Dataanalyse i UX-forskning | UX-forskning #33

Ved du, hvilken rolle dataanalyse spiller i UX-forskning? I dag vil vi fokusere på spørgsmålet om dataanalyse i UX ved at diskutere kvalitativ og kvantitativ dataanalyse samt lære om dens faser, hovedmål og mål. Vi vil også foreslå, hvornår det er det rigtige tidspunkt at udføre det i et projekt.

Dataanalyse i UX-forskning – indholdsfortegnelse:

1. Hvorfor analysere de indsamlede data?
2. Hvornår skal man analysere dataene?
3. Dataanalyse i UX-forskning
4. Definere målene for analysen
5. Kvalitativ analyse af forskningsdata
6. Sammenfatning

Hvorfor analysere de indsamlede data?

At træffe en produktbeslutning udelukkende baseret på rå data er en stor UX-fejl. At springe analysefasen over kan resultere i at give brugerne en ufuldstændig eller ineffektiv løsning, eller endda få projektteamet til at fokusere på at løse det forkerte problem eller genkende de rigtige brugere. Af disse og andre grunde er dataanalyse en væsentlig proces, der holder hele projektet på rette spor. Det gør det ved at tage højde for brugernes reelle behov og indsamle information, der hjælper med at udvikle den bedst mulige og mest optimale løsning.

Hvornår skal man analysere dataene?

Mange mennesker har en grov misforståelse om, at analysen skal finde sted efter afslutningen af forskningen, dvs. efter indsamling af information fra mange kilder. Denne tilgang er dog ineffektiv, da det kræver enormt arbejde, manpower og tid at undersøge en så stor mængde data. Det er mere effektivt at undersøge data løbende, for eksempel at tage et par minutter efter hver dybdegående interview.

Husk også at tage noter under din forskning. På den måde kan du nedskrive friske observationer og sikre, at intet bliver udeladt. Disse refleksioner gør det nemt for dig at vælge information og vælge dem, der vil være mest relevante for senere designanbefalinger. At analysere løbende, efter hvert lille forskningsskridt, giver dig mulighed for at udføre den endelige sammenfattende analyse på en langt mere organiseret og struktureret måde, men frem for alt, meget hurtigere.

Dataanalyse i UX-forskning

Dataanalyse i UX-forskning omdanner tidligere ubehandlede data til meningsfuld information, der vil støtte forretningsbeslutninger. At udføre en omfattende dataanalyse består af fem grundlæggende trin – disse trin er:

1. Definere målene for analysen
2. Organisere data
3. Undersøgelse
4. Klyngedannelse
5. Identifikation af resultater og indsigter

Definere målene for analysen

Det første skridt definerer målene for vores analyse – disse bør komme i strengt overensstemmelse med målene for UX-forskning. På dette stadium skal du huske ikke at afvige fra de motiver, der fik dig til at begynde at udføre forskning – for eksempel, hvad er brugerens behov; på hvilken side er afvisningsraten mere betydelig, og hvorfor; hvilke forbedringer skal der laves for at øge konverteringsraten; eller hvordan man gør vores produkt mere attraktivt end konkurrenterne. At holde fast i disse og forskningsmålene vil hjælpe dig med at forstå, hvordan du kan udføre dataanalyse på en måde, der er nyttig for projektet. For at definere præcist, hvad du leder efter.

Organisere data

Hver undersøgelse giver forskellige typer data, mere og mindre relevante for projektet. Derfor skal du administrere, vælge og filtrere dem klogt til brugervenlighed. At organisere data muliggør også en gennemtænkt arrangement, så du hurtigt kan finde den ønskede information, når det er nødvendigt. For eksempel kan du katalogisere data efter den underside af hjemmesiden, som de vedrører. Adskillelse er nøglen til at udføre effektiv dataanalyse og forbedre dens visualisering, hvilket gør det lettere for interessenter at forstå hele processen.

Undersøgelse

Undersøgelsesfasen ligger i hjertet af hele dataanalyseprocessen. Dets hovedmål består i at identificere de ord, ideer eller sætninger, der forekommer hyppigst i brugernes svar og som sandsynligvis er i overensstemmelse med formålet med analysen. Denne proces handler ikke kun om at lede efter ord og deres synonymer, men om at forstå, hvad de betyder for brugerne i deres kontekst.

At have det afklaret betyder, at ord og udtryk afhænger af den studerede brugergruppe. Det sker, fordi folk varierer. De har unikke oplevelser og adfærd samt måder at udtrykke sig på. Derfor bør du undgå at transskribere brugerens svar til dit ordforråd. I stedet skal du holde dig så tæt på det originale som muligt, fordi enhver variation, selv den mindste, kan skade undersøgelsesfasen og omforme hele dataanalysen.

Klyngedannelse

Det næste skridt er at udtænke såkaldte klynger for at mærke svarene i henhold til dem, der blev identificeret i undersøgelsesfasen. Disse klynger hjælper teamet med at differentiere prioriterede problemer. For eksempel, hvis mere end halvdelen af brugerens svar passer ind i den oprettede klynge mærket “Interface-ydeevne”, bør teamet sandsynligvis prioritere dette emne og se efter problemer, der specifikt relaterer sig til interface-ydeevne.

Identifikation af resultater og indsigter

Lad os ikke glemme, at resultater ikke er indsigter. Resultater vedrører de opdagede, undersøgte, derefter grupperede og katalogiserede fakta, som forskerteamet har afdækket gennem analyseprocessen. Indsigter, derimod, refererer blot til handlingen med at genkende årsagerne, der har forårsaget resultaterne. Dette er en ret distinkt funktion, da brugerens svar ikke altid fører til kilden til problemet. Designerens opgave er derfor at se dybere og søge efter indsigter.

Brugere er normalt ikke i stand til at identificere kilden til deres vanskeligheder på egen hånd. Forskningsteamet skal derfor gennemgå resultaterne under dataanalyseprocessen, diskutere dem og derefter søge efter indsigter og matche dem med forskningsmålene. Et workshop til at identificere de mest relevante indsigter hjælper med at udføre denne opgave. Effektiv brug af dette værktøj involverer at gennemføre flere runder af diskussioner adskilt af korte pauser.

De beskrevne trin er en ret generel og standard dataanalyseproces, der fungerer med enhver forskningsmetode (både kvalitativ og kvantitativ). Alt, hvad du skal gøre, er at tilpasse trinene korrekt til din proces.

Kvantitativ vs. kvalitativ dataanalyse

Selvom processen med at analysere kvantitative data ikke er væsentligt forskellig fra at analysere kvalitative data, kan designere på grund af denne forsknings natur modtage forskellige indsigter. Kvantitativ forskning fokuserer på at indsamle og analysere numeriske data ved hjælp af statistik og sandsynlighed. Indikatorer som afvisningsraten for en given side, for eksempel, eller den demografiske profil af en bruger, giver forskerne konkrete og kvantificerbare oplysninger om, hvordan folk interagerer med produktet og publikum selv.

Kvalitativ forskning fokuserer mere på abstrakte begreber, såsom menneskelig adfærd. Af denne grund er det værd at tage lidt mere tid til at studere og evaluere for fuldt ud at forstå brugeroplevelsen og meningerne. Det er værd at stille nyttige spørgsmål på dette stadium, såsom:

• Hvad kan brugerne bedst lide ved produktet, og hvad kan de lide mindst?
• Hvorfor reagerer nogle brugere anderledes end andre?
• Har (og hvornår) brugerne haft en følelsesmæssig reaktion?
• Er (og hvorfor) brugerne tilfredse med produktet?

Givet forskellen i de modtagne data giver det mening at bruge både kvantitative og kvalitative anekdoter som en del af UX-forskningen. På den måde supplerer de indsamlede data hinanden og giver klare og dybere indsigter i resultaterne.

Sammenfatning

En korrekt udført dataanalyse muliggør bedre, mere optimale designbeslutninger. At undlade at tage hensyn til dens resultater fører til udvikling af et ufuldstændigt, ineffektivt produkt, der ikke svarer til brugernes faktiske behov. Derfor er dataanalyse en så kritisk proces, der bestemmer succesen for hele projektet. Det giver dig mulighed for at indsamle og vælge nøgleinformation, der, når den oversættes til konkrete designanbefalinger, hjælper med at udvikle den bedst mulige løsning – skræddersyet til brugernes behov og krav. De dataanalysestrin, vi har beskrevet, vil hjælpe dig med at udføre det på en struktureret måde og fokusere på det, der betyder mest.

Hvis du kan lide vores indhold, så bliv en del af vores travle bier-fællesskab på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.