Så analyserar du data från användarintervjuer: En komplett guide
Är det inte irriterande att behöva snabbspola genom dussintals av dina intervjuinspelningar i timmar för att hitta ett enda citat som hjälper dig att fatta ett välgrundat produktbeslut? Jag avskyr det! Det slösar bort värdefull tid som du hade kunnat lägga på att bygga fantastiska produkter.
Ofta är det sådana här tröttsamma situationer som får oss att inse att vi behöver hålla ordning på våra intervjudata. Och för att göra det behöver vi skapa en process för att kontinuerligt konkretisera dessa insikter och på så sätt omvandla dem till funktioner och lösningar.
Om du känner igen dig, men inte är säker på hur du ska börja organisera dina mängder av användarundersökningar, behöver du inte oroa dig. Jag finns här för att hjälpa dig!
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
Kraften i kvalitativa intervjuer
Enligt min åsikt är användarintervjuer (och kvalitativ analys i allmänhet) den mest värdefulla typen av arbete som produktchefer utför.
Du kan inte skapa fantastiska produkter utan att veta vilka dina användare är och vad de vill ha. Med hjälp av intervjuer dyker du däremot ner i den verklighet som dessa människor lever i och upplever de problem och olägenheter som de möter i sin vardag när de utför vissa uppgifter.
Den här insikten ger dig den kunskapsbas du behöver för att formulera lösningar som faktiskt är användbara för dem och kan göra deras liv bättre. Därför är det av yttersta vikt för produktchefer att optimera sina användarintervjuprocesser och se till att de får ut så mycket som möjligt av den begränsade tid de talar med sina användare.
Så organiserar du intervjudata
I det ögonblick ditt team genomför fler än 20 användarintervjuer börjar saker och ting bli röriga. För att hitta ett specifikt citat eller en specifik insikt kan du behöva hitta personen som genomförde intervjun och fråga dem om den. Förr eller senare kommer de inte att minnas de exakta detaljerna från intervjun.
Det slutar med att du har en mängd insikter som inte är kopplade till några specifika antaganden. En sådan röra gör det nästan omöjligt att få fram användbara lärdomar från undersökningen.
Därför är det värdefullt att noggrant organisera dina användarintervjuer.
Grunderna i organisering
Innan vi går igenom de mer avancerade processerna ska vi först gå igenom de enkla sätten att hålla ordning på dina intervjuer.
Namngivningsstandarder för intervjuer
Om du genomför intervjuer regelbundet kommer du så småningom att ha hundratals inspelningar i ditt molnlagringskonto (eller ditt verktyg för idégenerering). Föreställ dig bara hur plågsamt det skulle vara att söka igenom stora mängder av dessa filer om deras namn såg ut ungefär så här (”Tack” till Zoom för deras fruktansvärda namngivningslogik):
Det finns ingen möjlighet att hitta en specifik intervju här.
Överväg därför att införa en standardiserad namngivningskonvention som gör dina intervjufiler sökbara. Kanske något i stil med detta:
Nu har du strukturerade intervjuer med sökbara namn, ämnen och datum. Du kan också lägga till namnet på den produktchef som genomförde intervjun. Men om du använder ett specialiserat intervjuverktyg kommer både namnet och intervjudatumet redan att vara sökbara, och då kan du ta bort dem från filnamnen.
Verktyg för schemaläggning
Att schemalägga datum och tid för intervjun kan också vara en tidskrävande process. Det blir långa e-posttrådar med respondenterna när ni försöker komma fram till rätt tid och dag för samtalet. Det innebär också extra besvär när någon inte dyker upp och du behöver boka om mötet.
Med ett schemaläggningsverktyg kan du däremot enkelt ange tillgängliga tider för dina samtal och låta de intervjuade välja den tid som passar dem bäst.
Du kan använda vilket schemaläggningsverktyg som helst för detta, bland annat Calendly, Google Workspace och Hubspot.
Delade kalendrar
Det här är särskilt användbart när flera personer i teamet genomför intervjuer. Med en delad kalender kan du ”överlämna” den intervju som är schemalagd för dig till en kollega om du inte kan delta.
Dessutom kan du dela kalendern med hela företaget och uppmuntra personer från olika avdelningar att delta och höra vad användarna säger om din produkt. Den här taktiken är ett utmärkt sätt att hålla alla ”användarmedvetna” och bryta ner silos mellan avdelningarna.
Transkribering och sammanfattning
Produktteam gör traditionellt ljud- och videoinspelningar av sina intervjuer. Sedan använder vi dessa inspelningar för att analysera lärdomarna och hitta specifika citat som vi vill lyfta fram i våra resultat.
Det finns också ett användningsområde för dokumentation. Ibland vill man återvända till gamla intervjuer och se på användarens svar ur ett annat perspektiv.
Problemet med ljud- och videoinspelningar är dock att de tar lång tid att gå igenom och är svåra att navigera i.
Därför rekommenderar jag att du använder ett verktyg för transkribering och sammanfattning (du kan också använda AI i användarundersökningar för att få hjälp med detta).
Transkriberingar är text som går att rulla igenom och söka i. Om det finns en specifik del av en intervju som du vill hitta kan du bara trycka på Command-F och söka efter den. Utöver att söka i en specifik intervju låter många verktyg dig också köra sökningar i alla intervjuer du har genomfört.
Sammanfattningar är nästa steg i utvecklingen. Du kan be AI-modellen av typen LLM (som vanligtvis är integrerad i transkriberingsverktyget) att skapa en sammanfattning av de viktigaste resultaten åt dig.
På så sätt sparar du också mycket tid vid analysen av dina transkriberingar. Med rätt sammanhang är moderna LLM:er (särskilt GPT-4) ganska bra på att analysera intervjun åt dig.
När det gäller verktyg använder jag Krisp nu eftersom jag leder dess produkt för transkribering och sammanfattning. Men jag rekommenderar också att du testar Dovetail, Otter.ai, Fireflies.ai och andra. Alternativt kan du överväga mer vetenskaplig och djupgående programvara för kvalitativ dataanalys, såsom Atlas.ti, Nvivo, Maxqda och andra.
Gruppera innehåll från intervjutranskriberingar efter hypoteser
Många verktyg för intervjuhantering låter dig markera vissa delar av transkriberingen och tagga dem. Denna fantastiska funktionalitet låter dig organisera dina kundintervjuer (samt dina fallstudier, promemorior och andra forskningsprojekt) utifrån:
- Det övergripande temat (t.ex. upptäckt av intäktsgenerering, aktiveringsfunktioner osv.)
- Personans egenskaper (t.ex. geografiskt område, yrke osv.)
- Användartyp utifrån engagemang (t.ex. inaktiva användare, avancerade användare osv.)
Men den förmodligen mest värdefulla tillämpningen av denna funktion är att lyfta fram användarnas svar och tagga dem utifrån den hypotes som svaret kan validera.
Det du vanligtvis gör är att överföra alla dina aktiva hypoteser till ditt verktyg för användarintervjuer i form av taggar och börja tagga relevanta delar av dina intervjuer. När du klickar på en av dessa taggar ser du en sammanställning av alla relevanta citat från alla dina intervjuer.
Så här ser det ut i Dovetail:
Som du ser är det ganska praktiskt – du kan snabbt få en överblick över allt som rör hypotesen på en enda skärm och fatta ett snabbt beslut utifrån det.
Nu när vi vet hur du organiserar data från användarintervjuer går vi vidare till hur du kan analysera den.
Så tolkar du användarintervjuer
Jag brukar avstå från att prata om teori, men detta är ett av de sällsynta fallen där det är värdefullt (och tillämpbart i verkliga situationer) att lära sig det vetenskapligt teoretiska angreppssättet. Så låt oss gå igenom de tre klassiska metoderna för kvalitativ dataanalys. Fundera på hur du kan använda AI i dataanalys tillsammans med dessa metoder.
Narrativ analys
Denna typ av analys är den minst strukturerade och mest kvalitativa metoden i gruppen. Den fokuserar helt på dina användares berättelser och försöker upptäcka intressanta insikter utifrån hur de känner inför din produkt och hur de uppfattar den.
Till skillnad från andra typer av analyser är det dina användares känslor och hur de ser på din produkt i sin vardag som spelar roll.
Låt oss använda Slack som exempel.
Föreställ dig att du var en av de ursprungliga produktcheferna på Slack och ville revolutionera hur människor kommunicerar på jobbet. Du vet att människor främst använder e-post som sin primära kanal, och du vill ge dem något som mer liknar sociala medieplattformar (dvs. inlägg med kommentarer).
När du genomför en narrativ analys kan du be människor beskriva sin dagliga kommunikation via e-post, lyssna på deras klagomål och få en övergripande förståelse för hur människor känner inför denna del av sin vardag.
Sedan skulle du ställa samma forskningsfrågor om deras erfarenhet av format för inlägg på sociala medier, observera deras känslomässiga reaktion och förstå den typiska användarresan när de skapar inlägg och kommenterar dem.
Med hjälp av alla dessa insikter (och genom att tillämpa deduktivt tänkande) kan du sedan skapa din användarprofil med dess mål och utmaningar. Dessutom kan du visualisera de olika användarresorna och vanorna som du behöver ta hänsyn till när du bygger din produkt.
Tematisk analys
Till skillnad från narrativ analys är den här metoden något mer ”kvantitativ” och låter dig skapa lite struktur i dina insikter. Tematisk analys handlar om processen att läsa igenom dina intervjutranskriptioner och identifiera olika teman som återkommer i flera intervjuer.
Tillbaka till Slack-exemplet...
När du analyserar svaren från dina intervjupersoner kanske du snart upptäcker att många av dem klagar på besväret med att hantera ”visningsbehörigheter” (vem som kan se ditt meddelande och vem som inte kan det) i en typisk lång e-postkonversation.
Bra, nu har du identifierat ett gemensamt tema (och ett potentiellt unikt värdeerbjudande för funktionen med ”kanalbehörigheter”)!
Du kanske också identifierar ett annat vanligt klagomål – besväret med att läsa tidigare meddelanden i en e-posttråd. Där har du det! Ännu ett gemensamt tema och ännu en möjlighet att utmärka dig med din nästa funktion.
Taggningsfunktionen som jag nämnde för en stund sedan är ett utmärkt verktyg för att genomföra tematisk analys. När du ser något intressant i intervjutranskriptionen kan du markera det och lägga till en ”tema”-tagg. Sedan kan du öppna sidan för taggen ”tema” och se alla citat som hör ihop med den.
Innehållsanalys
Innehållsanalys av intervjuer är den mest strukturerade och kvantitativa forskningsmetoden av dessa tre. I det här fallet är målet att göra dina insikter mätbara.
Till exempel...
Om du redan har identifierat ett tema (dvs. besväret med att hantera behörigheter i en e-posttråd) i dina intervjuer kan du försöka beräkna andelen personer som tycker att det är mycket besvärligt och jämföra den med andelen personer som inte störs särskilt mycket av det.
Genom att kvantifiera dina data kommer du att kunna förstå betydelsen av dina resultat. Om bara 20 % av intervjupersonerna tycker att visningsbehörigheter i e-posttrådar är ett problem, skulle värdeerbjudandet för din funktion med kanalbehörigheter vara svagt.
Det här är förstås mycket användbart. Men utifrån min erfarenhet är den enskilt mest värdefulla tillämpningen av innehållsanalys att bekräfta (eller motbevisa) dina hypoteser.
Med innehållsanalys använder du samma teknik som vid tematisk analys. Men i det här fallet mäter du andelen svar som bekräftar din hypotes. Föreställ dig att du bygger en transkriberingsapp (precis som Dovetail) med följande hypotes:
Jag tror att en minskning av tiden för att bearbeta en transkription från 10 minuter till 10 sekunder kommer att öka visningsfrekvensen för transkriptioner drastiskt
Föreställ dig nu att du analyserar svaren från dina intervjuer och upptäcker att 80 % av personerna säger att de har intervjuer direkt efter varandra och vanligtvis läser transkriptionerna i slutet av arbetsdagen.
Det innebär att din hypotes är ogiltig och att du inte bör slösa tid och resurser på att optimera din bearbetningsmotor.
Bonusmetod för analys: Grundad teori
Den traditionella vetenskapliga metoden (som används i stor utsträckning inom produktledning) börjar med att formulera hypoteser och sedan bekräfta dem med empiriska belägg.
Men problemet är att du inte alltid kan formulera dessa hypoteser. Ibland, särskilt när du befinner dig i den tidiga idéfasen av ditt nystartade företag, vet du ingenting om din marknad och dina användare. Därför finns det inget sätt för dig att skriva ner några meningsfulla hypoteser.
Det är här grundad teori kommer in i bilden.
I stället för att skapa hypoteser och sedan bekräfta dem med data leder forskningsprocessen dig här till att först analysera data och sedan skapa hypoteser baserat på de insikter du har hittat i dina data.
För ett nystartat företag i ett tidigt skede skulle det innebära att börja intervjua användare utan några hypoteser och förstå deras behov och användarresor. Först när du har en grundläggande förståelse för vad de vill ha kan du börja formulera dina hypoteser.
Så agerar du utifrån din kvalitativa forskning
Dina användarintervjuer är meningslösa (och dina beslut är fulla av forskningsbias) om du inte kan få fram något handlingsbart ur dem. I det här avsnittet går vi igenom de grundläggande stegen för att agera utifrån det du har lärt dig och ser hur du kan tillämpa dem i verkligheten. Du kan också använda AI i UX-forskning tillsammans med dessa steg.
Steg 1: Bekräfta eller motbevisa dina hypoteser
Om du inte använder grundad teori bör varje enskild användarintervju ha som mål att bekräfta en eller flera hypoteser. Så här bekräftar du dina hypoteser:
- Använd taggnings- och annoteringsfunktionerna i ditt intervjuverktyg för att samla alla nödvändiga insikter relaterade till den hypotesen på en enda skärm.
- Bjud in ditt produktteam (inklusive UX-designers och intressenter) och utvärdera dessa resultat.
- Avgör om du anser att hypotesen är validerad eller inte.
Ibland kanske den datamängd du har inte räcker för att ge ett entydigt svar på din fråga. I så fall är det bara att genomföra fler intervjuer tills du har samlat in tillräckligt med data.
Steg 2: Agera utifrån ogiltigförklarade hypoteser
Om dina intervjuresultat ogiltigförklarar en hypotes (vilket är vanligare än att validera en), kan du agera på två möjliga sätt:
- Revidera din hypotes: En del av hypotesen kanske var giltig, och du behöver bara skapa en ny, modifierad hypotes baserad på den gamla.
Anta till exempel att du har utgått från att människor skulle föredra att hantera behörigheterna för varje enskilt inlägg i Slack. Intervjudata visar att människor faktiskt vill ha behörigheter, men att de inte bör ligga på inläggsnivå. I så fall ändrar du hypotesen till:
Vi tror att människor kommer att föredra att hantera behörigheter på kanalnivå
- Anse den vara ogiltigförklarad och förkasta den: Om du inte ser några genomförbara revideringar av din hypotes kan du helt enkelt förkasta den och börja formulera nya.
More Articles
Steg 3: Omvandla validerade hypoteser till produktlösningar
Om du faktiskt lyckas validera din hypotes kan du börja arbeta med en produktlösning för den.
Jag vet att det är uppenbart, men de flesta av oss skjuter upp det och glömmer så småningom bort dessa möjligheter. För att motverka detta värdebortfall föreslår jag att du anordnar regelbundna workshops för produktidéutveckling och använder designramverk för att utveckla och iterera kring dina lösningar.
De viktigaste intressenterna i detta möte är dina produktdesigners (eller ingenjörer om lösningen innebär omfattande kodning). Du kan vanligtvis inleda dessa workshops genom att presentera bilder eller en gemensam anslagstavla som innehåller de insikter du har samlat in kring hypotesen.
(Intervjuverktyg har den här funktionen, för övrigt, så lägg inte tid på PowerPoint utan använd dessa funktioner i stället.)
Därefter börjar du ta fram olika funktioner och designidéer som täcker det scenario som beskrivs i hypotesen. Slutligen kan du använda valfritt verktyg för prioritering för att hitta de mest värdefulla funktionerna i listan och markera dem som ”redo för backloggen”.
Steg 4: Lägg till produktlösningarna i din roadmap
Det här steget är uppenbart. Så snart ditt UX-team har tagit fram designerna och du är klar med kraven för lösningen lägger du till den i backloggen och prioriterar den.
Kvalitativ dataanalys är din superkraft som produktansvarig!
Produktansvariga är användarnas röst i alla företag. Tack vare vår kunskap om användarnas behov och problem väger produktansvarigas åsikter tungt, och människor tenderar att hålla med oss. (Eller åtminstone borde de göra det!)
PM:ar kan uppnå detta genom rigorösa processer för insamling och analys av kvantitativa data. Men användarintervjuer har en stor fördel. Under mötena med ledningsgruppen blir dina åsikter oomtvistliga i samma ögonblick som du citerar dina användare.
Se därför till att all din intervjudata är välorganiserad och mycket välanalyserad!
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.
