Недавно Дэвид Аттард писал об аналитике и ключевых показателях эффективности (ключевых показателях эффективности), а также о том, как их можно использовать для лучшего понимания пользователей нашего веб-сайта и, в свою очередь, для того, чтобы помочь нам разработать более удобные условия для этих пользователей. Он рассказал нам о важных метриках для анализа ( время на сайте, показатель отказов, конверсии, показатели выхода и т. Д.), Но также упомянул, что эти метрики помогают нам понять, что пользователи делают (или не делают) на нашем веб-сайте. Причины, почему все еще может быть немного размытым. Это потому, что, хотя данные объективны, выводы, сделанные из них, часто субъективны.
Несмотря на то, что KPI описывают поведение наших пользователей, необходимо больше контекста, чтобы сделать надежные выводы о состоянии нашего UX. Чтобы это произошло, мы должны использовать другие методы, такие как A / B-тестирование и юзабилити-тестирование, чтобы диагностировать недостатки UX, которые мы идентифицируем с помощью описательной аналитики. В этой статье я собираюсь объяснить разницу между описательной аналитикой и диагностической аналитикой , чтобы у вас было реалистичное ожидание того, что может сделать описательная аналитика, и что вам нужно получить от описательной аналитики, прежде чем вы начнете A / B тестирование и юзабилити-тестирование.
Описательная аналитика
Описательная аналитика в двух словах: что случилось?
Когда вы посещаете медсестру или врача, это потому, что у вас есть нежелательные симптомы, которые указывают на плохое состояние здоровья. Из-за этого у вас возникают проблемы с тем, что вам нужно делать. Вы точно не знаете, что происходит, только то, что вы не работаете на оптимальном уровне. Это сравнивается с аналитикой, где бизнес-цели не могут быть достигнуты из-за плохого пользовательского опыта. Определенные KPI могут указывать на это, например, высокий показатель отказов или низкий средний показатель. Время на сайте .
KPI описывают симптомы, но на самом деле они не диагностируют основную проблему, и именно поэтому мы называем их описательной аналитикой. Тем не менее, мы можем использовать симптомы, чтобы помочь диагностировать недостатки UX.
Мы можем использовать такие инструменты, как Kissmetrics, для отслеживания и анализа ключевых показателей эффективности, хотя многие компании предпочитают использовать Google Analytics, потому что он довольно сложен для бесплатного инструмента. Помимо ключевых показателей эффективности, упомянутых в статье Дэвида, аналитические инструменты, такие как Google Analytics, могут достоверно рассказать нам о демографических и интересов наших пользователей (то есть, кто они и что им нравится ), а также другие важные сведения, такие как устройство, которое они используют и откуда они. Данные такого рода, даже если их нельзя использовать для определения производительности веб-сайта, могут рассказать нам немного больше о намерениях пользователя.
Рассматривайте эту описательную аналитику как справочную информацию, которую мы можем использовать, чтобы точно определить, что идет не так (например, исследования пользователей).
Диагностическая аналитика
Диагностическая аналитика в двух словах: что мы можем сделать, чтобы это исправить?
Предположим, что ваша описательная аналитика указывает на низкие продажи, даже если ваш сайт получает трафик. После настройки некоторых событий / целей мероприятия вы можете видеть, что пользователи добавляют товары в корзину, но на самом деле они не проверяются. Данные указывают на то, что ставки выхода высоки на веб-странице, где пользователи должны будут вводить данные своей кредитной карты.
Вы определили, что низкие продажи, вероятно, связаны с недостатком пользовательского интерфейса на этом экране, но что это? Вот несколько идей:
- форма не работает
- форма слишком длинная
- страница не выглядит заслуживающей доверия
- не хватает настраиваемых параметров
- неожиданный заряд появился.
Теперь, если вы не сделали совершенно очевидную ошибку (например, забыли об обслуживании сайта по безопасному HTTPS), сузить недостатки UX может быть сложно, используя только описательную аналитику. У нас есть два варианта, которые могут помочь в диагностике проблемы: A / B-тестирование и юзабилити-тестирование.
A / B-тестирование может помочь вам реализовать жизнеспособное решение наряду с оригинальной реализацией, чтобы увидеть, какие из них лучше преобразуются. Существует также многовариантное тестирование, которое может помочь вам протестировать более одного варианта, но если вы все еще относительно не знаете, где не хватает UX, вы можете закончить разработку нескольких вариантов и тратить время без необходимости.
И здесь на помощь приходит юзабилити-тестирование. Юзабилити-тестирование — это наблюдение за тем, как пользователи используют ваш сайт, чтобы увидеть, где они борются. В то время как некоторые недостатки трудно обнаружить даже с помощью юзабилити-тестирования (поскольку вы не можете прочитать мысли пользователей), очевидные недостатки, такие как отказ от форм в результате длительных форм / нарушенной функциональности, могут стать более очевидными. По крайней мере, юзабилити-тестирование сужает проблемы, облегчая A / B-тестирование.
Инструменты A / B-тестирования, такие как Optimizely, могут помочь вам выполнить сложные A / B-тесты, но Google Optimize (которая бесплатна и интегрируется непосредственно с Google Analytics) является достойной бесплатной опцией. Такие инструменты, как Hotjar и Fullstory, могут помочь в тестировании удобства использования (обратная связь, опросы и тепловые карты), в то время как инструмент, такой как CrazyEgg, объединяет как A / B-тестирование, так и тепловые карты в один инструмент.
Бонус: прогнозирующая аналитика
Прогнозирующая аналитика в двух словах: что может произойти?
Прогнозирующая аналитика — это анализ того, что пользователь сделал ранее, с целью принятия обоснованных решений о том, что ему нужно в следующий раз (или при следующем посещении). Считайте, что это подмножество описательной аналитики, которая фокусируется на путешествиях клиентов и персонализированном контенте , помогая вам понять, как пользователи конвертируют или какой контент им интересен.
Прогнозная аналитика иногда использует машинное обучение как способ доставки релевантного целевого контента с использованием данных, которые ваши приложения и веб-сайты расшифровали сами. Поскольку машинное обучение автоматизировано, рекомендуется заранее иметь большие наборы данных.
Интересный факт: механизм рекомендаций Amazon («Клиенты, которые купили этот товар также купили») отвечает за более чем 35% их общих продаж!
Вывод
Короче говоря, описательная аналитика — это выслушивание симптомов, а диагностическая аналитика — это поиск решения. Вы можете использовать то, что вы теперь знаете о диагностической аналитике, чтобы убедиться, что вы правильно описываете аналитику и Google Analytics, поскольку описательная аналитика необходима для того, чтобы проинформировать ваш подход к A / B-тестированию и юзабилити-тестированию в дальнейшем.
В следующей статье мы познакомим вас с Google Analytics и расскажем подробнее о KPI. Вы можете найти все статьи в этой серии UX Analytics здесь .
Чтобы узнать больше об UX Analytics, ознакомьтесь с книгой SitePoint Researching UX: Analytics .