Voorspellende analyses voor UX: complete gids & hulpmiddelen
Zelfs met de beste voorspellende analyses in het vakgebied kunnen we niet met 100% nauwkeurigheid in de toekomst kijken. Maar ondanks dat — en gelukkig voor ons — zijn mensen voorspelbare wezens. Dat betekent dat je het eerdere gedrag van je gebruikers kunt gebruiken om redelijk nauwkeurig te begrijpen wat ze hierna zullen doen.
In productmanagement en data-analyse noemen we dit proces “voorspellende data-analyse”, en het behoort tot de waardevolste hulpmiddelen voor het bouwen van producten met een geweldige gebruikerservaring.
Laten we daarom voorspellende analyses onderzoeken en bekijken hoe je deze kunt gebruiken om je gebruikerservaring te optimaliseren.
Want more from The CPO Club?
Sign up for a free membership to complete reading this article:
Have an account? Log In
Waar gaat voorspellende analyse over?
Voorspellende analyse is een geavanceerde benadering binnen de datawetenschap om de product- en gebruikersgegevens waarover je beschikt te analyseren, zodat je kunt voorspellen (vandaar het woord ‘voorspellend’) welke acties je gebruikers zullen ondernemen en hoe je product in de toekomst zal presteren.
In wezen houdt dit in dat je je gegevens onderzoekt met behulp van statistische modellen, gespecialiseerde hulpmiddelen en algoritmen voor machine learning om bepaalde gedragspatronen te vinden. Als je ervan uitgaat dat deze patronen in de toekomst relatief stabiel blijven, kun je je gegevens op basis van deze patronen extrapoleren en goed onderbouwde inschattingen maken over toekomstig gebruik.
Vrijwaring: dit is allemaal zeer algemene informatie, maar we leggen hier de basis van een waardevolle vaardighedenreeks bloot. Als je dieper op het onderwerp wilt ingaan, raad ik je aan onze lijst met cursussen over productanalyse te bekijken en elke één of twee jaar een cursus te volgen.
De voordelen van voorspellende analyse zijn onder andere:
- Betere kwaliteit van besluitvorming: Met een duidelijk beeld van wat er hierna komt, kun je beslissingen nemen die waarschijnlijker tot succes leiden.
- Betere efficiëntie: Voorspellingen laten je ook zien met welke potentiële efficiëntieproblemen je in de toekomst te maken krijgt als je alles laat zoals het is. Zo krijg je de kans om je efficiëntie vooraf te verbeteren. Dit kan je helpen kosten en prijzen te verlagen en een groot concurrentievoordeel op anderen te behalen.
- Beter risicobeheer: Bepaalde soorten voorspellende analyses helpen je aankomende bedrijfs-, juridische en financiële risico’s te zien. Ook deze risico’s kun je voorkomen voordat ze werkelijkheid worden.
- Betere personalisatie voor gebruikers: Gepersonaliseerde functies en inhoud vormen het hoogtepunt van een gebruikerservaring. Met voorspellende analyses kun je je gebruikers verrassen met suggesties en ervaringen die het beste aansluiten bij hun behoeften.
Klinkt fantastisch, toch?
Nou, ja, maar er is een kanttekening. Het is onmogelijk om toekomstige uitkomsten 100% nauwkeurig te voorspellen. We zijn tenslotte geen waarzeggers uit een fantasie-RPG.
Welke voorspelling je ook krijgt, die zal op zijn best voor 70-80% nauwkeurig zijn. Houd dit dus in gedachten wanneer je belangrijke beslissingen neemt op basis van je resultaten.
Voorbeelden van voorspellende analyses bij bekende producten
Een gebrek aan absolute nauwkeurigheid betekent echter niet dat je niet kunt profiteren van deze voorspellende inzichten. Voorspellende analyses zijn zelfs verantwoordelijk voor enkele van de bekendste productsuccessen.
Hier zijn drie succesverhalen van grote technologiebedrijven om mijn punt te bewijzen.
Voorbeeld 1: de beroemde aanbevelingsengine van Netflix
Een van de belangrijkste redenen waarom mensen van Netflix houden, is het vermogen om geweldige series aan te bevelen. De aanbevelingsengine is zelfs een van de twee belangrijkste redenen achter het succes van Netflix (de andere is de fantastische architectuur voor het leveren van content).
Netflix gebruikt kunstmatige intelligentie en statistische technieken om de voorkeuren van elke gebruiker te begrijpen en series aan te bevelen waarvan de kans groot is dat die gebruiker ze leuk vindt.
In wezen kijken ze naar de series die je in het verleden hebt bekeken, of je ze hebt overgeslagen of tot het einde hebt bekeken, en naar je algemene interesses in je regio om de categorieën en soorten series te voorspellen die je misschien leuk vindt.
Ze geven je zelfs een gepersonaliseerde miniatuurafbeelding op basis van je interesses.
Als Netflix ziet dat je veel films en series bekijkt waarin een bepaalde acteur voorkomt, krijg je een versie van de miniatuurafbeelding waarin die acteur op de voorgrond staat. (En als je dat nog niet wist, kun je het nu niet meer niet zien!)
Anticiperende verzending van Amazon
Weet je nog dat ik vertelde hoe je de efficiëntie kunt verbeteren met voorspellende analyses? Dit is precies wat Amazon doet met zijn anticiperende verzendproces.
Zoals blijkt, is menselijk aankoopgedrag behoorlijk voorspelbaar. We kopen bepaalde producten doorgaans met regelmatige tussenpozen (bijvoorbeeld elke maand wasmiddel) of volgens bepaalde seizoenspatronen (kerstdecoratie enzovoort). Voor Amazon is het een geluk dat het al deze gegevens heeft en hierop voorspellende analyses kan uitvoeren.
Met behulp van hun statistische modellen kunnen ze de juiste soorten producten (en de juiste hoeveelheden) vooraf naar hun magazijnen verzenden. Hierdoor kunnen ze de verzendtijd naar eindgebruikers aanzienlijk verkorten en de hoeveelheid producten verminderen die ze moeten terugsturen naar een ander magazijn waar er meer vraag naar is.
Zo ziet het proces eruit in hun patentdocumenten.
In dit specifieke diagram laat Amazon zien hoe het bestemmingsadres van het product in realtime wordt gewijzigd.
Verkeersvoorspellingen van Google Maps
Ik ben dol op de verkeersfunctie in Google Maps. Die is ongelooflijk nauwkeurig en snel.
En weet je hoe ze dat nauwkeurigheidsniveau hebben bereikt? Juist—voorspellende analyses!
Google beschikt over gegevens over bijna alles wat er in een bepaalde stad gebeurt. Verreweg de meeste mensen achter het stuur gebruiken een apparaat dat op Android of een andere Google-service draait, met geolocatie ingeschakeld. Als Google dus een groep smartphones langzaam over een snelweg ziet bewegen, markeert het die als een file.
Maar Google kan ook veel slimmere oplossingen bieden als het gaat om het voorspellen van verkeer. Omdat Google gegevens heeft over de grote evenementen die in vrijwel elke stad plaatsvinden (bijvoorbeeld een grote sportwedstrijd), houdt het daar ook rekening mee bij het plannen van routes voor bestuurders. Als je bijvoorbeeld een rit van 1 uur door de stad maakt en er binnenkort een wedstrijd begint, zal het algoritme van Google je weghouden van de belangrijkste wegen die waarschijnlijk overspoeld zullen worden door sportfans tegen de tijd dat je dat gebied bereikt.
Tot nu toe hebben we voorspellende analyses bekeken als een algemeen hulpmiddel in handen van bedrijven. Het hoofdonderwerp van vandaag is echter het toepassen van deze fascinerende techniek om je UX te verbeteren. Laat me daarom uitleggen hoe je je UX-onderzoek met voorspellende analyses naar een geheel nieuw niveau kunt tillen.
Technieken voor voorspellende gegevensanalyse voor UX-onderzoek
Het gebied van voorspellende analyses is behoorlijk breed als het gaat om de verschillende technieken die je kunt toepassen om alledaagse problemen op te lossen. Maar vandaag wil ik ons richten op de drie technieken die goed toepasbaar zijn op UX-onderzoek: regressieanalyse, beslisbomen en tijdreeksanalyse.
Regressie
Als je een achtergrond in bedrijfskunde of wiskunde hebt, komt deze term je misschien bekend voor. Ja, het is het klassieke statistische regressiemodel dat patronen in je gegevens kan herkennen.
In meer praktische termen is regressie (meer specifiek lineaire regressie) je trendlijn: een lijn in de grafiek die laat zien of de gebruikersactiviteit die je analyseert toe- of afneemt.
Trendlijnen zijn iets wat mijn UX-team en ik voortdurend gebruiken in onze Amplitude-grafieken, omdat ze ons helpen om rommelige gegevens om te zetten in zichtbare trends en te zien of onze UX-wijzigingen positieve resultaten hebben opgeleverd.
Hier is een voorbeeld van regressie:
Drie maanden geleden hebben we samen met het UX-team onze acquisitiestroom gestroomlijnd en we willen zien of het aantal aanmeldingen sindsdien is toegenomen.
Dit is een grafiek van gebruikersaanmeldingen over de afgelopen 90 dagen. Kun je me vertellen of het aantal toeneemt of niet?
Natuurlijk kun je dat niet zien; het is gewoon te rommelig.
Maar laat me het type grafiekmeting in de zijbalk wijzigen in een formule.
En een trendlijn toevoegen.
Nu ziet de aanmeldingsgrafiek er als volgt uit.
Met de toegevoegde trendlijn kunnen we zien dat onze wijzigingen een positief effect hebben gehad op onze acquisitie. Deze verandering is echter te klein om statistisch significant te zijn, dus ik zou stellen dat onze UX-wijzigingen geen werkelijk verschil hebben gemaakt.
Beslisbomen
Beslisbomen behoren tot de populairste structuren voor AI-modellen om je gegevens te analyseren en er nuttige conclusies uit te trekken.
Een neuraal netwerk neemt in dit geval je oorspronkelijke gegevensset en begint deze op basis van bepaalde voorwaarden op te splitsen in subgroepen. Vervolgens worden deze subgroepen weer in andere groepen opgesplitst, enzovoort. Het resultaat ziet eruit als een omgekeerde boom.
Nadat deze boom is opgebouwd, geeft het algoritme je op basis van de beschikbare gegevens een antwoord. In het bovenstaande voorbeeld vertelt de beslisboom je of je de bus naar school moet nemen of moet lopen.
Laten we nu bekijken hoe we UX-problemen met deze modellen kunnen oplossen. Stel dat je het percentage verlaten winkelwagens van je e-commercewinkel probeert te verlagen. Wanneer je het beslisboomalgoritme op je gebruikersgegevens uitvoert, krijg je het volgende resultaat.
Als we naar de bovenstaande beslisboom kijken, kunnen we de belangrijkste factoren begrijpen die van invloed zijn op het percentage verlaten winkelwagens. In dit geval moeten we functies/UX toevoegen die:
- Mensen aanmoedigen om af te rekenen voordat hun winkelwagen voller wordt.
- Ervoor zorgen dat verzendkosten op allerlei apparaten zichtbaar en gemakkelijk op te merken zijn.
- Mensen aanmoedigen om in te loggen.
- Onze pagina's sneller maken.
Vervolgens kunnen we voorspellende analysetools blijven gebruiken om te zien welke van deze factoren het percentage verlaten winkelwagens het sterkst beïnvloeden, zodat we prioriteit kunnen geven aan deze oplossingen.
Tijdreeksanalyse
Tijdreeksanalyse is de meest geavanceerde reeks modelleringstechnieken. Zoals de naam al suggereert, wordt dit type analyse uitgevoerd op specifieke soorten gegevens, voornamelijk historische gegevens die aan tijd zijn gekoppeld.
Een van de beste manieren om tijdreeksanalyse in je UX-proces op te nemen, is door je belangrijkste UX-statistieken (bijv. betrokkenheid, verloop, behoud, enz.) te voorspellen op basis van het gebruikersgedrag in historische gegevens en te bekijken of deze in de toekomst zullen verbeteren. Als de voorspellingen een daling van je statistieken laten zien, kun je dit opvatten als een signaal dat er iets mis is en dat je dit moet oplossen.
Ik zal hier niet te diep ingaan op het uitvoeren van tijdreeksanalyse, omdat we hierna de functie Voorspelling van Amplitude gaan bekijken, die gebruikmaakt van deze methodologie.
De beste machinelearningmodellen en -diensten voor voorspellende analyse
Naast alle voordelen van voorspellende analyse is er één groot nadeel: handmatig uitvoeren is notoir moeilijk. Gelukkig staat het internet vol met verschillende onderzoekstools en oplossingen die deze analytische modellen met één druk op de knop voor je kunnen uitvoeren.
Laten we dus bekijken hoe je verschillende soorten tools kunt benutten om de toekomst van je UX te voorspellen.
Productanalysetools gebruiken
De snelste en eenvoudigste manier om voorspellende analyse uit te voeren, is door gebruik te maken van de relatief geavanceerde productanalysetools die je tot je beschikking hebt. Voor reguliere taken is dat meestal Amplitude. Voor geavanceerdere werkstromen met datamining kun je geavanceerde tools voor voorspellende analyse overwegen, zoals Domo of Tableau.
Momenteel is Amplitude mijn dagelijkse tool voor dergelijke gebruiksscenario's. Laat me daarom laten zien hoe je enkele functies ervan kunt gebruiken om de toekomst van je product te voorspellen.
Voorspellende cohorten
De eerste functie in Amplitude die je hierbij kan helpen, heet ‘Voorspellende cohorten’.
Amplitude gebruikt zijn AI-modellen voor voorspellingen om gebruikerscohorten te maken op basis van hun waarschijnlijkheid om bepaalde acties uit te voeren of zich op een bepaalde manier te gedragen.
Je kunt deze cohorten later in je analyse gebruiken door diagrammen te maken en het gedrag van mensen in je cohort te vergelijken met dat van de rest. Je kunt ook A/B-tests uitvoeren op basis van deze cohorten om te zien of de UX-wijzigingen die je aanbrengt hun gedrag beïnvloeden.
Een voorspellend cohort maken in Amplitude
- Open eerst eenvoudig het gedeelte voor cohorten in Amplitude en klik op ‘Een cohort voorspellen’.
2. Vervolgens kunt u het gedrag definiëren waarin u geïnteresseerd bent.
In dit geval willen we mensen groeperen die waarschijnlijk voor $25+ aan nummers en video’s zullen kopen.
Op basis van uw vereisten analyseren de modellen van Amplitude uw eerdere en nieuwe gegevens en geven ze u een voorspelling die u kunt bekijken in het cohortgedeelte.
3. We kunnen deze voorspelling omzetten in een bruikbaar cohort door erop te klikken en het als cohort op te slaan.
4. Als u wilt, kunt u de selectie verfijnen door te kiezen welk percentiel van de gebruikersbasis u in uw cohort wilt opnemen. Ik raad u echter aan de standaardselectie te behouden en deze op te slaan door op de knop “Opslaan als cohort” te klikken.
Voilà! Nu hebt u een dynamisch cohort op basis van voorspellende modellen dat u vrijwel overal in Amplitude kunt gebruiken, waaronder in uw grafieken, analyses en A/B-tests.
Voorspellen
Een andere functie van Amplitude die voor mij en mijn UX-team erg nuttig is gebleken, is hun eigen voorspellingsengine. Deze automatiseert het proces en gebruikt zowel regressie, tijdreeksanalyse als een eigen reeks AI-modellen om u een voorspelling te geven voor de statistieken waarin u geïnteresseerd bent.
Uit mijn ervaring blijkt dat een van de meest praktische toepassingen van deze functie voor UX het voorspellen van conversiepercentages in activeringsfunnels is.
Conversiepercentages van activeringsfunnels voorspellen in Amplitude
1. Stel u voor dat de activeringsfunnel voor uw CRM-tool voor financiële dienstverlening uit drie gebeurtenissen bestaat: registratie, integratie toevoegen en kans creëren. Als we het conversiepercentage in de loop van de tijd bekijken, ziet het er ongeveer zo uit.
U hebt een week geleden al een paar UX-verbeteringen in de gebruikersreis doorgevoerd en wilt weten of deze tastbare verbeteringen hebben opgeleverd. Laten we Amplitude daarom vragen om een voorspelling voor de komende 30 dagen te geven.
2. Klik op de knop “Anomalie + voorspelling” en klik daarna op de knop “Voorspelling toevoegen”.
De modellen van Amplitude worden geladen en geven ons een grafiek die er als volgt uitziet.
Zoals we kunnen zien, is er geen zichtbare groei in ons funnelconversiepercentage (wat vaker voorkomt dan u denkt). Het bruikbare inzicht hier is dat er nog een ronde UX-verbeteringen nodig is.
API's voor voorspellende cloudmodellen gebruiken
Het gebruik van productanalysetools voor voorspellende gegevensmodellering is erg handig wanneer het probleem dat u probeert op te lossen relatief eenvoudig is. Als u echter iets geavanceerders nodig hebt, kunt u kiezen voor API's van externe machine learning-modellen.
Hier zijn twee aanbieders die mijn team in het verleden nuttig heeft gevonden.
AWS-machinelearning-API
De cloudservice van Amazon bevat een groot aantal verschillende AI-modellen voor bedrijfsinformatie waarmee u via een API verbinding kunt maken. De technologiestack omvat ook modellen voor voorspellende analyses.
- Er is Amazon Forecast, dat op tijdreeksgegevens kan worden uitgevoerd, zodat u het effect van uw UX op de lange termijn kunt zien.
- Er is ook Amazon Personalize, dat u een schaalbare en aanpasbare personalisatie-engine biedt die u kunt gebruiken om relevante producten en diensten aan uw klanten voor te stellen (net zoals Netflix en TikTok dat doen).
Google AI-infrastructuur
In tegenstelling tot Amazon biedt Google geen kant-en-klare AI-modellen voor voorspellingen. In plaats daarvan krijgt u toegang tot hun enorme verzameling tools waarmee u big data kunt analyseren en uw eigen aangepaste deep-learningmodellen voor voorspellingen kunt bouwen met behulp van uw huidige team van datawetenschappers.
De tools van Google zijn bijzonder geschikt voor het verwerken van grote hoeveelheden gegevens en het vinden van toekomstige trends daarin (hun functies voor gegevensbeheer zijn geweldig). Naast voorspellingen kun je hun toolset ook gebruiken voor je behoeften op het gebied van beschrijvende analyses, lifecycle-marketingcampagnes, bedrijfsanalyses, financiële analyses (bijvoorbeeld kredietbeoordelingen) en meer.
Dus als de kant-en-klare modellen van Amazon het specifieke probleem dat je hebt niet kunnen oplossen, is Google de aangewezen dienst.
Een voorproefje van de toekomst kan je UX redden
We zouden allemaal willen dat we de toekomst konden voorspellen. Als dat kon, zouden we perfecte producten creëren met de meest aansprekende UX ter wereld—ten goede of ten kwade. Maar ondertussen is voorspellende analyse het beste alternatief om ons te helpen datagestuurde UX-beslissingen te nemen en onze klanten te verblijden met geweldige ervaringen.
Vergeet niet je te abonneren op onze nieuwsbrief voor meer bronnen en handleidingen over productmanagement, plus de nieuwste podcasts, interviews en andere inzichten van leiders en experts uit de branche.