TL;DR:
- Daugelis verslo savininkų mano, kad geras dizainas yra tik jausmo reikalas ir nėra duomenų pagrindo. Duomenimis grindžiami sprendimai padeda analizuoti vartotojų elgseną ir tiksliai optimizuoti konversijas. Sisteminga duomenų analizė ir A/B testavimas leidžia nuolat gerinti skaitmeninę patirtį ir pasiekti geresnius verslo rezultatus.
Daugelis verslo savininkų vis dar tiki, kad geras dizainas yra jausmo reikalas. Patinka spalva, atrodo profesionaliai, vadinasi, tinka. Bet kai svetainė negeneruoja pakankamai užklausų arba vartotojai išeina iš ją vos peržiūrėję, „atrodo gerai" netampa „veikia gerai". Kaip veikia duomenimis grįstas dizainas yra klausimas, kurį turėtų užduoti kiekvienas vadovas, norintis, kad jo skaitmeniniai sprendimai duotų išmatuojamą grąžą. Šiame straipsnyje rasite atsakymą: nuo sąvokos iki praktinių žingsnių.
Turinys
- Pagrindinės įžvalgos
- Kas yra duomenimis grįstas dizainas
- Duomenų rinkimas ir analizė
- Dažniausios klaidos ir iššūkiai
- Praktiniai žingsniai pradžiai
- Mano požiūris iš praktikos
- Kaip „Ainis Space" gali padėti
- DUK
Pagrindinės įžvalgos
| Taškas | Detalės |
|---|---|
| Duomenys pakeičia intuiciją | Sprendimai grindžiami faktiniais vartotojų elgsenos duomenimis, ne subjektyviais vertinimais. |
| Kiekybiniai ir kokybiniai duomenys | Sujungus metrikas su vartotojų interviu, aiškėja ne tik kas vyksta, bet ir kodėl. |
| Funnel analizė yra centras | Kritinių nutekėjimo taškų atpažinimas leidžia investuoti optimizavimą ten, kur jis labiausiai veikia. |
| Klaidos gali suklaidinti | Per anksti nutraukti testai ir netinkamos hipotezės duoda klaidingus rezultatus. |
| Procesas yra pasikartojantis | Duomenimis grįstas dizainas nėra vienkartinis projektas, o nuolat veikiantis ciklas. |
Kas yra duomenimis grįstas dizainas
Duomenimis grįstas dizainas remiasi empiriniais įrodymais, ne intuicija. Tai reiškia, kad kiekvienas dizaino sprendimas, nuo mygtuko spalvos iki navigacijos struktūros, yra pagrįstas tuo, kaip realūs vartotojai elgiasi su jūsų svetaine. Tradiciniame požiūryje dizaineris ar vadovas priima sprendimą remdamasis patirtimi arba estetikos jausmu. Duomenimis grįstas dizainas tą procesą apverčia: pirmiausia analizuojami duomenys, tada formuluojamos hipotezės, tada testuojami sprendimai.
Skirtumas nuo tradicinio dizaino
Tradicinis dizainas dažnai prasideda nuo klausimo „kaip tai atrodo?" Duomenimis grįstas dizainas pradeda nuo klausimo „kaip tai veikia ir kodėl?" Tai fundamentalus skirtumas, kuris tiesiogiai veikia verslo rezultatus.
Geriausios praktikos duomenų dizainui apima keturis pagrindinius duomenų tipus:
- Analitiniai duomenys (puslapio peržiūros, atmetimo rodiklis, sesijų trukmė)
- Vartotojų elgsenos duomenys (spaudimų šiluminiai žemėlapiai, slinkties gylis, spaudimų srautai)
- A/B testavimo rezultatai (kontroliuojami eksperimentai su skirtingais dizaino variantais)
- Kokybiniai duomenys (vartotojų interviu, naudojamumui skirti testai, apklausos)
Kiekvienas tipas atsakingas už skirtingą klausimą. Analitika pasako, kur problema. Elgsenos duomenys rodo, kas konkrečiai vyksta. Kokybiniai duomenys atskleidžia, kodėl vartotojas elgiasi taip, o ne kitaip.
Profesionalus patarimas: Nepradėkite nuo duomenų rinkimo vien todėl, kad „reikia duomenų". Pirmiausia suformuluokite konkretų verslo klausimą: „Kodėl vartotojai neužpildo kontaktų formos?" Tada rinkite tik tuos duomenis, kurie padės atsakyti į jį.
Duomenimis grįstas projektavimo metodas sumažina sprendimų riziką ir paspartina iteracijas. Užuot spėjus, testuojamas konkretas variantas. Jei jis veikia geriau, jis diegiamas. Jei ne, mokoma iš rezultato ir bandoma kitas variantas. Šis ciklas veikia tiek nedideliuose puslapiuose, tiek sudėtinguose e. komercijos projektuose.
Duomenų rinkimas ir analizė
Žinoti, kad reikia rinkti duomenis, dar nereiškia žinoti, kurie duomenys iš tikrųjų svarbūs. Daugelis verslo savininkų turi prieigą prie Google Analytics, bet naudoja tik paskutinių dienų sesijų skaičių. Tai prilygsta automobilio matuoklio rodymui be informacijos apie kuro kiekį, greičio ribojimai ar kelio sąlygas.
Keturi žingsniai efektyviai duomenų analizei
Nustatykite svarbius įvykius (event tracking). Stebėkite ne tik puslapio peržiūras, bet ir konkrečius vartotojų veiksmus: mygtukų paspaudimus, formos pildymą, failo atsisiuntimą, vaizdo įrašo paleidimą. Šie mikro veiksmai atskleidžia, ar vartotojas juda norima kryptimi.
Atlikite funnel analizę. Funnel analizė padeda identifikuoti kritinius momentus vartotojų kelionėje, pavyzdžiui, checkout ar registracijos etapuose. Jei iš 100 vartotojų, pradėjusių pirkimą, tik 12 jį užbaigia, reikia tiksliai žinoti, kuriame žingsnyje 88 išeina ir kodėl.
Derinkit kiekybinius ir kokybinius duomenis. Duomenimis grįstas dizainas jungia metrikas su vartotojų tyrimais, kad sprendimai atitiktų tiek „kas", tiek „kodėl" vartotojų elgsenoje. Analitika gali parodyti, kad vartotojai dažnai sustoja konkrečiame puslapyje, tačiau tik interviu atskleis, kad jie nesuprato formos instrukcijų.
Užtikrinkite statistinį patikimumą A/B testavime. Standartinė praktika reikalauja 95% patikimumo ir 80% testo jautrumo. Tai reiškia, kad jūsų testo rezultatai turi būti paremti pakankamu duomenų kiekiu, o ne vienos dienos stebėjimais.
| Duomenų tipas | Atsako į klausimą | Įrankiai |
|---|---|---|
| Analitika | Kas vyksta? | Google Analytics, Matomo |
| Šiluminiai žemėlapiai | Kur spaudžia vartotojai? | Hotjar, Microsoft Clarity |
| A/B testai | Kuris variantas veikia geriau? | Google Optimize, VWO |
| Interviu / apklausos | Kodėl vartotojai elgiasi taip? | Typeform, tiesioginiai interviu |
Profesionalus patarimas: Matuodami konversijų rodiklius, visada nustatykite stebėjimo laikotarpį, kuris apima bent dvi visas darbo savaites. Savaitės dienų vartotojų elgesys gali skirtis iki 30%, todėl per trumpas stebėjimas duoda iškreiptus rezultatus.
Duomenų vizualizacija šiame etape yra labai naudinga priemonė: vizualiai pavaizduoti duomenys leidžia komandai greičiau suprasti tendencijas ir priimti sprendimus, nei skaičiuojant skaičius lentelėje.
Dažniausios klaidos ir iššūkiai
Net ir verslas, pasiryžęs taikyti design based on data principus, daro pasikartojančias klaidas. Pažinti jas iš anksto padeda jų išvengti.
Per ankstyvas testo nutraukimas. Testą būtina leisti pakankamai ilgai, kad būtų surinktas reikiamas duomenų kiekis. Nutraukus testą per anksti kyla rimta rizika priimti klaidingus sprendimus. Pavyzdys: jei pirmos dvi dienos rodo aiškų laimėtoją, bet trečia diena pakeičia tendenciją, ankstyvas nutraukimas būtų davęs neteisingą išvadą.
Nepakankamas imties dydis. Daugelis komandų per anksti nutraukia testus arba neatsižvelgia į imties dydį, todėl praranda galimybę priimti statistiškai pagrįstus sprendimus. 5% bazinės konversijos ir 10% minimalaus aptinkamo efekto atveju reikia apie 31 000 lankytojų vienam variantui.
Bloga hipotezė. Testuoti „ar raudona spalva geresnė nei žalia" yra per siaura hipotezė. Stipri hipotezė turėtų skambėti taip: „Manome, kad pakeitus CTA mygtuko tekstą iš „Pirkti" į „Gauti pasiūlymą" padidės paspaudimų rodiklis, nes vartotojai nenori prisiimti finansinio įsipareigojimo pirmo kontakto metu."
Kokybinių duomenų ignoravimas. Kokybiniai duomenys dažnai atskleidžia pagrindines priežastis, kurios nėra matomos kiekybiniuose duomenyse. Jei analitika rodo, kad vartotojai išeina iš kainos puslapio, tai gali reikšti, kad kaina per didelė, bet gali reikšti ir tai, kad jie tiesiog nerado kontaktų mygtuko.
Duomenų interpretacijos iškraipymai. Renkant didelius duomenų kiekius visada egzistuoja pagunda atrinkti tik tuos rodiklius, kurie patvirtina jau priimtą sprendimą. Tai vadinama patvirtinimo šališkumu, ir jis gali sugriauti visą duomenimis pagrįstą sprendimų priėmimo procesą.
Profesionalus patarimas: Prieš pradėdami bet kokį A/B testą, užrašykite hipotezę, tikėtiną rezultatą ir minimalų imties dydį. Tai priverčia komandą mąstyti sistemiškai ir apsaugo nuo sprendimų priėmimo remiantis nepakankamais duomenimis.
Praktiniai žingsniai pradžiai
Duomenų naudojimo strategijos diegimas versle nereikalauja didelės komandos ar brangių įrankių. Reikia struktūruoto požiūrio.
Kaip naudoti duomenis dizaino procese: 5 žingsniai
Suformuluokite verslo klausimą. Ne „noriu geresnę svetainę", o „kodėl 70% vartotojų neužbaigia registracijos?" Konkretus klausimas lemia, kokius duomenis rinksite ir kaip juos interpretuosite. Reguliarus duomenų stebėjimas ir iteratyvus darbo procesas padeda efektyviai taikyti duomenimis grįstą dizainą.
Diekite pagrindinius įrankius. Google Analytics 4 suteikia išsamią vartotojų elgsenos analitiką. Hotjar arba Microsoft Clarity rodo šiluminius žemėlapius ir sesijų įrašus. Šie du įrankiai kartu sudaro tvirtą duomenų rinkimo pagrindą bet kuriam verslui, nepriklausomai nuo jo dydžio.
Atlikite funnel analizę. Identifikuokite, kuriuose žingsniuose vartotojai palieka jūsų svetainę. Konversijų optimizavimas turi remtis funnel analize, kurioje nustatomos kritinės vietos, o tada formuluojamos hipotezės testavimui.
Testuokite pakeitimus sistemingai. Kiekvieną dizaino pakeitimą, kuris gali paveikti konversijas, testuokite A/B metodu. Maži srautai reikalauja drąsesnių pakeitimų: jei jūsų svetainė gauna 500 lankytojų per mėnesį, spalvos tono keitimas neduos statistiškai patikimų rezultatų. Tokiu atveju testuokite esminius struktūrinius pokyčius.
Dokumentuokite ir kartokite. Disciplinuotas procesas, apimantis nuoseklų duomenų rinkimą, hipotezių kūrimą, testavimą ir rezultatų dokumentavimą, yra esminis sėkmingai praktikai. Kiekvienas testas, net nesėkmingas, suteikia žinių apie vartotojų elgseną.
| Verslo etapas | Prioritetinis klausimas | Rekomenduojamas veiksmas |
|---|---|---|
| Nauja svetainė | Ar vartotojai randa, ko ieško? | UX auditas ir elgsenos stebėjimas |
| Augantis e. komercija | Kur prarandami pirkėjai? | Funnel analizė ir checkout optimizavimas |
| Subrendęs verslas | Kaip padidinti konversijų rodiklį? | A/B testavimas ir kokybiniai interviu |
| Premium segmentas | Ar dizainas kuria pasitikėjimą? | Kokybiniai vartotojų tyrimai ir UX heuristika |
Duomenimis grįsto projektavimo metodai veikia kaip pasikartojantis ciklas, ne kaip vienkartinis projektas. Kiekviena iteracija prideda naujų žinių ir pagerina rezultatus. Verslas, kuris šį procesą integruoja į savo darbo kultūrą, per metus pasiekia rezultatų, kurių niekada nepasiektų vien intuityvių sprendimų pagrindu.
Mano požiūris iš praktikos
Per daugiau nei dvidešimt metų darbo su skaitmeniniais projektais matau tą pačią problemą kartojasi: komandos renka duomenis, bet nebando jų suprasti. Jie turi Google Analytics paskyrą, bet ją atidaro tik tada, kai klientas paklausia, kiek lankytojų buvo per mėnesį. Tai nėra duomenimis grįstas dizainas. Tai yra ataskaitų generavimas.
Kita dažna kliūtis, kurią matau, yra per ankstyvas testų nutraukimas. Klientas pamato, kad vienas variantas veda po trijų dienų, ir skambina sako „rastas laimėtojas, diekime". Bet trys dienos dažnai nereiškia nieko statistiškai. Tai yra šansas, ne tendencija.
Mano patirtis rodo, kad sėkmingiausiai duomenimis grįstą dizainą diegia tos komandos, kurios priima duomenis kaip partnerį, o ne kaip arbitrą. Duomenys pasako, kas vyksta. Jūsų verslo kontekstas ir patirtis padeda suprasti, kodėl taip vyksta, ir ką su tuo daryti. Nei vieni be kitų neduoda gerų rezultatų.
Taip pat svarbu nepamiršti, kad konversijų optimizavimas turi būti holistinis procesas, jungiantis duomenų analizę, vartotojų tyrimus, UX heuristiką ir disciplinuotą testavimą. Verslo savininkai, kurie tikisi, kad vienas A/B testas išspręs viską, paprastai nusivilia. Tie, kurie stato sistemą, gauna ilgalaikes grąžas.
Pradėkite nuo mažo. Vienas klausimas. Vienas funnel. Vienas testas. Ir rezultatai atskleis, kur investuoti toliau.
— Ainis
Kaip „Ainis Space" gali padėti
Jei po šio straipsnio supratote, kad jūsų svetainė dar niekada nebuvo analizuojama duomenimis grįstu požiūriu, tai yra geras atspirties taškas.
„Ainis Space" dirba su verslo savininkais ir vadovais, kurie nori konkretių rezultatų: daugiau užklausų, geresnio konversijų rodiklio, aiškesnės vartotojų patirties. Mes atliekame UX auditus ir remiamės jūsų duomenimis, ne spėlionėmis. Mūsų konversijų optimizavimo procesas jungia analitikos analizę, elgsenos stebėjimą ir testuojamus sprendimus, kurie generuoja išmatuojamą grąžą. Susipažinkite su visomis mūsų paslaugomis arba susisiekite dėl konsultacijos, kurioje aptarsime, kokie duomenys jūsų verslui svarbiausi.
DUK
Kas yra duomenimis grįstas dizainas?
Duomenimis grįstas dizainas yra metodas, kuriame dizaino sprendimai priimami remiantis realiais vartotojų elgsenos duomenimis, analitika ir testavimo rezultatais, o ne intuicija ar estetinėmis preferencijomis.
Kiek laiko turi trukti A/B testas?
Testas turi trukti bent dvi pilnas savaites ir surinkti statistiškai pakankamą imtį. Standartinė praktika reikalauja 95% patikimumo lygio, o reikalingas lankytojų skaičius priklauso nuo bazinės konversijos ir norimo aptikti pokyčio dydžio.
Ar mažam verslui tinka duomenimis grįstas dizainas?
Taip, tačiau su korektūromis. Mažo srauto svetainėms A/B testavimas reikalauja drąsesnių pokyčių ir ilgesnio testavimo laikotarpio. Vietoj to galima pradėti nuo kokybinių metodų: vartotojų interviu, sesijų įrašų analizės ir UX audito.
Kokius įrankius naudoti duomenų rinkimui?
Google Analytics 4 vartotojų srautui ir konversijoms, Hotjar arba Microsoft Clarity šiluminiams žemėlapiams ir sesijų įrašams. Šie du įrankiai yra praktiškas ir prieinamas pagrindas, tinkamas daugumai verslo svetainių.
Kodėl nepakanka vien kiekybinių duomenų?
Kiekybiniai duomenys parodo, kur ir kada vartotojai palieka svetainę, tačiau neatskleidžia priežasties. Kokybiniai duomenys, tokie kaip interviu ar naudojamumui skirti testai, suteikia kontekstą ir padeda suprasti tikrąją problemos priežastį, leidžiant spręsti ne tik simptomus.
