Analýza dát v UX výskume | UX výskum #33

Viete, akú úlohu zohráva analýza dát v UX výskume? Dnes by sme sa chceli zamerať na otázku analýzy dát v UX diskusiou o kvalitatívnej a kvantitatívnej analýze dát a naučiť sa o jej fázach, hlavných cieľoch a úlohách. Taktiež navrhneme, kedy je správny moment na jej vykonanie v projekte.

Analýza dát v UX výskume – obsah:

1. Prečo analyzovať zhromaždené dáta?
2. Kedy analyzovať dáta?
3. Analýza dát v UX výskume
4. Definovanie cieľov analýzy
5. Kvalitatívna analýza výskumných dát
6. Zhrnutie

Prečo analyzovať zhromaždené dáta?

Rozhodovanie o produkte len na základe surových dát je obrovská UX chyba. Preskočenie fázy analýzy môže viesť k poskytnutiu neúplného alebo neefektívneho riešenia pre používateľov, alebo dokonca spôsobiť, že sa projektový tím zameria na riešenie nesprávneho problému alebo na rozpoznanie skutočných používateľov. Z týchto a iných dôvodov je analýza dát nevyhnutným procesom, ktorý udržuje celý projekt na správnej ceste. Robí to tak, že zohľadňuje skutočné potreby používateľov a zhromažďuje informácie, ktoré pomáhajú vyvinúť najlepšie a najoptimálnejšie možné riešenie.

Kedy analyzovať dáta?

Mnohí ľudia majú hrubé mylné predstavy, že analýza by sa mala uskutočniť po dokončení výskumu, t.j. po zhromaždení informácií z mnohých zdrojov. Tento prístup je však neefektívny, pretože skúmanie takého veľkého množstva dát si vyžaduje obrovské úsilie, pracovnú silu a čas. Je efektívnejšie skúmať dáta priebežne, napríklad si vziať niekoľko minút po každom hĺbkovom rozhovore.

Takisto si pamätajte, aby ste si počas výskumu robili poznámky. Týmto spôsobom môžete zaznamenať čerstvé pozorovania a zabezpečiť, že nič nebude vynechané. Tieto úvahy vám uľahčia výber informácií a vybrať z nich tie, ktoré budú najrelevantnejšie pre neskoršie odporúčania v dizajne. Priebežná analýza po každom malom kroku výskumu vám umožní vykonať konečnú zhrňujúcu analýzu oveľa organizovanejším a štruktúrovanejším spôsobom, ale predovšetkým, oveľa rýchlejšie.

Analýza dát v UX výskume

Analýza dát v UX výskume transformuje predtým nezpracované dáta na zmysluplné informácie, ktoré podporia obchodné rozhodnutia. Vykonanie komplexnej analýzy dát pozostáva z piatich základných krokov – tieto kroky sú:

1. Definovanie cieľov analýzy
2. Organizovanie dát
3. Vyšetrovanie
4. Klasterizácia
5. Identifikácia výsledkov a poznatkov

Definovanie cieľov analýzy

Prvý krok definuje ciele našej analýzy – tieto by mali byť v prísnej zhode s cieľmi UX výskumu. V tejto fáze si pamätajte, aby ste sa neodchýlili od motívov, ktoré vás priviedli k vykonaniu výskumu – napríklad, aké sú potreby používateľa; na ktorej stránke je miera odmietnutia významnejšia a prečo; aké vylepšenia urobiť na zvýšenie miery konverzie; alebo ako urobiť náš produkt atraktívnejším ako konkurencia. Držanie sa týchto a výskumných cieľov vám pomôže pochopiť, ako vykonať analýzu dát spôsobom, ktorý je užitočný pre projekt. Presne definovať, čo hľadáte.

Organizovanie dát

Každý prieskum poskytuje rôzne typy dát, viac a menej relevantných pre projekt. Preto musíte spravovať, vyberať a filtrovať ich inteligentne pre použiteľnosť. Organizovanie dát tiež umožňuje ich premyslené usporiadanie, aby ste mohli rýchlo získať požadované informácie, keď je to potrebné. Napríklad môžete katalogizovať dáta podľa podstránky webovej stránky, ktorej sa týkajú. Oddelenie je kľúčové pre vykonávanie efektívnej analýzy dát a zlepšovanie jej vizualizácie, čo pomáha zainteresovaným stranám lepšie pochopiť celý proces.

Vyšetrovanie

Fáza vyšetrovania leží v srdci celého procesu analýzy dát. Jej hlavným cieľom je identifikovať slová, myšlienky alebo frázy, ktoré sa najčastejšie objavujú v odpovediach používateľov a ktoré sú najpravdepodobnejšie v súlade s účelom analýzy. Tento proces nie je len o hľadaní slov a ich synonym, ale o pochopení, čo pre používateľov znamenajú v ich kontexte.

Mať to vyjasnené znamená závisieť od skúmanej skupiny používateľov. Stáva sa to preto, že ľudia sa líšia. Majú jedinečné skúsenosti a správanie, ako aj spôsoby vyjadrovania. Preto by ste sa mali vyhnúť prepisovaniu odpovedí používateľov do vášho slovníka. Namiesto toho sa snažte držať originálu čo najviac, pretože akákoľvek variácia, aj tá najmenšia, môže poškodiť fázu vyšetrovania a preformulovať celú analýzu dát.

Klasterizácia

Ďalším krokom je vytvorenie takzvaných klastrov na označenie odpovedí podľa tých, ktoré boli identifikované vo fáze vyšetrovania. Tieto klastre pomáhajú tímu odlíšiť prioritné otázky. Napríklad, ak viac ako polovica odpovedí používateľov zapadá do vytvoreného klastru označeného „Výkon rozhrania“, tím by mal pravdepodobne uprednostniť toto téma a hľadať problémy špecificky súvisiace s výkonom rozhrania.

Identifikácia výsledkov a poznatkov

Nezabúdajme, že výsledky nie sú poznatky. Výsledky sa týkajú objavených, preskúmaných, potom zoskupených a katalogizovaných faktov, ktoré výskumný tím odhalil prostredníctvom procesu analýzy. Poznatky, na druhej strane, sa týkajú len aktu rozpoznania príčin, ktoré spôsobili výsledky. Toto je dosť odlišná vlastnosť, pretože odpovede používateľov nevedú vždy k zdroju problému. Úlohou dizajnéra je teda hľadať hlbšie a hľadať poznatky.

Používatelia zvyčajne nie sú schopní sami identifikovať zdroj svojich ťažkostí. Výskumný tím preto musí preskúmať výsledky počas procesu analýzy dát, diskutovať o nich a potom hľadať poznatky a priradiť ich k výskumným cieľom. Workshop na identifikáciu najrelevantnejších poznatkov pomáha splniť tento úkol. Efektívne využitie tohto nástroja zahŕňa vykonanie niekoľkých kôl diskusií oddelených krátkymi prestávkami.

Popísané kroky sú pomerne všeobecným a štandardným procesom analýzy dát, ktorý funguje s akoukoľvek výskumnou metódou (kvalitatívnou aj kvantitatívnou). Všetko, čo musíte urobiť, je správne prispôsobiť kroky vášmu procesu.

Kvantitatívna vs. kvalitatívna analýza dát

Aj keď proces analýzy kvantitatívnych dát sa významne nelíši od analýzy kvalitatívnych dát, v dôsledku povahy tohto výskumu môžu dizajnéri získať rôzne poznatky. Kvantitatívny výskum sa zameriava na zhromažďovanie a analýzu číselných dát, pričom využíva štatistiku a pravdepodobnosť. Ukazovatele ako miera odmietnutia danej stránky, napríklad, alebo demografický profil používateľa poskytujú výskumníkom konkrétne a kvantifikovateľné informácie o tom, ako ľudia interagujú s produktom a samotnou publikou.

Kvalitatívny výskum sa viac zameriava na abstraktné koncepty, ako je ľudské správanie. Z tohto dôvodu si na štúdium a hodnotenie vezmite o niečo viac času, aby ste plne pochopili používateľskú skúsenosť a názory. V tejto fáze stojí za to položiť užitočné otázky, ako sú:

• Čo sa používateľom na produkte páči najviac a čo najmenej?
• Prečo niektorí používatelia reagujú inak ako ostatní?
• Mali (a kedy) používatelia emocionálnu reakciu?
• Či sú (a prečo) používatelia spokojní s produktom?

Vzhľadom na rozdiel v prijatých dátach má zmysel použiť ako kvantitatívne, tak aj kvalitatívne anekdoty ako súčasť UX výskumu. Týmto spôsobom sa zhromaždené dáta navzájom dopĺňajú a poskytujú jasný a hlbší pohľad na výsledky.

Zhrnutie

Správne vykonaná analýza dát umožňuje lepšie, optimálnejšie rozhodovanie v dizajne. Vynechanie jej zistení vedie k vývoju neúplného, neefektívneho produktu, ktorý nereaguje na skutočné potreby používateľov. Preto je analýza dát takým kritickým procesom, ktorý určuje úspech celého projektu. Umožňuje vám zhromaždiť a vybrať kľúčové informácie, ktoré, keď sú preložené do konkrétnych odporúčaní v dizajne, pomáhajú vyvinúť najlepšie možné riešenie – prispôsobené potrebám a požiadavkám používateľov. Kroky analýzy dát, ktoré sme opísali, vám pomôžu vykonať ju štruktúrovaným spôsobom a zamerať sa na to, čo je najdôležitejšie.

Ak sa vám náš obsah páči, pridajte sa k našej komunite usilovných včiel na Facebooku, Twitteri, LinkedIn, Instagrame, YouTube, Pinterest, TikTok.