Dataanalys i UX-forskning | UX-forskning #33

Vet du vilken roll dataanalys spelar i UX-forskning? Idag vill vi fokusera på frågan om dataanalys i UX genom att diskutera kvalitativ och kvantitativ dataanalys, samt lära oss om dess steg, huvudmål och syften. Vi kommer också att föreslå när det är rätt tidpunkt att genomföra det i ett projekt.

Dataanalys i UX-forskning – innehållsförteckning:

1. Varför analysera den insamlade datan?
2. När ska man analysera datan?
3. Dataanalys i UX-forskning
4. Definiera målen för analysen
5. Kvalitativ analys av forskningsdata
6. Sammanfattning

Varför analysera den insamlade datan?

Att fatta produktbeslut enbart baserat på rådata är ett stort UX-misstag. Att hoppa över analyssteget kan resultera i att användarna får en ofullständig eller ineffektiv lösning, eller till och med orsaka att projektteamet fokuserar på att lösa fel problem eller att känna igen de verkliga användarna. Av dessa och andra skäl är dataanalys en väsentlig process som håller hela projektet på rätt spår. Det gör det genom att ta hänsyn till användarnas verkliga behov och samla information som hjälper till att utveckla den bästa och mest optimala lösningen möjligt.

När ska man analysera datan?

Många människor har en grov missuppfattning om att analysen ska ske efter att forskningen är avslutad, det vill säga efter att information har samlats in från många källor. Denna metod är dock ineffektiv, eftersom granskning av en så stor mängd data kräver enorma insatser, arbetskraft och tid. Det är mer effektivt att undersöka data kontinuerligt, till exempel att ta några minuter efter varje djupintervju.

Kom också ihåg att ta anteckningar under din forskning. På så sätt kan du skriva ner färska observationer och se till att inget utelämnas. Dessa reflektioner gör att du enkelt kan välja information och välja ut den som kommer att vara mest relevant för senare designrekommendationer. Att analysera kontinuerligt, efter varje litet forskningssteg, gör att du kan genomföra den slutliga sammanfattande analysen på ett mycket mer organiserat och strukturerat sätt, men framför allt, mycket snabbare.

Dataanalys i UX-forskning

Dataanalys i UX-forskning omvandlar tidigare obehandlad data till meningsfull information som stödjer affärsbeslut. Att genomföra en omfattande dataanalys består av fem grundläggande steg – dessa steg är:

1. Definiera målen för analysen
2. Organisera data
3. Undersökning
4. Klustering
5. Identifiering av resultat och insikter

Definiera målen för analysen

Det första steget definierar målen för vår analys – dessa bör komma i strikt överensstämmelse med målen för UX-forskning. Vid detta steg, kom ihåg att inte avvika från de motiv som fick dig att börja genomföra forskning – till exempel, vad är användarens behov; på vilken sida är avvisningsgraden mer betydande och varför; vilka förbättringar som ska göras för att öka konverteringsgraden; eller hur man gör vår produkt mer attraktiv än konkurrensen. Att hålla fast vid dessa och forskningsmålen kommer att hjälpa dig att förstå hur man genomför dataanalys på ett sätt som är användbart för projektet. För att exakt definiera vad du letar efter.

Organisera data

Varje undersökning ger olika typer av data, mer och mindre relevanta för projektet. Därför måste du hantera, välja och filtrera dem klokt för användbarhet. Att organisera data möjliggör också en genomtänkt arrangemang för snabbt kunna hämta den önskade informationen när det behövs. Till exempel kan du katalogisera data efter den undersida av webbplatsen som den avser. Segregation är nyckeln till att genomföra effektiv dataanalys och förbättra dess visualisering vilket gör att intressenterna förstår hela processen bättre.

Undersökning

Undersökningsfasen ligger i hjärtat av hela dataanalysprocessen. Dess huvudmål består av att identifiera de ord, idéer eller fraser som förekommer oftast i användarnas svar och som mest sannolikt ligger i linje med syftet med analysen. Denna process handlar inte bara om att leta efter ord och deras synonymer, utan om att förstå vad de betyder för användarna i deras kontext.

Att ha klargjort ord och uttryck betyder att bero på den studerade användargruppen. Det händer eftersom människor varierar. De har unika erfarenheter och beteenden, samt sätt att uttrycka sig. Därför bör du undvika att transkribera användarsvar till ditt ordförråd. Istället, håll dig så mycket som möjligt till originalet, eftersom varje variation, även den minsta, kan skada undersökningsfasen och omforma hela dataanalysen.

Klustering

Det nästa steget är att utforma så kallade kluster för att märka svaren enligt de som identifierades i undersökningsfasen. Dessa kluster hjälper teamet att särskilja prioriterade frågor. Till exempel, om mer än hälften av användarsvaren passar in i det skapade klustret märkt “Gränssnittets prestanda”, bör teamet troligen prioritera detta ämne och leta efter frågor som specifikt rör gränssnittets prestanda.

Identifiering av resultat och insikter

Låt oss inte glömma att resultat inte är insikter. Resultat handlar om de upptäckta, undersökta, sedan grupperade och katalogiserade fakta som forskarteamet har belyst genom analysprocessen. Insikter, å sin sida, hänvisar bara till handlingen att känna igen orsakerna som gav upphov till resultaten. Detta är en ganska distinkt egenskap eftersom användarsvar inte alltid leder till källan till problemet. Designerens jobb är då att se djupare och söka efter insikter.

Användare är vanligtvis oförmögna att identifiera källan till sina svårigheter på egen hand. Forskarteamet måste därför granska resultaten under dataanalysprocessen, diskutera dem och sedan söka efter insikter och matcha dem med forskningsmålen. En workshop för att identifiera de mest relevanta insikterna hjälper till att genomföra denna uppgift. Effektiv användning av detta verktyg innebär att genomföra flera diskussionsrundor åtskilda av korta pauser.

De steg som beskrivits ovan är en ganska allmän och standardiserad dataanalysprocess som fungerar med vilken forskningsmetod (både kvalitativ och kvantitativ) som helst. Allt du behöver göra är att anpassa stegen korrekt till din process.

Kvantitativ vs. kvalitativ dataanalys

Även om processen att analysera kvantitativ data inte är betydligt annorlunda än att analysera kvalitativ data, kan designers på grund av denna forsknings natur få olika insikter. Kvantitativ forskning fokuserar på att samla in och analysera numerisk data, med hjälp av statistik och sannolikhet. Indikatorer som avvisningsgraden för en given sida, till exempel, eller den demografiska profilen för en användare, ger forskarna konkret och kvantifierbar information om hur människor interagerar med produkten och publiken själv.

Kvalitativ forskning fokuserar mer på abstrakta begrepp, såsom mänskligt beteende. Av denna anledning är det värt att ta lite mer tid för att studera och utvärdera för att fullt ut förstå användarupplevelsen och åsikterna. Det är värt att ställa hjälpsamma frågor i detta skede, såsom:

• Vad gillar användarna mest med produkten och vad gillar de minst?
• Varför reagerar vissa användare annorlunda än andra?
• Hade (och när) användarna en känslomässig reaktion?
• Är (och varför) användarna nöjda med produkten?

Med tanke på skillnaden i den mottagna datan, är det meningsfullt att använda både kvantitativa och kvalitativa anekdoter som en del av UX-forskningen. På så sätt kompletterar den insamlade datan varandra och ger en tydlig och djupare insikt i resultaten.

Sammanfattning

En korrekt genomförd dataanalys möjliggör bättre, mer optimala designbeslut. Att utelämna dess resultat leder till att utveckla en ofullständig, ineffektiv produkt som inte svarar mot användarnas faktiska behov. Detta är varför dataanalys är en så kritisk process som avgör framgången för hela projektet. Det ger dig möjlighet att samla in och välja nyckelinformation som, när den översätts till konkreta designrekommendationer, hjälper till att utveckla den bästa möjliga lösningen – skräddarsydd för användarnas behov och krav. De dataanalyssteg vi beskrev kommer att hjälpa dig att genomföra det på ett strukturerat sätt och fokusera på det som är viktigast.

Om du gillar vårt innehåll, gå med i vår aktiva gemenskap av bin på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.