Сочетание эмпатии и интеллектуального анализа данных для лучшего UX
Сочувствие по праву стало предикатом хорошего дизайна пользовательского опыта (UX). Но средства, которые дизайнеры используют для достижения эмпатии, такие как Персонажи, не соответствуют их намеченной цели.
Хотя мотивация использовать персонажей благородна, слишком часто они являются продуктом идеализированных пользователей, основанных на демографических профилях, а не на исходной информации, полученной из реального поведения пользователей.
Ограничения персонажей хорошо известны. Это недавнее видео дает хорошее представление об ограничениях, в то время как эта статья 2010 года описывает всевозможные ловушки развития персонажей - от ненаучности процесса до склонности к групповому мышлению и предвзятости подтверждения.
Но следует ли вообще отбрасывать персонажей? Каким методом можно расставить приоритеты для дизайна, если нет определенных групп для обслуживания? Как UX-дизайн должен обладать эмпатией, который так часто цитируют, если мотивация или образ мышления пользователей не известны и не принимаются во внимание?
Альтернативный подход к эмпатии - инкрементализм - использует поведенческие данные для постепенного изменения дизайна в сторону оптимизированного UX. Но этот метод, в котором упор делается на конверсию, а не на качество опыта, тормозит инновации путем постепенных улучшений, а не целостных решений.
Мы считаем, что есть лучший способ решить проблемы UX, сопоставив потребности дизайнера с правильными данными и аналитическими инструментами.
Корни проблемы
Прежде чем мы углубимся в решение, стоит взглянуть на причины, по которым мы пришли к этому моменту:
- Чрезмерное использование одного инструмента - Google Analytics.
- Раздельное мышление с использованием только веб-данных для веб-UX
- Поверхностный анализ имеющихся данных позволяет реализовать эффект HiPPO и приводит к субъективному созданию образов.
Первый пункт является первопричиной двух других. Опыт работы с Google Analytics ошибочно переходит в опыт анализа веб-сайтов. Это Молот Мазлоу для данных веб-сайтов, когда доступны другие источники и аналитические инструменты. Короче говоря, неправильные инструменты и недостаточная информация приводят к произвольной отправной точке для дизайна.
Давайте рассмотрим простой пример веб-сайта с информацией о транспорте, где ключевой показатель эффективности - время нахождения на сайте - может быть связан с противоположными мотивами и ложным пониманием опыта. В одном случае остановилась железнодорожная ветка, и пассажирам пришлось использовать это место для поиска альтернативных маршрутов. Длительное пребывание на сайте связано с затруднениями и разочарованием пользователя при поиске нужной информации. И наоборот, туристу в высокий сезон, планирующему свой маршрут по городу, потребуется больше времени для размышлений, чтобы выбрать, как лучше всего осмотреть достопримечательности.
Без понимания того, чего пытаются достичь разные пользователи, благонамеренные цели сайта могут стать ложным признаком производительности.
Лучший способ понять поведение пользователей
Группировка пользователей по-прежнему важна для определения приоритетов в UX-дизайне, но как? На самом деле это так же просто, как собрать более значимые данные о пользователях и использовать правильные аналитические инструменты и методы.
Вот наши 4 шага к созданию насыщенных и значимых групп пользователей:
1. Возьмите на себя ответственность за свои пользовательские данные в Интернете.
Еще в 2005 году, когда Google приобрела Urchin Software, возможности веб-аналитики были немного ограничены и все были платными или очень упрощенными. Трудно представить, насколько повсеместным станет Urchin, когда он станет бесплатным и переименован в Google Analytics. К чести (и преимуществам) Google дал каждому, кто управляет веб-сайтом, возможность легко и эффективно измерить его производительность, но если вы не заплатите 100 000 долларов за премиум-версию, вы не сможете получить исходные данные для внешнего анализа.
Вам также не нужно вкладывать средства в системы коммерческого уровня, такие как Adobe или Webtrends. Несмотря на то, что эти системы являются мощными, вы просто заменили бы, с ненужными затратами и временем, один огороженный сад на другой.
Вместо этого существуют недорогие или бесплатные системы, которые предоставляют обширные данные о посетителях, которые можно экспортировать для внешнего анализа. Мы используем следующие системы:
- Piwik - бесплатная аналитическая программа с открытым исходным кодом.
- Opentracker - недорогая программа для идентификации посетителей.
Их можно легко установить в виде фрагментов кода в шаблоне главной страницы веб-сайта или в диспетчере тегов для работы вместе с Google Analytics.
Право собственности выходит за рамки вымышленных концепций единого юридического лица, контролирующего вашу информацию. Хотя дуополия цифровых медиа может со временем сделать это беспокойство более распространенным, главная угроза заключается в том, что аналитические инструменты привязаны к приоритетам функций, которые Google и / или Facebook считают наиболее выгодными для них, а не для вас.
2. Подумайте обо всех внешних факторах, которые влияют на мотивацию и отношение пользователей к вашему сайту.
Обычно мы проводим семинары для клиентов, чтобы составить карту пути пользователя до того, как он попадет на сайт, и каталогизировать все соответствующие доступные данные, включая источники за пределами веб-аналитики. Например, в приведенном выше примере путешествия мы собрали наборы данных, относящиеся к погодным аномалиям и сбоям в обслуживании.
Чем больше сценариев и пользовательских поездок будет раскрыто, тем больше внешних данных можно будет использовать.
3. Соберите все данные и проанализируйте
Здесь начинается самое интересное. Для анализа нужны правильные инструменты и навыки. К счастью, их достаточно много.
Наш выбор обычно:
- MySQL, PostgreSQL или SQLite для сопоставления данных, хранящихся в реляционных базах данных.
- Язык статистического программирования R и среда его разработки R Studio.
- AWS для масштабного анализа
Анализируемые данные должны быть как можно более плоскими и аккуратными, то есть каждая строка является посещением (наблюдением), а каждый столбец - дескриптором (переменной). Если вы из мира реляционных баз данных, это может показаться расточительным, когда данные для анализа могут содержать миллионы строк и десятки столбцов. R разработан для работы в масштабе; Анализ нескольких сотен тысяч строк на портативном компьютере может занять несколько секунд. Для огромных наборов данных прототипы могут быть разработаны на персональном компьютере с использованием выборки данных, а затем тот же аналитический код может быть запущен в облаке с полным набором данных.
После того, как данные упорядочены, мы можем использовать машинное обучение без учителя с помощью пакета Кластер в R. Этот тип анализа используется в различных сферах, от медицинских исследований до ценообразования пакетов сотовых телефонов. Это может показаться действительно сложным и немного пугающим, но это не так. Математика сложна, но принцип и практическое выполнение просты: алгоритмы машинного обучения распределяют каждое посещение в группу (кластер), одновременно максимизируя и минимизируя расстояния между всеми переменными, описывающими посещение.
Во-первых, нам нужно знать оптимальное количество кластеров. Метод проб и ошибок может помочь визуально оценить и сбалансировать полученные кластеры слишком похожими, слишком разными или подходящими. В качестве альтернативы в пакете factoextra есть функция fviz_nbclust, которая может дать оптимальное число:
Пик статистики k составляет около 4, поэтому мы запустим функции для цели из 4 кластеров.
Есть несколько выходов визуализации; популярным является использование радиолокационных диаграмм для понимания величины переменных для каждого кластера.
Каждый сегмент радара на этой диаграмме показывает относительную важность каждой переменной в каждом кластере. Числовые результаты также скажут нам, какая доля от общей выборки представлена каждым кластером, с указанием объективных приоритетов.
4. ПРИМЕНЯЙТЕ КЛАСТЕРЫ К ГРУППАМ ПОЛЬЗОВАТЕЛЕЙ
Из приведенной выше радарной диаграммы мы можем интерпретировать кластеры в значимые сегменты. Даже с учетом всего двух внешних факторов, погоды и обслуживания, три показателя веб-аналитики получают более широкий контекст.
В приведенном выше примере сегменты могут быть:
- Imperators - плохая погода и малое время на сайте; им нужна информация быстро
- Универсалы - не совсем уверены, какая информация им нужна, но побродят по сайту.
- Рассматривающие - высокая вовлеченность
- Паникеры - переходы с другого сайта для проверки службы.
В приведенном выше примере используется только пять переменных - большее количество переменных может рассказать больше о конечных пользователях, но из имеющихся кластеров мы можем интуитивно определить некоторые приоритеты в дизайне:
- Как лучше всего обозначать конкретную информацию о поездках и статусе обслуживания, необходимую паникерам и повелителям?
- Можем ли мы предоставить специалистам широкого профиля логическую структуру навигации, чтобы они могли попасть туда, где им нужно работать более эффективно?
- Какие призывы к действию могут лучше всего вызвать заинтересованность участников?
Поскольку каждое посещение было распределено по кластеру, если мы обслуживаем эти приоритеты и, следовательно, сегменты, остается очень немногое решить.
Иными словами, чем более значимы переменные, которые мы фиксируем для каждого посещения пользователя, тем более описательны кластеры и тем точнее выводы о сегментах и брифинге для разработки.
Синтезированное творчество или машинная эмпатия?
Математика машинного обучения может устранить произвольные представления о том, что означает веб-аналитика, путем объединения пользовательских данных с контекстными факторами. Но человеческая интерпретация и креативность все еще нуждаются в раскраске огромного белого пространства между числами. Чтобы добиться успеха, дизайнеры и специалисты по обработке данных должны работать вместе, чтобы разработать значимые идеи и целевые сегменты.
Сможет ли искусственный интеллект когда-нибудь преодолеть разрыв между аналитикой и творчеством? Пока нет, но с каждым днем и каждым улучшением алгоритма мы делаем еще один шаг к истинному машинному сочувствию.
Первоначально опубликовано на www.deducive.com.
