Taigi mes kuriame ir pristatome blizgančią naują funkciją. Kaip mes žinome, ar tai veikia? Kaip išmatuojame ir stebime jo poveikį? UX metrikos netrūksta, bet ką daryti, jei norėtume sukurti paprastą, pakartojamą, prasmingą UX metriką – būtent mūsų funkcijoms? Na, pažiūrėkime, kaip tai padaryti.
Pirmą kartą apie TARS sistemą išgirdau iš nuostabaus Adriano H. Raudschlo straipsnio „Kaip išmatuoti savybių poveikį“. Čia Adrianas pabrėžė, kaip jo komanda seka ir nusprendžia, į kurias ypatybes sutelkti dėmesį, o tada susieja jas viena su kita 2 × 2 kvadrantų matricoje. Paaiškėjo, kad tai labai naudinga sistema, leidžianti vizualizuoti UX darbo poveikį per verslo metriką. Pažiūrėkime, kaip tai veikia. 1. Tikslinė auditorija (%) Pradedame nuo tikslinės auditorijos kiekybinio įvertinimo, tirdami, kokia procentinė dalis produkto vartotojų turi konkrečią problemą, kurią funkcija siekiama išspręsti. Galime ištirti esamas ar panašias funkcijas, kurios bando išspręsti panašias problemas, ir kiek vartotojų su jomis užsiima. Tačiau tikslinė auditorija nėra tas pats, kas funkcijų naudojimas. Kaip pažymėjo Adrianas, jei žinome, kad esamą Eksportavimo mygtuko funkciją naudoja 5% visų vartotojų, tai nereiškia, kad tikslinė auditorija yra 5%. Daugiau vartotojų gali turėti problemų, kurias bando išspręsti eksportavimo funkcija, bet jie negali jos rasti. Klausimas, kurį užduodame: „Kiek procentų visų mūsų produkto vartotojų turi ta specifinė problema, kurią siekiama išspręsti naudojant naują funkciją?
2. A = įvaikinimas (%) Toliau išmatuojame, kaip „įgyjame“ savo tikslinę auditoriją. Tam mes stebime, kiek vartotojų iš tikrųjų sėkmingai naudojasi šia funkcija per tam tikrą laikotarpį. Mes sutelkiame dėmesį ne į PR ar seanso trukmę, o į tai, ar naudotojai turi prasmę su tuo. Pavyzdžiui, jei kas nors rodo, kad tai buvo vertinga, pvz., bendrinamas eksporto URL, eksportuotų failų skaičius arba filtrų ir nustatymų naudojimas.
Didelis funkcijų pritaikymas (>60 %) rodo, kad problema turėjo įtakos. Mažas pritaikymas (<20 %) gali reikšti, kad problema turi paprastų sprendimų, kuriais žmonės pasitikėjo. Įpročių keitimas taip pat užtrunka, todėl pradžioje tikimasi mažo įsisavinimo. Kartais žemas funkcijų pritaikymas neturi nieko bendra su pačia funkcija, o su tuo, kur ji yra vartotojo sąsajoje. Vartotojai gali niekada to neatrasti, jei jis paslėptas arba turi klaidinančią etiketę. Tai turi būti pakankamai akivaizdu, kad žmonės sukluptų. Mažas priėmimas ne visada reiškia nesėkmę. Jei problema paliečia tik 10 % vartotojų, 50–75 % pritaikymas toje konkrečioje nišoje reiškia, kad funkcija yra sėkminga. Klausimas, kurį užduodame: „Koks procentas aktyvių tikslinių vartotojų iš tikrųjų naudojasi šia funkcija, kad išspręstų šią problemą?
3. Išlaikymas (%) Toliau tiriame, ar funkcija iš tikrųjų naudojama pakartotinai. Matuojame naudojimo dažnumą arba konkrečiai, kiek naudotojų, kurie pasinaudojo šia funkcija, laikui bėgant ją naudoja. Paprastai tai yra stiprus signalas apie reikšmingą poveikį. Jei funkcijos išlaikymo rodiklis didesnis nei 50 % (vid.), galime būti tikri, kad ji turi didelę strateginę reikšmę. 25–35 % išlaikymo rodiklis rodo vidutinę strateginę reikšmę, o 10–20 % išlaikymo rodiklis yra maža strateginė svarba. Klausimas, kurį užduodame: „Kiek iš visų naudotojų, kurie prasmingai priėmė funkciją, sugrįžo ja vėl naudotis?
4. Pasitenkinimo balas (CES) Galiausiai įvertiname vartotojų pasitenkinimo ta funkcija, kurią pristatėme, lygį. Klausiame ne visų – klausiame tik „išlaikytų“ vartotojų. Tai padeda mums pastebėti paslėptas problemas, kurios gali neatsispindėti išlaikymo bale.
Kai vartotojai iš tikrųjų naudojo funkciją kelis kartus, klausiame jų, kaip lengva buvo išspręsti problemą po to, kai jie pasinaudojo šia funkcija – nuo „daug sunkesnio“ iki „daug lengviau nei tikėtasi“. Žinome, kaip norime įmušti įvartį. TARS naudojimas funkcijų strategijai Pradėję matuoti naudodami TARS, galime apskaičiuoti S÷T balą – patenkintų vartotojų procentą ÷ tikslinių vartotojų. Tai suteikia mums jausmą, kaip gerai funkcija veikia mūsų numatytai tikslinei auditorijai. Kai tai padarysime kiekvienai ypatybei, visas ypatybes galime susieti 4 kvadrantuose 2 × 2 matricoje.
Verta atkreipti dėmesį į itin efektyvias savybes: jos mažai išlaikomos, bet yra labai patenkintos. Tai gali būti tiesiog funkcijos, kurių naudotojams nereikia dažnai naudoti, bet kai jos tai daro, tai labai efektyvu. Atsakomybės ypatybės pasižymi dideliu išlaikymu, bet mažu pasitenkinimu, todėl galbūt turime su jais dirbtijuos tobulinti. Tada taip pat galime nustatyti pagrindines ir projekto funkcijas – ir pasikalbėti su dizaineriais, PM ir inžinieriais apie tai, ką turėtume dirbti toliau. Konversijų rodiklis nėra UX metrika TARS neapima konversijos kurso ir dėl geros priežasties. Kaip pažymėjo Fabianas Lenzas, konversija dažnai laikoma galutiniu sėkmės rodikliu, tačiau praktiškai visada labai sunku pateikti aiškų ryšį tarp mažesnių projektavimo iniciatyvų ir didelių konversijos tikslų.
Tiesa ta, kad beveik visi komandos nariai siekia geresnės konversijos. Padidėjimas gali būti susijęs su daugybe skirtingų iniciatyvų – nuo pardavimo ir rinkodaros iki žiniatinklio našumo didinimo iki sezoninių efektų ir UX iniciatyvų. UX, žinoma, gali pagerinti konversiją, tačiau tai tikrai nėra UX metrika. Dažnai žmonės tiesiog negali pasirinkti naudojamo produkto. Ir dažnai norimas verslo rezultatas atsiranda iš būtinybės ir kovos, o ne iš pasitikėjimo ir įvertinimo. Didelė konversija, nepaisant blogo UX Kaip rašo Fabianas, aukštas konversijų rodiklis gali įvykti nepaisant prastos UX, nes:
Stipri prekės ženklo galia pritraukia žmones, Agresyvi, bet efektyvi skubos taktika, Kainos labai patrauklios, Rinkodara veikia puikiai, Istorinis klientų lojalumas, Vartotojai tiesiog neturi alternatyvos.
Maža konversija, nepaisant puikaus UX Tuo pačiu metu, nepaisant puikios UX, gali būti mažas konversijų rodiklis, nes:
Pasiūlymai nėra svarbūs auditorijai, Vartotojai nepasitiki prekės ženklu, prastas verslo modelis arba didelė nesėkmės rizika, Rinkodara nepasiekia tinkamos auditorijos, Išoriniai veiksniai (kaina, laikas, konkurencija).
Patobulinta konversija yra teigiamas UX iniciatyvų rezultatas. Tačiau geras UX darbas paprastai pagerina užduočių atlikimą, sutrumpina užduoties atlikimo laiką, sumažina klaidų skaičių ir išvengia sprendimų paralyžiaus. Be to, yra daug veiksmingų dizaino metrikų, kurias galėtume panaudoti sekdami UX ir siekdami tvarios sėkmės. Apvyniojimas Vien tik produkto metrika ne visada tiksliai parodo, kaip gerai veikia produktas. Pardavimas gali vykti gerai, tačiau vartotojai gali būti labai neefektyvūs ir nusivylę. Tačiau nuovargis yra mažas, nes vartotojai negali pasirinkti naudojamo įrankio.
Mums reikia UX metrikos, kad suprastume ir pagerintume vartotojo patirtį. Man labiausiai patinka TARS tai, kad tai puikus būdas susieti klientų naudojimą ir klientų patirtį su atitinkama produkto metrika. Asmeniškai aš norėčiau išplėsti TARS su UX orientuota metrika ir KPI – priklausomai nuo projekto poreikių. Didelis ačiū Adrianui H. Raudaschlui už sukūrimą. O jei domitės metrika, labai rekomenduoju sekti jį, kad gautumėte praktinių ir naudingų vadovų! Susipažinkite su „Kaip išmatuoti UX ir dizaino poveikį“ Daugiau informacijos apie UX strategiją galite rasti 🪴 Naudojant UX ir dizaino poveikį (8 val.), praktiniame vadove dizaineriams ir UX vadovams, kaip įvertinti ir parodyti savo UX poveikį verslui. Naudokite kodą 🎟 POVEIKIS, kad šiandien sutaupytumėte 20% nuolaidą. Pereikite prie detalių.
Vaizdo įrašas + UX mokymas Tik vaizdo įrašasVaizdo įrašas + UX mokymas 495,00 USD 799,00
Gaukite vaizdo įrašą + UX mokymą 25 vaizdo pamokų (8 val.) + tiesioginį UX mokymą. 100 dienų pinigų grąžinimo garantija. Tik vaizdo įrašas 250,00 395,00 USD
Gaukite vaizdo kursą25 vaizdo pamokos (8 val.). Atnaujinama kasmet. Taip pat galima įsigyti kaip UX paketą su 3 vaizdo įrašų kursais.
Naudingi ištekliai
„How To Measure UX and Design Impact“, nuoširdžiai jūsų Ryanas Rumsey „Verslo mąstymas dizaineriams“. „Dizaino projekto IG „Kaip teisinga UX metrika parodo žaidimą keičiančią vertę“, autorius Jaredas Spoolas „Tyrimo imties dydžio skaičiuotuvai“
Tolesnis skaitymas
„Kūrimas stresui ir ekstremalioms situacijoms“, Vitalijus Friedmanas „AI In UX: pasiekite daugiau su mažiau“, Paulas Boagas „Prieinamumo problema naudojant autentifikavimo metodus, tokius kaip CAPTCHA“, Eleanor Hecks „Nuo raginimo iki partnerio: individualaus AI asistento kūrimas“, Lyndon Cerejo
