitekturen for innholdslevering).

Netflix bruker kunstig intelligens og statistiske teknikker for å forstå hver brukers preferanser og anbefale serier som de sannsynligvis vil like.

Det de egentlig gjør, er å se på seriene du har sett tidligere, om du hoppet over dem eller så dem helt til slutten, og dine generelle interesser i området ditt for å forutsi hvilke kategorier og typer serier du kanskje vil like.

De gir deg til og med et personlig tilpasset miniatyrbilde basert på interessene dine.

Hvis Netflix ser at du ser mange filmer eller serier med en bestemt skuespiller, vil de gi deg en versjon av miniatyrbildet der skuespilleren er i forgrunnen. (Og hvis du ikke visste det fra før, kommer du ikke til å klare å slutte å legge merke til det nå!)

Amazons foregripende frakt

Husker du da jeg nevnte hvordan du kan forbedre effektiviteten med prediktiv analyse? Dette er nøyaktig det Amazon gjør med sin prosess for forhåndsutsendelse.

Det viser seg at menneskelig kjøpsatferd er ganske forutsigbar. Vi har en tendens til å kjøpe bestemte produkter med jevne mellomrom (f.eks. vaskemiddel hver måned) eller med en viss sesongvariasjon (juledekorasjoner osv.). Heldigvis for Amazon har de alle disse dataene og kan kjøre prediktiv analyse på dem.

Ved hjelp av de statistiske modellene sine kan de sende de riktige typene produkter (og riktig mengde) på forhånd til lagrene sine. Dette gjør at de kan redusere leveringstiden til sluttforbrukerne betydelig og redusere mengden produkter de må sende tilbake til et annet lager der etterspørselen er større.

Slik ser prosessen ut i patentsøknadene deres.

I dette bestemte diagrammet viser Amazon prosessen med å endre produktets leveringsadresse i sanntid.

Googles trafikkprognoser i Maps

Jeg elsker trafikkfunksjonen i Google Maps. Den er utrolig nøyaktig og rask.

Og vet du hvordan de har oppnådd dette nøyaktighetsnivået? Nettopp – prediktiv analyse!

Google har data om nesten alt som skjer i enhver by. Det store flertallet av personer bak rattet bruker en enhet drevet av Android eller en annen Google-tjeneste med geolokalisering slått på. Så hvis de ser en gruppe smarttelefoner som beveger seg sakte på en motorvei, merker de det som en trafikkork.

Men Google er også i stand til å tilby langt smartere løsninger når det gjelder å forutsi trafikk. Fordi de har data om de viktigste hendelsene som finner sted i praktisk talt enhver by (f.eks. en stor sportskamp), tar de også hensyn til dette når de planlegger kjøreruter. Hvis du for eksempel har en kjøretur på én time gjennom byen og det snart skal starte en kamp, vil Googles algoritme holde deg unna hovedveiene som sannsynligvis vil bli overfylt av sportsfans innen du når dette området.

Så langt har vi sett på prediktiv analyse som et generelt verktøy i hendene på selskaper. Dagens hovedtema er imidlertid å bruke denne fascinerende teknikken til å forbedre brukeropplevelsen din. La meg derfor gå videre til å forklare hvordan du kan ta UX-undersøkelsene dine til et helt nytt nivå med prediktiv analyse.

Teknikker for prediktiv dataanalyse i UX-undersøkelser

Prediktiv analyse er et ganske omfattende område når det gjelder de ulike teknikkene du kan bruke til å løse hverdagslige problemer. Men i dag ønsker jeg at vi fokuserer på de tre som egner seg godt til UX-undersøkelser – regresjonsanalyse, beslutningstrær og tidsserieanalyse.

Regresjon

Hvis du har bakgrunn innen økonomi eller matematikk, er dette begrepet kanskje kjent for deg. Ja, det er den klassiske statistiske regresjonsmodellen som kan gjenkjenne mønstre i dataene dine.

Mer praktisk er regresjon (mer spesifikt lineær regresjon) trendlinjen din – en linje i diagrammet som viser om brukeraktiviteten du analyserer, går opp eller ned.

Trendlinjer er noe UX-teamet mitt og jeg bruker hele tiden i Amplitude-diagrammene våre, fordi de hjelper oss med å gjøre uoversiktlige data om til synlige trender og se om UX-endringene våre har gitt positive resultater.

Her er et eksempel på regresjon:

Vi forenklet registreringsprosessen vår sammen med UX-teamet for tre måneder siden og ønsker å se om antallet registreringer har økt siden da.

Dette er et diagram over brukerregistreringer de siste 90 dagene. Kan du si meg om det vokser eller ikke?

Selvfølgelig kan du ikke det – det er rett og slett for uoversiktlig.

Men la meg endre målingstypen for diagrammet til en formel fra sidepanelet.

Og legge til en trendlinje.

Nå ser registreringsdiagrammet slik ut.

Med trendlinjen lagt til kan vi se at endringene våre hadde en positiv effekt på brukeranskaffelsen. Denne endringen er imidlertid for liten til å være statistisk signifikant, så jeg vil hevde at UX-endringene våre ikke har gjort noen reell forskjell.

Beslutningstrær

Beslutningstrær er blant de mest populære AI-modellstrukturene for å analysere dataene dine og trekke nyttige konklusjoner ut fra dem.

Et nevralt nettverk tar i dette tilfellet det opprinnelige datasettet ditt og begynner å dele det inn i undergrupper basert på bestemte betingelser, deler deretter disse undergruppene inn i andre grupper, og så videre. Resultatet blir noe som ser ut som et omvendt tre.

Etter at dette treet er bygget, vil algoritmen gi deg et svar basert på dataene du har. I eksempelet ovenfor vil beslutningstreet fortelle deg om du bør ta bussen til skolen eller gå.

La oss nå se hvordan vi kan løse UX-problemer med disse modellene. Tenk deg at du prøver å redusere andelen forlatte handlekurver i e-handelsbutikken din. Når du kjører beslutningstrealgoritmen på brukerdataene dine, får du følgende resultat.

Ved å se på beslutningstreet ovenfor kan vi forstå de viktigste faktorene som påvirker andelen forlatte handlekurver. I dette tilfellet må vi legge til funksjoner/UX som:

• Oppmuntrer folk til å gå til kassen før handlekurven blir større.
• Sørger for at fraktkostnadene er synlige og enkle å legge merke til på alle typer enheter.
• Oppmuntrer folk til å logge inn.
• Gjør sidene våre raskere.

Deretter kan vi fortsette ved å bruke verktøy for prediktiv analyse for å se hvilke av disse faktorene som vil påvirke andelen forlatte handlekurver mest – noe som hjelper oss med å prioritere disse løsningene.

Tidsserieanalyse

Tidsserieanalyse er det mest avanserte settet med modelleringsteknikker. Som navnet antyder, utføres denne typen analyse på bestemte typer data, hovedsakelig historiske data som er knyttet til tid.

En av de beste måtene å innlemme tidsserieanalyse i UX-prosessen på er å forutsi de viktigste UX-måltallene dine (f.eks. engasjement, frafall, brukerbevaring osv.) basert på brukeradferden i tidligere data, og se om de vil forbedres i fremtiden eller ikke. Hvis prognosene viser en nedgang i måltallene dine, kan du ta det som et signal på at noe er galt og at du må rette det opp.

Jeg skal ikke gå inn på for mange detaljer om hvordan man utfører tidsserieanalyse her, siden vi straks skal se nærmere på prognosefunksjonen i Amplitude, som bruker denne metoden.

Beste maskinlæringsmodeller og -tjenester for prediktiv analyse

I tillegg til alle fordelene du får med prediktiv analyse, finnes det én stor ulempe – det er notorisk vanskelig å gjøre dette manuelt. Heldigvis er internett fullt av ulike verktøy for brukerundersøkelser og løsninger som kan kjøre disse analysemodellene for deg med et tastetrykk.

La oss derfor se hvordan du kan dra nytte av ulike typer verktøy for å forutsi fremtiden til UX-en din.

Bruke verktøy for produktanalyse

Den raskeste og enkleste måten å utføre prediktiv analyse på er å bruke de relativt avanserte verktøyene for produktanalyse du har tilgjengelig. Til vanlige oppgaver er det som regel Amplitude. For mer avanserte arbeidsflyter som involverer datautvinning, kan du vurdere avanserte verktøy for prediktiv analyse, som Domo eller Tableau.

For tiden er Amplitude verktøyet jeg bruker til daglig i slike tilfeller. La meg derfor vise deg hvordan du kan bruke noen av funksjonene deres til å forutsi produktets fremtid.

Prediktive kohorter

Den første funksjonen i Amplitude som kan hjelpe deg med dette, kalles «Prediktive kohorter».

Amplitude bruker sine KI-modeller for prediksjon til å opprette brukerkohorter basert på hvor sannsynlig det er at de utfører bestemte handlinger eller oppfører seg på en bestemt måte.

Senere kan du bruke disse kohortene i analysen din ved å opprette diagrammer og sammenligne atferden til personene i kohorten din med resten. Du kan også kjøre A/B-tester basert på disse kohortene for å se om endringene du gjør i brukeropplevelsen, påvirker atferden deres eller ikke.

Slik oppretter du en prediktiv kohort i Amplitude

1. Åpne først kohortdelen i Amplitude, og klikk på «Forutsi en kohort».

2. Deretter kan du begynne å definere atferden du er interessert i.

I dette tilfellet ønsker vi å gruppere personer som har størst sannsynlighet for å kjøpe sanger og videoer for minst $25.

Basert på kravene dine vil Amplitudes modeller analysere tidligere og nye data og gi deg en prediksjon som du får tilgang til i kohortseksjonen.

3. Vi kan gjøre denne prediksjonen om til en brukbar kohort ved å klikke på den og lagre den som en kohort.

4. Hvis du vil, kan du finjustere utvalget ved å velge hvilken persentil av brukerbasen du vil inkludere i kohorten. Jeg anbefaler imidlertid at du beholder standardutvalget og lagrer det ved å klikke på knappen «Lagre som kohort».

Voilà! Nå har du en dynamisk kohort basert på prediktive modeller som du kan bruke praktisk talt hvor som helst i Amplitude, inkludert diagrammer, analyser og A/B-tester.

Prognoser

En annen funksjon i Amplitude som har vært nyttig for meg og UX-teamet mitt, er deres innebygde prognosemotor. Den automatiserer prosessen og bruker både regresjon, tidsserieanalyse og sitt eget sett med KI-modeller for å gi deg en prediksjon for måltallene du er interessert i.

Basert på min erfaring er en av de mest praktiske bruksområdene for denne funksjonen innen UX prognoser for konverteringsrater i aktiveringstrakter.

Slik lager du prognoser for konverteringsrater i aktiveringstrakter i Amplitude

1. Tenk deg at aktiveringstrakten for CRM-verktøyet ditt for finansielle tjenester består av tre hendelser – registrering, legge til integrasjon og opprette mulighet. Hvis vi ser på konverteringsraten over tid, vil den se omtrent slik ut.

Nå har du allerede implementert et par UX-forbedringer i brukerreisen for en uke siden, og du ønsker å forstå om de har gitt noen merkbare forbedringer. Derfor ber vi Amplitude om å gi oss en prognose for de neste 30 dagene.

2. Klikk på knappen «Avvik + prognose», og klikk deretter på knappen «Legg til prognose».

Amplitudes modeller lastes inn og gir oss et diagram som ser slik ut.

Som vi kan se, er det ingen synlig vekst i konverteringsraten i trakten vår (noe som er vanligere enn du tror). Den handlingsrettede innsikten her er å gjennomføre en ny runde med UX-forbedringer.

Bruk av API-er for prediktive skybaserte modeller

Det er ganske praktisk å bruke produktanalyseverktøy til prediktiv datamodellering når problemet du prøver å løse, er relativt enkelt. Hvis du imidlertid trenger noe mer avansert, kan du velge API-er for maskinlæringsmodeller fra tredjeparter.

Her er to leverandører som teamet mitt har hatt nytte av tidligere.

AWS API for maskinlæring

Amazons skytjeneste inneholder en rekke KI-modeller for forretningsinnsikt som du kan koble til via API. Plattformen omfatter også modeller for prediktiv analyse.

• Det finnes Amazon Forecast, som kan kjøre på tidsseriedata – slik at du kan se effekten av UX-en din på lang sikt.
• Det finnes også Amazon Personalize, som gir deg en skalerbar og tilpassbar personaliseringsmotor du kan bruke til å foreslå relevante produkter og tjenester til kundene dine (akkurat slik Netflix og TikTok gjør).

Googles KI-infrastruktur

I motsetning til Amazon tilbyr ikke Google ferdiglagde KI-modeller for prediksjon. I stedet får du tilgang til deres omfattende verktøysett, som kan hjelpe deg med å analysere stordata og bygge dine egne spesialtilpassede prediksjonsmodeller for dyp læring ved hjelp av det eksisterende datavitenskapsteamet ditt.

Googles verktøy egner seg spesielt godt til å håndtere store datamengder og finne fremtidige trender i dem (funksjonene deres for datahåndtering er imponerende). I tillegg til prediksjoner kan du også bruke verktøysettet deres til behovene dine innen deskriptiv analyse, markedsføringskampanjer gjennom hele kundelivssyklusen, forretningsanalyse, økonomi (f.eks. kredittscore) og mer.

Så hvis Amazons ferdiglagde modeller ikke kan løse det spesifikke problemet du har, er Google tjenesten du bør velge.

Et lite innblikk i fremtiden kan redde brukeropplevelsen din

Vi skulle alle ønske at vi kunne forutsi fremtiden. Hvis vi kunne det, ville vi skapt perfekte produkter med verdens mest fristende brukeropplevelse – på godt og vondt. Men i mellomtiden er prediktiv analyse det nærmeste alternativet for å hjelpe oss med å ta datadrevne beslutninger om brukeropplevelsen og begeistre kundene våre med gode opplevelser.

Ikke glem å abonnere på nyhetsbrevet vårt for flere ressurser og veiledninger om produktledelse, i tillegg til de nyeste podkastene, intervjuene og annen innsikt fra bransjeledere og eksperter.