تحلیل تحقیقات UX

هنر تحلیل تحقیقات تجربه کاربری (UX) را با یادگیری روش‌های مؤثر برای تحلیل داده‌های کیفی و کمی به دست آورید.

مهم نیست از چه روشی برای تحقیقات کاربری استفاده می‌کنید، مرحله بعد باید تحلیل باشد. نمی‌توانید داده‌های خام را مستقیماً به محصول خود اعمال کنید. از تحلیل برای جداسازی گندم از کاه، یعنی تعیین اینکه کدام داده‌ها مهم هستند و کدام نیستند، استفاده کنید.

صرف نظر از نوع داده‌هایی که تحلیل می‌کنید – تجزیه‌وتحلیل وب، رونوشت مصاحبه‌ها، یادداشت‌های میدانی یا نقشه‌های حرارتی – تمرکز شما باید بر اهداف تحقیق باشد و در عین حال مخاطب هدف محصول خود را نیز در ذهن داشته باشید.

داشتن این اطلاعات به شما کمک می‌کند تا در مرحله تحلیل متمرکز باقی بمانید و اهمیت واقعی داده‌ها را برای پروژه خود تعیین کنید.

اهمیت تحلیل داده‌ها

انجام تحقیقات UX صرفاً برای انجام تحقیق، هرگز ایده خوبی نیست. هدف اصلی، به‌دست‌آوردن یافته‌های ارزشمند، مرتب‌سازی، تحلیل و در نهایت ایجاد بینش‌هایی است که در فرآیند توسعه به کار گرفته شوند.

یکی از بزرگ‌ترین اشتباهاتی که متخصصان UX ممکن است مرتکب شوند، نتیجه‌گیری شتاب‌زده براساس داده‌های خام آماری و عمل بدون بررسی کافی است. تحلیل داده‌ها به شما امکان می‌دهد تصویر بزرگ‌تر را ببینید، تصمیمات معنادارتری بگیرید و در نتیجه، در زمان و هزینه صرفه‌جویی کنید. به‌جای تمرکز بر اعداد تصادفی یا نقل‌قول‌های کاربران، پژوهشگران UX باید به دنبال پاسخ به این باشند که چرا کاربران به یک روش خاص رفتار یا فکر می‌کنند.

به عنوان مثال، اگر تحقیقات شما نشان می‌دهد که ۸۰ درصد کاربران تمایل به نادیده‌گرفتن دکمه اشتراک دارند، سعی کنید بفهمید چرا این اتفاق می‌افتد. شاید به‌جای بازطراحی دکمه، نیاز باشد جای آن را تغییر دهید یا در مزایای اشتراک‌گذاری تجدیدنظر کنید.

تحلیل دقیق داده‌ها به تیم‌ها کمک می‌کند تا نقاط درد کاربران را به‌وضوح درک کرده و تصمیمات منطقی‌تری بگیرند.

داده‌های نگرشی (Attitudinal Data)

تحلیل داده‌های تحقیقات کاربری، داده‌های کیفی زیادی تولید می‌کند. داده‌های کیفی نگرشی، افکار، باورها، احساسات یا فرضیات کاربران را براساس آنچه می‌گویند، نشان می‌دهد. این نوع داده‌ها معمولاً شامل نقل‌قول‌ها و حکایاتی است که در طول مصاحبه‌های کاربری، گروه‌های متمرکز، دسته‌بندی کارت‌ها یا مطالعات دفترچه‌ای جمع‌آوری می‌شوند.

یکی از معایب داده‌های نگرشی این است که کاربران همیشه آنچه را که می‌گویند انجام می‌دهند، انجام نمی‌دهند. این به این معنی است که داده‌های نگرشی می‌توانند گیج‌کننده باشند و گاهی منجر به فرضیات نادرست شوند.

داده‌های رفتاری

داده‌های رفتاری (Behavioral Data) به‌عنوان باارزش‌ترین داده‌های جمع‌آوری‌شده در طول تحقیقات کاربری شناخته می‌شوند. این داده‌ها رفتار کاربر را در مطالعات مشاهده‌ای، پرس‌وجوهای متنی و سایر روش‌های قوم‌نگاری نشان می‌دهند.

متأسفانه، متخصصان UX همیشه فرصت مصاحبه با شرکت‌کنندگان را ندارند تا بفهمند چرا آنها به روش خاصی رفتار می‌کنند و چرا یک مسیر کاربری را به دیگری ترجیح می‌دهند.

به‌زودی به تحلیل فکر کنید

در حالت ایده‌آل، باید از اوایل فرآیند، به مرحله تحلیل فکر کنید – حتی قبل از شروع تحقیقات. به خاطر داشته باشید که اهداف و فرضیه‌های تحقیق به شما کمک می‌کنند در طول تحلیل اصلی، روی مسیر درست باقی بمانید و پاسخ‌های مرتبط پیدا کنید.

تصور کنید هدف تحقیق شما کشف دلیل رها کردن سبد خرید توسط مشتریان باشد. در این سناریو، احتمالاً فرضیاتی درباره منطق پشت این رفتار دارید و در هنگام تحلیل داده‌های تحقیقاتی به دنبال متغیرهای خاصی خواهید بود.

در این مرحله، می‌توانید برچسب‌ها یا کدهایی ایجاد کنید که به شما در دسته‌بندی و شناسایی داده‌ها مطابق با اهداف تحقیق در مراحل نهایی کمک می‌کنند. به عنوان مثال، اگر در حال آزمایش قابلیت استفاده یک صفحه فرود هستید، می‌توانید کدهایی مانند “ناوبری”، “زیبایی‌شناسی”، “خطاهای حیاتی”، “توصیه‌ها” و سایر نقاط درد را که ممکن است در طول مطالعه کشف کنید، ایجاد کنید.

تحلیل در مرحله اکتشاف

تحلیل حتی در مرحله اکتشاف تحقیقات شما نیز ضروری است. متخصصان UX نیز انسان هستند و ممکن است برخی موارد را از حافظه خود فراموش کنند. یادداشت‌برداری، مرور رکوردها و ثبت اولین برداشت‌ها در حالی که هنوز تازه در حافظه است، به پژوهشگران کمک می‌کند افکار یا ایده‌های مهم را به یاد داشته باشند و حفظ کنند.

کلماتی که شرکت‌کنندگان انتخاب می‌کنند، حالت‌های چهره، زبان بدن و رفتار کلی آنها را یادداشت کنید – همه این‌ها برای درک عمیق‌تر از منطق، احساسات و نیازهای آنها مهم هستند.

پژوهشگران UX معمولاً بیش از یک جلسه برگزار می‌کنند، بنابراین تحلیل داده‌ها بلافاصله پس از هر جلسه مانع از ترکیب داده‌ها می‌شود. بحث‌های تیمی پس از هر جلسه می‌تواند به بررسی فرآیند از زوایای مختلف و شناسایی تناقضات و سوالات نامناسب کمک کند.

تحلیل داده‌ها در مرحله اکتشاف می‌تواند قبل از انجام تحلیل نهایی، مقدار زیادی از زمان و منابع شما را ذخیره کند. در درازمدت، این کار به شناسایی نقاط درد و نیازهای کاربران و ایجاد محصولات بهتر کمک می‌کند.

نکته: اطمینان حاصل کنید که بین جلسات ۱۵ دقیقه وقفه برای مرور یادداشت‌ها، گفت‌وگو با تیم و نوشتن خلاصه داشته باشید.

اولویت‌بندی و تعیین اهداف

تحلیل حجم عظیمی از داده‌هایی که در یک مطالعه کاربری جمع‌آوری می‌شوند، می‌تواند طاقت‌فرسا باشد و ممکن است ندانید از کجا باید شروع کنید. اولویت‌بندی و درک اهداف به شما کمک می‌کند هنگام تحلیل نتایج، بر داده‌های مرتبط تمرکز کنید.

پیش از شروع، بنویسید چرا از ابتدا تصمیم به انجام تحقیقات UX گرفته‌اید. برای مثال، شما در حال طراحی یک اپلیکیشن یوگا هستید و می‌خواهید بدانید آیا کاربران از آن لذت می‌برند و نیازهای آنها را برآورده می‌کند یا خیر. با در نظر داشتن این هدف تحقیقاتی، می‌توانید یافته‌ها را اولویت‌بندی کنید و مشخص کنید که کدام موارد ضروری و کدام موارد دلخواه هستند.

به عنوان مثال، ممکن است دریابید که کاربران شما علاوه بر یوگا به انجام تمرینات مدیتیشن نیز علاقه‌مند هستند. این یافته‌ها موارد دلخواه هستند و می‌توان آنها را در دسته‌بندی غیرضروری قرار داد. از طرف دیگر، موارد ضروری باید در اولویت بالاتری هنگام تحلیل قرار بگیرند. به عنوان مثال، اگر کاربران از کیفیت ویدیوهای یوگا راضی نیستند، باید ابتدا این مشکل برطرف شود.

نکته: یافته‌های دلخواه را در فهرست عقب‌افتاده‌های خود نگه دارید تا در صورت داشتن زمان و منابع، به آنها بپردازید.

تحلیل داده‌های کمی

پس از جمع‌آوری داده‌های عددی از طریق نظرسنجی‌ها، آمار و تحلیل وب، یک مجموعه داده بزرگ خواهید داشت که می‌توان آن را با نرم‌افزارهای خاص (SPSS، JMP، Stata، R و غیره) یا به سادگی با یک صفحه‌گسترده تحلیل کرد.

روش‌های مختلفی را می‌توان برای به‌دست‌آوردن بینش‌های مفید از داده‌های کمی به کار برد:

بررسی متقاطع (Cross Tabulation): این روش به متخصصان UX اجازه می‌دهد تا ارتباط بین چندین متغیر را تحلیل کرده و الگوها، روندها و احتمالات را در مجموعه داده‌ها تعیین کنند.
تحلیل ماکس-دیف (Max-diff Analysis): این روش امکان سنجش نمره ترجیح/اهمیت اقلام مختلف را فراهم می‌کند. این روش اغلب به‌عنوان روش “بهترین-بدترین” شناخته می‌شود زیرا به شناسایی ویژگی‌هایی که برای کاربران بیشترین اهمیت را دارند، کمک می‌کند.
تحلیل کانجوینت (Conjoint Analysis): این روش به شناسایی ترکیب بهینه ویژگی‌ها در یک محصول یا خدمت کمک کرده و آنها را از مطلوب‌ترین تا کمترین مطلوب رتبه‌بندی می‌کند. این روش شامل فاکتورها (مانند کلاس خدمات یا برند هواپیمایی) و سطوح آن (اقتصادی و تجاری؛ خطوط هوایی Southwest، Delta، American و United) است.
تحلیل شکاف (Gap Analysis): این روش تفاوت بین وضعیت مطلوب و وضعیت فعلی را نشان می‌دهد. به عنوان مثال، می‌توانید وضعیت واقعی و مورد انتظار رضایت مشتری را مقایسه کنید.
تحلیل روند (Trend Analysis): این روش تغییرات یک ارزش در طول زمان و پارامترهایی که بر این تغییر تأثیر می‌گذارند را نشان می‌دهد.
تحلیل متنی احساسات (Sentiment Text Analysis): این روش به پژوهشگران کمک می‌کند تا بازخورد کاربران را از داده‌های متنی با استفاده از ابزارهای پردازش زبان طبیعی (NLP) پردازش کنند.

سوالاتی در هنگام تحلیل داده‌های کمی

تحلیل داده‌های کمی شامل کار با اعداد است. اگرچه ممکن است کاری خسته‌کننده و طاقت‌فرسا به نظر برسد، تحلیل کمی UX به پژوهشگران این امکان را می‌دهد که الگوها و گرایش‌ها را ببینند و بررسی کنند که کاربران چگونه با یک محصول تعامل دارند. بر اساس بینش‌های جمع‌آوری‌شده، می‌توانیم تصمیم بگیریم چه چیزی می‌تواند برای کمک به افراد در رسیدن به اهداف خود سریع‌تر و مؤثرتر بهبود یابد.

هنگام تحلیل داده‌های کمی، می‌توانید موارد زیر را مشخص کنید:

میزان موفقیت در یک کار خاص
مدت زمانی که کاربران برای انجام یک کار صرف می‌کنند
نرخ پرش (Bounce Rate) یک صفحه وب
پروفایل جمعیتی کاربران
ویژگی‌هایی که کاربران بیشتر از آنها استفاده می‌کنند
میزان رضایت کاربران از یک ویژگی یا محصول
نیازهای کاربران که توسط محصول برآورده نمی‌شود
ویژگی‌های حیاتی که به بیشترین توجه نیاز دارند
تجربیات متفاوت گروه‌های مختلف کاربر

تحلیل داده‌های کیفی

داده‌های تحقیقات کیفی با رفتار انسانی سروکار دارند که ممکن است نسبت به داده‌های عددی کمی، سخت‌تر برای تحلیل باشد. خواندن رونوشت‌های طولانی و یادداشت‌های میدانی گسترده و تصمیم‌گیری درباره اینکه چه جزئیاتی مهم هستند و چه مواردی می‌توانند نادیده گرفته شوند، می‌تواند زمان‌بر باشد. همچنین، بازخورد شرکت‌کنندگان می‌تواند متناقض باشد، و پژوهشگران باید عینی باقی بمانند و سعی کنند دیدگاه‌هایی را که با باورهایشان مطابقت ندارد نادیده نگیرند. یکی از بهترین روش‌ها برای تجزیه و سازماندهی داده‌های غنی، تحلیل موضوعی (Thematic Analysis) است.

تحلیل موضوعی

تحلیل موضوعی، داده‌های جمع‌آوری‌شده را به‌صورت موضوعاتی گروه‌بندی می‌کند که هر مشاهده و نقل‌قول فردی را با کدهای مناسب (مانند برچسب‌ها یا کلمات کلیدی) مشخص می‌سازد. در هنگام کدگذاری، پژوهشگران هر بخش متن را مرور کرده و نامی که داده را توصیف می‌کند به آن می‌دهند. در جستجوی موضوعات، برخی کدها ممکن است ترکیب یا گسترش داده شوند.

آخرین مرحله شامل ارزیابی موضوعات است – باور، تمرین، نیاز یا پدیده‌ای که چندین بار در یافته‌های داده‌ها ظاهر می‌شود و می‌توان آن را با چندین نمونه پشتیبانی کرد.

تحلیل موضوعی را می‌توان با استفاده از نرم‌افزار، یادداشت‌برداری (که شامل کدگذاری دستی و فرآیندهای تفکر ضروری توسط پژوهشگران می‌شود) یا تکنیک‌های نمودار وابستگی (Affinity Diagramming) انجام داد.

نکته: درباره نمودارهای وابستگی بیشتر بیاموزید تا الگوها، موضوعات و فرصت‌ها را در درس «نمودارهای وابستگی در تحقیقات UX» شناسایی کنید.

سوالاتی در هنگام تحلیل داده‌های کیفی

تحلیل داده‌های تحقیق کیفی، بینش‌های عمیق و پاسخ‌هایی در مورد علت رفتار خاص کاربران ارائه می‌دهد.

هنگام تحلیل داده‌ها، سوالات زیر را در نظر داشته باشید:

کاربران کدام ویژگی این محصول را بیشتر دوست دارند؟
کدام ویژگی این محصول را کمتر دوست دارند؟ چرا؟
کدام عملکردها ارزش بیشتری دارند؟
کدام عملکردها نادیده گرفته می‌شوند؟
آیا آنها به برخی ویژگی‌ها واکنش احساسی دارند؟ چه زمانی؟
آیا از محصول راضی هستند؟ چرا؟
محصول چگونه در زندگی روزمره آنها جای می‌گیرد؟ این محصول چقدر برای آنها مهم است؟ چرا؟
الگوها یا پاسخ‌های رایج در رفتار کاربران کدام هستند؟

اشتباهات تحلیل کیفی که باید از آنها اجتناب کرد

حتی باتجربه‌ترین پژوهشگران UX نیز ممکن است در تحلیل داده‌های کیفی اشتباه کنند. به رایج‌ترین موارد توجه کنید:

داشتن داده‌های دسته‌بندی‌نشده زیاد: از اعضای تیم خود نظر بخواهید، بازخورد کاربران را اولویت‌بندی کنید و تصمیم بگیرید چه جزئیاتی می‌توان حذف کرد و کدام داده‌ها برای نگه‌داشتن ضروری هستند.
داشتن سوگیری در مورد نتایج تحقیق: این موضوع می‌تواند منجر به تفسیر نادرست داده‌های مهم شود. برای جلوگیری از تأثیر سوگیری‌ها بر نتایج، همه سوگیری‌های احتمالی را قبل از مرحله اکتشاف بنویسید و با تیم خود درباره آنها گفت‌وگو کنید.
کاهش بیش از حد یا “تسطیح” داده‌ها: این کار شامل خلاصه کردن داده‌های جمع‌آوری‌شده به پاسخ‌های نظرسنجی با پایان بسته مانند سوالات “بله یا خیر” است. تمرکز شما باید بر تحلیل فقط معنادارترین و قابل‌استفاده‌ترین داده‌ها باشد. همچنین، مطمئن شوید که در طول مطالعات کاربری، سوالات با پایان باز را درج کنید.

نکته: در درس «اخلاق و سوگیری‌ها» در دوره فعلی، درباره سوگیری‌ها – بدترین دشمنان تحقیقات اخلاقی کاربران – بیشتر بیاموزید.

ترکیب یافته‌ها

وقتی تحلیل داده‌های کیفی و/یا کمی را به پایان رساندید، زمان آن رسیده است که یافته‌های خود را ترکیب کرده و به بینش‌هایی برسید. ترکیب داده‌ها به پژوهشگران کمک می‌کند تا موضوعات شناسایی‌شده را به چیزی معنادار تبدیل کنند.

تفاوت بین یافته‌ها و بینش‌ها

بین یافته‌ها و بینش‌ها تفاوت قائل شوید. یافته یک واقعیت یا بیانیه است که از تحقیقات کاربری استخراج شده است. به عنوان مثال، اینکه ۷۰ درصد کاربران سبد خرید خود را در صفحه پرداخت رها می‌کنند، یک یافته است.

اما بینش، نتیجه‌گیری در مورد رفتار انسانی یا انگیزه کاربر براساس این بیانیه است. در این مثال، یک بینش می‌تواند این باشد که صفحه پرداخت بیش از حد گیج‌کننده است یا شامل مواردی است که کاربران را از خرید بازمی‌دارد.

چگونه یافته‌ها را ترکیب کنیم؟

یافته‌ها را اولویت‌بندی کرده و براساس اهداف تحقیقاتی خود، مواردی که به نظر مرتبط‌ترین هستند انتخاب کنید.
موضوعات، یافته‌ها و بینش‌های خود را با استفاده از برچسب‌های چسبی، تخته‌های سفید یا هر سیستم دیگری که ترجیح می‌دهید، سازماندهی کنید.
مهم‌ترین بینش‌ها را در یک سند فهرست کنید.
آنها را با تیم خود به اشتراک بگذارید و با هم طوفان فکری کنید که چه چیزی را می‌توان از این بینش‌ها آموخت.

نتایج متناقض

گاهی اوقات، روش‌های تحقیق مختلف ممکن است نتایج ناسازگار یا متناقضی ایجاد کنند. به عنوان مثال، ممکن است میزان موفقیت کاربران در انجام یک کار ۱۰۰ درصد باشد، اما همچنان گزارش کنند که از برنامه راضی نیستند و اگر جایگزین بهتری پیدا کنند، آن را تغییر خواهند داد.

برای جلوگیری از این یافته‌های متناقض چه کاری می‌توان انجام داد؟ از بررسی روش‌شناسی شروع کنید:

پاسخ‌دهندگان: آیا همان پاسخ‌دهندگان در هر دو مطالعه شرکت کرده‌اند؟ افراد مختلف ممکن است پاسخ‌های متفاوتی داشته باشند که می‌تواند منجر به نتایج متناقض شود.
وظایف: آیا شرکت‌کنندگان زمان یکسانی برای انجام کار داشتند؟ آیا وظیفه برای همه شرکت‌کنندگان یکسان بود؟
محیط: آیا کاربران کار را در یک محیط مشابه انجام داده‌اند یا چیزی وجود داشت که ممکن بود حواس آنها را پرت کند یا بر پاسخ‌های آنها تأثیر بگذارد؟
تحلیل داده‌ها: آیا میزان معناداری آماری به‌اندازه کافی بالا است؟ آیا امکان اصلاح بیش‌ازحد داده‌ها وجود داشته است؟

اگر دریافتید که هیچ‌کدام از روش‌های تحقیقاتی شما نادرست نیستند، ممکن است نیاز به انجام یک مطالعه دیگر داشته باشید. نتایج متناقض رایج هستند، بنابراین دلسرد نشوید.

ارائه توصیه‌ها

مرحله نهایی تحلیل به ارائه توصیه‌های واقعی براساس بینش‌های کلیدی و داده‌های پشتیبان مربوط می‌شود. گنجاندن توصیه‌ها در گزارش تحقیق، نکات ارزشمندی را برای ذی‌نفعان فراهم می‌کند و آنها را تشویق می‌کند فوراً برای حل مشکلات کاربران اقدام کنند.

همچنین می‌توانید فهرستی از بینش‌های به‌دست‌آمده را در یک سند به اشتراک بگذارید و در قالب حضوری یا از راه دور، گفت‌وگوی تیمی آزاد داشته باشید. به‌جای ارائه راه‌حل‌های آماده، می‌توانید با یکدیگر طوفان فکری کنید و بینش‌های خود را به سوالات «چگونه می‌توانیم» تبدیل کنید.

به عنوان مثال، بینش اینکه «کاربران سبد خرید خود را به این دلیل رها می‌کنند که تا وقتی دکمه پرداخت را کلیک نکنند، مبلغ کل را نمی‌بینند» می‌تواند به یک فرصت طراحی تبدیل شود – «چگونه می‌توانیم به کاربران کمک کنیم تا قبل از کلیک بر روی دکمه پرداخت، کل مبلغ، از جمله هزینه‌های ارسال و کارمزدها را مرور کنند؟»

بینش‌ها و توصیه‌ها به تیم شما کمک می‌کنند تا مشخص کنند باید روی چه چیزی تمرکز کنند و می‌توان آنها را به‌طور بالقوه به راه‌حل‌های طراحی تبدیل کرد.

References

یادداشت‌های بازاریابی

به روایت عرفان لطفی

یادداشت‌های بازاریابی

به روایت عرفان لطفی

مطالب دیگر

نکاتی برای نوشتن ایمیل‌های تبلیغاتی

طرز فکر نمایی (exponential)

بایاس یا خطاهای تفکری | تعریف و بررسی مهم‌ترین بایاس‌ها

مدل‌های ذهنی انعطاف‌پذیر هستند

دیدگاهتان را بنویسید لغو پاسخ

یادداشت‌های بازاریابی

یادداشت‌های بازاریابی عرفان لطفی را در شبکه‌های اجتماعی فالو کنید:

لینک‌ها

کلیه حقوق مطالب مربوط به علیرضا لطفی است. استفاده از مطالب یا طرح‌ها به هر شکل ممنوع است.