Adat elemzés a UX kutatásban | UX kutatás #33

Tudod, milyen szerepet játszik az adatelemzés a UX kutatásban? Ma szeretnénk a UX adatelemzés kérdésére összpontosítani, a kvalitatív és kvantitatív adatelemzés megvitatásával, valamint megismerni annak szakaszait, fő céljait és feladatait. Azt is javasolni fogjuk, mikor a megfelelő pillanat egy projektben az adatelemzés elvégzésére.

Adatelemzés a UX kutatásban – tartalomjegyzék:

1. Miért elemezzük a gyűjtött adatokat?
2. Mikor elemezzük az adatokat?
3. Adatelemzés a UX kutatásban
4. Az elemzés céljainak meghatározása
5. Kvalitatív elemzés a kutatási adatokban
6. Összefoglalás

Miért elemezzük a gyűjtött adatokat?

Termékdöntést kizárólag nyers adatok alapján hozni hatalmas UX hiba. Az elemzési szakasz kihagyása olyan megoldásokat eredményezhet, amelyek hiányosak vagy hatástalanok a felhasználók számára, vagy akár azt is okozhatja, hogy a projektcsapat a rossz probléma megoldására összpontosít, vagy nem ismeri fel a valódi felhasználókat. Ezek és más okok miatt az adatelemzés egy alapvető folyamat, amely az egész projektet a helyes úton tartja. Ezt úgy éri el, hogy figyelembe veszi a felhasználók valódi igényeit, és olyan információkat gyűjt, amelyek segítenek a lehető legjobb és legoptimálisabb megoldás kidolgozásában.

Mikor elemezzük az adatokat?

Sokan súlyos tévhitet táplálnak, miszerint az elemzésnek a kutatás befejezése után kellene történnie, azaz sok forrásból származó információk összegyűjtése után. Ez a megközelítés azonban hatástalan, mivel egy ilyen nagy mennyiségű adat vizsgálata hatalmas erőfeszítést, munkaerőt és időt igényel. Hatékonyabb folyamatosan vizsgálni az adatokat, például néhány percet szánni minden egyes mélyinterjú után.

Ne felejtsd el jegyzetelni a kutatás során. Így friss megfigyeléseket rögzíthetsz, és biztosíthatod, hogy semmi ne maradjon ki. Ezek a megfigyelések segítenek könnyen kiválasztani az információkat, és azokat választani, amelyek a legrelevánsabbak a későbbi tervezési ajánlásokhoz. A folyamatos elemzés, minden egyes kutatási lépés után lehetővé teszi, hogy a végső összegző elemzést sokkal szervezettebb és strukturáltabb módon végezzük, de ami a legfontosabb, sokkal gyorsabban.

Adatelemzés a UX kutatásban

Adatelemzés a UX kutatásban a korábban feldolgozatlan adatokat értelmes információvá alakítja, amely támogatja az üzleti döntéseket. A teljes körű adatelemzés öt alapvető lépésből áll – ezek a lépések a következők:

1. Az elemzés céljainak meghatározása
2. Adatok rendszerezése
3. Kutatás
4. Klaszterezés
5. Eredmények és betekintések azonosítása

Az elemzés céljainak meghatározása

Az első lépés meghatározza az elemzés céljait – ezeknek szigorúan összhangban kell lenniük a UX kutatás céljaival. Ezen a ponton ne térj el azoktól a motívumoktól, amelyek miatt elindultál a kutatás végzésére – például, mik a felhasználói igények; melyik oldalon jelentősebb a visszautasítási arány és miért; milyen fejlesztéseket kell végrehajtani a konverziós arány növelése érdekében; vagy hogyan tehetjük a termékünket vonzóbbá a versenytársaknál. Ezek és a kutatási célok megtartása segít megérteni, hogyan végezheted az adatelemzést a projekt szempontjából hasznos módon. Pontosan meghatározni, mit keresel.

Adatok rendszerezése

Minden felmérés különböző típusú adatokat szolgáltat, amelyek a projekthez relevánsabbak vagy kevésbé relevánsak. Így ügyesen kell kezelni, kiválasztani és szűrni őket a használhatóság érdekében. Az adatok rendszerezése lehetővé teszi azok átgondolt elrendezését, hogy szükség esetén gyorsan hozzáférhess a kívánt információhoz. Például az adatokat a vonatkozó aloldal szerint katalogizálhatod. A szétválasztás kulcsfontosságú az adatelemzés hatékony végrehajtásához és a vizualizáció javításához, amely segít a résztvevőknek jobban megérteni az egész folyamatot.

Kutatás

A kutatási fázis az egész adatelemzési folyamat szívében helyezkedik el. Fő célja a felhasználói válaszokban leggyakrabban előforduló szavak, ötletek vagy kifejezések azonosítása, amelyek a legvalószínűbb, hogy összhangban állnak az elemzés céljával. Ez a folyamat nem csupán a szavak és szinonimáik kereséséről szól, hanem arról is, hogy megértsük, mit jelentenek a felhasználók számára a saját kontextusukban.

Ha ezt kiderítetted, a szavak és kifejezések a vizsgált felhasználói csoporttól függenek. Ez azért történik, mert az emberek eltérőek. Egyedi tapasztalataik és viselkedésük van, valamint kifejezésmódjaik. Ezért el kell kerülni, hogy a felhasználói válaszokat a saját szókincsedre transzkribáld. Inkább ragaszkodj az eredetihez, amennyire csak lehetséges, mert bármilyen eltérés, még a legkisebb is, károsíthatja a kutatási fázist, átalakítva az egész adatelemzést.

Klaszterezés

A következő lépés az úgynevezett klaszterek kidolgozása, hogy azokat a kutatási fázisban azonosított válaszok szerint címkézzük. Ezek a klaszterek segítik a csapatot a prioritások megkülönböztetésében. Például, ha a felhasználói válaszok több mint fele a “Felület teljesítménye” címkével ellátott klaszterbe illeszkedik, a csapatnak valószínűleg prioritásként kell kezelnie ezt a témát, és a felület teljesítményével kapcsolatos problémákat kell keresnie.

Eredmények és betekintések azonosítása

Ne felejtsük el, hogy az eredmények nem betekintések. Az eredmények a felfedezett, megvizsgált, majd csoportosított és katalogizált tények, amelyeket a kutatócsapat hozott felszínre az elemzési folyamat során. A betekintések viszont csupán az okok felismerésére vonatkoznak, amelyek az eredményeket okozták. Ez egy meglehetősen eltérő jellemző, mivel a felhasználói válaszok nem mindig vezetnek a probléma forrásához. A tervező feladata tehát, hogy mélyebbre nézzen és betekintéseket keressen.

A felhasználók általában nem képesek önállóan azonosítani nehézségeik forrását. A kutatócsapatnak ezért át kell néznie az eredményeket az adatelemzési folyamat során, meg kell vitatnia azokat, majd betekintéseket kell keresnie, és azokat a kutatási célokhoz kell illesztenie. Az egyik leghatékonyabb eszköz a legrelevánsabb betekintések azonosítására egy workshop. Ennek hatékony használata több kerekasztal-beszélgetést igényel, rövid szünetekkel elválasztva.

A fent leírt lépések egy meglehetősen általános és standard adatelemzési folyamatot alkotnak, amely bármely kutatási módszerrel (mind kvalitatív, mind kvantitatív) működik. Csak annyit kell tenned, hogy a lépéseket megfelelően alkalmazod a folyamatodra.

Kvantitatív vs. kvalitatív adatelemzés

Bár a kvantitatív adatok elemzésének folyamata nem jelentősen különbözik a kvalitatív adatok elemzésétől, a kutatás természeténél fogva a tervezők különböző betekintéseket kaphatnak. A kvantitatív kutatás a numerikus adatok gyűjtésére és elemzésére összpontosít, statisztikák és valószínűség segítségével. Olyan mutatók, mint például egy adott oldal visszautasítási aránya, vagy a felhasználó demográfiai profilja konkrét és mérhető információkat nyújt a kutatóknak arról, hogyan lépnek kapcsolatba az emberek a termékkel és magával a közönséggel.

A kvalitatív kutatás inkább az absztrakt fogalmakra, például az emberi viselkedésre összpontosít. Ezért érdemes egy kicsit több időt szánni a tanulmányozásra és értékelésre, hogy teljes mértékben megértsük a felhasználói élményt és véleményeket. Érdemes hasznos kérdéseket feltenni ezen a ponton, például:

• Mit szeretnek a felhasználók legjobban a termékben, és mit szeretnek a legkevésbé?
• Miért reagálnak egyes felhasználók másként, mint mások?
• Volt-e (és mikor) érzelmi reakciójuk a felhasználóknak?
• Elégedettek-e (és miért) a felhasználók a termékkel?

Figyelembe véve az eltérést az adatokban, érdemes mind a kvantitatív, mind a kvalitatív anekdotákat felhasználni a UX kutatás részeként. Így az összegyűjtött adatok kiegészítik egymást, és világosabb és mélyebb betekintést nyújtanak az eredményekbe.

Összefoglalás

A megfelelően végrehajtott adatelemzés lehetővé teszi a jobb, optimálisabb tervezési döntéseket. Az eredmények figyelmen kívül hagyása hiányos, hatástalan termék kifejlesztéséhez vezet, amely nem felel meg a felhasználók tényleges igényeinek. Ezért az adatelemzés egy olyan kritikus folyamat, amely meghatározza az egész projekt sikerét. Lehetővé teszi, hogy kulcsfontosságú információkat gyűjts és válassz ki, amelyek, ha konkrét tervezési ajánlásokra fordítod őket, segítenek a lehető legjobb megoldás kidolgozásában – a felhasználók igényeihez és követelményeihez igazítva. Az általunk leírt adatelemzési lépések segítenek abban, hogy strukturált módon végezd el, és a legfontosabb dolgokra összpontosíts.

Ha tetszik a tartalmunk, csatlakozz a szorgos méheink közösségéhez a Facebookon, Twitteren, LinkedIn-en, Instagramon, YouTube-on, Pinterest-en, TikTok-on.