Do ni desegnas kaj sendas brilan novan funkcion. Kiel ni scias ĉu ĝi funkcias? Kiel ni mezuras kaj spuras ĝian efikon? Ne mankas UX-metriko, sed kio se ni volus establi simplan, ripeteblan, signifan UX-metrikon - specife por niaj funkcioj? Nu, ni vidu kiel fari ĝuste tion.
Mi unue aŭdis pri la kadro TARS de la mirinda artikolo de Adrian H. Raudschl pri "Kiel Mezuri Efiko de Trajtoj". Ĉi tie, Adrian elstarigis kiel lia teamo spuras kaj decidas pri kiuj funkcioj koncentriĝi - kaj tiam mapas ilin unu kontraŭ la alia en 2×2 kvadranta matrico. Ĝi rezultis esti tre utila kadro por bildigi la efikon de UX-laboro per la lenso de komercaj metrikoj. Ni vidu kiel ĝi funkcias. 1. Celita Publiko (%) Ni komencas kvantigante la celgrupon esplorante kian procenton de la uzantoj de produkto havas la specifan problemon, kiun trajto celas solvi. Ni povas studi ekzistantajn aŭ similajn funkciojn, kiuj provas solvi similajn problemojn, kaj kiom da uzantoj okupiĝas pri ili. Celita publiko tamen ne samas kiel uzado de funkcioj. Kiel Adrian notis, se ni scias, ke ekzistanta Eksportbutono-trajto estas uzata de 5% de ĉiuj uzantoj, tio ne signifas, ke la cela publiko estas 5%. Pli da uzantoj eble havas la problemon, kiun la eksporta funkcio provas solvi, sed ili ne povas trovi ĝin. Demando, kiun ni demandas: "Kiu procento de ĉiuj uzantoj de nia produkto havas tiun specifan problemon, kiun nova funkcio celas solvi?"
2. A = Adopto (%) Poste, ni mezuras kiom bone ni "akiras" nian celgrupon. Por tio, ni spuras kiom da uzantoj efektive okupiĝas sukcese kun tiu funkcio dum specifa tempodaŭro. Ni ne koncentriĝas pri CTR-oj aŭ sesio-daŭro tie, sed prefere se uzantoj signife okupiĝas pri ĝi. Ekzemple, se io signalas, ke ili trovis ĝin valora, kiel dividado de la eksporta URL, la nombro da eksportitaj dosieroj aŭ la uzado de filtriloj kaj agordoj.
Alta trajto adopto (>60%) sugestas ke la problemo estis efika. Malalta adopto (<20%) povus implici, ke la problemo havas simplajn solvojn, kiujn homoj fidis. Ŝanĝi kutimojn ankaŭ postulas tempon, kaj do malalta adopto en la komenco estas atendata. Foje, malalta adopto de funkcioj havas nenion komunan kun la funkcio mem, sed prefere kie ĝi sidas en la UI. Uzantoj eble neniam malkovros ĝin se ĝi estas kaŝita aŭ se ĝi havas konfuzan etikedon. Ĝi devas esti sufiĉe evidente por ke homoj falu sur ĝi. Malalta adopto ne ĉiam egalas malsukceson. Se problemo nur influas 10% de uzantoj, trafi 50-75% adopton ene de tiu specifa niĉo signifas, ke la funkcio estas sukceso. Demando, kiun ni demandas: "Kiu procento de aktivaj celuzantoj efektive uzas la funkcion por solvi tiun problemon?"
3. Reteno (%) Poste, ni studas ĉu trajto estas efektive uzata plurfoje. Ni mezuras la oftecon de uzo, aŭ specife, kiom da uzantoj, kiuj okupiĝis pri la funkcio, daŭre uzas ĝin laŭlonge de la tempo. Tipe, ĝi estas forta signalo por signifa efiko. Se trajto havas >50% retenprocenton (mezume), ni povas esti sufiĉe certaj, ke ĝi havas altan strategian gravecon. 25-35% retenprocento signalas mezan strategian signifon, kaj reteno de 10-20% tiam estas malalta strategia graveco. Demando, kiun ni demandas: "El ĉiuj uzantoj, kiuj signife adoptis funkcion, kiom multaj revenis por uzi ĝin denove?"
4. Kontentiga Poentaro (CES) Fine, ni mezuras la nivelon de kontento, kiun uzantoj havas kun tiu funkcio, kiun ni sendis. Ni ne demandas ĉiujn - ni demandas nur "retenitajn" uzantojn. Ĝi helpas nin rimarki kaŝitajn problemojn, kiuj eble ne reflektiĝas en la retenpoentaro.
Post kiam uzantoj efektive uzis funkcion plurfoje, ni demandas al ili kiom facile estis solvi problemon post kiam ili uzis tiun funkcion - inter "multe pli malfacila" kaj "multe pli facila ol atendite". Ni scias kiel ni volas gajni. Uzante TARS Por Feature Strategio Post kiam ni komencas mezuri per TARS, ni povas kalkuli S÷T-poentaron - la procenton de Kontentigaj Uzantoj ÷ Celaj Uzantoj. Ĝi donas al ni senton pri kiom bone funkcios por nia celita publiko. Post kiam ni faras tion por ĉiu trajto, ni povas mapi ĉiujn trajtojn tra 4 kvadrantoj en 2×2 matrico.
Troaperformaj trajtoj estas atentindaj: ili havas malaltan retenon sed altan kontenton. Eble simple estas funkcioj, kiujn uzantoj ne devas uzi ofte, sed kiam ili faras, ĝi estas ege efika. Respondecfunkcioj havas altan retenon sed malaltan kontenton, do eble ni devas labori pri iliplibonigi ilin. Kaj tiam ni ankaŭ povas identigi kernajn funkciojn kaj projektajn funkciojn - kaj konversacii kun dizajnistoj, PM kaj inĝenieroj pri tio, pri kio ni devus labori poste. Konverta Procento Ne Estas UX-Metriko TARS ne kovras konvertan indicon, kaj pro bona kialo. Kiel Fabian Lenz notis, konvertiĝo ofte estas konsiderata kiel la finfina indikilo de sukceso - tamen en la praktiko ĉiam estas tre malfacile prezenti klaran ligon inter pli malgrandaj dezajnaj iniciatoj kaj grandaj konvertiĝaj celoj.
La vero estas, ke preskaŭ ĉiuj en la teamo laboras por pli bona konvertiĝo. Pliiĝo povus esti konektita al multaj malsamaj iniciatoj - de vendo kaj merkatado ĝis interreta rendimento-akcelo ĝis laŭsezonaj efikoj ĝis UX-iniciatoj. UX povas, kompreneble, plibonigi konvertiĝon, sed ĝi ne vere estas UX-metriko. Ofte homoj simple ne povas elekti la produkton, kiun ili uzas. Kaj ofte dezirata komerca rezulto venas el neceso kaj lukto, prefere ol fido kaj aprezo. Alta Konvertiĝo Malgraŭ Malbona UX Kiel skribas Fabian, alta konverta indico povas okazi malgraŭ malbona UX, ĉar:
Forta markpovo tiras homojn enen, Agresemaj sed efikaj urĝecaj taktikoj, Prezoj estas ege allogaj, Merkatado funkcias brile, Historia klientolojaleco, Uzantoj simple ne havas alternativon.
Malalta Konvertiĝo Malgraŭ Granda UX Samtempe, malalta konverta indico povas okazi malgraŭ bonega UX, ĉar:
Ofertoj ne rilatas al la publiko, Uzantoj ne fidas la markon, Malbona komerca modelo aŭ alta risko de fiasko, Merkatado ne atingas la ĝustan publikon, Eksteraj faktoroj (prezo, tempo, konkurado).
Plibonigita konvertiĝo estas la pozitiva rezulto de UX-iniciatoj. Sed bona UX-laboro kutime plibonigas taskon, reduktas tempon por tasko, minimumigas erarojn kaj evitas decidan paralizon. Kaj ekzistas multaj ageblaj dezajnaj metrikoj, kiujn ni povus uzi por spuri UX kaj stiri daŭrigeblan sukceson. Envolvante Produktaj metrikoj sole ne ĉiam provizas precizan vidon pri kiom bone funkcias produkto. Vendoj povus funkcii bone, sed uzantoj povus esti ekstreme malefikaj kaj frustritaj. Tamen la falo estas malalta ĉar uzantoj ne povas elekti la ilon, kiun ili uzas.
Ni bezonas UX-metrikojn por kompreni kaj plibonigi uzantan sperton. Kion mi plej amas pri TARS estas, ke ĝi estas bona maniero konekti la uzadon de klientoj kaj la sperton de klientoj kun rilataj produktaj metrikoj. Persone, mi etendus TARS ankaŭ kun UX-fokusitaj metrikoj kaj KPIoj - depende de la bezonoj de la projekto. Grandan dankon al Adrian H. Raudaschl por kunmeti ĝin. Kaj se vi interesiĝas pri metrikoj, mi tre rekomendas, ke vi sekvu lin por praktikaj kaj utilaj gvidiloj ĉirkaŭe nur pri tio! Renkontu "Kiel Mezuri UX kaj Dezajna Efiko" Vi povas trovi pliajn detalojn pri UX-Strategio en 🪴 Measure UX & Design Impact (8h), praktika gvidilo por dizajnistoj kaj UX-kondukoj por mezuri kaj montri vian UX-efiko al komerco. Uzu la kodon 🎟 IMPACT por ŝpari 20% rabaton hodiaŭ. Saltu al la detaloj.
Video + UX-TrejnadoNurvidbendo + UX-Trejnado$ 495.00 $ 799.00
Akiru Videon + UX-Trejnadon25 videolecionojn (8h) + Vivan UX-Trejnadon. 100 tagojn mono-revenan garantion.Nur filmeto $ 250.00$ 395.00
Akiru la videokurson25 videolecionojn (8h). Ĝisdatigita ĉiujare.Ankaŭ havebla kiel UX-Pakaĵo kun 3 videokursoj.
Utilaj Rimedoj
"Kiel Mezuri UX kaj Dezajna Efiko", de via vere "Komerca Pensado Por Dizajnistoj", de Ryan Rumsey "ROI de Dezajna Projekto "Kiel la Ĝustaj UX-Metrikoj Montras Ludan Ŝanĝan Valoron", de Jared Spool "Esploru Ekzemplajn Grandecaj Kalkulilojn"
Plia Legado
"Desegni Por Streso Kaj Krizo", Vitaly Friedman "AI En UX: Atingu Pli Per Malpli", Paul Boag "La Problemo de Alirebleco Kun Aŭtentikaj Metodoj Kiel CAPTCHA", Eleanor Hecks "De Prompto Al Partnero: Desegni Vian Propran AI-Asistanton", Lyndon Cerejo
