Mapa ciepła

Mapa cieplna to wizualna reprezentacja zagregowanego zachowania użytkownika na stronie internetowej, wykorzystująca gradienty kolorów, zazwyczaj od chłodnych kolorów, takich jak niebieski, dla niskiej aktywności, do ciepłych kolorów, takich jak czerwony, dla wysokiej aktywności, aby pokazać, gdzie użytkownicy klikają, przesuwają kursor lub przewijają w wielu sesjach, nałożonych bezpośrednio na pojedynczy obraz strony. Trzy najczęstsze typy to mapy kliknięć, pokazujące, gdzie użytkownicy klikają lub dotykają, niezależnie od tego, czy ta lokalizacja jest rzeczywistym elementem klikalnym, mapy ruchów, śledzące ruch kursora jako przybliżony odpowiednik wizualnej uwagi na urządzeniach stacjonarnych, oraz mapy przewijania, pokazujące, jaki odsetek odwiedzających dociera do każdej pionowej sekcji strony podczas przewijania w dół w kierunku stopki. Czwarta, mniej powszechna odmiana, mapa uwagi lub mapa najechania kursorem, jest czasami rozróżniana osobno na urządzeniach mobilnych, gdzie zdarzenia stuknięcia i przewijania całkowicie zastępują ruch kursora jako główny sygnał behawioralny, który jest przechwytywany.

Mapy cieplne są istotne, ponieważ przekładają abstrakcyjne dane behawioralne na intuicyjny format wizualny, który jest natychmiast zrozumiały dla projektantów, marketerów i interesariuszy, bez konieczności znajomości surowych tabel analitycznych czy raportów z wydarzeń. Mapa przewijania pokazująca, że ​​tylko 20% odwiedzających kiedykolwiek dociera do sekcji cenowej strony, umieszczona w dolnej części długiego tekstu, komunikuje jasny i możliwy do rozwiązania problem znacznie skuteczniej niż równoważny, numeryczny raport o głębokości przewijania ukryty w arkuszu kalkulacyjnym. Ta wizualna dostępność jest głównym powodem, dla którego mapy cieplne są tak powszechnie stosowane w prezentacjach dla interesariuszy i raportach dla klientów w ramach prac CRO i UX.

Mapy cieplne są generowane przez narzędzia takie jak Hotjar, Microsoft Clarity czy Crazy Egg, które wstrzykują lekki skrypt śledzący, który rejestruje współrzędne kursora i dotyku wraz z pozycją przewijania podczas sesji odwiedzin, a następnie agreguje te surowe dane w nakładce wizualnej po zgromadzeniu wystarczającej liczby próbek, zazwyczaj co najmniej 1,000 do 3,000 sesji na stronę, aby wyłonić w miarę stabilny i reprezentatywny wzorzec, ponieważ strony o mniejszym ruchu mogą generować mapy cieplne zniekształcone przez niewielką liczbę nietypowych sesji. Analitycy zazwyczaj segmentują mapy cieplne według typu urządzenia, ponieważ wzorce kliknięć i przewijania na urządzeniach mobilnych znacznie różnią się od wzorców na komputerach stacjonarnych, oraz według źródła ruchu, ponieważ użytkownicy przybywający z różnych kanałów często mają odmienne intencje i wykazują odmienne zachowania, nawet na tej samej stronie i w tym samym układzie.

Częstym błędem jest przekonanie, że mapy cieplne pokazują, na co patrzą użytkownicy, podczas gdy w rzeczywistości mapy ruchu śledzą jedynie pozycję kursora, co koreluje z uwagą wzrokową na komputerze, ale tylko w niedoskonały sposób, ponieważ użytkownicy często trzymają kursor nieruchomo podczas czytania, kierując wzrok w inną stronę ekranu. Prawdziwe śledzenie ruchu gałek ocznych wymaga dedykowanego sprzętu do śledzenia ruchu gałek ocznych, który jest znacznie rzadziej stosowany w komercyjnych projektach optymalizacji współczynnika konwersji (CRO) niż mapy cieplne oparte na oprogramowaniu, które opierają się wyłącznie na danych dotyczących kursora i dotyku. Inną częstą pułapką jest wyciąganie jednoznacznych wniosków z mapy cieplnej w oderwaniu od kontekstu, bez odniesienia jej do celów kliknięcia i struktury strony, na przykład błędne interpretowanie intensywnego kliknięcia w nieinteraktywny obraz jako pozytywnego zaangażowania, podczas gdy może to wskazywać na dezorientację użytkownika co do tego, czy obraz ten w ogóle miał być klikalny.

In CRO W przypadku doradztwa UX i UX, mapy cieplne są zazwyczaj wykorzystywane na wczesnym etapie audytu do generowania hipotez dotyczących potencjalnych problemów lub nieporozumień, na przykład w celu zidentyfikowania, że ​​użytkownicy wielokrotnie klikają statyczny baner, oczekując, że znajdzie się tam link, lub że mapa przewijania ujawnia, że ​​kluczowe wezwanie do działania znajduje się znacznie poniżej punktu, w którym większość odwiedzających faktycznie kończy przewijanie. Ponieważ mapy cieplne mają charakter opisowy, a nie przyczynowy, co oznacza, że ​​pokazują, co się stało, ale nie jednoznacznie, dlaczego tak się stało, prawie zawsze są one łączone z nagraniami sesji w celu uzyskania głębszego kontekstu jakościowego, a następnie przeprowadzane są kontrolowane testy A/B w celu potwierdzenia, czy proponowana poprawka rzeczywiście poprawia wskaźnik, na który miała wpływać. Odświeżenie mapy cieplnej po zmianie projektu służy również jako szybka i tania kontrola poprawności, aby upewnić się, że nowy układ jest wdrażany zgodnie z założeniami, zanim pełny eksperyment osiągnie istotność statystyczną.