Prediktiv analys för UX: komplett guide & verktyg
Även med den bästa prediktiva analysen i branschen kan vi inte se in i framtiden med 100 procents träffsäkerhet. Men trots det – och lyckligtvis för oss – är människor förutsägbara varelser. Det innebär att du kan använda dina användares tidigare beteende för att få en ganska träffsäker förståelse av vad de kommer att göra härnäst.
Inom produktledning och dataanalys kallar vi den här processen för ”prediktiv dataanalys”, och den är ett av de mest värdefulla verktygen för att bygga produkter med fantastisk UX.
Så låt oss undersöka prediktiv analys och hur du kan använda den för att optimera din UX.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Vad handlar prediktiv analys om?
Prediktiv analys är ett avancerat datavetenskapligt arbetssätt för att analysera de produkt- och användardata du har tillgång till, för att förutsäga (därav ”prediktiv”) vilka åtgärder dina användare kommer att vidta och hur din produkt kommer att prestera i framtiden.
I grunden innebär det att du granskar dina data med hjälp av statistiska modeller, specialiserade verktyg och maskininlärningsalgoritmer för att hitta vissa beteendemönster. Om du antar att dessa mönster kommer att förbli relativt stabila i framtiden kan du extrapolera dina data utifrån dem och göra välgrundade uppskattningar av framtida användning.
Ansvarsfriskrivning: det här är information på en mycket övergripande nivå, men vi skrapar här på ytan av en värdefull kompetens. Om du vill gå djupare föreslår jag att du tar en titt på vår lista över kurser i produktanalys och går en av dem vartannat år eller så.
Fördelarna med prediktiv analys innefattar:
- Bättre kvalitet på beslutsfattandet: Med en tydlig bild av vad som kommer härnäst kan du fatta beslut som med större sannolikhet leder till framgång.
- Bättre effektivitet: Prognoser låter dig också se potentiella effektivitetsproblem som du kommer att stöta på i framtiden om du fortsätter att ha allt som det är. Därför får du möjlighet att förbättra din effektivitet i förväg. Det kan hjälpa dig att sänka kostnaderna, sänka priserna och få ett stort konkurrensövertag gentemot andra.
- Bättre riskhantering: Vissa typer av prediktiv analys hjälper dig att se kommande affärsmässiga/juridiska/finansiella risker. Än en gång kan du förhindra dessa risker innan de blir verklighet.
- Bättre personalisering för användare: Personligt anpassade funktioner och innehåll är UX när den är som bäst. Med prediktiv analys kan du glädja dina användare med förslag och upplevelser som bäst motsvarar deras behov.
Låter fantastiskt, eller hur?
Jo, det gör det, men det finns en hake. Det är omöjligt att förutsäga framtida resultat med 100 procents precision. Vi är trots allt inte spåmän i ett fantasyrollspel.
Vilken prognos du än får kommer den som bäst att vara 70–80 procent träffsäker i bästa fall. Ha därför detta i åtanke när du fattar viktiga beslut baserade på dina resultat.
Exempel på prediktiv analys hos välkända produkter
Bristen på absolut precision innebär dock inte att du inte kan dra nytta av dessa prediktiva insikter. Faktum är att prediktiv analys ligger bakom några av de mest berömda produktframgångarna där ute.
Här är tre framgångsberättelser från stora teknikföretag som bevisar min poäng.
Exempel 1: Netflix berömda rekommendationsmotor
En av de främsta anledningarna till att människor älskar Netflix är tjänstens förmåga att rekommendera bra serier. Faktum är att rekommendationsmotorn är en av de två viktigaste orsakerna bakom Netflix framgång (den andra är deras fantastiska arkitektur för innehållsleverans).
Netflix använder artificiell intelligens och statistiska metoder för att förstå varje användares preferenser och rekommendera serier som de sannolikt kommer att uppskatta.
Det de i grunden gör är att titta på vilka serier du har sett tidigare, om du hoppade över dem eller såg dem till slutet, samt på dina allmänna intressen i ditt område, för att förutsäga vilka kategorier och typer av serier du kan tänkas gilla.
De ger dig till och med en personligt anpassad miniatyrbild baserad på dina intressen.
Om Netflix ser att du tittar på många filmer eller serier med en viss skådespelare kommer de att visa dig en version av miniatyrbilden där skådespelaren står i förgrunden. (Och om du inte visste det tidigare kommer du inte att kunna sluta se det nu!)
Amazons förutseende leveranser
Kommer du ihåg när jag nämnde hur du kan förbättra effektiviteten med prediktiv analys? Det är precis vad Amazon gör med sin process för förebyggande leveranser.
Det visar sig att människors köpbeteende är ganska förutsägbart. Vi tenderar att köpa vissa produkter med regelbundna intervall (t.ex. tvättmedel varje månad) eller med en viss säsongsvariation (juldekorationer osv.). Som tur är för Amazon har de tillgång till all denna data och kan köra prediktiv analys på den.
Med hjälp av sina statistiska modeller kan de i förväg skicka rätt typer av produkter (och rätt mängd) till sina lager. Det gör att de avsevärt kan minska leveranstiden till slutkonsumenterna och minska mängden produkter som de behöver skicka tillbaka till ett annat lager där efterfrågan är större.
Så här ser processen ut i deras patentdokument.
I just det här diagrammet visar Amazon processen för att ändra produktens destinationsadress i realtid.
Google Maps trafikprognoser
Jag älskar trafikfunktionen i Google Maps. Den är otroligt exakt och snabb.
Och vet du hur de har uppnått den noggrannheten? Just det – prediktiv analys!
Google har data om nästan allt som händer i vilken stad som helst. Den stora majoriteten av alla förare använder en enhet med Android eller någon annan Google-tjänst där geolokalisering är aktiverad. Om de ser en grupp smarttelefoner som rör sig långsamt på en motorväg markerar de därför detta som en trafikstockning.
Men Google kan också erbjuda betydligt smartare lösningar när det gäller att förutsäga trafik. Eftersom de har data om större evenemang som äger rum i nästan vilken stad som helst (t.ex. en stor idrottsmatch), tar de även hänsyn till detta när de planerar förarnas resvägar. Om du till exempel har en timmes resa genom staden och en match snart ska börja kommer Googles algoritm att hålla dig borta från de större vägar som sannolikt kommer att fyllas av sportfans när du når det området.
Hittills har vi tittat på prediktiv analys som ett generellt verktyg i företagens händer. Dagens huvudämne är dock att tillämpa denna fascinerande teknik för att förbättra din UX. Låt mig därför gå vidare och förklara hur du kan ta din UX-forskning till en helt ny nivå med prediktiv analys.
Tekniker för prediktiv dataanalys inom UX-forskning
Området prediktiv analys är ganska brett när det gäller de olika tekniker som du kan använda för att lösa vardagliga problem. Men i dag vill jag att vi fokuserar på de tre som passar bra för UX-forskning – regressionsanalys, beslutsträd och tidsserieanalys.
Regression
Om du har en bakgrund inom företagsekonomi eller matematik kanske det här begreppet är bekant för dig. Ja, det är den klassiska statistiska regressionsmodellen som kan identifiera mönster i dina data.
Mer praktiskt uttryckt är regression (mer specifikt linjär regression) din trendlinje – en linje i diagrammet som visar om den användaraktivitet du analyserar ökar eller minskar.
Trendlinjer är något som mitt UX-team och jag använder hela tiden i våra Amplitude-diagram, eftersom de hjälper oss att omvandla rörig data till synliga trender och se om våra UX-förändringar har gett några positiva resultat.
Här är ett exempel på regression:
Vi effektiviserade vårt förvärvsflöde tillsammans med UX-teamet för tre månader sedan och vill se om antalet registreringar har ökat sedan dess.
Det här är ett diagram över användarregistreringar för de senaste 90 dagarna. Kan du säga om det ökar eller inte?
Självklart kan du inte det – det är alldeles för rörigt.
Men låt mig ändra diagrammets mätningstyp till en formel från sidofältet.
Och lägga till en trendlinje.
Nu ser registreringsdiagrammet ut så här.
Med trendlinjen tillagd kan vi se att våra förändringar hade en positiv effekt på vårt förvärv. Förändringen är dock för liten för att vara statistiskt signifikant, så jag skulle hävda att våra UX-förändringar inte har gjort någon verklig skillnad.
Beslutsträd
Beslutsträd är bland de mest populära AI-modellstrukturerna för att analysera dina data och dra användbara slutsatser av dem.
Ett neuralt nätverk tar i det här fallet din ursprungliga datamängd och börjar dela upp den i undergrupper baserat på vissa villkor. Därefter delar det upp dessa undergrupper i andra grupper, och så vidare. Resultatet blir något som ser ut som ett uppochnedvänt träd.
När trädet har byggts kommer algoritmen att ge dig ett svar baserat på de data du har. I exemplet ovan berättar beslutsträdet om du bör ta bussen till skolan eller gå.
Låt oss nu se hur vi kan lösa UX-problem med dessa modeller. Föreställ dig att du försöker minska andelen övergivna kundvagnar i din e-handelsbutik. När du kör beslutsträdsalgoritmen på dina användardata får du följande resultat.
Genom att titta på beslutsträdet ovan kan vi förstå de centrala faktorer som påverkar andelen övergivna kundvagnar. I det här fallet behöver vi lägga till funktioner/UX som:
- Uppmuntrar människor att slutföra köpet innan kundvagnen blir större.
- Säkerställer att fraktkostnaderna är synliga och lätta att upptäcka på alla typer av enheter.
- Uppmuntrar människor att logga in.
- Gör våra sidor snabbare.
Vi kan sedan fortsätta genom att använda verktyg för prediktiv analys för att se vilka av dessa faktorer som påverkar andelen övergivna kundvagnar mest, vilket hjälper oss att prioritera dessa lösningar.
Tidsserieanalys
Tidsserieanalys är den mer avancerade uppsättningen modelleringstekniker. Som namnet antyder utförs den här typen av analys på specifika typer av data, främst historiska data som är knutna till tid.
Ett av de bästa sätten att integrera tidsserieanalys i din UX-process är att förutsäga dina viktigaste UX-mått, till exempel engagemang, bortfall och kvarhållning, baserat på användarbeteendet i tidigare data och se om de kommer att förbättras i framtiden eller inte. Om förutsägelserna visar en minskning av dina mått kan du se det som en signal om att något är fel och att du behöver åtgärda det.
Jag kommer inte att gå in alltför mycket på detaljer om hur man utför tidsserieanalys här, eftersom vi härnäst ska utforska Amplitudes prognosfunktion, som använder denna metod.
Bästa maskininlärningsmodellerna och tjänsterna för prediktiv analys
Utöver alla fördelar som prediktiv analys ger finns det en stor nackdel – det är notoriskt svårt att utföra den manuellt. Som tur är finns internet fullt av olika verktyg för användarundersökningar och lösningar som kan köra dessa analysmodeller åt dig med ett knapptryck.
Så låt oss se hur du kan dra nytta av olika typer av verktyg för att förutsäga framtiden för din UX.
Använda verktyg för produktanalys
Det snabbaste och enklaste sättet att utföra prediktiv analys är att använda de relativt avancerade verktyg för produktanalys som står till ditt förfogande. För vanliga uppgifter är det vanligtvis Amplitude. För mer avancerade arbetsflöden som omfattar datautvinning kan du överväga avancerade verktyg för prediktiv analys, som Domo eller Tableau.
För närvarande är Amplitude mitt främsta verktyg för sådana användningsområden. Låt mig därför visa hur du kan använda några av funktionerna för att förutsäga produktens framtid.
Prediktiva kohorter
Den första funktionen i Amplitude som kan hjälpa dig med detta kallas ”Prediktiva kohorter”.
Amplitude använder sina AI-modeller för förutsägelser för att skapa användarkohorter baserat på deras sannolikhet att utföra vissa åtgärder eller bete sig på ett visst sätt.
Du kan senare använda dessa kohorter i din analys genom att skapa diagram och jämföra beteendet hos personerna i din kohort med resten. Du kan också genomföra A/B-tester baserat på dessa kohorter för att se om de förändringar av användarupplevelsen som du gör påverkar deras beteende eller inte.
Så skapar du en prediktiv kohort i Amplitude
- Öppna först kohortsektionen i Amplitude och klicka på ”Förutsäg en kohort”.
2. Sedan kan du börja definiera det beteende du är intresserad av.
I det här fallet vill vi gruppera personer som med störst sannolikhet kommer att köpa låtar och videor för minst $25.
Utifrån dina krav kommer Amplitudes modeller att analysera dina tidigare och nya data och ge dig en förutsägelse som du kan komma åt i kohortsektionen.
3. Vi kan omvandla den här förutsägelsen till en användbar kohort genom att klicka på den och spara den som en kohort.
4. Om du vill kan du finjustera urvalet genom att välja vilken percentil av användarbasen du vill inkludera i din kohort. Jag rekommenderar dock att du behåller standardurvalet och sparar det genom att klicka på knappen ”Spara som kohort”.
Klart! Nu har du en dynamisk kohort baserad på prediktiva modeller som du kan använda praktiskt taget var som helst i Amplitude, inklusive i dina diagram, analyser och A/B-tester.
Prognostisering
En annan funktion i Amplitude som har varit användbar för mig och mitt UX-team är deras inbyggda prognostiseringsmotor. Den automatiserar processen och använder både regression, tidsserieanalys och en egen uppsättning AI-modeller för att ge dig en förutsägelse för de mätvärden du är intresserad av.
Utifrån min erfarenhet är en av de mest praktiska tillämpningarna av den här funktionen för UX att prognostisera konverteringsgraden i aktiveringstratten.
Så prognostiserar du konverteringsgrader i aktiveringstratten i Amplitude
1. Föreställ dig att aktiveringstratten för ditt CRM-verktyg för finansiella tjänster består av tre händelser—registrering, lägg till integration och skapa möjlighet. Om vi tittar på konverteringsgraden över tid kommer den att se ut ungefär så här.
Nu har du redan implementerat ett par UX-förbättringar i användarresan för en vecka sedan och vill förstå om de har lett till några konkreta förbättringar. Därför ber vi Amplitude att ge oss en prognos för de kommande 30 dagarna.
2. Klicka på knappen ”Avvikelse + prognos” och klicka sedan på knappen ”Lägg till prognos”.
Amplitudes modeller laddas och ger oss ett diagram som ser ut så här.
Som vi kan se finns det ingen synlig tillväxt i vår konverteringsgrad i tratten (vilket är vanligare än man tror). Den handlingsbara insikten här är att genomföra ytterligare en omgång UX-förbättringar.
Använda API:er för prediktiva molnmodeller
Att använda produktanalysverktyg för prediktiv datamodellering är mycket praktiskt när problemet du försöker lösa är relativt enkelt. Om du däremot behöver något mer avancerat kan du välja API:er för maskininlärningsmodeller från tredjepartsleverantörer.
Här är två leverantörer som mitt team har haft nytta av tidigare.
More Articles
AWS API för maskininlärning
Amazons molntjänst är full av olika AI-modeller för affärsanalys som du kan ansluta till via API. Teknikstacken innehåller även modeller för prediktiv analys.
- Det finns Amazon Forecast, som kan köras på tidsseriedata—så att du kan se effekten av din UX på lång sikt.
- Det finns också Amazon Personalize, som ger dig en skalbar och anpassningsbar personaliseringsmotor som du kan använda för att föreslå relevanta produkter och tjänster till dina kunder (precis som Netflix och TikTok gör).
Googles AI-infrastruktur
Till skillnad från Amazon tillhandahåller Google inga färdiga AI-modeller för förutsägelser. I stället får du tillgång till deras omfattande uppsättning verktyg som kan hjälpa dig att analysera stora datamängder och bygga egna anpassade prediktionsmodeller för djupinlärning med hjälp av ditt nuvarande datavetenskapsteam.
Googles verktyg passar särskilt bra för att hantera stora datamängder och hitta framtida trender i dem (deras funktioner för datahantering är fantastiska). Utöver prognoser kan du också använda deras verktyg för dina behov inom beskrivande analys, marknadsföringskampanjer under kundlivscykeln, affärsanalys, finansiella frågor (t.ex. kreditvärderingar) och mycket mer.
Så om Amazons färdiga modeller inte kan lösa det specifika problem du har, är Google den tjänst du bör välja.
En smygtitt in i framtiden kan rädda din UX
Vi önskar alla att vi kunde förutsäga framtiden. Om vi kunde det skulle vi skapa perfekta produkter med världens mest lockande UX – på gott och ont. Men under tiden är prediktiv analys det närmaste alternativet för att hjälpa oss att fatta datadrivna UX-beslut och ge våra kunder fantastiska upplevelser.
Glöm inte att prenumerera på vårt nyhetsbrev för fler resurser och guider om produktledning, samt de senaste poddarna, intervjuerna och andra insikter från branschledare och experter.
