Datadriven design: Så skapar du en skräddarsydd användarupplevelse

Vad är datadriven design (och varför använda data i din UX-designprocess?)

Datadriven design är processen att integrera dataspårning och analys i ditt arbetsflöde för att hjälpa dig fatta bättre designbeslut baserat på de insikter du får från dina dataanalysverktyg.

Designers använder en mängd olika verktyg för användarundersökningar och analys för att spåra kritiska användarresor och KPI:er som representerar den övergripande användarvänligheten hos deras produkt. För detta använder de processer som A/B-testning, analys av olika typer av data (t.ex. kvantitativa och kvalitativa data), användartester, intervjuer med fokusgrupper, skapande av spårbara landningssidor och prototyper samt annat.

Som ett resultat kan de snabbt identifiera användbarhetsproblem, hitta grundproblemet som orsakar dem och åtgärda det.

Dessutom använder designteam aktivt dataanalys för att mäta effekten av sina senaste designer på användarupplevelsen och använder resultaten för att skapa nya och förbättrade iterationer.

Exempel på datainformerad design

Området att implementera UX-designlösningar baserade på empiriska data är mycket populärare än du kanske trodde. Majoriteten av framgångsrika produktföretag använder aktivt denna process för att säkerställa att de designval de gör sannolikt kommer att ha en positiv inverkan på deras produkt.

Här är tre exempel på sådana produkter.

YouTubes automatiska uppspelning

Kommer du ihåg de äldre versionerna av YouTube, när du var tvungen att klicka på en ny video efter att den aktuella hade spelats klart? Var inte det irriterande?

Den här ”funktionen” ledde till en betydande minskning av YouTube-användarnas engagemangsgrad (antalet videor som spelades upp per dag), och designteamet bestämde sig för att göra något åt saken.

De tittade på data och fick fram två intressanta insikter:

• Människor tenderar att sträcktitta på flera videor i rad. Vissa tycker om att spela musik på YouTube som bakgrundsljud medan de lagar mat eller städar. Andra (som jag) tycker om att somna medan någon video spelas upp i bakgrunden.
• Många användare klickade inte på en annan videominiatyr när uppspelningen var klar. Det var opraktiskt för många användare att hela tiden klicka på videominiatyrerna.

Utifrån dessa resultat bestämde de sig för att lägga till den berömda funktionen ”automatisk uppspelning”, som automatiskt skulle växla till en relaterad video som föreslagits av plattformen eller till nästa video i spellistan.

Som ett resultat såg YouTube en enorm ökning av sina engagemangsmått.

Get Free Access to the Product Vault

We’ve collected the goods — AI prompts, exclusive deals, and a library of resources for product leaders. Unlock your account for access.

Create Free Account

Have an account? Log In

Airbnbs användarcentrerade recensionsflöde

Om du någon gång har bott på ett Airbnb-boende har du med största sannolikhet recenserat boendet genom att gå igenom plattformens feedbackflöde.

Om jag frågar dig om det var besvärligt att lämna en recension skulle de flesta av er förmodligen säga att formuläret inte var kort, men att ni inte tyckte att det var jobbigt att fylla i.

Det beror på att du aldrig fick uppleva plågan i att fylla i det formulär med en miljon frågor som Airbnb använde för sina recensioner tidigare.

Personerna på Airbnb hade två problem:

• Få personer fyllde i deras recensionsformulär.
• Svaren i deras formulär var mycket generella och föga hjälpsamma.

För att hitta en lösning på detta började designteamet analysera formulärets prestandadata och förstod att den stora majoriteten helt enkelt övergav det någonstans på mitten.

Utifrån dessa insikter började teamet genomföra användbarhetstester och förstod att:

• Formulärets storlek var överväldigande för användarna. Ingen ville besvara så många frågor.
• Människor lämnade generell feedback eftersom de inte ville lägga sin dyrbara tid på att skriva detaljerade recensioner.

Nu när problemets källa var tydlig började teamet på Airbnb göra en omfattande omdesign av sin recensionsupplevelse. I stället för ett enda långt formulär skapade de flera sidor med kortare formulär för att undvika att överväldiga sina användare.

De började också använda knappar med fördefinierade svar i stället för textfält, vilket hjälpte dem att undvika generiska svar. Dessutom kunde teamet analysera användarnas svar och optimera dem ytterligare, eftersom svaren var strukturerade i stället för att bestå av text.

Som du kanske redan har gissat blev det omdesignade formuläret en enorm framgång! 

Navigering bland Reddit-kommentarer

Reddit är inte bara ännu ett forum. Det har blivit ett kulturellt fenomen och platsen där hela internet samlas för att diskutera olika saker.

Det fanns dock en intressant nackdel med Reddits popularitet. Användarna lade till så många kommentarer under ämnena som publicerades på webbplatsen att det blev omöjligt att läsa tråden. Det var särskilt irriterande att navigera när det fanns dussintals svar under en enda kommentar och man var tvungen att rulla en bra stund för att nå nästa kommentar.

Personerna bakom Reddit kände till problemet. De hade till och med flera idéer för att göra om kommentarssektionen så att den blev enklare att navigera i.

För att välja det bästa konceptet började de genomföra användbarhetstester och använda andra undersökningsmetoder för att samla in data om användarnas interaktioner, ta fram nyckeltal och jämföra sina koncept med hjälp av dessa mätvärden.

Det fanns en designlösning som tydligt överträffade de andra – att låta användarna expandera och fälla ihop svar.

På så sätt kunde du, om du inte ville läsa den ändlösa tråden med svar under en viss kommentar, helt enkelt fälla ihop den och gå vidare till nästa kommentar i listan.

Som du kan se utgör en datadriven designprocess kärnan i arbetsflödena för många framgångsrika produkter.

Och jag vet att du också vill fatta designbeslut baserade på data (annars, varför är du här?).

Så här följer en steg-för-steg-genomgång av hur du inför datadriven design i din produktutvecklingsprocess.

6 steg för att möjliggöra datadrivna beslut för din produkt

Vi tar ett mer praktiskt grepp här. I stället för att bara prata om vad som bör göras i teorin kommer vi också att titta på exempel för varje steg med hjälp av verkliga verktyg. Mitt främsta verktyg idag blir Amplitude, eftersom det är det produktanalysverktyg som är händelsestyrt och som jag använder på jobbet varje dag.

Nu börjar vi med det första steget – att ta fram en strategi.

Steg 1: Ta fram en dataanalysstrategi tillsammans med dina intressenter

Du kan glömma att få värdefulla resultat från dina dataanalyser om du inte har en genomtänkt strategi för dem.

En typisk dataanalysstrategi innehåller följande två avsnitt:

Avsnitt 1: Mål

Du bör tydligt definiera varför du över huvud taget implementerar analys. Utan tydliga mål riskerar du att spåra och mäta användardata som inte innehåller några värdefulla insikter.

Föreställ dig nu att du ansvarar för Spotify och se hur en typisk uppsättning mål skulle kunna se ut för dig.

Jag vet, de här målen ser ganska självklara ut. Men tro mig: utan att tydligt formulera dem kommer du att hamna i ett analytiskt kaos.

Avsnitt 2: KPI:er

När dina mål är klara använder du dem för att härleda de nyckeltal som du vill mäta. Nyckelordet här är ”härleda”. Det innebär att en förbättring av dina mätvärden bör föra dig närmare att uppnå dina mål.

Om ditt mål till exempel är hållbar användartillväxt bör du överväga att mäta retention, aktiveringsgrad och registreringsgrad. Att välja MRR som ditt nyckeltal skulle däremot vara en dålig idé, eftersom du kan öka dina intäkter på kort sikt men förlora större delen av dem på lång sikt. I det här fallet blir din tillväxt inte hållbar, och du kommer inte att uppnå ditt mål.

Så här kommer en lista över KPI:er att se ut för det första målet i vårt tidigare exempel – ”Förbättra användarupplevelsen”:

Detta är alla indikatorer på en positiv användarupplevelse. Om siffrorna ovan ökar kan vi med säkerhet säga att användarna uppskattar vår produkt.

Steg 2: Integrera ett dataanalysverktyg

Nu när du har en tydlig förståelse för vad du vill mäta är det dags att fundera på hur du ska mäta det. Det handlar särskilt om att välja det analysverktyg som du kommer att använda för att hitta intressanta insikter i dina data.

Det finns ett brett utbud av verktyg att överväga, beroende på vilken kategori av analys du är intresserad av (t.ex. värmekartor, demografi, användarbeteende osv.), vilka funktioner du behöver (kohorter, trattar osv.) och självklart även din budget.

Bästa produktanalysverktygen för produktteam

1. 

   Mouseflow

   This rating combines scores from multiple user review sites to reflect overall customer sentiment about the product.

   4.7

   Visit Website
2. 

   Google Analytics

   This rating combines scores from multiple user review sites to reflect overall customer sentiment about the product.

   4.6

   Visit Website
3. 

   Quantum Metric

   This rating combines scores from multiple user review sites to reflect overall customer sentiment about the product.

   4.7

   Visit Website

Här är några alternativ att överväga för varje typ:

• Värmekartor (inklusive A/B-testning och multivariat testning): Hotjar, Mouseflow, Clarity.
• Demografi och webbplatsanalys (t.ex. avvisningsfrekvens): Google Analytics, Matomo, Yandex Metrica.
• Händelsestyrd analys (för konverteringsfrekvenser, trattar osv.): Amplitude, Mixpanel.
• Affärsanalys (för mätvärden relaterade till ekonomisk påverkan osv.): Looker Studio, Tableau, PowerBI.

Min nuvarande konfiguration består av en kombination av GA4, Hotjar, Amplitude och Looker Studio.

Idag vill jag dock fokusera på Amplitude och visa dig hur du integrerar det.

Vi kommer att använda Google Tag Manager (GTM) för att hålla det enkelt och undvika att involvera ditt utvecklingsteam i installationen.

Vi börjar med att öppna GTM, klicka på ”Taggar” i det vänstra sidofältet för att öppna vår lista med taggar och klicka på ”Ny” för att öppna sidofältet för att skapa en tagg.

För att slippa konfigurera en tagg för Amplitude manuellt har företaget skapat en mall som vi kan använda. För att använda mallen klickar vi på kortet ”Taggkonfiguration” för att öppna mallgalleriet.

Här behöver vi klicka på ”Upptäck fler taggtyper i communitygalleriet med mallar”, söka efter ”Amplitude” och klicka på ”Amplitude Analytics Browser SDK”.

Vi är nästan klara. Först behöver vi lägga till vår Amplitude API-nyckel i motsvarande fält.

Därefter lägger vi till en utlösare genom att klicka på utlösarkortet på skärmen och välja ”Initiering – alla sidor”.

Slutligen ger vi taggen ett namn (t.ex. ”Amplitude-initiering”), sparar den och publicerar en ny version i GTM. Klart! Nästa gång någon öppnar din produkt initieras Amplitudes SDK och börjar köras i bakgrunden.

Steg 3: Dokumentera processen för insamling av kvantitativa data

Att köra Amplitude är bara början på konfigurationen. Eftersom det är ett händelsestyrt analysverktyg måste du konfigurera händelser manuellt i din produkt och utlösa dem med hjälp av Amplitudes SDK, som vi just har lagt till i din produkt med GTM.

Men innan vi lägger till händelser måste vi först dokumentera dem. Ett dokument för datainsamling är vanligtvis ett kalkylblad där du listar de händelser som SDK:n ska utlösa, de användaråtgärder som fungerar som utlösare för dem och de olika parametrar som du vill skicka till Amplitude tillsammans med händelsen.

Så här ser en förenklad version av kalkylbladet ut för spårning av användarinteraktioner i Airbnbs recensionsformulär.

När vi har dokumenterat de händelser vi behöver spåra ber vi vårt utvecklingsteam att lägga till utlösare för var och en av dem i vår frontendkod med hjälp av Amplitudes SDK. När de har slutfört uppgiften kommer vår produkt automatiskt att utlösa dessa händelser och skicka de nödvändiga uppgifterna till Amplitude så att vi kan analysera dem.

Steg 4: Skapa rapporter och instrumentpaneler för dina viktigaste UX-mätvärden

Vid det här laget har du allt du behöver för att börja genomföra den faktiska analysen och avgöra om användarupplevelsen motsvarar dina förväntningar.

Din väg till datavisualisering börjar med att skapa diagram för de viktigaste användbarhetsmätvärdena som du identifierade och dokumenterade tidigare, med hjälp av det analysverktyg du själv väljer. Låt mig visa hur du gör det med Amplitude som exempel. Adoptionsgraden för spellistor verkar vara ett bra mätvärde att börja med.

Vi skapar ett nytt segmenteringsdiagram (även kallat ett vanligt diagram) i Amplitude genom att klicka på knappen ”Ny” och välja ”Segmentering” i sidofältet som öppnas.

Nu behöver vi välja de händelser som hjälper oss att mäta adoptionen. I vårt fall är det ”Följ spellista”.

Därefter behöver vi säkerställa att siffrorna i diagrammet representerar andelen aktiva användare som utför den här åtgärden. Därför väljer vi alternativet ”Aktiv %” i menyn ”Mätt som”.

Så här kommer vårt diagram att se ut. Det visar att omkring 70 % av våra dagliga aktiva användare följer spellistor varje dag. Om jag ska vara ärlig verkar det vara ett ganska bra resultat.

Slutligen sparar vi diagrammet och arbetar vidare med de återstående mätvärdena.

Du kan skapa en instrumentpanel för att få en samlad överblick över alla dina viktigaste mätvärden. För att göra det klickar vi återigen på knappen ”Ny”, väljer ”Rapport” och sedan ”Instrumentpanel”.

Som resultat får vi se en tom instrumentpanel som vi behöver namnge och fylla med de diagram vi skapade tidigare.

Vi kallar den ”Viktiga användbarhetsmätvärden” och lägger till våra diagram genom att klicka på ”Lägg till innehåll”, sedan ”Befintligt diagram” och välja de diagram vi skapade.

Grattis! Nu har du en överblick över alla dina viktigaste mätvärden!

More Articles

• 10 UX-researchkonferenser att delta i världen över 2026

Steg 5: Granska och analysera dina rapporter kontinuerligt

Resultaten du ser på din Amplitude-instrumentpanel är ”levande”. De kommer att öka eller minska beroende på vilka förändringar du har gjort i din UX. Därför bör du kontinuerligt granska dessa mätvärden för att:

• Se om dina insatser har haft en positiv inverkan på användbarheten hos din produkt.
• Identifiera mätvärden som presterar dåligt och försöka hitta orsaken bakom dem.

Jag föreslår att du organiserar veckovisa eller varannan vecka återkommande möten med dina intressenter för att diskutera förändringarna i KPI:erna och brainstorma kring möjliga orsaker till de mätvärden som inte presterar bra.

Resultatet av dessa möten bör vara en lista med hypoteser om hur du kan förbättra dina mätvärden samt möjliga problem som orsakar dåliga resultat.

Därefter genomför du en forskningsprocess för UX-design för att bekräfta eller avfärda dessa hypoteser och börja bygga lösningar som kan påverka resultaten.

Här är ett verkligt fall från min erfarenhet.

En av produkterna jag arbetade med var en marknadsföringsplattform för webbplatser som gjorde det möjligt för dem att skicka pushnotiser till sin målgrupp. Efter registreringen behövde webbplatsägarna konfigurera vårt SDK på sina webbplatser för att aktivera pushnotiser där.

Vi byggde ett trattdiagram som visade alla huvudsakliga steg som webbplatsägare behövde konfigurera. När vi granskade tratten för första gången lade vi märke till något märkligt. Det fanns ett massivt tapp på 70 % mellan steget för installation av SDK:t och det första pushmeddelandet som skickades.

Efter en brainstormingsession antog vi att orsaken till detta tapp var avsaknaden av ett ”testläge”, där användarna kunde kontrollera om pushmeddelandena fungerade korrekt.

Vi genomförde flera användbarhetstester och användarintervjuer för att validera denna hypotes. Det visade sig att webbplatsägarna inte kände sig bekväma med att använda ny teknik om de inte först hade testat den på sig själva.

Så vi utformade och byggde ett testflöde som användarna skulle gå igenom direkt efter installationen av SDK:t. Resultatet var häpnadsväckande. Vi lyckades tillgodose användarnas behov och problem på ett mycket bra sätt. Inom ett par veckor hade tappet på 70 % förvandlats till endast 15 %!

Steg 6: Integrera lärdomarna i dina designer

Det sista steget i ditt datadrivna arbetssätt är också det viktigaste. Dina analyser och hypoteser kommer inte att påverka din produkt om du inte agerar utifrån dem.

Sättet vi hanterade den här processen för en av produkterna jag ledde var ganska enkelt. Så fort vi hade validerat en hypotes skapade vi en produktdesignuppgift i vårt verktyg för uppgiftshantering, prioriterade den och tilldelade den till en av våra designers.

Så snart designen var klar genomförde vi modererade eller omodererade användbarhetstester av den, itererade utifrån användarnas feedback och förberedde den nya designen för förfining av backloggen.

Oavsett om du följer processen jag just har gått igenom eller bygger din egen – se till att du agerar utifrån lärdomarna!

Ta din design till nästa nivå med data

Dataanalys är ett fantastiskt verktyg i ett designteams händer. Genom att kontinuerligt övervaka och felsöka dina viktigaste användbarhetsmått kan du avsevärt förbättra ditt beslutsfattande och skapa användarupplevelser som får dina användare att häpna.

Glöm inte att prenumerera på vårt nyhetsbrev för fler resurser och guider om produktledning, samt de senaste poddarna, intervjuerna och andra insikterna från branschledare och experter.