Data-analyse in UX-onderzoek | UX-onderzoek #33

Weet je welke rol data-analyse speelt in UX-onderzoek? Vandaag willen we ons richten op de kwestie van data-analyse in UX door kwalitatieve en kwantitatieve data-analyse te bespreken, en te leren over de fasen, belangrijkste doelen en doelstellingen. We zullen ook voorstellen wanneer het juiste moment is om dit in een project uit te voeren.

Data-analyse in UX-onderzoek – inhoudsopgave:

1. Waarom de verzamelde data analyseren?
2. Wanneer de data analyseren?
3. Data-analyse in UX-onderzoek
4. De doelstellingen van de analyse definiëren
5. Kwalitatieve analyse van onderzoeksdata
6. Samenvatting

Waarom de verzamelde data analyseren?

Een productbeslissing uitsluitend op basis van ruwe data nemen is een grote UX-fout. Het overslaan van de analysefase kan ertoe leiden dat gebruikers een onvolledige of ineffectieve oplossing krijgen, of zelfs dat het projectteam zich richt op het oplossen van het verkeerde probleem of het herkennen van de echte gebruikers. Om deze en andere redenen is data-analyse een essentieel proces dat het hele project op het juiste pad houdt. Dit gebeurt door rekening te houden met de werkelijke behoeften van gebruikers en informatie te verzamelen die helpt om de best mogelijke en meest optimale oplossing te ontwikkelen.

Wanneer de data analyseren?

Veel mensen hebben een grove misvatting dat analyse moet plaatsvinden na het voltooien van het onderzoek, dat wil zeggen, na het verzamelen van informatie uit veel bronnen. Deze benadering is echter ineffectief, aangezien het onderzoeken van zo’n grote hoeveelheid data enorme inspanning, mankracht en tijd vereist. Het is efficiënter om data continu te onderzoeken, bijvoorbeeld door na elk diepgaand interview een paar minuten te nemen.

Vergeet ook niet om aantekeningen te maken tijdens je onderzoek. Op deze manier kun je verse observaties opschrijven en ervoor zorgen dat er niets wordt weggelaten. Deze reflecties maken het gemakkelijk om informatie te selecteren en de meest relevante te kiezen voor latere ontwerprecommendaties. Continu analyseren, na elke kleine onderzoekstap, stelt je in staat om de uiteindelijke samenvattende analyse op een veel georganiseerdere en gestructureerdere manier uit te voeren, maar vooral, veel sneller.

Data-analyse in UX-onderzoek

Data-analyse in UX-onderzoek transformeert eerder onbewerkte data in betekenisvolle informatie die zakelijke beslissingen ondersteunt. Het uitvoeren van een uitgebreide data-analyse bestaat uit vijf basisstappen – deze stappen zijn:

1. De doelstellingen van de analyse definiëren
2. Data organiseren
3. Onderzoek
4. Clustering
5. Identificatie van resultaten en inzichten

De doelstellingen van de analyse definiëren

De eerste stap definieert de doelen van onze analyse – deze moeten strikt in overeenstemming zijn met de doelen van UX-onderzoek. Vergeet in deze fase niet af te wijken van de motieven die je hebben doen besluiten om onderzoek te doen – bijvoorbeeld, wat zijn de behoeften van de gebruiker; op welke pagina is het afhaakpercentage groter en waarom; welke verbeteringen moeten worden aangebracht om de conversieratio te verhogen; of hoe we ons product aantrekkelijker kunnen maken dan de concurrentie. Vast houden aan deze en onderzoeksdoelen zal je helpen begrijpen hoe je data-analyse op een nuttige manier voor het project kunt uitvoeren. Om precies te definiëren waar je naar op zoek bent.

Data organiseren

Elke enquête levert verschillende soorten data op, meer en minder relevant voor het project. Daarom moet je ze slim beheren, selecteren en filteren voor bruikbaarheid. Data organiseren maakt ook een doordachte ordening mogelijk om snel de gewenste informatie te vinden wanneer dat nodig is. Je kunt bijvoorbeeld data catalogiseren op basis van de subpagina van de website waar het betrekking op heeft. Segregatie is de sleutel tot het uitvoeren van efficiënte data-analyse en het verbeteren van de visualisatie, waardoor belanghebbenden het hele proces beter begrijpen.

Onderzoek

De onderzoeksfase ligt in het hart van het hele data-analyseproces. Het belangrijkste doel is het identificeren van de woorden, ideeën of zinnen die het vaakst voorkomen in de reacties van gebruikers en die het meest waarschijnlijk in lijn zijn met het doel van de analyse. Dit proces gaat niet alleen om het zoeken naar woorden en hun synoniemen, maar om te begrijpen wat ze voor gebruikers betekenen in hun context.

Als je dat hebt uitgezocht, betekent dat woorden en uitdrukkingen afhankelijk zijn van de bestudeerde gebruikersgroep. Dit gebeurt omdat mensen variëren. Ze hebben unieke ervaringen en gedragingen, evenals manieren van uitdrukken. Daarom moet je vermijden om gebruikersreacties naar jouw vocabulaire te transcriberen. Blijf in plaats daarvan zo veel mogelijk bij het origineel, want elke variatie, zelfs de kleinste, kan de onderzoeksfase schaden en de hele data-analyse opnieuw vormgeven.

Clustering

De volgende stap is het bedenken van zogenaamde clusters om de antwoorden te labelen volgens diegene die in de onderzoeksfase zijn geïdentificeerd. Deze clusters helpen het team om prioritaire kwesties te onderscheiden. Als meer dan de helft van de gebruikersreacties in de gemaakte cluster met het label “Interfaceprestaties” past, moet het team dit onderwerp waarschijnlijk prioriteit geven en zoeken naar problemen die specifiek verband houden met interfaceprestaties.

Identificatie van resultaten en inzichten

Laten we niet vergeten dat resultaten geen inzichten zijn. Resultaten hebben betrekking op de ontdekte, onderzochte, vervolgens gegroepeerde en gecatalogiseerde feiten die het onderzoeksteam aan het licht heeft gebracht door het analyseproces. Inzichten daarentegen verwijzen alleen naar de erkenning van de oorzaken die de resultaten hebben veroorzaakt. Dit is een vrij kenmerkend verschil, aangezien gebruikersreacties niet altijd leiden tot de bron van het probleem. De taak van de ontwerper is dan ook om dieper te kijken en naar inzichten te zoeken.

Gebruikers zijn meestal niet in staat om zelf de bron van hun moeilijkheden te identificeren. Het onderzoeksteam moet daarom de resultaten tijdens het data-analyseproces herzien, deze bespreken en vervolgens naar inzichten zoeken en deze afstemmen op de onderzoeksdoelen. Een workshop om de meest relevante inzichten te identificeren helpt deze taak te volbrengen. Effectief gebruik van dit hulpmiddel houdt in dat er verschillende rondes van discussie worden gehouden, gescheiden door korte pauzes.

De hierboven beschreven stappen vormen een vrij algemeen en standaard data-analyseproces dat werkt met elke onderzoeks-methode (zowel kwalitatief als kwantitatief). Het enige wat je hoeft te doen is de stappen goed aan te passen aan jouw proces.

Kwantitatieve vs. kwalitatieve data-analyse

Hoewel het proces van het analyseren van kwantitatieve data niet significant verschilt van het analyseren van kwalitatieve data, kunnen ontwerpers door de aard van dit onderzoek verschillende inzichten ontvangen. Kwantitatief onderzoek richt zich op het verzamelen en analyseren van numerieke data, met behulp van statistieken en waarschijnlijkheid. Indicatoren zoals het afhaakpercentage van een bepaalde pagina, bijvoorbeeld, of het demografische profiel van een gebruiker, bieden onderzoekers concrete en kwantificeerbare informatie over hoe mensen met het product en het publiek zelf omgaan.

Kwalitatief onderzoek richt zich meer op abstracte concepten, zoals menselijk gedrag. Om deze reden is het de moeite waard om iets meer tijd te nemen om te bestuderen en te evalueren om de gebruikerservaring en meningen volledig te begrijpen. Het is nuttig om op dit moment behulpzame vragen te stellen, zoals:

• Wat vinden gebruikers het leukst aan het product en wat het minst leuk?
• Waarom reageren sommige gebruikers anders dan anderen?
• Hebben (en wanneer) gebruikers een emotionele reactie gehad?
• Zijn (en waarom) gebruikers tevreden met het product?

Gezien het verschil in de ontvangen data, is het logisch om zowel kwantitatieve als kwalitatieve anekdotes te gebruiken als onderdeel van UX-onderzoek. Op die manier vullen de verzamelde data elkaar aan en geven ze duidelijke en diepere inzichten in de resultaten.

Samenvatting

Goed uitgevoerde data-analyse stelt je in staat om betere, meer optimale ontwerpbeslissingen te nemen. Het weglaten van de bevindingen leidt tot het ontwikkelen van een onvolledig, ineffectief product dat niet voldoet aan de werkelijke behoeften van gebruikers. Dit is waarom data-analyse zo’n kritisch proces is dat het succes van het hele project bepaalt. Het stelt je in staat om belangrijke informatie te verzamelen en te selecteren die, wanneer deze wordt vertaald in concrete ontwerprecommendaties, helpt om de best mogelijke oplossing te ontwikkelen – afgestemd op de behoeften en vereisten van gebruikers. De stappen voor data-analyse die we hebben beschreven, helpen je om dit op een gestructureerde manier uit te voeren en je te concentreren op wat het belangrijkst is.

Als je onze inhoud leuk vindt, sluit je dan aan bij onze drukke bijengemeenschap op Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.