Preto navrhujeme a dodávame úplne novú funkciu. Ako vieme, či to funguje? Ako meriame a sledujeme jeho vplyv? V metrikách UX nie je nedostatok, ale čo keby sme chceli vytvoriť jednoduchú, opakovateľnú a zmysluplnú metriku UX – špeciálne pre naše funkcie? No, pozrime sa, ako to urobiť.
Prvýkrát som o frameworku TARS počul z úžasného článku Adriana H. Raudschla o „Ako merať vplyv funkcií“. Tu Adrian zdôraznil, ako jeho tím sleduje a rozhoduje, na ktoré funkcie sa má zamerať – a potom ich navzájom mapuje v matici 2×2 kvadrantov. Ukázalo sa, že je to veľmi užitočný rámec na vizualizáciu vplyvu práce UX cez optiku obchodných metrík. Pozrime sa, ako to funguje. 1. Cieľové publikum (%) Začneme kvantifikáciou cieľového publika skúmaním, aké percento používateľov produktu má konkrétny problém, ktorý má funkcia vyriešiť. Môžeme študovať existujúce alebo podobné funkcie, ktoré sa pokúšajú vyriešiť podobné problémy, a koľko používateľov s nimi pracuje. Cieľové publikum však nie je to isté ako používanie funkcií. Ako poznamenal Adrian, ak vieme, že existujúcu funkciu Export Button používa 5 % všetkých používateľov, neznamená to, že cieľové publikum je 5 %. Viacerí používatelia môžu mať problém, ktorý sa funkcia exportu snaží vyriešiť, no nevedia ho nájsť. Otázka, ktorú si kladieme: „Koľko percent všetkých používateľov nášho produktu má konkrétny problém, ktorý má nová funkcia vyriešiť?“
2. A = prijatie (%) Ďalej meriame, ako dobre „získavame“ naše cieľové publikum. Preto sledujeme, koľko používateľov skutočne úspešne využíva danú funkciu počas určitého časového obdobia. Nezameriavame sa tam na CTR alebo trvanie relácie, ale skôr na to, či s nimi používatelia zmysluplne interagujú. Napríklad, ak niečo signalizuje, že to považujú za hodnotné, napríklad zdieľanie adresy URL exportu, počet exportovaných súborov alebo použitie filtrov a nastavení.
Vysoká miera prijatia funkcií (> 60 %) naznačuje, že problém mal vplyv. Nízka adopcia (<20 %) môže znamenať, že problém má jednoduché riešenia, na ktoré sa ľudia spoliehali. Zmena návykov si tiež vyžaduje čas, a preto sa na začiatku očakáva nízke osvojenie. Niekedy nízka miera prijatia funkcie nemá nič spoločné so samotnou funkciou, ale skôr s jej umiestnením v používateľskom rozhraní. Používatelia ho nemusia nikdy objaviť, ak je skrytý alebo má mätúci štítok. Musí to byť dostatočne zrejmé, aby na to ľudia narazili. Nízka adopcia nie vždy znamená zlyhanie. Ak sa problém týka iba 10 % používateľov, zasiahnutie 50 – 75 % prijatia v rámci tejto konkrétnej oblasti znamená, že funkcia je úspešná. Otázka, ktorú si kladieme: „Aké percento aktívnych cieľových používateľov skutočne používa túto funkciu na vyriešenie tohto problému?“
3. Udržanie (%) Ďalej skúmame, či sa funkcia skutočne používa opakovane. Meriame frekvenciu používania alebo konkrétne to, koľko používateľov, ktorí sa zapojili do funkcie, ju v priebehu času skutočne používa. Zvyčajne je to silný signál pre zmysluplný vplyv. Ak má funkcia >50 % mieru zachovania (priemer), môžeme si byť celkom istí, že má veľký strategický význam. Miera 25–35 % retencie signalizuje stredný strategický význam a retencia 10–20 % je potom nízky strategický význam. Otázka, ktorú si kladieme: „Koľkí zo všetkých používateľov, ktorí zmysluplne prijali funkciu, sa vrátili, aby ju znova použili?“
4. Skóre spokojnosti (CES) Nakoniec meriame úroveň spokojnosti používateľov s touto funkciou, ktorú sme dodali. Nepýtame sa všetkých – pýtame sa iba „udržaných“ používateľov. Pomáha nám odhaliť skryté problémy, ktoré sa nemusia prejaviť v skóre udržania.
Keď používatelia skutočne použili funkciu viackrát, opýtame sa ich, aké ľahké bolo vyriešiť problém po použití tejto funkcie – medzi „oveľa zložitejšie“ a „oveľa jednoduchšie, ako sa očakávalo“. Vieme, ako chceme skórovať. Používanie TARS pre stratégiu funkcií Keď začneme merať pomocou TARS, môžeme vypočítať skóre S÷T – percento spokojných používateľov ÷ cieľových používateľov. Dáva nám to predstavu o tom, ako dobre funguje funkcia pre naše zamýšľané cieľové publikum. Keď to urobíme pre každý prvok, môžeme mapovať všetky prvky v 4 kvadrantoch v matici 2×2.
Funkcie s nadmerným výkonom stoja za pozornosť: majú nízku retenciu, ale vysokú spokojnosť. Môžu to byť jednoducho funkcie, ktoré používatelia nemusia často používať, ale keď tak urobia, je to mimoriadne efektívne. Funkcie zodpovednosti majú vysokú mieru zachovania, ale nízku spokojnosť, takže možno na nich musíme popracovaťzlepšiť ich. A potom môžeme tiež identifikovať základné funkcie a vlastnosti projektu – a viesť rozhovor s dizajnérmi, PM a inžiniermi o tom, na čom by sme mali ďalej pracovať. Konverzný pomer nie je metrikou UX TARS nezahŕňa konverzný pomer, a to z dobrého dôvodu. Ako poznamenal Fabian Lenz, konverzia sa často považuje za konečný ukazovateľ úspechu – no v praxi je vždy veľmi ťažké prezentovať jasné spojenie medzi menšími návrhovými iniciatívami a veľkými cieľmi konverzie.
Pravdou je, že takmer každý v tíme pracuje na lepšej konverzii. Zvýšenie môže súvisieť s mnohými rôznymi iniciatívami – od predaja a marketingu cez zvýšenie výkonnosti webu až po sezónne efekty až po iniciatívy UX. UX môže samozrejme zlepšiť konverziu, ale v skutočnosti to nie je metrika UX. Ľudia si často jednoducho nevedia vybrať produkt, ktorý používajú. A často želaný obchodný výsledok vychádza skôr z nutnosti a boja, než z dôvery a ocenenia. Vysoká konverzia napriek zlému UX Ako píše Fabian, vysoká miera konverzie môže nastať napriek slabému UX, pretože:
Silná sila značky priťahuje ľudí, Agresívna, ale účinná naliehavá taktika, Ceny sú mimoriadne atraktívne, Marketing funguje skvele, Historická lojalita zákazníkov, Používatelia jednoducho nemajú inú možnosť.
Nízka konverzia napriek skvelému UX Zároveň môže dôjsť k nízkemu konverznému pomeru napriek skvelému UX, pretože:
Ponuky nie sú pre publikum relevantné, Používatelia značke neveria, Zlý obchodný model alebo vysoké riziko zlyhania, Marketing neoslovuje správne publikum, Vonkajšie faktory (cena, načasovanie, konkurencia).
Zlepšená konverzia je pozitívnym výsledkom iniciatív UX. Dobrá práca UX však zvyčajne zlepšuje dokončenie úlohy, skracuje čas na úlohu, minimalizuje chyby a zabraňuje paralýze rozhodovania. A existuje množstvo použiteľných metrík dizajnu, ktoré by sme mohli použiť na sledovanie UX a dosiahnutie udržateľného úspechu. Zabaliť sa Samotné metriky produktu neposkytujú vždy presný prehľad o výkonnosti produktu. Predaj môže fungovať dobre, ale používatelia môžu byť extrémne neefektívni a frustrovaní. Miernosť je však nízka, pretože používatelia si nemôžu vybrať nástroj, ktorý používajú.
Na pochopenie a zlepšenie používateľskej skúsenosti potrebujeme metriky UX. Na TARS sa mi najviac páči, že je to úhľadný spôsob, ako prepojiť používanie zákazníkov a skúsenosti zákazníkov s relevantnými metrikami produktov. Osobne by som rozšíril TARS aj o metriky zamerané na UX a KPI – v závislosti od potrieb projektu. Veľká vďaka Adrianovi H. Raudaschlovi, že to dal dokopy. A ak sa zaujímate o metriky, vrelo vám odporúčam, aby ste ho nasledovali, aby ste získali praktických a užitočných sprievodcov. Zoznámte sa s „Ako merať UX a vplyv dizajnu“ Viac podrobností o stratégii UX nájdete v 🪴 Measure UX & Design Impact (8h), praktickom sprievodcovi pre dizajnérov a potenciálnych zákazníkov UX na meranie a zobrazenie vášho vplyvu UX na podnikanie. Použite kód 🎟 IMPACT a ušetrite ešte dnes 20 %. Prejsť na detaily.
Video + školenie UX IbavideoVideo + školenie UX 495,00 USD 799,00 USD
Získajte video + školenie UX 25 video lekcií (8 hodín) + školenie UX naživo. 100-dňová záruka vrátenia peňazí. Len video 250,00 $ 395,00 $
Získajte video kurz 25 video lekcií (8 hodín). Aktualizované ročne. K dispozícii aj ako balík UX s 3 video kurzami.
Užitočné zdroje
„Ako merať UX a vplyv dizajnu“ podľa vás „Obchodné myslenie pre dizajnérov“, od Ryana Rumseyho „ROI of Design Project „Ako správne metriky UX ukazujú hodnotu, ktorá mení hru“, od Jareda Spoola „Výskum kalkulátorov veľkosti vzorky“
Ďalšie čítanie
„Dizajn pre stres a núdzové situácie“, Vitaly Friedman „AI v UX: Dosiahnite viac s menej“, Paul Boag „Problém s prístupnosťou s metódami overovania, ako je CAPTCHA“, Eleanor Hecks „Od výzvy k partnerovi: Navrhnutie vlastného asistenta AI“, Lyndon Cerejo
