Så vi designar och skickar en glänsande ny funktion. Hur vet vi om det fungerar? Hur mäter och spårar vi dess inverkan? Det finns ingen brist på UX-mått, men tänk om vi ville skapa ett enkelt, repeterbart, meningsfullt UX-mått – specifikt för våra funktioner? Nåväl, låt oss se hur man gör just det.
Jag hörde först om TARS-ramverket från Adrian H. Raudschls underbara artikel om "How To Measure Impact of Features". Här lyfte Adrian fram hur hans team spårar och bestämmer vilka funktioner de ska fokusera på – och sedan kartlägger dem mot varandra i en 2×2 kvadrantermatris. Det visade sig vara ett mycket användbart ramverk för att visualisera effekten av UX-arbete genom linsen av affärsmått. Låt oss se hur det fungerar. 1. Målgrupp (%) Vi börjar med att kvantifiera målgruppen genom att undersöka hur stor andel av en produkts användare som har det specifika problem som en funktion syftar till att lösa. Vi kan studera befintliga eller liknande funktioner som försöker lösa liknande problem, och hur många användare som engagerar sig med dem. Målgrupp är dock inte detsamma som funktionsanvändning. Som Adrian noterade, om vi vet att en befintlig exportknappfunktion används av 5 % av alla användare, betyder det inte att målgruppen är 5 %. Fler användare kan ha det problem som exportfunktionen försöker lösa, men de kan inte hitta det. Frågan vi ställer: "Hur stor andel av alla våra produktanvändare har det specifika problemet som en ny funktion syftar till att lösa?"
2. A = Adoption (%) Därefter mäter vi hur väl vi "förvärvar" vår målgrupp. För det spårar vi hur många användare som faktiskt engagerar sig framgångsrikt med den funktionen under en viss tidsperiod. Vi fokuserar inte på klickfrekvenser eller sessionslängd där, utan snarare om användarna på ett meningsfullt sätt engagerar sig i det. Till exempel, om något signalerar att de tyckte att det var värdefullt, som att dela exportwebbadressen, antalet exporterade filer eller användningen av filter och inställningar.
Hög funktionsantagande (>60 %) tyder på att problemet var påverkande. Låg adoption (<20 %) kan antyda att problemet har enkla lösningar som folk har förlitat sig på. Att ändra vanor tar också tid, och därför förväntas låg adoption i början. Ibland har låg funktionsantagande ingenting att göra med själva funktionen, utan snarare var den sitter i användargränssnittet. Användare kanske aldrig upptäcker det om det är dolt eller om det har en förvirrande etikett. Det måste vara tillräckligt uppenbart för att folk ska snubbla över det. Låg adoption är inte alltid lika med misslyckande. Om ett problem bara påverkar 10 % av användarna, innebär det att funktionen är en framgång om 50–75 % används inom den specifika nischen. Frågan vi ställer: "Hur stor andel av aktiva målanvändare använder faktiskt funktionen för att lösa det problemet?"
3. Retention (%) Därefter studerar vi om en funktion faktiskt används upprepade gånger. Vi mäter användningsfrekvensen, eller specifikt hur många användare som använder funktionen som faktiskt fortsätter att använda den över tid. Vanligtvis är det en stark signal för meningsfull effekt. Om en funktion har >50 % retentionsgrad (genomsnitt) kan vi vara ganska säkra på att den har en hög strategisk betydelse. En retentionsgrad på 25–35 % signalerar medelstor strategisk betydelse, och retention på 10–20 % är då låg strategisk betydelse. Fråga vi ställer: "Av alla användare som på ett meningsfullt sätt anammat en funktion, hur många kom tillbaka för att använda den igen?"
4. Nöjdhetsresultat (CES) Slutligen mäter vi hur nöjda användarna är med den funktionen som vi har skickat. Vi frågar inte alla – vi frågar bara "behållna" användare. Det hjälper oss att upptäcka dolda problem som kanske inte återspeglas i retentionspoängen.
När användare faktiskt använt en funktion flera gånger, frågar vi dem hur lätt det var att lösa ett problem efter att de använde den funktionen – mellan "mycket svårare" och "mycket lättare än förväntat". Vi vet hur vi vill göra mål. Använda TARS för funktionsstrategi När vi börjar mäta med TARS kan vi beräkna ett S÷T-poäng — procentandelen nöjda användare ÷ målanvändare. Det ger oss en känsla av hur bra en funktion presterar för vår tilltänkta målgrupp. När vi väl har gjort det för varje funktion kan vi mappa alla funktioner över 4 kvadranter i en 2×2-matris.
Överpresterande funktioner är värda att uppmärksamma: de har låg retention men hög tillfredsställelse. Det kan helt enkelt vara funktioner som användare inte behöver använda ofta, men när de gör det är det extremt effektivt. Ansvarsfunktioner har hög retention men låg tillfredsställelse, så vi kanske måste arbeta med dem för attförbättra dem. Och då kan vi också identifiera kärnfunktioner och projektfunktioner – och ha en konversation med designers, PM och ingenjörer om vad vi ska arbeta med härnäst. Omvandlingsfrekvens är inte ett UX-mått TARS täcker inte omvandlingsfrekvensen, och av goda skäl. Som Fabian Lenz noterade anses konvertering ofta vara den ultimata indikatorn på framgång – men i praktiken är det alltid väldigt svårt att presentera en tydlig koppling mellan mindre designinitiativ och stora konverteringsmål.
Sanningen är att nästan alla i teamet arbetar för bättre konvertering. En ökning kan vara kopplad till många olika initiativ - från försäljning och marknadsföring till förbättrad webbprestanda till säsongseffekter till UX-initiativ. UX kan naturligtvis förbättra konverteringen, men det är egentligen inte ett UX-mått. Ofta kan människor helt enkelt inte välja den produkt de använder. Och ofta kommer ett önskat affärsresultat ur nödvändighet och kamp, snarare än tillit och uppskattning. Hög konvertering trots dålig UX Som Fabian skriver kan hög konverteringsfrekvens hända trots dålig UX, eftersom:
Stark varumärkeskraft drar in människor, Aggressiv men effektiv brådskande taktik, Priserna är mycket attraktiva, Marknadsföring fungerar utmärkt, Historisk kundlojalitet, Användare har helt enkelt inget alternativ.
Låg konvertering trots bra UX Samtidigt kan en låg konverteringsfrekvens uppstå trots bra UX, eftersom:
Erbjudanden är inte relevanta för publiken, Användare litar inte på varumärket, Dålig affärsmodell eller hög risk för misslyckande, Marknadsföring når inte rätt målgrupp, Externa faktorer (pris, timing, konkurrens).
En förbättrad konvertering är det positiva resultatet av UX-initiativ. Men bra UX-arbete förbättrar vanligtvis uppgiftsslutförandet, minskar tiden på uppgiften, minimerar fel och undviker beslutsförlamning. Och det finns massor av praktiska designmått som vi kan använda för att spåra UX och skapa hållbar framgång. Avslutning Enbart produktstatistik ger inte alltid en korrekt bild av hur bra en produkt presterar. Försäljningen kan fungera bra, men användare kan vara extremt ineffektiva och frustrerade. Ändå är churn låg eftersom användare inte kan välja det verktyg de använder.
Vi behöver UX-mått för att förstå och förbättra användarupplevelsen. Det jag älskar mest med TARS är att det är ett snyggt sätt att koppla ihop kundernas användning och kundernas upplevelse med relevant produktmått. Personligen skulle jag utöka TARS med UX-fokuserade mätetal och KPI:er också - beroende på projektets behov. Stort tack till Adrian H. Raudaschl för att du satte ihop det. Och om du är intresserad av mått rekommenderar jag starkt att du följer honom för praktiska och användbara guider runt just det! Möt "Hur man mäter UX och designpåverkan" Du kan hitta mer information om UX-strategi i 🪴 Measure UX & Design Impact (8h), en praktisk guide för designers och UX-leads för att mäta och visa din UX-påverkan på verksamheten. Använd koden 🎟 IMPACT för att spara 20% rabatt idag. Hoppa till detaljerna.
Video + UX Training Endast videoVideo + UX Training $ 495,00 $ 799,00 $
Få Video + UX Training25 videolektioner (8 timmar) + Live UX Training.100 dagars pengarna-tillbaka-garanti. Video endast $ 250,00 $ 395,00
Få videokursen25 videolektioner (8h). Uppdateras årligen. Finns även som ett UX-paket med 3 videokurser.
Användbara resurser
"Hur man mäter UX och designpåverkan", av dig "Business Thinking For Designers", av Ryan Rumsey "ROI för designprojekt "Hur rätt UX-mått visar spelförändrande värde", av Jared Spool "Undersök miniräknare för provstorlek"
Ytterligare läsning
"Designa för stress och nödsituationer", Vitaly Friedman "AI In UX: Achieve More With Less", Paul Boag "Tillgänglighetsproblemet med autentiseringsmetoder som CAPTCHA", Eleanor Hecks "Från prompt till partner: designa din anpassade AI-assistent", Lyndon Cerejo
