Tietoanalyysi UX-tutkimuksessa | UX-tutkimus #33

Tiedätkö, mikä rooli datan analyysillä on UX-tutkimuksessa? Tänään haluamme keskittyä datan analyysin kysymykseen UX:ssä keskustelemalla kvalitatiivisesta ja kvantitatiivisesta datan analyysistä sekä oppimalla sen vaiheista, päämääristä ja tavoitteista. Ehdotamme myös, milloin on oikea hetki suorittaa se projektissa.

Data-analyysi UX-tutkimuksessa – sisällysluettelo:

1. Miksi analysoida kerättyä dataa?
2. Milloin analysoida dataa?
3. Data-analyysi UX-tutkimuksessa
4. Analyysin tavoitteiden määrittäminen
5. Kvalitatiivinen analyysi tutkimusdatan
6. Yhteenveto

Miksi analysoida kerättyä dataa?

Tuotepäätöksen tekeminen pelkästään raakadatasta on valtava UX-virhe. Analyysivaiheen ohittaminen voi johtaa siihen, että käyttäjille tarjotaan puutteellinen tai tehoton ratkaisu, tai jopa siihen, että projektitiimi keskittyy väärän ongelman ratkaisemiseen tai todellisten käyttäjien tunnistamiseen. Näistä ja muista syistä datan analyysi on olennainen prosessi, joka pitää koko projektin oikealla tiellä. Se ottaa huomioon käyttäjien todelliset tarpeet ja kerää tietoa, joka auttaa kehittämään parhaan ja optimaalisimman mahdollisen ratkaisun.

Milloin analysoida dataa?

Monet ihmiset pitävät suurta väärinkäsitystä siitä, että analyysi tulisi tehdä tutkimuksen päätyttyä, eli kerättäessä tietoa monista lähteistä. Tämä lähestymistapa on kuitenkin tehoton, sillä näin suuren datamäärän tutkiminen vaatii valtavasti vaivannäköä, työvoimaa ja aikaa. On tehokkaampaa tutkia dataa jatkuvasti, esimerkiksi ottamalla muutama minuutti jokaisen syvällisen haastattelun jälkeen.

Muista myös tehdä muistiinpanoja tutkimuksen aikana. Näin voit kirjata tuoreita havaintoja ja varmistaa, ettei mitään jää huomiotta. Nämä pohdinnat auttavat sinua valitsemaan tietoa ja valitsemaan niistä ne, jotka ovat merkityksellisimpiä myöhempiin suunnittelusuosituksiin. Jatkuva analysointi jokaisen pienen tutkimusvaiheen jälkeen mahdollistaa lopullisen yhteenvetoanalyysin tekemisen paljon järjestelmällisemmällä ja rakenteellisemalla tavalla, mutta ennen kaikkea paljon nopeammin.

Data-analyysi UX-tutkimuksessa

Data-analyysi UX-tutkimuksessa muuttaa aiemmin käsittelemättömän datan merkitykselliseksi tiedoksi, joka tukee liiketoimintapäätöksiä. Kattava data-analyysi koostuu viidestä perusvaiheesta – nämä vaiheet ovat:

1. Analyysin tavoitteiden määrittäminen
2. Datan järjestäminen
3. Tutkiminen
4. Klusterointi
5. Tulosten ja oivallusten tunnistaminen

Analyysin tavoitteiden määrittäminen

Ensimmäinen vaihe määrittää analyysimme tavoitteet – niiden tulisi olla tiukasti linjassa UX-tutkimuksen tavoitteiden kanssa. Tässä vaiheessa muista olla poikkeamatta motiiveista, jotka saivat sinut aloittamaan tutkimuksen – esimerkiksi, mitkä ovat käyttäjän tarpeet; millä sivulla hylkäysprosentti on merkittävämpi ja miksi; mitä parannuksia tulisi tehdä konversioprosentin lisäämiseksi; tai miten tehdä tuotteestamme houkuttelevampi kuin kilpailijoista. Pidä kiinni näistä ja tutkimustavoitteista, sillä ne auttavat sinua ymmärtämään, miten suorittaa data-analyysi tavalla, joka on hyödyllinen projektille. Määritä tarkalleen, mitä etsit.

Datan järjestäminen

Jokainen tutkimus tuottaa erilaisia datatyyppejä, jotka ovat enemmän tai vähemmän merkityksellisiä projektille. Siksi sinun on hallittava, valittava ja suodatettava niitä älykkäästi käytettävyyden vuoksi. Datan järjestäminen mahdollistaa myös sen harkitun järjestämisen, jotta voit nopeasti kaivaa esiin tarvittavat tiedot tarvittaessa. Esimerkiksi voit luokitella dataa verkkosivuston alisivun mukaan, johon se liittyy. Erityisesti erottelu on avain tehokkaan data-analyysin suorittamiseen ja sen visualisoinnin parantamiseen, mikä auttaa sidosryhmiä ymmärtämään koko prosessin paremmin.

Tutkiminen

Tutkimusvaihe on koko data-analyysiprosessin ydin. Sen päämäärä on tunnistaa sanat, ideat tai lauseet, jotka esiintyvät useimmin käyttäjien vastauksissa ja jotka todennäköisesti ovat linjassa analyysin tarkoituksen kanssa. Tämä prosessi ei ole vain sanojen ja niiden synonyymien etsimistä, vaan myös ymmärtämistä, mitä ne merkitsevät käyttäjille niiden kontekstissa.

Kun tämä on selvitetty, sanat ja ilmaukset riippuvat tutkittavasta käyttäjäryhmästä. Tämä johtuu siitä, että ihmiset vaihtelevat. Heillä on ainutlaatuisia kokemuksia ja käyttäytymistä sekä tapoja ilmaista itseään. Siksi sinun tulisi välttää käyttäjien vastausten transkriboimista omaan sanastoon. Sen sijaan pysy mahdollisimman lähellä alkuperäistä, sillä mikä tahansa muutos, jopa pienin, voi vahingoittaa tutkimusvaihetta ja muuttaa koko data-analyysin.

Klusterointi

Seuraava vaihe on laatia niin sanottuja klustereita, joilla merkitään vastauksia tutkimusvaiheessa tunnistettujen mukaan. Nämä klusterit auttavat tiimiä erottamaan priorisoidut asiat. Esimerkiksi, jos yli puolet käyttäjien vastauksista sopii luotuun klusteriin, joka on merkitty “Käyttöliittymän suorituskyky”, tiimin tulisi todennäköisesti priorisoida tämä aihe ja etsiä erityisesti käyttöliittymän suorituskykyyn liittyviä ongelmia.

Tulosten ja oivallusten tunnistaminen

Älkäämme unohtako, että tulokset eivät ole oivalluksia. Tulokset koskevat löydettyjä, tutkittuja, sitten ryhmiteltyjä ja luokiteltuja faktoja, jotka tutkimusryhmä toi esiin analyysiprosessin aikana. Oivallukset sen sijaan viittaavat vain syiden tunnistamiseen, jotka aiheuttivat tulokset. Tämä on melko erottuva piirre, sillä käyttäjien vastaukset eivät aina johda ongelman lähteeseen. Suunnittelijan tehtävä on siis katsoa syvemmälle ja etsiä oivalluksia.

Käyttäjät eivät yleensä pysty itse tunnistamaan vaikeuksiensa lähdettä. Siksi tutkimusryhmän on tarkasteltava tuloksia data-analyysiprosessin aikana, keskusteltava niistä ja sitten etsittävä oivalluksia ja sovitettava ne tutkimustavoitteisiin. Työpaja, jossa tunnistetaan merkittävimmät oivallukset, auttaa tämän tehtävän suorittamisessa. Tämän työkalun tehokas käyttö sisältää useita keskustelukierroksia, jotka on erotettu lyhyillä tauoilla.

Yllä kuvattuja vaiheita voidaan pitää melko yleisenä ja standardina data-analyysiprosessina, joka toimii minkä tahansa tutkimusmenetelmän (sekä kvalitatiivisen että kvantitatiivisen) kanssa. Kaikki, mitä sinun tarvitsee tehdä, on mukauttaa vaiheet oikein prosessiisi.

Kvantitatiivinen vs. kvalitatiivinen data-analyysi

Vaikka kvantitatiivisen datan analysointiprosessi ei ole merkittävästi erilainen kuin kvalitatiivisen datan analysointi, tämän tutkimuksen luonteen vuoksi suunnittelijat voivat saada erilaisia oivalluksia. Kvantitatiivinen tutkimus keskittyy numeerisen datan keräämiseen ja analysoimiseen, käyttäen tilastoja ja todennäköisyyksiä. Indikaattorit, kuten tietyn sivun hylkäysprosentti tai käyttäjän demografinen profiili, tarjoavat tutkijoille konkreettista ja mitattavaa tietoa siitä, miten ihmiset vuorovaikuttavat tuotteen ja yleisön kanssa.

Kvalitatiivinen tutkimus keskittyy enemmän abstrakteihin käsitteisiin, kuten ihmisten käyttäytymiseen. Tämän vuoksi kannattaa käyttää hieman enemmän aikaa käyttäjäkokemuksen ja mielipiteiden tutkimiseen ja arvioimiseen. Tässä vaiheessa on hyvä esittää hyödyllisiä kysymyksiä, kuten:

• Mitä käyttäjät pitävät eniten tuotteesta ja mitä vähiten?
• Miksi jotkut käyttäjät reagoivat eri tavalla kuin toiset?
• Oliko (ja milloin) käyttäjillä tunneperäinen reaktio?
• Ovatko (ja miksi) käyttäjät tyytyväisiä tuotteeseen?

Ottaen huomioon saadun datan eron, on järkevää käyttää sekä kvantitatiivisia että kvalitatiivisia anekdootteja osana UX-tutkimusta. Tällä tavoin kerätty data täydentää toisiaan ja antaa selkeän ja syvällisemmän käsityksen tuloksista.

Yhteenveto

Oikein toteutettu data-analyysi mahdollistaa parempia, optimaalisempia suunnittelupäätöksiä. Sen havaintojen ohittaminen johtaa puutteellisen, tehottoman tuotteen kehittämiseen, joka ei vastaa käyttäjien todellisia tarpeita. Tämä on syy siihen, miksi data-analyysi on niin kriittinen prosessi, joka määrittää koko projektin onnistumisen. Se antaa sinulle mahdollisuuden kerätä ja valita keskeistä tietoa, joka, kun se käännetään konkreettisiksi suunnittelusuosituksiksi, auttaa kehittämään parhaan mahdollisen ratkaisun – käyttäjien tarpeiden ja vaatimusten mukaan räätälöitynä. Kuvaamamme data-analyysin vaiheet auttavat sinua toteuttamaan sen järjestelmällisesti ja keskittymään siihen, mikä on tärkeintä.

Jos pidät sisällöstämme, liity vilkkaaseen mehiläisyhteisöömme Facebookissa, Twitterissä, LinkedInissä, Instagramissa, YouTubessa, Pinterestissä, TikTokissa.