Nieft Algorithmen, A / B Testen an Datenanalyse, ass d'Zil vun der Datevisualiséierung d'Benotzerverständnis z'entwéckelen andeems se eng besser Approche fir d'gesammelt Donnéeën huelen.
An enger Firma ass et heiansdo schwéier fir Teams d'Donnéeën ze verstoen an ze analyséieren déi se kréien: A/B Tester, Maartfuerschung, Ëmfroen ...
Also wat solle mir an dëser Mass vun Daten berücksichtegen a wéi kënne mir se ausnotzen?
Fir ze verstoen wat Datevisualiséierung ass, wäerte mir duerch d'Eliminatioun goen andeems mir als éischt weisen wat et net ass, da wäerte mir erkläre wéi Datenvisualiséierung d'Benotzererfarung verbesseren kann.

Mythos 1: Date geet alles ëm Zuelen

D'Analyse vun der Aktivitéit op engem Site gëtt allgemeng duerch numeresch Indikatoren vertrueden wéi d'Zuel vun de Visiten, d'Zäit déi de Benotzer um Site verbréngt, erausginn Klicks. An dëse Fäll sinn d'Zuelen en einfache Wee fir d'Gewunnechten vun enger Persoun ze transkriberen.
Wéi och ëmmer, d'Gewunnechten vu Millioune vu Leit op e puer Zuelen ze reduzéieren ass vläicht net sou nëtzlech an zouverlässeg wéi een denkt. Tatsächlech kënnen analytesch Studien net all d'Äntwerten am Zesummenhang mam mënschleche Verhalen ubidden, wat heiansdo subjektiv ass a jee no Individuum ännert: Wat ass d'Gefill vum Benotzer? Wat huet him am meeschten un der Interface ugedoen? Firwat wäert hien hir recommandéieren?
Wéi a Sozialstudien a Medizin, qualitativ Studien ginn net als sécher ugesinn. Datselwecht gëllt fir Datenvisualiséierung. Déi eenzeg richteg Donnéeën, déi berécksiichtegt kënne ginn, sinn d'Spuere vun de Benotzer, egal wéi d'Quell.

Mythos 2: Daten sinn objektiv

Quantitativ Donnéeën sinn allgemeng Benchmarks déi Aktiounen reflektéieren. Dës Donnéeë ginn dann vu Maschinnen zesummegesat an net vu Leit. Well dës onbestridden Fakten sinn, droen dës Donnéeën allgemeng méi Gewiicht.
Och wann d'Quantitéit un Donnéeën enorm ass, sollt se awer net als komplett objektiv ugesi ginn, well och wann déi vu Maschinnen gesammelt ginn, bleiwen se vum Mënsch interpretéiert (wou Feeler méiglech ass).
Zum Beispill, sozialen Netzwierkdaten weisen nëmmen d'Aktioun vu bestëmmten Aarte vu Populatiounen: Abonnenten op Twitter oder Facebook, déi gewësse Hashtag benotzen, Fans an Unhänger vun enger Säit ... An anere Wierder, Leit, déi averstane sinn un enger Etude matzemaachen, entspriechen engem Minoritéit a reflektéieren net déi ganz Bevëlkerung. Andeems mir dës Donnéeën als richteg Wourechten huelen, fale mir um Enn a Viruerteeler.
Wéi mam Heisenberg sengem Onsécherheetsprinzip kënnen d'Resultater einfach änneren andeems Dir d'Thema beobachtet. D'Ëmfeld kann neutral sinn, d'Behuele vum Benotzer kann geännert ginn well se observéiert gëtt. Et gi ganz wéineg Studien, déi dem Benotzer wierklech d'Méiglechkeet loossen sech reng an einfach auszedrécken. Dëst ass och de Fall mat quantitative Studien, wou Verhalen kënne geännert ginn ofhängeg wéi d'Froen gestallt ginn.

Zousätzlech, wa mir Studien vergläichen, déi op afstand gemaach goufen an Interviewe mat engem Beobachter, bemierken mir Differenzen am Verhalen. D'Leit tendéieren e bësse méi positiv Impressiounen ze ginn wann se mat engem Beobachter sinn wéi wa se heem kommen.
Daten, grouss oder kleng, kënnen net 100% sécher sinn. Si hunn hir Grenzen a Viruerteeler kënnen hir Interpretatioune änneren.

Mythos 3: Méi grouss ass besser

Dëse Craze fir Big Data proposéiert d'Kraaft fir déi gréisste Geheimnisser vun der Mënschheet z'entdecken an d'Zukunft virauszesoen. Natierlech, heiansdo wann et ëm daten kënnt, wat méi Informatioun, wat besser.
Dëst gëllt och wann Dir mat subjektiven Elementer handelt, wéi Emotiounen op Basis vu perséinlechen Erfarungen: Wat méi Äntwerten et ginn, wat méi zouverlässeg d'Donnéeë kënnen sinn.
Wa mir méi grouss denken, tendéiere mir vill Metriken ze kucken. Awer déi enorm Quantitéit un Donnéeën ass och eng Saach vu Diversitéit an duerch Ausdehnung vu verschiddene Quellen.
Dir kënnt net erwaarden all d'Äntwerten ze kréien, déi Dir iwwer d'Benotzerverhalen wëllt, just andeems Dir d'Zuelen kuckt. All gesammelt Daten, qualitativ a quantitativ, solle benotzt ginn fir d'Entwécklung an d'Erscheinung vun engem Produkt ze verbesseren. Et geet méi drëm d'Elementer ze kreéieren an ze klassifizéieren, déi an enger logescher Uerdnung gesammelt sinn, fir se ze moossen, se ze verstoen an e Wee ze definéieren fir ze verfollegen.
Daten aus verschiddene Quelle bidden eng méi nuancéiert Vue déi zu engem konsequent Resultat féiert.
Wat méi grouss, wat besser. Wat méi grouss, wat besser.

Mythos 4: Daten sinn nëmme fir Manager (net Designer)

Fakten ginn dacks benotzt fir Entscheedungen am Design vu Siten oder Uwendungen ze validéieren.
Et ass heiansdo verlockend dës Donnéeën ze benotzen fir seng Meenung ze ënnerstëtzen, e perséinleche Choix oder fir Konflikter tëscht Teams ze léisen. Et als sachleche Beweis ze benotzen ass e klengen Deel vun den Ziler vun der Datevisualiséierung. Wann Dir Datenvisualiséierung am Design benotzt, ginn et 3 Weeër fir et unzegoen:

• D'Benotzung vun Daten fir Produktverbesserung ass gläichwäerteg mat Iteratioun.
• Recuperéiert Daten an enger bestëmmter Period, no Versiounsännerungen oder souguer andeems Dir Iech mat Konkurrenten vergläicht.
• Date benotzen heescht verschidden Studien analyséieren fir nei Musteren an Trends z'entdecken.

Daten ginn no Erwaardungen zortéiert, dofir analyséieren e Manager an en UX Designer verschidden Aarte vun Daten.
All Team huet seng eege Referenzen an huet keng Kenntnisser vun den Donnéeën déi zu deenen aneren Teams gehéieren. Datevisualiséierung geet net nëmmen ëm d'Arbitréiere vu richteg a falsch, et geet drëm nei Méiglechkeeten ze verbesseren an z'entdecken. Et ass en neie Wee fir d'Benotzungsgewunnechten vun de Leit iwwer Technologie ze verstoen.

Mythos 5: Datenanalyse ass eng Brems fir Innovatioun

Analytics gëtt op eng Manéier als Antithese vun Innovatioun ugesinn. Dëst kann op 3 Weeër erkläert ginn:

1. Mir benotzen d'Resultater, déi retrospektiv gesammelt ginn. Och wa se hëllefen nei Musteren an Trends z'entdecken, hëllefen se net Verhalen virauszesoen.
2. Datevisualiséierung ass méi iwwer Methodologie wéi Strategie. Quantitativ Studien verbonne mat A / B Tester kënnen nëtzlech sinn fir Feeler ze korrigéieren oder Verbesserungen un engem Produkt ze maachen, awer si erlaben net d'Schafe vun enger eenzegaarteger Benotzererfarung.
3. Déi gesammelt Donnéeën sinn net nëmmen den Tipp vum Äisbierg. Wësse wou d'Benotzer geklickt hunn, wéi vill Mol se scrollen hëlleft eis ze definéieren wéi een e Produkt erstellt. Awer si fügen net vill un dem Benotzer seng Gefiller iwwer den Design, hir Motivatioune, hir Erwaardungen oder hir Gefiller.

Et gëtt onbedéngt en Utility fir d'Akkumulation vun dësen Donnéeën. De Problem ass net d'Donnéeën selwer, et ass wéi se benotzt ginn.

Mythos 6: Et gëtt nëmmen ee richtege Wee fir Daten am Design ze benotzen

A Wierklechkeet gëtt et keng eenzeg gemeinsam Regel déi fir all Team ka schaffen. Wéi och ëmmer, e puer Methodologien kënne relativ gutt funktionnéieren:

• Benotzt Daten aus verschiddene Quellen: Publikumsanalyse, A/B Tester, Social Media, Clientsservicer, Benotzer Tester, etc.
• Bedenkt de Kontext an deem d'Tester duerchgefouert ginn. Egal wéi d'Testart, de Kontext beaflosst heiansdo Benotzerfeedback, et ass wichteg et ze verstoen.
• Vergewëssert Iech datt d'Donnéeën den Zoustand vun de geteste Leit berücksichtegen. Dofir gi Referenzduerchschnëtt benotzt.
• Benotzt Daten fir Ännerungen a Gewunnechten a Bedierfnesser ze verfolgen, nei Musteren z'entdecken, a Probleemer méi déif z'ënnersichen.
• Entscheed iwwer d'Zort vun Daten nëtzlech fir schlussendlech Resultater ze zéien.
• Erstellt e Wee fir mat den Teams ze deelen an auszetauschen iwwer dat wat gesammelt gouf a reflektéiert zesummen op enger gemeinsamer Basis.

D'Benotzung vun Daten muss iwwer Algorithmen, Benotzertester oder Publikumsanalyse goen. D'Zil ass dës Donnéeën ze benotzen fir e bessert Verständnis vun de Benotzergewunnechten ze kréien.
Thierry Andrianalisoa - DA @UX-Republic