Di luar algoritma, ujian A/B dan analisis data, matlamat visualisasi data adalah untuk membangunkan pemahaman pengguna dengan mengambil pendekatan yang lebih baik terhadap data yang dikumpul.
Dalam syarikat, kadangkala sukar untuk pasukan memahami dan menganalisis data yang mereka terima: ujian A/B, penyelidikan pasaran, tinjauan...
Jadi apakah yang perlu kita ambil kira dalam jisim data ini dan bagaimana kita boleh mengeksploitasinya?
Untuk memahami apa itu visualisasi data, kami akan melalui penyingkiran dengan terlebih dahulu menunjukkan apa yang bukan visualisasi, kemudian kami akan menerangkan cara visualisasi data boleh meningkatkan pengalaman pengguna.

Mitos 1: Data adalah mengenai nombor

Analisis aktiviti di tapak biasanya diwakili oleh penunjuk berangka seperti bilangan lawatan, masa yang diluangkan oleh pengguna di tapak, klik keluar. Dalam kes ini, nombor adalah cara mudah untuk menyalin tabiat seseorang.
Walau bagaimanapun, mengurangkan tabiat berjuta-juta orang kepada beberapa bilangan mungkin tidak berguna dan boleh dipercayai seperti yang disangkakan. Sesungguhnya, kajian analitikal tidak dapat memberikan semua jawapan yang berkaitan dengan tingkah laku manusia, yang kadangkala subjektif dan berubah bergantung kepada individu: Apakah perasaan pengguna? Apakah yang paling menarik perhatiannya tentang antara muka? Mengapa dia akan mengesyorkannya?
Seperti dalam kajian sosial dan perubatan, kajian kualitatif tidak dianggap selamat. Begitu juga dengan visualisasi data. Satu-satunya data sebenar yang boleh dipertimbangkan ialah jejak yang ditinggalkan oleh pengguna tidak kira sumbernya.

Mitos 2: Data adalah objektif

Data kuantitatif biasanya merupakan penanda aras yang mencerminkan tindakan. Data ini kemudiannya disusun oleh mesin dan bukan oleh orang. Oleh kerana ini adalah fakta yang tidak boleh dipertikaikan, data ini biasanya membawa lebih berat.
Walaupun jumlah data adalah besar, ia tidak sepatutnya dianggap sebagai objektif sepenuhnya, kerana walaupun ini dikumpul oleh mesin, ia tetap ditafsirkan oleh manusia (jika ralat mungkin).
Sebagai contoh, data rangkaian sosial hanya menunjukkan tindakan jenis populasi tertentu: Pelanggan di Twitter atau Facebook yang menggunakan hashtag, peminat dan pengikut halaman tertentu... Dengan kata lain, orang yang bersetuju untuk mengambil bahagian dalam kajian sepadan dengan minoriti dan tidak mencerminkan keseluruhan penduduk. Dengan mengambil data ini sebagai kebenaran yang benar, kita akhirnya terjerumus ke dalam prasangka.
Seperti prinsip ketidakpastian Heisenberg, keputusan boleh berubah hanya dengan memerhati subjek. Persekitaran boleh neutral, tingkah laku pengguna boleh diubah kerana diperhatikan. Terdapat sangat sedikit kajian yang benar-benar memberikan pengguna peluang untuk menyatakan diri mereka secara murni dan ringkas. Ini juga berlaku dengan kajian kuantitatif di mana tingkah laku boleh diubah bergantung pada cara soalan ditanya.

Di samping itu, apabila kita membandingkan kajian yang dijalankan dari jauh dan temu bual dengan pemerhati, kita melihat perbezaan dalam tingkah laku. Orang ramai cenderung untuk memberikan tanggapan positif sedikit apabila mereka bersama pemerhati berbanding ketika mereka pulang ke rumah.
Data, besar atau kecil, tidak boleh 100% selamat. Mereka mempunyai had dan prasangka boleh mengubah suai tafsiran mereka.

Mitos 3: Lebih besar adalah lebih baik

Kegilaan untuk Data Besar ini mencadangkan kuasa untuk mendedahkan rahsia terbesar manusia dan meramalkan masa depan. Diakui, kadangkala apabila bercakap tentang data, lebih banyak maklumat lebih baik.
Ini juga sah apabila berurusan dengan elemen subjektif, seperti emosi berdasarkan pengalaman peribadi: Lebih banyak jawapan ada, lebih pasti data itu.
Apabila berfikir lebih besar, kita cenderung melihat banyak metrik. Tetapi jumlah data yang besar juga merupakan masalah kepelbagaian dan lanjutan, dari pelbagai sumber.
Anda tidak boleh mengharapkan untuk mendapatkan semua jawapan yang anda inginkan tentang tingkah laku pengguna hanya dengan melihat nombor. Semua data yang dikumpul, kualitatif dan kuantitatif, harus digunakan untuk menambah baik pembangunan dan penampilan produk. Ia lebih kepada mencipta dan mengklasifikasikan elemen yang dikumpul dalam susunan logik untuk mengukurnya, memahaminya dan menentukan laluan untuk diikuti.
Data daripada sumber yang berbeza memberikan pandangan yang lebih bernuansa yang membawa kepada hasil yang konsisten.
Lebih besar lebih bagus. Lebih besar, lebih baik.

Mitos 4: Data hanya untuk Pengurus (bukan Pereka)

Fakta sering digunakan untuk mengesahkan keputusan dalam reka bentuk tapak atau aplikasi.
Kadangkala tergoda untuk menggunakan data ini untuk menyokong pendapat seseorang, pilihan peribadi atau untuk menyelesaikan konflik antara pasukan. Menggunakannya sebagai bukti fakta adalah sebahagian kecil daripada matlamat visualisasi data. Jika anda menggunakan visualisasi data dalam reka bentuk terdapat 3 cara untuk mendekatinya:

• Menggunakan data untuk penambahbaikan produk adalah sama dengan lelaran.
• Dapatkan data dalam tempoh tertentu, mengikut perubahan versi atau bahkan dengan membandingkan diri anda dengan pesaing.
• Menggunakan data bermakna menganalisis kajian yang berbeza untuk menemui corak dan trend baharu.

Data diisih mengikut jangkaan, oleh itu pengurus dan Pereka UX akan menganalisis jenis data yang berbeza.
Setiap pasukan mempunyai rujukan sendiri dan tidak mempunyai pengetahuan tentang data kepunyaan pasukan lain. Visualisasi data bukan sahaja tentang timbang tara betul dari salah, ia tentang menambah baik dan menemui kemungkinan baharu. Ia adalah cara baharu untuk memahami tabiat penggunaan orang ramai melalui teknologi.

Mitos 5: Analitis data adalah pemecah kepada inovasi

Analitis dilihat sebagai antitesis inovasi dalam satu cara. Ini boleh dijelaskan dalam 3 cara:

1. Kami menggunakan hasil yang dikumpul secara retrospektif. Walaupun mereka membantu menemui corak dan aliran baharu, mereka tidak membantu meramalkan tingkah laku.
2. Visualisasi data lebih kepada metodologi daripada strategi. Kajian kuantitatif yang dikaitkan dengan ujian A/B boleh berguna untuk membetulkan ralat atau membuat penambahbaikan pada produk, tetapi mereka tidak membenarkan penciptaan pengalaman pengguna yang unik.
3. Data yang dikumpul bukan sekadar puncak gunung ais. Mengetahui tempat pengguna mengklik, berapa kali mereka menatal membantu kami menentukan cara membuat produk. Tetapi mereka tidak menambah banyak perasaan pengguna tentang reka bentuk, motivasi mereka, jangkaan mereka atau perasaan mereka.

Semestinya terdapat utiliti untuk pengumpulan data ini. Masalahnya bukan data itu sendiri, tetapi bagaimana ia digunakan.

Mitos 6: Terdapat hanya satu cara yang betul untuk menggunakan data dalam reka bentuk

Pada hakikatnya, tidak ada satu peraturan biasa yang boleh berfungsi untuk mana-mana pasukan. Walau bagaimanapun, beberapa metodologi boleh berfungsi dengan baik:

• Gunakan data daripada sumber yang berbeza: analisis khalayak, ujian A/B, media sosial, perkhidmatan pelanggan, ujian pengguna, dsb.
• Mengambil kira konteks di mana ujian dijalankan. Walau apa pun jenis ujian, konteks kadangkala mempengaruhi maklum balas pengguna, adalah penting untuk memahaminya.
• Pastikan data mengambil kira keadaan minda orang yang diuji. Untuk ini, purata rujukan digunakan.
• Gunakan data untuk menjejaki perubahan dalam tabiat dan keperluan, meneroka corak baharu dan menyiasat masalah dengan lebih mendalam.
• Tentukan jenis data yang berguna untuk membuat keputusan konklusif.
• Cipta satu cara untuk berkongsi dan bertukar-tukar dengan pasukan tentang perkara yang telah dikumpulkan dan merenung bersama-sama berdasarkan asas yang sama.

Penggunaan data mesti melangkaui algoritma, ujian pengguna atau analisis khalayak. Matlamatnya adalah untuk menggunakan data ini untuk mendapatkan pemahaman yang lebih baik tentang tabiat pengguna.
Thierry Andrianalisoa - DA @UX-Republic