UI/UX Dizaina mijiedarbības novērtēšanas metodes

Šajā rakstā uzrakstīšu Jums  par metodēm, kas tiek izmantotas novērtēšanai un mijiedarbības veidošanai. Tie ietver heiristisko novērtēšanu, apskati, tīmekļa analīzi, A/B testēšanu un paredzamos modeļus. Tātad, sāksim uzzināt, kas ir šie modeļi un kāpēc mums tie ir vajadzīgi.

Heiristiskais novērtējums

Heiristiskais novērtējums ir datora programmatūras lietojamības pārskata metodoloģija, kas palīdz atklāt lietojamības problēmas lietotāja interfeisa (UI) stilā. Heiristiskais novērtējums ir Nielson Norman grupas paņēmiens, lai novērtētu digitālā produkta lietojamību. To parasti veic lietojamības ekspertu kopa, kas izvērtē produktu, salīdzinot ar Norman grupas īkšķa noteikumu kopumu. Šos īkšķa noteikumus dažkārt pārskata lietojamības inženieri, lai iekļautu vairāk atklājumu.

Labākais veids, kā novērtēt produkta lietotāja pieredzi vai lietojamību, ir lietotājam to testēt, kas, lai gan patērē vairāk resursu, nodrošina vislabākos rezultātus. Lietotāju atsauksmes ir dārgas, un arī to interpretācija ir laikietilpīga, un ne visiem uz lietotājiem orientētiem produktiem ir šāda brīvība šiem resursiem. Šādos gadījumos jūsu produkta heiristiskais novērtējums palīdz samazināt lietojamības problēmas ar daudz mazāku ierobežoto resursu patēriņu.

Heiristiskie principi

1. Sistēmas statusa redzamība

Lietotājam vienmēr ir jābūt informētam par sistēmas statusu, izmantojot efektīvu atgriezenisko saiti.

2. Atbilstība starp sistēmu un reālo pasauli

Sistēmas komunikācijai ar lietotāju ir jābūt pazīstamai lietotājam. Lietotājam jāspēj to saistīt ar reālās pasaules ekvivalentu.

3. Lietotāja kontrole un brīvība

Lietotājiem vajadzētu būt iespējai atgriezties savā darbībā un jebkurā laikā brīvi iziet no sistēmas, kad viņi to vēlas.

4. Konsekvence un standarti

Sistēmai ir jāievēro standarta saskarnes konvencijas ar lietotājiem pazīstamiem terminiem, kas visā sistēmā ietver vienu un to pašu nozīmi.

5. Kļūdu novēršana

Cilvēki mēdz pieļaut kļūdas, un sistēmai ir jāatbalsta lietotājs to novēršanā.

6. Atzīšana, nevis atsaukšana

Sistēmai ir jānodrošina lietotāja palīdzība, lai samazinātu lietotāja atmiņas slodzi.

7. Lietošanas elastība un efektivitāte

Sistēmām jābūt efektīvām gan iesācējiem, gan pieredzējušiem lietotājiem. Paātrinātāju/īsinājumtaustiņu komandas pieredzējušiem lietotājiem un acīmredzamas alternatīvas iesācējiem.

8. Estētisks un minimālistisks dizains

Lietotājam jāsniedz tikai attiecīgie dati. Jo vairāk atbilstošo datu sistēmai ir vieglāk koncentrēties uz lietotāju.

9. Palīdziet lietotājiem atpazīt, diagnosticēt un atgūt kļūdas

Sistēmai ir jāpalīdz lietotājam atgūties no kļūdām. Kļūdu ziņojumi jākonstruē ar empātiju.

10. Palīdzība un dokumentācija

Lietotājiem gan tiešsaistē, gan bezsaistē ir jāsaņem atbilstoši palīdzības dokumenti par sistēmu. Dokumentācijai ir jānodrošina efektīvi pasākumi, lai lietotāji varētu sasniegt savus mērķus.

 

Lai uzzinātu un saprastu vairāk par lietojamības heiristiku lietotāja interfeisa dizainam, noklikšķiniet šeit. (Angļu valodā)

Lai gan heiristika nekad neaizstās parastās lietotāju testēšanas stratēģijas, tā tomēr var nodrošināt tonnām dažu produktu bojātu lietojamību un pieredzi. Ne katrs produktu menedžeris/dizainers atļaus laiku, naudu vai pūles, lai veiktu lietotāju testēšanu, un heiristiskie novērtējumi varētu būt ātrāks, dažkārt arī efektīvākais un piemērotākais veids, kā tos atrisināt.

Norādījumi…

Programmatūras testēšanas norādījumi tiek izmantoti, lai pārskatītu dokumentus kopā ar kolēģiem, vadītājiem un līdzistrādātājiem, kurus dokumenta autors vada, lai apkopotu atsauksmes un panāktu vienprātību. To var iepriekš plānot vai organizēt, pamatojoties uz vajadzībām. Parasti cilvēki, kas strādā pie viena un tā paša darba produkta, ir iesaistīti caurlaides procesā.

Kā programmatūras norādījumi palīdz lietotājiem?

Programmatūras ceļvedis līdzinās pieredzējušam gidam, kas sēž blakus jaunajam lietotājam un parāda, kā lietot lietojumprogrammu. Pat vislabāk izstrādāto programmatūru sākumā var būt grūti apgūt. Labs produkta apskats var palīdzēt iesācējiem lietotājiem justies kā ekspertiem.

Kas ir caurlaides programmatūra?

Programmatūra, kas ļauj jums izveidot interaktīvas rokasgrāmatas, bez nepieciešamības pašiem tos kodēt un programmēt. Tie darbojas kā slānis, kas atrodas virs jebkuras tīmekļa lietojumprogrammas.

Apskates programmatūra parasti nodrošina saturu vienā no trim veidiem:

  • Ielādējot javascript jūsu lietojumprogrammas galvenē,
  • Izmantojot pārlūkprogrammas paplašinājumu vai
  • Izmantojot API.

Lielākā daļa aprakstošo metožu neiesaista lietotājus. Pastāv divas galvenās caurlaides metodes, ko sauc par kognitīvām pārbaudēm un plurālistiskām metodēm.

  • Kognitīvās pārskati

Kognitīvās darbības ietver lietotāja problēmu risināšanas procesa simulēšanu katrā cilvēka un datora dialoga posmā, pārbaudot, vai var pieņemt, ka lietotāja mērķi un darbību atmiņa noved pie nākamās pareizās darbības.

  • Plurālistiskas apskates

Plurālistiski norādījumi ir cita veida norādījumi, kuros lietotāji, izstrādātāji un lietojamības eksperti strādā kopā, lai izietu scenāriju, apspriežot lietojamības problēmas, kas saistītas ar scenārija darbībās iesaistītajiem dialoga elementiem.

WEB – tīmekļa Analītika

Tīmekļa analītika ir mijiedarbības reģistrēšanas veids, kas īpaši izveidots, lai analizētu lietotāju darbības vietnēs, lai dizaineri varētu modificēt savus dizainus, lai piesaistītu un noturētu klientus.

Izmantojot tīmekļa analīzi, tīmekļa dizaineri un izstrādātāji var izsekot to lietotāju darbībām, kuri apmeklē viņu vietni. Viņi var redzēt, cik cilvēku apmeklēja vietni, cik daudzi palika un cik ilgi, un kuras lapas viņi apmeklēja. Viņi var arī uzzināt, no kurienes nāk lietotāji, un daudz ko citu. Tāpēc tīmekļa analīze ir spēcīgs tīmekļa dizaineriem paredzēts novērtēšanas rīks, ko var izmantot atsevišķi vai kopā ar cita veida novērtējumiem, jo īpaši lietotāju testēšanu. Piemēram, tīmekļa analīze var sniegt “lielu attēlu” par lietotāja mijiedarbību vietnē, savukārt lietotāju testēšana ar dažiem tipiskiem lietotājiem var atklāt sīkāku informāciju par UX dizaina problēmām, kas ir jānovērš.

Tīmekļa analītikas priekšrocības.

  • Nosakiet atgriešanās klientus.
  • Personalizējiet vietni klientiem, kuri to apmeklē atkal un atkal.
  • Pārraugiet naudas summu, ko iztērē atsevišķi klienti vai noteiktas klientu grupas.
  • Ievērojiet vietnes apmeklētāju un klientu ģeogrāfiskos reģionus.
  • Paredzēt vislabāk pārdotos produktus.

Tīmekļa analītika var spēcīgi atbalstīt kvalitatīvus pētījumus un testēšanas rezultātus. Dažas paraugprakses, kas jāpatur prātā saistībā ar šo jomu, ir šādas:

  • Veiciniet uz datiem balstītu vidi lēmumu pieņemšanai. Pēc attiecīgo datu apkopošanas, lai atbildētu, vai esat sasniedzis (vai nesasniedzāt) savus mērķus, uzziniet, ko varat darīt, lai uzlabotu savus KPI. Vai ir vērtīgs saturs (pamatojoties uz lietotāju atsauksmēm vietnē), kas nesaņem trafiku? Uzziniet, kāpēc, izmantojot lietotāja ceļa analīzi vai šīs lapas galveno avotu piesaistes analīzi. Izmantojiet eksperimentēšanas un testēšanas rīkus, lai izmēģinātu dažādus risinājumus un atrastu labāko izvietojumu, kas šai lapai rada vislielāko piesaisti.
  • Izvairieties tikai no satiksmes ziņojumu sniegšanas. Ziņošana par apmeklējumiem, lapu skatījumiem, populārākajiem avotiem vai populārākajām lapām ir tikai virspusēja. Lieli skaitļi var būt maldinoši; tas, ka ir lielāka satiksme vai vietnē pavadītais laiks, nenozīmē, ka tas ir veiksmīgs. Ziņošana par šiem skaitļiem ir galvenokārt taktiska; galu galā, kāds sakars 7 miljoniem apmeklējumu ar jūsu programmas panākumiem?
  • Vienmēr sniedziet ieskatu ar datiem. Metrikas ziņošana jūsu ieinteresētajām personām bez ieskatiem vai saiknes ar jūsu uzņēmumu vai lietotāju mērķiem nav jēgas. Padariet datus atbilstošus un jēgpilnus, parādot, kā vietnes dati parāda jūsu vietnes panākumus un uzlabojumus.
  • Izvairieties no tā, ka ziņojumos koncentrējieties uz momentuzņēmumiem. Koncentrējoties uz apmeklējumiem vai meklēšanu tikai noteiktā laika periodā, netiek uztverta bagātīgākā un sarežģītākā tīmekļa pieredze, kas pašlaik notiek tiešsaistē. Visas sesijas metrika, piemēram, apmeklētāji, lietotāja kopējā vērtība un citas vērtības, kas nodrošina ilgtermiņa izpratni par cilvēkiem un lietotājiem, ļauj novērtēt, kā jūsu vietnei ir veicies, kad tā attīstās un mijiedarbojas ar apmeklētājiem, jo īpaši tie, kas atgriežas.
  • Skaidri sazinieties ar ieinteresētajām personām. Esiet konsekventi sniegtajā informācijā, ziniet savu auditoriju un savas sistēmas vājās vietas un atklājiet tās savām ieinteresētajām personām.

Vispopulārākais tīmekļa analīzes rīks ir Google Analytics, lai gan tirgū ir arī daudzi citi, kas piedāvā specializētu informāciju, piemēram, reāllaika darbības vai kartēšanu.

A/B Testēšana

A/B tests, kas pazīstams arī kā dalīts tests, ir eksperiments, lai noteiktu, kurš no dažādiem tiešsaistes pieredzes variantiem darbojas labāk, katru versiju lietotājiem prezentējot pēc nejaušības principa un analizējot rezultātus. Tātad, kas ir A/B testēšana? A/B testēšana parāda iespējamo izmaiņu efektivitāti, ļaujot pieņemt uz datiem balstītus lēmumus un nodrošināt pozitīvu ietekmi.

A/B testēšanas priekšrocības

1. Uzlabota lietotāju iesaistīšanās

Lapas, lietotnes, reklāmas vai e-pasta elementi, kurus var pārbaudīt A/B, cita starpā ietver virsrakstu vai tēmas rindiņu, attēlus, “Call-To-Action” (CTA) formas un valodu, izkārtojumu, fontus un krāsas. Pārbaudot vienu izmaiņu vienlaikus, tiks parādīts, kuras ietekmēs lietotāju uzvedību un kuras ne. Pieredzes atjaunināšana ar “uzvarošajām” izmaiņām kopumā uzlabos lietotāja pieredzi, galu galā optimizējot to, lai gūtu panākumus.

2. Uzlabots saturs

Piemēram, lai pārbaudītu reklāmas kopiju, lietotājiem ir nepieciešams saraksts ar iespējamiem uzlabojumiem. Pats šo sarakstu izveides, izskatīšanas un novērtēšanas process izceļ neefektīvu valodu un padara galīgās versijas lietotājiem labākas.

3. Samazināts atlēcienu līmenis

A/B testēšana norāda uz elementu kombināciju, kas palīdz uzturēt apmeklētājus vietnē vai lietotnē ilgāk. Jo vairāk laika apmeklētāji pavada vietnē, jo lielāka iespēja, ka viņi atklās satura vērtību, kas galu galā novedīs pie reklāmguvuma.

4. Paaugstināts reklāmguvumu līmenis

A/B testēšana ir vienkāršākais un visefektīvākais veids, kā noteikt labāko saturu, lai apmeklējumus pārvērstu reģistrēšanās un pirkumos. Zinot, kas darbojas un kas ne, palīdz iegūt vairāk potenciālo pirkumu.

5. augstākas reklāmguvumu vērtības

A/B testēšanas laikā gūtās zināšanas, kas sekmīgi pielietotas vienai pieredzei, var tikt piemērotas papildu pieredzei, tostarp lapām, kas piedāvā augstākas cenas produktus un pakalpojumus. Labāka iesaistīšanās šajās lapās demonstrēs līdzīgu reklāmguvumu pieaugumu.

6. Analīzes vieglums

A/B testa uzvarētāja un zaudētāja noteikšana ir vienkārša: kuras lapas vai lietotnes metrika ir tuvāk tās mērķiem (tērētais laiks, reklāmguvumi utt.).

Un, lai gan testēšanas pakalpojumi ir attīstījušies, iekļaujot statistisko analīzi visu līmeņu izklājlapu zināšanu lietotājiem, divu pieredzes salīdzināšanas skaitļi to sarežģītības dēļ ir nepārspējami. Šīs statistikas skaidrība arī mazina vislabāk apmaksātās personas viedokli (HIPPO), kas citādi varētu tikt pārvērtēts.

7. Ātri rezultāti

Pat salīdzinoši neliels izlases lielums A/B testā var nodrošināt nozīmīgus, praktiski izmantojamus rezultātus, lai noskaidrotu, kuras izmaiņas lietotājus visvairāk piesaista. Tas ļauj īslaicīgi optimizēt jaunas vietnes, jaunas lietotnes un lapas ar zemu reklāmguvumu līmeni.

8. Viss ir pārbaudāms

Veidlapas, attēli un teksts ir tipiski vienumi A/B testēšanai un atjaunināšanai, taču jebkuru lapas vai lietotnes elementu var pielāgot un pārbaudīt. Virsraksta stils, CTA pogu krāsas, veidlapas garums utt. var ietekmēt lietotāju iesaistīšanos un reklāmguvumu līmeni tādā veidā, kas var nebūt zināms, ja tie netiek pārbaudīti. Konferences zvanā neviena ideja nav jānoraida; pārbaude un metrika, nevis emocijas, pierāda, kas darbojas un kas ne.

9. Samazināti riski

Veicot A/B testēšanu, var izvairīties no saistībām veikt dārgas, laikietilpīgas izmaiņas, kas ir izrādījušies neefektīvas. Svarīgus lēmumus var pieņemt labi informēti, izvairoties no kļūdām, kas citādi varētu piesaistīt resursus minimālai vai negatīvai peļņai.

10. Samazināta grozu atmešana

E-komercijai ir nopietns izaicinājums likt lietotājam veikt norēķināšanos pēc noklikšķināšanas uz preces, jo lielākā daļa potenciālo klientu pamet savus grozus pirms maksāšanas. A/B testēšana var palīdzēt atrast optimālo pasūtījuma lapu pielāgojumu kombināciju, kas ļaus lietotājiem pabeigt darbu.

11. Palielināts pārdošanas apjoms

Visas un visas iepriekš minētās A/B testēšanas priekšrocības palīdz palielināt pārdošanas apjomu. Papildus sākotnējām pārdošanas palielinājumam optimizētās izmaiņas, testēšana nodrošina labāku lietotāju pieredzi, kas savukārt vairo uzticību zīmolam, radot lojālus, atkārtotus klientus un tādējādi palielinot pārdošanas apjomu.

A/B testēšanas process

Tālāk ir norādīta A/B testēšanas sistēma, ko varat izmantot, lai sāktu testu izpildi.

Apkopojiet datus: jūsu analīze bieži vien sniegs ieskatu par to, kur varat sākt optimizāciju. Tas palīdz sākt ar jūsu vietnes vai lietotnes apgabaliem ar lielu trafiku, lai jūs varētu ātrāk apkopot datus. Meklējiet lapas ar zemu reklāmguvumu līmeni vai augstu atteikšanās līmeni, ko var uzlabot.
Nosakiet mērķus: jūsu reklāmguvumu mērķi ir metrika, ko izmantojat, lai noteiktu, vai variants ir veiksmīgāks par sākotnējo versiju. Mērķi var būt jebkas, sākot no noklikšķināšanas uz pogas vai saites līdz produktu iegādei un reģistrēšanās e-pastā.
Hipotēzes ģenerēšana: kad esat noteicis mērķi, varat sākt ģenerēt A/B testēšanas idejas un hipotēzes par to, kāpēc, jūsuprāt, tās būs labākas par pašreizējo versiju. Kad esat izveidojis ideju sarakstu, piešķiriet tām prioritāti, ņemot vērā paredzamo ietekmi un īstenošanas grūtības.
Veidojiet variantus: izmantojot savu A/B testēšanas programmatūru (piemēram, Optimizely), veiciet vajadzīgās izmaiņas kādā savas vietnes vai mobilās lietotnes pieredzes elementā. Tas var būt pogas krāsas maiņa, elementu secības maiņa lapā, navigācijas elementu slēpšana vai kaut kas pilnībā pielāgots. Daudziem vadošajiem A/B testēšanas rīkiem ir vizuālais redaktors, kas atvieglos šīs izmaiņas. Noteikti novērtējiet eksperimentu, lai pārliecinātos, ka tas darbojas, kā paredzēts.
Veiciet eksperimentu: sāciet eksperimentu un gaidiet, līdz tajā piedalīsies apmeklētāji!

Šajā brīdī jūsu vietnes vai lietotnes apmeklētāji tiks nejauši izvēlēti vai nu jūsu pieredzes kontrolei vai variācijai. Viņu mijiedarbība ar katru pieredzi tiek mērīta, saskaitīta un salīdzināta, lai noteiktu, kā katrs darbojas.
Analizējiet rezultātus: kad eksperiments ir pabeigts, ir pienācis laiks analizēt rezultātus. Jūsu A/B testēšanas programmatūra parādīs eksperimenta datus un parādīs atšķirību starp abām jūsu lapas versijām un to, vai pastāv statistiski nozīmīga atšķirība.

Prognozējošie modeļi

Prognozējošā modelēšana izmanto statistikas metodes, lai prognozētu lietotāju turpmāko uzvedību. Prognozējošās modelēšanas risinājumi analizē vēsturiskos un pašreizējos datus un ģenerē modeli, lai palīdzētu prognozēt nākotnes rezultātus.

5 populārākie prognozējošo modeļu veidi

  • Klasifikācijas modelis: tiek uzskatīts par vienkāršāko modeli, tas klasificē datus vienkāršām un tiešu vaicājumu atbildēm. Lietošanas gadījuma piemērs varētu būt atbilde uz jautājumu “Vai tas ir krāpniecisks darījums?”
  • Klasterizācijas modelis: šis modelis ligzdo datus kopā ar kopīgiem atribūtiem. Tas darbojas, grupējot lietas vai cilvēkus ar kopīgām īpašībām vai uzvedību un plāno stratēģijas katrai grupai plašākā mērogā. Piemērs ir kredītriska noteikšana aizdevuma pieprasītājam, pamatojoties uz to, ko citi cilvēki tādā pašā vai līdzīgā situācijā darījuši pagātnē.
  • Prognozes modelis: šis ir ļoti populārs modelis, un tas darbojas ar jebko, kam ir skaitliska vērtība, pamatojoties uz mācīšanos no vēsturiskajiem datiem. Piemēram, atbildot uz to, cik daudz salātu restorānam jāpasūta nākamnedēļ vai cik zvanu klientu atbalsta aģentam jāspēj apstrādāt dienā vai nedēļā, sistēma atskatās uz vēsturiskajiem datiem.
  • Izmaiņu modelis: šis modelis darbojas, analizējot neparastus vai nomaļus datu punktus. Piemēram, banka var izmantot izņēmuma modeli, lai identificētu krāpšanu, jautājot, vai darījums neatbilst klienta parastajiem pirkšanas paradumiem vai arī izdevumi noteiktā kategorijā ir normāli vai nē. Piemēram, 1000 ASV dolāru kredītkartes maksa par veļas mazgājamo un žāvētāju kartes turētāja izvēlētajā lielajā veikalā nebūtu satraucoša, taču 1000 $, kas iztērēti dizaineru apģērbam vietā, kur klients nekad nav iekasējis maksu par citām precēm, varētu liecināt par konta pārkāpšanu.
  • Laika rindas modelis: šis modelis novērtē datu punktu secību, pamatojoties uz laiku. Piemēram, pēdējo četru mēnešu laikā slimnīcā uzņemto insulta pacientu skaits tiek izmantots, lai prognozētu, cik pacientu slimnīca varētu sagaidīt nākamnedēļ, nākamajā mēnesī vai pārējā gada laikā. Tādējādi viena metrika, kas izmērīta un salīdzināta laika gaitā, ir nozīmīgāka nekā vienkārša vidējā vērtība.

Prognozējošais modelis nav fiksēts; tas tiek regulāri apstiprināts vai pārskatīts, lai iekļautu izmaiņas pamatā esošajos datos. Citiem vārdiem sakot, tā nav vienreizēja prognoze. Prognozējošie modeļi izdara pieņēmumus, pamatojoties uz to, kas ir noticis pagātnē un kas notiek tagad. Ja ienākošie, jauni dati liecina par izmaiņām šobrīd notiekošajā, ir jāpārrēķina arī ietekme uz iespējamo nākotnes iznākumu. Piemēram, programmatūras uzņēmums varētu modelēt vēsturiskos pārdošanas datus, salīdzinot ar mārketinga izdevumiem vairākos reģionos, lai izveidotu modeli nākotnes ieņēmumiem, pamatojoties uz mārketinga izdevumu ietekmi.

Lielākā daļa prognozējošo modeļu darbojas ātri un bieži pabeidz aprēķinus reāllaikā. Tāpēc bankas un mazumtirgotāji, piemēram, var aprēķināt tiešsaistes hipotēkas vai kredītkartes pieteikuma risku un gandrīz uzreiz pieņemt vai noraidīt pieprasījumu, pamatojoties uz šo prognozi.

Liels paldies par lasīšanu!

Ceru, ka tiksimies atkal ar citu rakstu!

 

 

Atsauces:

 Helen Sharp, Jenny Preece, Yvonne Rogers — Interaction Design — Beyond Human-Computer Interaction-Wiley (2019) — Chapter 16

Loading

Noderīgs raksts? Dalies ar citiem: