Analityka predykcyjna UX: kompletny przewodnik & narzędzia

Nawet dysponując najlepszą analityką predykcyjną na rynku, nie jesteśmy w stanie przewidzieć przyszłości ze stuprocentową dokładnością. Mimo to — i na szczęście dla nas — ludzie są przewidywalnymi istotami. Oznacza to, że możesz wykorzystać przeszłe zachowania swoich użytkowników, aby dość dokładnie zrozumieć, co zrobią w następnej kolejności.

W zarządzaniu produktem i analityce danych proces ten nazywamy „predykcyjną analityką danych” i jest on jednym z najbardziej wartościowych narzędzi do tworzenia produktów zapewniających niesamowite doświadczenia użytkownika.

Przyjrzyjmy się więc analityce predykcyjnej i temu, jak możesz ją wykorzystać do optymalizacji doświadczeń użytkownika.

Czym jest analityka predykcyjna?

Analityka predykcyjna to zaawansowane podejście z zakresu nauki o danych, polegające na analizowaniu dostępnych danych dotyczących produktu i użytkowników w celu przewidywania (stąd człon „predykcyjna”) działań, które podejmą użytkownicy, oraz tego, jak produkt będzie funkcjonował w przyszłości.

Zasadniczo polega ona na analizowaniu danych za pomocą modeli statystycznych, specjalistycznych narzędzi i algorytmów uczenia maszynowego w celu znalezienia określonych wzorców zachowań. Zakładając, że wzorce te pozostaną w przyszłości względnie stabilne, możesz ekstrapolować dane na ich podstawie i formułować uzasadnione przewidywania dotyczące przyszłego użytkowania.

Zastrzeżenie: to wszystko są bardzo ogólne informacje, ale właśnie dotykamy podstaw cennych kompetencji. Aby zgłębić ten temat, polecam zapoznać się z naszą listą kursów analityki produktu i przerabiać jeden z nich co rok lub dwa.

Korzyści z analityki predykcyjnej obejmują:

• Lepsza jakość podejmowania decyzji: Dzięki jasnemu obrazowi tego, co wydarzy się w następnej kolejności, będziesz w stanie podejmować decyzje, które z większym prawdopodobieństwem doprowadzą do sukcesu.
• Większa efektywność: Prognozy pozwolą Ci również dostrzec potencjalne problemy z efektywnością, które napotkasz w przyszłości, jeśli pozostawisz wszystko bez zmian. Otrzymasz więc szansę na poprawę efektywności z wyprzedzeniem. Może to pomóc obniżyć koszty, zmniejszyć ceny i uzyskać znaczącą przewagę konkurencyjną nad innymi.
• Lepsze zarządzanie ryzykiem: Niektóre rodzaje analityki predykcyjnej pomagają dostrzec nadchodzące zagrożenia biznesowe, prawne i finansowe. Ponownie, możesz zapobiec tym zagrożeniom, zanim się zmaterializują.
• Lepsza personalizacja dla użytkowników: Spersonalizowane funkcje i treści stanowią szczyt możliwości UX. Dzięki analityce predykcyjnej możesz zachwycać użytkowników sugestiami i doświadczeniami najlepiej dopasowanymi do ich potrzeb.

Brzmi fantastycznie, prawda?

Cóż, tak, ale jest pewne zastrzeżenie. Nie da się przewidzieć przyszłych wyników ze stuprocentową dokładnością. W końcu nie jesteśmy wróżbitami z fantastycznej gry RPG.

Każda prognoza, którą otrzymasz, będzie najwyżej trafna w 70–80%. Pamiętaj o tym, podejmując ważne decyzje na podstawie uzyskanych wyników.

Przykłady analityki predykcyjnej stosowanej przez znane produkty

Brak absolutnej precyzji nie oznacza jednak, że nie możesz czerpać korzyści z tych predykcyjnych wniosków. W rzeczywistości analityka predykcyjna odpowiada za niektóre z najbardziej znanych sukcesów produktowych.

Oto trzy historie sukcesu dużych firm technologicznych, które potwierdzają moje słowa.

Przykład 1: słynny silnik rekomendacji Netflix

Jednym z głównych powodów, dla których ludzie uwielbiają Netflix, jest jego zdolność do polecania świetnych programów. W rzeczywistości silnik rekomendacji jest jednym z dwóch kluczowych powodów sukcesu Netflixa (drugim jest jego fantastyczna architektura dostarczania treści).

Netflix wykorzystuje sztuczną inteligencję i techniki statystyczne, aby zrozumieć preferencje każdego użytkownika i polecać mu programy, które prawdopodobnie mu się spodobają.

Zasadniczo analizuje programy, które oglądałeś w przeszłości, sprawdza, czy je pomijałeś, czy oglądałeś do końca, a także Twoje ogólne zainteresowania w danym regionie, aby przewidzieć kategorie i rodzaje programów, które mogą Ci się spodobać.

Co więcej, Netflix udostępnia Ci nawet spersonalizowaną miniaturę dopasowaną do Twoich zainteresowań.

Jeśli Netflix zauważy, że oglądasz wiele filmów lub programów z konkretnym aktorem, wyświetli Ci wersję miniatury, na której ten aktor znajduje się na pierwszym planie. (A jeśli wcześniej o tym nie wiedziałeś, teraz już nie będziesz w stanie tego „odzobaczyć”!)

Wyprzedzająca wysyłka Amazona

Pamiętasz, jak wspominałem, że możesz zwiększyć wydajność dzięki analizie predykcyjnej? Właśnie w ten sposób Amazon wykorzystuje swój proces wysyłki antycypacyjnej.

Jak się okazuje, ludzkie zachowania zakupowe są dość przewidywalne. Zwykle kupujemy określone produkty w regularnych odstępach czasu (np. detergent do prania co miesiąc) lub zgodnie z określoną sezonowością (dekoracje bożonarodzeniowe itp.). Amazon ma szczęście, ponieważ dysponuje wszystkimi tymi danymi i może przeprowadzać na ich podstawie analizę predykcyjną.

Dzięki swoim modelom statystycznym Amazon może z wyprzedzeniem wysyłać odpowiednie rodzaje produktów (i odpowiednie ilości) do swoich magazynów. Pozwala to znacznie skrócić czas dostawy do konsumentów końcowych i zmniejszyć liczbę produktów, które trzeba odesłać do innego magazynu, gdzie zapotrzebowanie na nie jest większe.

Tak wygląda ten proces w dokumentach patentowych.

Na tym konkretnym diagramie Amazon pokazuje proces zmiany adresu docelowego produktu w czasie rzeczywistym.

Prognozy natężenia ruchu w Mapach Google

Uwielbiam funkcję informacji o natężeniu ruchu w Mapach Google. Jest niezwykle dokładna i szybka.

A czy wiesz, jak udało im się osiągnąć taki poziom dokładności? Zgadza się — dzięki analizie predykcyjnej!

Google ma dane na temat niemal wszystkiego, co dzieje się w każdym mieście. Zdecydowana większość osób za kierownicą korzysta z urządzenia z systemem Android lub z innej usługi Google, w której włączono geolokalizację. Jeśli więc Google zauważy grupę smartfonów poruszających się powoli po autostradzie, oznacza ją jako korek.

Google potrafi jednak stosować znacznie bardziej zaawansowane rozwiązania, jeśli chodzi o przewidywanie natężenia ruchu. Ponieważ ma dane o najważniejszych wydarzeniach odbywających się praktycznie w każdym mieście (np. o dużym meczu sportowym), uwzględnia je również podczas planowania tras kierowców. Jeśli na przykład czeka Cię godzinna podróż przez miasto, a wkrótce rozpoczyna się mecz, algorytm Google ominie główne drogi, które prawdopodobnie będą zatłoczone przez kibiców, gdy dotrzesz w ten rejon.

Do tej pory analizowaliśmy analizę predykcyjną jako ogólne narzędzie w rękach firm. Jednak głównym tematem dzisiejszego tekstu jest zastosowanie tej fascynującej techniki do udoskonalenia UX. Przejdźmy więc do wyjaśnienia, jak dzięki analizie predykcyjnej możesz wznieść swoje badania UX na zupełnie nowy poziom.

Techniki predykcyjnej analizy danych w badaniach UX

Obszar analizy predykcyjnej jest dość szeroki, jeśli chodzi o różne techniki, które można zastosować do rozwiązywania codziennych problemów. Dziś chcę jednak skupić się na trzech, które dobrze sprawdzają się w badaniach UX — analizie regresji, drzewach decyzyjnych i analizie szeregów czasowych.

Regresja

Jeśli masz wykształcenie biznesowe lub matematyczne, ten termin może być Ci znany. Tak, chodzi o klasyczny statystyczny model regresji, który potrafi rozpoznawać wzorce w danych.

W bardziej praktycznym ujęciu regresja (a dokładniej regresja liniowa) to linia trendu — linia na wykresie pokazująca, czy analizowana aktywność użytkowników rośnie, czy spada.

Linie trendu to coś, czego mój zespół UX i ja cały czas używamy na naszych wykresach w Amplitude, ponieważ pomagają nam przekształcać nieuporządkowane dane w widoczne trendy i sprawdzać, czy nasze zmiany UX przyniosły pozytywne rezultaty.

Oto przykład regresji:

Trzy miesiące temu usprawniliśmy ścieżkę pozyskiwania użytkowników razem z zespołem UX i chcemy sprawdzić, czy od tamtej pory liczba rejestracji wzrosła.

To wykres rejestracji użytkowników z ostatnich 90 dni. Czy możesz powiedzieć, czy liczba rejestracji rośnie?

Oczywiście, że nie — wykres jest po prostu zbyt nieuporządkowany.

Ale pozwól, że zmienię typ pomiaru wykresu na formułę w panelu bocznym.

I dodajmy linię trendu.

Teraz wykres rejestracji wygląda tak.

Po dodaniu linii trendu widzimy, że nasze zmiany pozytywnie wpłynęły na pozyskiwanie użytkowników. Jednak ta zmiana jest zbyt mała, aby była statystycznie istotna, dlatego twierdzę, że nasze zmiany UX nie przyniosły żadnej rzeczywistej różnicy.

Drzewa decyzyjne

Drzewa decyzyjne należą do najpopularniejszych struktur modeli AI służących do analizowania danych i wyciągania z nich przydatnych wniosków.

Sieć neuronowa w tym przypadku pobiera oryginalny zbiór danych i zaczyna dzielić go na podgrupy na podstawie określonych warunków, następnie dzieli te podgrupy na kolejne grupy i tak dalej. W rezultacie otrzymujesz coś, co przypomina odwrócone drzewo.

Po zbudowaniu tego drzewa algorytm udzieli odpowiedzi na podstawie posiadanych danych. W powyższym przykładzie drzewo decyzyjne powie ci, czy powinieneś pojechać do szkoły autobusem, czy pójść pieszo.

Zobaczmy teraz, jak możemy rozwiązywać problemy UX za pomocą tych modeli. Wyobraź sobie, że próbujesz zmniejszyć odsetek porzucanych koszyków w swoim sklepie e-commerce. Po uruchomieniu algorytmu drzewa decyzyjnego na danych użytkowników otrzymujesz następujący wynik.

Patrząc na powyższe drzewo decyzyjne, możemy zrozumieć najważniejsze czynniki wpływające na odsetek porzuceń. W tym przypadku musimy dodać funkcje/elementy UX, które:

• Zachęcają ludzi do finalizowania zakupów, zanim ich koszyk się powiększy.
• Upewniają się, że koszty wysyłki są widoczne i łatwe do zauważenia na wszystkich rodzajach urządzeń.
• Zachęcają ludzi do logowania się.
• Przyspieszają działanie naszych stron.

Następnie możemy skorzystać z narzędzi analityki predykcyjnej, aby sprawdzić, które z tych czynników najbardziej wpłyną na odsetek porzuceń, co pomoże nam ustalić priorytety tych rozwiązań.

Analiza szeregów czasowych

Analiza szeregów czasowych to bardziej zaawansowany zestaw technik modelowania. Jak sugeruje nazwa, ten rodzaj analizy przeprowadza się na określonych typach danych (głównie danych historycznych powiązanych z czasem).

Jednym z najlepszych sposobów włączenia analizy szeregów czasowych do procesu UX byłoby przewidywanie kluczowych wskaźników UX (np. zaangażowania, rezygnacji, retencji itp.) na podstawie zachowań użytkowników z danych historycznych oraz sprawdzenie, czy w przyszłości ulegną one poprawie. Jeśli prognozy wskazują na spadek wartości wskaźników, należy potraktować to jako sygnał, że coś jest nie tak i trzeba to naprawić.

Nie będę tutaj szczegółowo omawiać, jak przeprowadzać analizę szeregów czasowych, ponieważ w dalszej części zajmiemy się funkcją „Prognozowanie” w Amplitude, która wykorzystuje tę metodologię.

Najlepsze modele uczenia maszynowego i usługi do analityki predykcyjnej

Oprócz wszystkich korzyści, jakie zapewnia analityka predykcyjna, ma ona jedną poważną wadę — ręczne przeprowadzanie takich analiz jest wyjątkowo trudne. Na szczęście internet jest pełen różnorodnych narzędzi badawczych i rozwiązań, które mogą uruchamiać te modele analityczne za pomocą jednego kliknięcia.

Zobaczmy więc, jak możesz wykorzystać różne rodzaje narzędzi do przewidywania przyszłości swojego UX.

Korzystanie z narzędzi analityki produktu

Najszybszym i najłatwiejszym sposobem przeprowadzania analityki predykcyjnej jest korzystanie z dostępnych zaawansowanych narzędzi analityki produktu. Do regularnych zadań zwykle używa się Amplitude. W przypadku bardziej zaawansowanych procesów obejmujących eksplorację danych możesz rozważyć zaawansowane narzędzia analityki predykcyjnej, takie jak Domo lub Tableau.

Obecnie moim podstawowym narzędziem do takich zastosowań jest Amplitude. Pokażę ci więc, jak możesz wykorzystać niektóre z jego funkcji do przewidywania przyszłości swojego produktu.

Kohorty predykcyjne

Pierwsza funkcja dostępna w Amplitude, która może ci w tym pomóc, nazywa się „Kohorty predykcyjne”.

Amplitude wykorzysta swoje modele predykcyjne AI do tworzenia kohort użytkowników na podstawie prawdopodobieństwa wykonania przez nich określonych działań lub zachowania się w określony sposób.

Możesz później wykorzystać te kohorty w swojej analizie, tworząc wykresy i porównując zachowania osób należących do kohorty z zachowaniami pozostałych użytkowników. Możesz także przeprowadzać testy A/B na podstawie tych kohort, aby sprawdzić, czy wprowadzone zmiany w doświadczeniu użytkownika wpływają na ich zachowanie.

Jak utworzyć kohortę predykcyjną w Amplitude

1. Najpierw otwórz sekcję kohort w Amplitude i kliknij „Przewiduj kohortę”.

2. Następnie możesz zacząć definiować interesujące Cię zachowanie.

W tym przypadku chcemy pogrupować osoby, które z największym prawdopodobieństwem kupią utwory i filmy o łącznej wartości co najmniej $25.

Na podstawie Twoich wymagań modele Amplitude przeanalizują Twoje wcześniejsze i nowe dane oraz przedstawią prognozę, do której możesz uzyskać dostęp w sekcji kohort.

3. Możemy przekształcić tę prognozę w użyteczną kohortę, klikając ją i zapisując jako kohortę.

4. Jeśli chcesz, możesz dostosować wybór, wskazując, jaki percentyl bazy użytkowników ma zostać uwzględniony w kohorcie. Zalecam jednak pozostawienie domyślnego wyboru i zapisanie go przez kliknięcie przycisku „Zapisz jako kohortę”.

Voilà! Teraz masz dynamiczną kohortę opartą na modelach predykcyjnych, której możesz używać praktycznie w dowolnym miejscu w Amplitude, w tym na wykresach, w analizach i testach A/B.

Prognozowanie

Inną przydatną funkcją Amplitude, z której korzystałem ja i mój zespół UX, jest natywny silnik prognozowania. Automatyzuje on ten proces i wykorzystuje zarówno regresję, analizę szeregów czasowych, jak i własny zestaw modeli AI, aby dostarczyć prognozę dotyczących interesujących Cię metryk.

Z mojego doświadczenia wynika, że jednym z najbardziej praktycznych zastosowań tej funkcji w UX jest prognozowanie współczynników konwersji lejka aktywacji.

Jak prognozować współczynniki konwersji lejka aktywacji w Amplitude

1. Wyobraź sobie, że lejek aktywacji Twojego narzędzia CRM dla usług finansowych składa się z trzech zdarzeń — rejestracja, dodanie integracji i utworzenie szansy sprzedaży. Jeśli spojrzymy na współczynnik konwersji w czasie, będzie wyglądał mniej więcej tak.

Teraz, tydzień temu wdrożyłeś już kilka usprawnień UX w tej ścieżce i chcesz sprawdzić, czy przyniosły one wymierne rezultaty. W tym celu poprośmy Amplitude o przygotowanie prognozy na kolejne 30 dni.

2. Kliknij przycisk „Anomalia + prognoza”, a następnie kliknij przycisk „Dodaj prognozę”.

Modele Amplitude wczytają się i wygenerują wykres wyglądający tak.

Jak widać, nie ma widocznego wzrostu współczynnika konwersji naszego lejka (co zdarza się częściej, niż myślisz). Praktyczny wniosek jest taki, że należy przeprowadzić kolejną rundę usprawnień UX.

Korzystanie z interfejsów API chmurowych modeli predykcyjnych

Korzystanie z narzędzi analityki produktu do predykcyjnego modelowania danych jest bardzo przydatne, gdy problem, który próbujesz rozwiązać, jest stosunkowo prosty. Jeśli jednak potrzebujesz czegoś bardziej zaawansowanego, możesz zdecydować się na interfejsy API modeli uczenia maszynowego dostawców zewnętrznych.

Oto dwóch dostawców, których mój zespół uznał w przeszłości za przydatnych.

Interfejs API uczenia maszynowego AWS

Usługa chmurowa Amazon oferuje bogaty zestaw różnych modeli AI do analizy biznesowej, z którymi możesz połączyć się za pośrednictwem interfejsu API. Zestaw obejmuje również modele analityki predykcyjnej.

• Dostępny jest Amazon Forecast, który może działać na danych szeregów czasowych, umożliwiając obserwowanie długoterminowego wpływu UX.
• Dostępny jest również Amazon Personalize, który zapewnia skalowalny i konfigurowalny silnik personalizacji, umożliwiający sugerowanie klientom odpowiednich produktów i usług (podobnie jak robią to Netflix i TikTok).

Infrastruktura Google AI

W przeciwieństwie do Amazon, Google nie udostępnia gotowych modeli AI do prognozowania. Zamiast tego otrzymujesz dostęp do ogromnego zestawu narzędzi, które mogą pomóc Ci przeprowadzać analizę dużych zbiorów danych i tworzyć własne niestandardowe modele predykcyjne głębokiego uczenia z pomocą obecnego zespołu analityków danych.

Narzędzia Google szczególnie dobrze sprawdzają się w obsłudze dużych ilości danych i znajdowaniu przyszłych trendów w ich obrębie (ich funkcje zarządzania danymi są niesamowite). Oprócz prognoz możesz również korzystać z ich zestawu narzędzi na potrzeby analityki opisowej, kampanii marketingowych w cyklu życia, analityki biznesowej, finansów (np. ocen kredytowych) i nie tylko.

Jeśli więc gotowe modele Amazon nie są w stanie rozwiązać konkretnego problemu, z którym się zmagasz, Google jest usługą pierwszego wyboru.

Rzut oka w przyszłość może uratować Twoje UX

Wszyscy chcielibyśmy móc przewidywać przyszłość. Gdybyśmy potrafili, tworzylibyśmy idealne produkty z najbardziej zachwycającym UX na świecie — na dobre lub na złe. Tymczasem analiza predykcyjna jest najbliższą alternatywą, która pomaga nam podejmować oparte na danych decyzje dotyczące UX i zapewniać naszym klientom wspaniałe doświadczenia.

Nie zapomnij zasubskrybować naszego newslettera, aby otrzymywać więcej materiałów i poradników dotyczących zarządzania produktami, a także najnowsze podcasty, wywiady i inne spostrzeżenia liderów oraz ekspertów z branży.