Über Algorithmen, A/B-Tests und Datenanalyse hinaus besteht das Ziel der Datenvisualisierung darin, das Benutzerverständnis zu entwickeln, indem ein besserer Umgang mit den gesammelten Daten verfolgt wird.
Innerhalb eines Unternehmens ist es für Teams manchmal schwierig, die erhaltenen Daten zu verstehen und zu analysieren: A/B-Tests, Marktforschung, Umfragen...
Was also ist bei dieser Datenmasse zu beachten und wie können wir sie verwerten?
Um zu verstehen, was Datenvisualisierung ist, gehen wir die Eliminierung durch, indem wir zuerst zeigen, was es nicht ist, und dann erklären wir, wie die Datenvisualisierung die Benutzererfahrung verbessern kann.

Mythos 1: Bei Daten dreht sich alles um Zahlen

Die Analyse der Aktivität auf einer Website wird im Allgemeinen durch numerische Indikatoren wie die Anzahl der Besuche, die vom Benutzer auf der Website verbrachte Zeit und ausgehende Klicks dargestellt. In diesen Fällen sind die Zahlen eine einfache Möglichkeit, die Gewohnheiten einer Person zu transkribieren.
Die Gewohnheiten von Millionen von Menschen auf wenige Zahlen zu reduzieren, ist jedoch möglicherweise nicht so nützlich und zuverlässig, wie man vielleicht denkt. Tatsächlich können analytische Studien nicht alle Antworten auf das menschliche Verhalten geben, das manchmal subjektiv ist und sich je nach Individuum ändert: Wie fühlt sich der Benutzer an? Was hat ihn an der Schnittstelle am meisten gereizt? Warum wird er sie empfehlen?
Wie in Sozialkunde und Medizin gelten qualitative Studien nicht als sicher. Gleiches gilt für die Datenvisualisierung. Die einzigen realen Daten, die berücksichtigt werden können, sind die Spuren, die Benutzer hinterlassen, unabhängig von der Quelle.

Mythos 2: Daten sind objektiv

Quantitative Daten sind im Allgemeinen Benchmarks, die Aktionen widerspiegeln. Diese Daten werden dann von Maschinen und nicht von Menschen zusammengetragen. Da es sich um unbestreitbare Tatsachen handelt, haben diese Daten meist mehr Gewicht.
Auch wenn die Datenmenge enorm ist, sollte sie jedoch nicht als völlig objektiv betrachtet werden, denn selbst wenn diese von Maschinen gesammelt werden, bleiben sie von Menschen interpretiert (wo Fehler möglich sind).
Beispielsweise zeigen die Daten sozialer Netzwerke nur das Verhalten bestimmter Bevölkerungsgruppen: Abonnenten auf Twitter oder Facebook, die bestimmte Hashtags verwenden, Fans und Follower einer Seite ... Mit anderen Worten, Personen, die einer Teilnahme an einer Studie zustimmen, entsprechen a Minderheit und spiegeln nicht die gesamte Bevölkerung wider. Indem wir diese Daten als wahre Wahrheiten betrachten, verfallen wir am Ende in Vorurteile.
Wie bei der Heisenbergschen Unschärferelation können sich die Ergebnisse einfach durch Beobachtung des Subjekts ändern. Die Umgebung kann neutral sein, das Verhalten des Benutzers kann verändert werden, weil es beobachtet wird. Es gibt nur sehr wenige Studien, die dem Nutzer wirklich die Möglichkeit lassen, sich schlicht und einfach auszudrücken. Dies ist auch bei quantitativen Studien der Fall, bei denen Verhaltensweisen geändert werden können, je nachdem, wie die Fragen gestellt werden.

Darüber hinaus stellen wir Unterschiede im Verhalten fest, wenn wir remote durchgeführte Studien und Interviews mit einem Beobachter vergleichen. Menschen neigen dazu, etwas positivere Eindrücke zu hinterlassen, wenn sie mit einem Beobachter zusammen sind, als wenn sie nach Hause zurückkehren.
Daten, ob groß oder klein, können nicht zu 100 % sicher sein. Sie haben ihre Grenzen und Vorurteile können ihre Interpretationen verändern.

Mythos 3: Größer ist besser

Diese Begeisterung für Big Data deutet auf die Macht hin, die größten Geheimnisse der Menschheit zu enthüllen und die Zukunft vorherzusagen. Zugegeben, manchmal gilt: Je mehr Informationen, desto besser.
Dies gilt auch im Umgang mit subjektiven Elementen, wie beispielsweise Emotionen aufgrund persönlicher Erfahrungen: Je mehr Antworten es gibt, desto zuverlässiger können die Daten sein.
Wenn wir größer denken, neigen wir dazu, viele Metriken zu betrachten. Aber die riesige Datenmenge ist auch eine Frage der Vielfalt und damit der unterschiedlichen Quellen.
Sie können nicht erwarten, alle gewünschten Antworten zum Benutzerverhalten zu erhalten, indem Sie sich nur die Zahlen ansehen. Alle gesammelten Daten, qualitativ und quantitativ, sollten verwendet werden, um sowohl die Entwicklung als auch das Erscheinungsbild eines Produkts zu verbessern. Es geht mehr darum, die gesammelten Elemente in einer logischen Reihenfolge zu erstellen und zu klassifizieren, um sie zu messen, zu verstehen und einen Weg zu definieren, dem man folgen kann.
Daten aus unterschiedlichen Quellen bieten eine differenziertere Sichtweise, die zu einem konsistenten Ergebnis führt.
Je größer desto besser. Je größer, desto besser.

Mythos 4: Daten sind nur etwas für Manager (nicht Designer)

Fakten werden häufig verwendet, um Entscheidungen beim Design von Websites oder Anwendungen zu validieren.
Es ist manchmal verlockend, diese Daten zu verwenden, um die eigene Meinung, eine persönliche Entscheidung zu untermauern oder Konflikte zwischen Teams zu lösen. Sie als sachlichen Beweis zu verwenden, ist ein kleiner Teil der Ziele der Datenvisualisierung. Wenn Sie Datenvisualisierung im Design verwenden, gibt es drei Möglichkeiten, dies anzugehen:

• Die Nutzung von Daten zur Produktverbesserung ist gleichbedeutend mit Iteration.
• Rufen Sie Daten in einem bestimmten Zeitraum, nach Versionsänderungen oder sogar durch Vergleich mit Wettbewerbern ab.
• Daten zu nutzen bedeutet, verschiedene Studien zu analysieren, um neue Muster und Trends zu entdecken.

Daten werden nach Erwartungen sortiert, daher analysieren ein Manager und ein UX-Designer verschiedene Arten von Daten.
Jedes Team hat seine eigenen Referenzen und hat keine Kenntnis von den Daten der anderen Teams. Bei der Datenvisualisierung geht es nicht nur darum, richtig von falsch zu entscheiden, sondern auch darum, sich zu verbessern und neue Möglichkeiten zu entdecken. Es ist eine neue Art, die Nutzungsgewohnheiten der Menschen mithilfe von Technologie zu verstehen.

Mythos 5: Data Analytics ist eine Innovationsbremse

Analytik wird gewissermaßen als Antithese zu Innovation gesehen. Dies kann auf 3 Arten erklärt werden:

1. Wir verwenden die retrospektiv erhobenen Ergebnisse. Obwohl sie helfen, neue Muster und Trends zu entdecken, helfen sie nicht, das Verhalten vorherzusagen.
2. Bei der Datenvisualisierung geht es mehr um Methodik als um Strategie. Quantitative Studien im Zusammenhang mit A/B-Tests können nützlich sein, um Fehler zu beheben oder ein Produkt zu verbessern, aber sie ermöglichen nicht die Schaffung einer einzigartigen Benutzererfahrung.
3. Die gesammelten Daten sind nicht nur die Spitze des Eisbergs. Zu wissen, wo Benutzer geklickt haben, wie oft sie gescrollt haben, hilft uns zu definieren, wie wir ein Produkt erstellen. Aber sie tragen nicht viel zu den Gefühlen des Benutzers bezüglich des Designs, seiner Motivation, seinen Erwartungen oder seinen Gefühlen bei.

Die Akkumulation dieser Daten hat notwendigerweise einen Nutzen. Das Problem sind nicht die Daten selbst, sondern wie sie verwendet werden.

Mythos 6: Es gibt nur einen richtigen Weg, Daten im Design zu verwenden

In Wirklichkeit gibt es keine einzige gemeinsame Regel, die für jedes Team funktionieren kann. Einige Methoden können jedoch relativ gut funktionieren:

• Verwenden Sie Daten aus verschiedenen Quellen: Zielgruppenanalyse, A/B-Tests, soziale Medien, Kundenservice, Benutzertests usw.
• Berücksichtigen Sie den Kontext, in dem die Tests durchgeführt werden. Unabhängig von der Art des Tests beeinflusst der Kontext manchmal das Feedback der Benutzer, es ist wichtig, ihn zu verstehen.
• Stellen Sie sicher, dass die Daten den Gemütszustand der getesteten Personen berücksichtigen. Dazu werden Bezugsdurchschnittswerte verwendet.
• Verwenden Sie Daten, um Änderungen in Gewohnheiten und Bedürfnissen zu verfolgen, neue Muster zu erkunden und Probleme eingehender zu untersuchen.
• Entscheiden Sie sich für die Art der Daten, die nützlich sind, um aussagekräftige Ergebnisse zu erzielen.
• Schaffen Sie eine Möglichkeit, das Gesammelte mit den Teams zu teilen und auszutauschen und gemeinsam zu reflektieren.

Die Nutzung von Daten muss über Algorithmen, Nutzertests oder Publikumsanalysen hinausgehen. Ziel ist es, anhand dieser Daten ein besseres Verständnis der Nutzergewohnheiten zu erlangen.
Thierry Andrianalisoa-DA @UX-Republic