Analýza dat v UX výzkumu | UX výzkum #33

Víte, jakou roli hraje analýza dat v UX výzkumu? Dnes bychom se chtěli zaměřit na otázku analýzy dat v UX tím, že probereme kvalitativní a kvantitativní analýzu dat a naučíme se o jejích fázích, hlavních cílech a cílech. Také navrhneme, kdy je správný okamžik provést ji v projektu.

Analýza dat v UX výzkumu – obsah:

1. Proč analyzovat shromážděná data?
2. Kdy analyzovat data?
3. Analýza dat v UX výzkumu
4. Definování cílů analýzy
5. Kvalitativní analýza výzkumných dat
6. Shrnutí

Proč analyzovat shromážděná data?

Rozhodování o produktu pouze na základě surových dat je obrovská UX chyba. Přeskočení fáze analýzy může vést k tomu, že uživatelům poskytneme neúplné nebo neefektivní řešení, nebo dokonce způsobit, že se projektový tým zaměří na řešení nesprávného problému nebo na rozpoznání skutečných uživatelů. Z těchto a dalších důvodů je analýza dat nezbytným procesem, který udržuje celý projekt na správné cestě. Děje se tak tím, že se zohledňují skutečné potřeby uživatelů a shromažďují informace, které pomáhají vyvinout nejlepší a nejoptimálnější možné řešení.

Kdy analyzovat data?

Mnoho lidí má hrubé mylné představy, že analýza by měla probíhat po dokončení výzkumu, tj. po shromáždění informací z mnoha zdrojů. Tento přístup je však neefektivní, protože zkoumání tak velkého množství dat vyžaduje obrovské úsilí, pracovní sílu a čas. Je efektivnější zkoumat data průběžně, například si vzít pár minut po každém hloubkovém rozhovoru.

Také si pamatujte, abyste během výzkumu dělali poznámky. Tímto způsobem můžete zaznamenat čerstvé pozorování a zajistit, že nic nebude opomenuto. Tato zamyšlení vám usnadní výběr informací a vybrání těch, které budou pro pozdější doporučení designu nejrelevantnější. Průběžná analýza po každém malém kroku výzkumu vám umožní provést konečnou shrnující analýzu mnohem organizovanějším a strukturovanějším způsobem, ale především mnohem rychleji.

Analýza dat v UX výzkumu

Analýza dat v UX výzkumu transformuje dříve nezpracovaná data na smysluplné informace, které podpoří obchodní rozhodnutí. Provádění komplexní analýzy dat se skládá z pěti základních kroků – tyto kroky jsou:

1. Definování cílů analýzy
2. Organizace dat
3. Vyšetřování
4. Klasterizace
5. Identifikace výsledků a poznatků

Definování cílů analýzy

První krok definuje cíle naší analýzy – ty by měly být v přísném souladu s cíli UX výzkumu. V této fázi si pamatujte, abyste se neodchylovali od motivů, které vás přiměly začít provádět výzkum – například, jaké jsou potřeby uživatelů; na které stránce je míra odmítnutí významnější a proč; jaká zlepšení provést, aby se zvýšila míra konverze; nebo jak učinit náš produkt atraktivnějším než konkurence. Držení se těchto a výzkumných cílů vám pomůže pochopit, jak provádět analýzu dat způsobem, který je pro projekt užitečný. Definovat přesně to, co hledáte.

Organizace dat

Každý průzkum poskytuje různé typy dat, více a méně relevantních pro projekt. Musíte je tedy chytře spravovat, vybírat a filtrovat pro uživatelskou přívětivost. Organizace dat také umožňuje jejich promyšlené uspořádání, aby bylo možné rychle získat požadované informace, když je to nutné. Například můžete katalogizovat data podle podstránky webu, které se týkají. Segregace je klíčová pro provádění efektivní analýzy dat a zlepšení její vizualizace, což usnadňuje stakeholderům pochopit celý proces.

Vyšetřování

Fáze vyšetřování leží v srdci celého procesu analýzy dat. Jejím hlavním cílem je identifikovat slova, myšlenky nebo fráze, které se v odpovědích uživatelů objevují nejčastěji a které jsou nejvíce v souladu s účelem analýzy. Tento proces není jen o hledání slov a jejich synonym, ale o pochopení toho, co pro uživatele znamenají v jejich kontextu.

Jakmile to zjistíte, slova a výrazy závisí na zkoumané uživatelské skupině. Děje se to proto, že lidé se liší. Mají jedinečné zkušenosti a chování, stejně jako způsoby vyjadřování. Proto byste se měli vyhnout přepisování uživatelských odpovědí do svého slovníku. Místo toho se co nejvíce držte originálu, protože jakákoli variace, i ta nejmenší, může poškodit fázi vyšetřování a přetvořit celou analýzu dat.

Klasterizace

Dalším krokem je vytvoření takzvaných klastrů pro označení odpovědí podle těch, které byly identifikovány ve fázi vyšetřování. Tato klastry pomáhají týmu odlišit prioritní problémy. Například, pokud více než polovina uživatelských odpovědí spadá do vytvořeného klastru označeného „Výkon rozhraní“, tým by měl pravděpodobně tuto téma upřednostnit a hledat problémy specificky související s výkonem rozhraní.

Identifikace výsledků a poznatků

Nezapomínejme, že výsledky nejsou poznatky. Výsledky se týkají objevených, prozkoumaných, poté seskupených a katalogizovaných faktů, které výzkumný tým odhalil prostřednictvím procesu analýzy. Poznatky se na druhé straně týkají pouze aktu rozpoznání příčin, které vedly k výsledkům. To je poměrně odlišná vlastnost, protože uživatelské odpovědi nevedou vždy k zdroji problému. Úkolem designéra je tedy hledat hlouběji a hledat poznatky.

Uživatelé obvykle nejsou schopni sami identifikovat zdroj svých obtíží. Výzkumný tým proto musí během procesu analýzy dat přezkoumat výsledky, diskutovat o nich a poté hledat poznatky a spojit je s výzkumnými cíli. Workshop na identifikaci nejrelevantnějších poznatků pomáhá splnit tento úkol. Efektivní využití tohoto nástroje zahrnuje provádění několika kol diskuse oddělených krátkými přestávkami.

Výše popsané kroky jsou poměrně obecný a standardní proces analýzy dat, který funguje s jakoukoli výzkumnou metodou (jak kvalitativní, tak kvantitativní). Vše, co musíte udělat, je správně přizpůsobit kroky vašemu procesu.

Kvantitativní vs. kvalitativní analýza dat

I když proces analýzy kvantitativních dat se výrazně neliší od analýzy kvalitativních dat, vzhledem k povaze tohoto výzkumu mohou designéři získat různé poznatky. Kvantitativní výzkum se zaměřuje na shromažďování a analýzu číselných dat, používající statistiku a pravděpodobnost. Ukazatele, jako je míra odmítnutí dané stránky, například, nebo demografický profil uživatele, poskytují výzkumníkům konkrétní a kvantifikovatelné informace o tom, jak lidé interagují s produktem a samotným publikem.

Kvalitativní výzkum se více zaměřuje na abstraktní koncepty, jako je lidské chování. Z tohoto důvodu si dejte o něco více času na studium a hodnocení, abyste plně pochopili uživatelskou zkušenost a názory. V této fázi stojí za to položit užitečné otázky, jako například:

• Co se uživatelům na produktu nejvíce líbí a co se jim líbí nejméně?
• Proč někteří uživatelé reagují jinak než ostatní?
• Měli (a kdy) uživatelé emocionální reakci?
• Jsou (a proč) uživatelé spokojeni s produktem?

Vzhledem k rozdílu v obdržených datech dává smysl použít jak kvantitativní, tak kvalitativní anekdoty jako součást UX výzkumu. Tímto způsobem se shromážděná data vzájemně doplňují a poskytují jasný a hlubší pohled na výsledky.

Shrnutí

Správně provedená analýza dat umožňuje lepší, optimálnější rozhodování o designu. Opomenutí jejích zjištění vede k vývoji neúplného, neefektivního produktu, který neodpovídá skutečným potřebám uživatelů. Proto je analýza dat tak kritickým procesem, který určuje úspěch celého projektu. Umožňuje vám shromáždit a vybrat klíčové informace, které, když jsou přeloženy do konkrétních doporučení pro design, pomáhají vyvinout nejlepší možné řešení – přizpůsobené potřebám a požadavkům uživatelů. Kroky analýzy dat, které jsme popsali, vám pomohou provést ji strukturovaným způsobem a zaměřit se na to, co je nejdůležitější.

Pokud se vám náš obsah líbí, připojte se k naší komunitě pilných včel na Facebooku, Twitteru, LinkedInu, Instagramu, YouTube, Pinterestu, TikToku.