SwitasOta yhteyttä

Datalähtöinen suunnittelu (Data-Driven Design)

Datalähtöinen suunnittelu tarkoittaa käyttöliittymä-, sisältö- ja vuorovaikutuspäätösten tekemistä mitattavissa olevan näytön perusteella siitä, miten todelliset käyttäjät toimivat, sen sijaan että nojattaisiin ensisijaisesti henkilökohtaiseen makuun, sisäisiin mielipiteisiin tai alan konventioihin. Se hyödyntää useita näyttölähteitä samanaikaisesti: määrällistä analytiikkaa, kuten sivunäyttöjä, klikkauspolkuja, vierityssyvyyttä ja konversioasteita, lämpökartoilla ja istuntotallenteilla kerättyjä käyttäytymissignaaleja sekä käytettävyystestauksesta, kyselyistä ja tukilokeista kerättyä laadullista tietoa. Tavoitteena ei ole poistaa inhimillistä harkintaa prosessista vaan antaa harkinnalle tosiasiapohja, jotta asettelua, navigaatiota, tekstejä ja visuaalista hierarkiaa koskevat valinnat voidaan sitoa havaittuihin käyttäjätarpeisiin ja liiketoiminnan tuloksiin aiemmasta projektista tai kilpailijan sivustolta perittyjen oletusten sijaan. Lähestymistapa on tärkeä, koska ilman näyttöä tehtyjen suunnittelupäätösten virheet ovat kalliita. Etusivun uudistus, kassaprosessin muutos tai uusi hinnoittelusivun asettelu voi vaatia viikkoja suunnittelu- ja kehitystyötä, ja jos se perustuu testaamattomaan oletukseen, se voi hiljaa heikentää konversiota kuukausien ajan ennen kuin kukaan huomaa, sillä uudistuksessa ei harvoin ole sisäänrakennettua hälytystä, joka ilmoittaisi sen jääneen heikommaksi kuin korvaamansa versio. Datalähtöinen suunnittelu lyhentää tätä palautesilmukkaa validoimalla oletuksia varhain, usein matalan tarkkuuden prototyypeillä, viiden sekunnin testeillä tai kontrolloiduilla kokeilla, ennen kuin muutos rakennetaan kokonaan ja julkaistaan kaikille käyttäjille. Tämän toimintatavan omaksuneet tiimit ratkaisevat sisäiset suunnittelukiistat yleensä nopeammin, koska kysymys siirtyy siitä, kenen mielipiteellä on enemmän organisatorista painoarvoa, siihen, mitä kohdeyleisöltä suoraan kerätty näyttö todella osoittaa. Muutos vaikuttaa myös siihen, miten erimielisyydet dokumentoidaan, sillä epäonnistuneeseen testiin perustuva hylätty idea muistetaan eri tavalla kuin sellainen, joka on yksinkertaisesti ylikäyty virka-aseman perusteella. Käytännössä datalähtöinen suunnitteluprosessi alkaa tyypillisesti määrittelemällä tarkka tunnusluku, johon muutoksen on tarkoitus vaikuttaa, kuten ostoskoriin lisäämisen aste, lomakkeen täyttöaste tai aika ensimmäiseen merkitykselliseen toimintoon, ennen kuin yhtäkään rautalankamallia on piirretty. Tiimit instrumentoivat sitten olennaiset sivut analytiikka- ja käyttäytymistyökaluilla, yleensä Google Analytics 4:llä, Hotjarilla tai Microsoft Clarityllä, ja antavat todellisen liikenteen kertyä tilastollisesti merkitykselliseksi ajaksi, usein kahdesta neljään viikkoon volyymista riippuen, luotettavan lähtötason muodostamiseksi. Tämän lähtötasojakson havainnot syötetään priorisoituun suunnitteluhypoteesien työlistaan, joka on järjestetty mahdollisen vaikutuksen ja luottamuksen mukaan. Hypoteesit testataan A/B- tai monimuuttujakokeilla ennen laajaa käyttöönottoa, ja näin havainnoinnin, hypoteesin, suunnittelun ja validoidun tuloksen välinen silmukka sulkeutuu toistettavaksi sykliksi kertaluonteisen uudistuksen sijaan. Monet tiimit formalisoivat tämän syklin toistuvaksi sprinttirytmiksi, jossa uutta näyttöä tarkastellaan ja työlista priorisoidaan uudelleen kahden–neljän viikon välein. Yleinen väärinkäsitys on, että datalähtöinen suunnittelu poistaisi luovuuden tai korvaisi käyttäjätutkimuksen raakaluvuilla. Todellisuudessa määrällinen data kertoo tiimille, mitä tapahtuu, esimerkiksi 40 prosentin poistuma tietyssä lomakekentässä, kun taas laadullinen tutkimus ja suunnitteluosaaminen selittävät, miksi niin tapahtuu ja miltä parempi ratkaisu voisi näyttää. Kumpikaan ei yksin riitä hyvien tulosten tuottamiseen. Liiallinen nojautuminen määrällisiin signaaleihin voi myös jumittaa tiimit pienten, turvallisten säätöjen kehään, jota kutsutaan joskus paikallisen maksimin optimoinniksi. Siinä painikkeiden värejä ja otsikoiden sanamuotoja testataan toistuvasti, kun taas laajemmat rakenteelliset ongelmat jäävät käsittelemättä, koska ne on vaikeampi eristää yhdessä testissä. Tilastollisen merkitsevyyden tavoittelu itsetarkoituksena, välittämättä siitä, onko nousu käytännössä merkityksellinen liiketoiminnalle nykyisellä liikenteellä ja kateprosentilla, on toinen yleinen sudenkuoppa, jota kokeneet tiimit oppivat välttämään, sillä teknisesti merkitsevä tulos vähäarvoisella mittarilla harvoin oikeuttaa sen käyttöönoton vaatimaa kehityspanosta. CRO- tai UX-konsultoinnissa datalähtöinen suunnittelu on lähes jokaisen hankkeen perustana: auditoinneissa nykyisiä suunnittelupäätöksiä verrataan käyttäytymisnäyttöön ennen kuin uudistustyötä aloitetaan, hypoteesit järjestetään kehyksillä kuten ICE tai PIE mahdollisen vaikutuksen, luottamuksen ja työmäärän perusteella, ja jokainen ehdotettu muutos muotoillaan testattavaksi väitteeksi tyylimieltymyksen sijaan, jota esitettäisiin tunnelmataulun avulla. Tämä kurinalaisuus mahdollistaa sen, että konsultti voi perustella suosituksen kestävämmällä kuin esteettisellä argumentilla, ja se antaa asiakkaille toistettavan prosessin, jossa on dokumentoidut opit sekä voittaneista että hävinneistä testeistä, ja jota he voivat jatkaa sisäisesti pitkään konkreettisen hankkeen tai projektin päätyttyä.

Lisää kirjaimella D alkavia termejä

Rakennetaan seuraava.

Ota yhteyttä