Przewidywanie wzorców zachowań użytkowników to przyszłość, czyli czym jest UX Automation

Rozpoznawanie wzorców zachowań użytkowników i wprowadzanie na ich podstawie ulepszeń w obszarze UX to przyszłość wszelkich działań „user-friendly”. Na tej drodze do przyszłości towarzyszą nam narzędzia usprawniające i automatyzujące procesy analityczne. Jednak, żeby zrozumieć ten przełom, musimy najpierw odpowiedzieć sobie na jedno pytanie: czym właściwie jest analiza wzorców zachowań?

Pomijając frazesy prosto w Wikipedii, analiza wzorców zachowań to nic innego jak wyciąganie esencji z tego, jak nasi klienci działają w kontakcie z naszym produktem cyfrowym. Analizując ich emocje i doświadczenia szukamy powtarzalności pozwalającej przewidzieć, w którym miejscu stracą motywację, porzucą koszyk, opuszczą stronę. A skoro jest powtarzalność, to jest i miejsce na jej automatyzację.

W świecie offline pracę tę wykonywał badacz lub etnograf, który starał się jak najlepiej poznać konsumenta i wyłapać wzorce typowe dla zachowań grupy docelowej. W przypadku produktów niecyfrowych sprawa jest o tyle utrudniona, że obserwacje należało zakodować i dopiero w kolejnym kroku myśleć o jakiejkolwiek automatyzacji.

W świecie online mamy ten komfort, że to narzędzia umożliwiają nam towarzyszenie użytkownikom w ich interakcjach z produktem. Dzięki temu wiedzę o wyszukiwaniu wzorców możemy wykorzystać do wytrenowania algorytmów, aby szukały konkretnego typu powtarzalnych zachowań.

U podłoży automatyzacji UX leżą oczywiście klasyczne badania, które zespół CUX, pracując nad swoim produktem, wykorzystał do dogłębnego zrozumienia występowania wzorców oraz korelacji emocji użytkowników z ich decyzjami zakupowymi. Dzięki przełożeniu wiedzy z klasycznych badań na świat cyfrowy możemy z automatyzacji korzystać coraz powszechniej, co pozwala optymalizować procesy analityczne i efektywniej wykorzystywać dane w projektach.

Jeśli oddamy część procesu analitycznego narzędziom automatyzującym naszą pracę, będziemy mogli skupić się na „wąskich gardłach”. Zamiast przeglądać wszystkie dostępne dane, skupimy się na szukaniu potencjalnych problemów w odpowiednich miejscach. Bo po co tracić czas na analizę tych informacji, które finalnie nie są bezpośrednio związane z konwersją?

Eliminowanie błędów poznawczych

Odpowiednie filtrowanie i preanaliza danych mogą, oprócz wpływania na efektywność naszych działań, podnosić jakość analiz przeprowadzanych przez człowieka. Jedną z większych pułapek w procesach analitycznych jest mierzenie się z błędami poznawczymi. Tempo pracy w świecie technologii jest zawrotne.

Często praca z wynikami nie jest naszym jedynym zajęciem. Analizować potrzebują produktowcy, UXowcy, osoby aktywnie zaangażowane w tworzenie produktu, a co za tym idzie, te, które mają do produktu emocjonalny stosunek. Nierzadko są to osoby, które nie są specjalistami od analityki. Interdyscyplinarne zespoły analizujące wyniki danych to zarówno duża wartość jak i potencjalne zagrożenie. Zamiast podejmować bowiem decyzje oparte na danych, uzasadniamy te już podjęte przy ich pomocy.

Najczęściej spotykanymi błędami poznawczymi w analityce są:

• IKEA EFFECT – przecenianie rzeczy, które zrobiliśmy samodzielnie,
• STREETLIGHT EFFECT – szukanie informacji w miejscach znanych, łatwych, przystępnych,
• CONFIRMATION BIAS – szukamy informacji, które potwierdzają nasze wstępne hipotezy,
• SELECTIVE PERCEPTION – to, jak interpretujemy dane, zależy w dużej mierze od naszych oczekiwań.

Źródło: https://www.mobilespoon.net/2019/04/collection-cognitive-biases-how-to-use.html)

Błędy poznawcze, brak czasu na analitykę (z naszych wewnętrznych badań wynika, że poświęca się na nią ok. 5% całego czasu pracy), oczekiwanie wymiernych korzyści oraz ogrom zbieranych danych sprawiają, że zbyt mocno skupiamy się na „newralgicznych punktach” w produktach. Koncentrujemy się na ostatnim kroku sprzedaży – zapłaconym koszyku (checkout) czy jakiejkolwiek makro konwersji (np. sprzedaż zamiast problemów na ścieżce sprzedażowej), która najczęściej skorelowana jest ze spełnieniem naszego celu biznesowego.

Kiedy jednak spojrzymy na cały obrazek zachowań użytkowników, zobaczymy, że klienci tracą motywację często dużo wcześniej, np. tuż po wylądowaniu na naszej stronie. Jak to? Klikając w kampanijny link, spodziewali się raczej zobaczyć konkretny produkt, nie stronę całej wyprzedaży. Niska konwersja i wysoki współczynnik wyjścia murowany.

Tu właśnie z pomocą przychodzi automatyzacja, pozwalająca nam skupić na tym, co w projekcie ważne.

Jak automatyzować analizę zachowań?

Rozpoznanie wzorców

Dzięki rozpoznaniu wzorców konkretnych zachowań użytkowników CUX jes w stanie „nauczyć” narzędzie analityczne ich wykrywania. Na podstawie badań i obserwacji algorytm rozpoznaje sygnały świadczące o utracie motywacji zakupowej u klienta. Przefiltrowane przez pryzmat doświadczeń użytkowników informacje, pozwolą skupić ci się jedynie na tych danych – ścieżkach, nagraniach, heatmapach – które mają znaczenie dla Twojego produktu. Tam właśnie mogą kryć się odpowiedzi na pytanie „dlaczego użytkownicy nie konwertują/utykają/odpadają?” itp.

Narzędzia takie jak CUX rozpoznają sygnały, które na podstawie danych historycznych mogą świadczyć o utracie motywacji zakupowej u klienta

Skala

Kiedy mówimy o analizie zachowań użytkowników, uśrednione wartości możemy wyrzucić do kosza! Nie mają one żadnego zastosowania w kontekście celów, które chcemy, aby osiągał nasz biznes. Oczywiście skala występowania danego problemu będzie istotna, jednak naszą uwagę powinny przyciągać w pierwszej kolejności trendy. Dzięki nim jesteśmy w stanie zobaczyć, czy wprowadzane zmiany pomagają wyeliminować daną frustrację. Sprawdzimy, czy pewne zdarzenia wynikają z chwilowych błędów i przestojów np. z prędkością działania internetu, czy dotyczą permanentnych problemów z użytecznością produktu.

Przez lata osoby zajmujące się zawodowo UX mierzyły się również z brakiem „istotności statystycznej” w prezentowanych wynikach badań jakościowych. Próby kwantyfikowania UX powodują, że łatwiej i efektywniej możemy monitorować wprowadzane zmiany, a konieczność inwestowania w ten obszar broni się sama. Ponadto eliminujemy odwieczny problem – jak przekonać stakeholderów do badań UX?

Wyobraź sobie, że strona checkoutu osiąga wysoki współczynnik rage clicków (czyli „wściekłych kliknięć”). Kiedy przyjrzysz się konkretnym nagraniom, których ten wskaźnik dotyczy, zobaczysz, że userzy np. nie trafiają w okno zmiany opcji płatności. Dzięki automatyzacji dostałeś konkretny set danych do przeanalizowania, możesz skupić się na znalezieniu rozwiązania i w krótkim czasie rozwiązać problem, który mógł powodować znaczące spadki konwersji!

Experience Metrics – procentowy udział wizyt, w których narzędzie wykryło jedno z problematycznych zachowań użytkowników – zoomowanie treści, rage clicki czy rage key pressy.

Nawet w przypadku dużych, długo działających biznesów online zdarzało mi się w 2 minuty znajdować rozwiązania dla frustracji w procesie checkoutu. W poniższym przykładzie rage clicki na etapie wypełniania formularza online były widoczne na heatmapie w okolicach checkboxów. Okazało się, że były one zbyt mało czułe i zbyt blisko marginesu, aby użytkownicy mogli trafiać w nie bezproblemowo na małym ekranie. Prosta i przede wszystkim szybka zmiana w produkcie, a duża zmiana w satysfakcji klientów.

W szukaniu rozwiązań pomagają również heatmapy. Mapy ciepła ilustrującą zbiorczo, obszary strony, których dotyczy frustracja – konieczności zoomowania ekranu lub rage clicki.

Cel

Skupienie działań analitycznych – szczególnie tych zautomatyzowanych – na konkretnym celu biznesowym, pozwala na szybką diagnozę problemów i natychmiastowe rekomendacje ulepszeń. Mając jasno określony cel, nie tracisz czasu na oglądanie wszystkich nagrań czy pojedynczych sesji. Automatyzacja analizy zachowań pozwala ci skupić się na tych ścieżkach klientów (i ich doświadczeniach!), które bezpośrednio wpływają na Twój biznes.

W szerszym kontekście automatyzacji sprzyja również ułożenie strategii analitycznej rozumianej jako proces z dobranymi KPIami i metrykami, które są stale monitorowane.

Dashboard analityczny prezentujący najważniejsze wyniki w kontekście celu biznesowego, np. zapisów na newsletter.

Na czym więc oprzeć automatyzację? Na narzędziach, które są w stanie za nas wyłapywać i definiować wzorce zachowań użytkowników, tym samym oszczędzając czas na analizę. Na analizowaniu tylko istotnych wizyt i skalowaniu działań – nie wszystkie dane, które zbieramy, są nam w rzeczywistości potrzebne. I przede wszystkim na badaniu tylko tych danych, które są istotne z punktu widzenia naszego celu biznesowego.

Przyszłość digitalowych biznesów

Powiedzmy sobie szczerze: jeśli czegoś nie możemy zmierzyć, nie możemy też tego zoptymalizować. Wskaźniki – przez lata uznawane za jedyny wyznacznik sukcesu jak np. Conversion Rate – wynikają w dużej mierze właśnie z tego, jakie doświadczenia mają nasi klienci w procesie styczności z naszym produktem.

Świat produktów cyfrowych rozwija się w niesamowitym tempie – szczególnie gnany pandemiczną potrzebą zmiany! Zautomatyzowane podejście do badań i analiz zachowań użytkowników pozwala na szybsze reagowanie na tę zmieniającą się rzeczywistość.

Często widząc zmiany w liczbach, nie mamy pojęcia, z czego one wynikają. Obserwacja zmian w zachowaniach klientów może nas zabezpieczyć przed podejmowaniem błędnych decyzji. W przypadku budżetów marketingowych jesteśmy w stanie nie tylko optymalizować wydatki na kampanie, ale również walczyć ze zjawiskiem marketing blindness, coraz częściej występującym w świecie przesyconym informacjami.

Automatyzacja w analizie wzorców zachowań wymaga od nas zmian myślowych i dostrzeżenia potencjału, ale z perspektywy rozwoju technologii to tylko przystanek na drodze do upowszechniania się analityki predyktywnej, czyli przewidywania jak występowanie pewnych wzorców wpłynie na decyzje zakupowe konsumentów.