Datenanalyse in der UX-Forschung | UX-Forschung #33

Wissen Sie, welche Rolle die Datenanalyse in der UX-Forschung spielt? Heute möchten wir uns mit dem Thema Datenanalyse in der UX beschäftigen, indem wir qualitative und quantitative Datenanalysen diskutieren und über deren Phasen, Hauptziele sowie Ziele lernen. Wir werden auch vorschlagen, wann der richtige Zeitpunkt ist, um sie in einem Projekt durchzuführen.

Datenanalyse in der UX-Forschung – Inhaltsverzeichnis:

1. Warum die gesammelten Daten analysieren?
2. Wann die Daten analysieren?
3. Datenanalyse in der UX-Forschung
4. Ziele der Analyse definieren
5. Qualitative Analyse von Forschungsdaten
6. Zusammenfassung

Warum die gesammelten Daten analysieren?

Eine Produktentscheidung ausschließlich auf der Grundlage von Rohdaten zu treffen, ist ein großer UX-Fehler. Das Überspringen der Analysephase kann dazu führen, dass den Nutzern eine unvollständige oder ineffektive Lösung angeboten wird oder sogar das Projektteam sich darauf konzentriert, das falsche Problem zu lösen oder die echten Nutzer nicht zu erkennen. Aus diesen und anderen Gründen ist die Datenanalyse ein wesentlicher Prozess, der das gesamte Projekt auf dem richtigen Weg hält. Dies geschieht, indem die realen Bedürfnisse der Nutzer berücksichtigt und Informationen gesammelt werden, die helfen, die bestmögliche und optimalste Lösung zu entwickeln.

Wann die Daten analysieren?

Viele Menschen hegen die grobe Fehlannahme, dass die Analyse nach Abschluss der Forschung stattfinden sollte, d.h. nach dem Sammeln von Informationen aus vielen Quellen. Dieser Ansatz ist jedoch ineffektiv, da die Untersuchung einer so großen Menge an Daten enorme Anstrengungen, Arbeitskraft und Zeit erfordert. Es ist effizienter, Daten kontinuierlich zu untersuchen, zum Beispiel ein paar Minuten nach jedem tiefgehenden Interview.

Denken Sie auch daran, während Ihrer Forschung Notizen zu machen. Auf diese Weise können Sie frische Beobachtungen festhalten und sicherstellen, dass nichts ausgelassen wird. Diese Überlegungen ermöglichen es Ihnen, Informationen leicht auszuwählen und diejenigen zu wählen, die für spätere Designempfehlungen am relevantesten sind. Die kontinuierliche Analyse nach jedem kleinen Forschungsschritt ermöglicht es Ihnen, die abschließende Zusammenfassungsanalyse viel organisierter und strukturierter, aber vor allem viel schneller durchzuführen.

Datenanalyse in der UX-Forschung

Die Datenanalyse in der UX-Forschung verwandelt zuvor unverarbeitete Daten in bedeutungsvolle Informationen, die Geschäftsentscheidungen unterstützen. Die Durchführung einer umfassenden Datenanalyse besteht aus fünf grundlegenden Schritten – diese Schritte sind:

1. Die Ziele der Analyse definieren
2. Daten organisieren
3. Untersuchung
4. Clusterbildung
5. Identifikation von Ergebnissen und Erkenntnissen

Die Ziele der Analyse definieren

Der erste Schritt definiert die Ziele unserer Analyse – diese sollten in strikter Übereinstimmung mit den Zielen der UX-Forschung stehen. Denken Sie in dieser Phase daran, nicht von den Motiven abzuweichen, die Sie dazu gebracht haben, die Forschung zu beginnen – zum Beispiel, was die Bedürfnisse der Nutzer sind; auf welcher Seite die Ablehnungsrate signifikant ist und warum; welche Verbesserungen vorgenommen werden sollten, um die Konversionsrate zu erhöhen; oder wie wir unser Produkt attraktiver als die Konkurrenz machen können. Das Festhalten an diesen und den Forschungszielen wird Ihnen helfen zu verstehen, wie Sie die Datenanalyse auf eine Weise durchführen, die für das Projekt nützlich ist. Um genau zu definieren, wonach Sie suchen.

Daten organisieren

Jede Umfrage liefert unterschiedliche Arten von Daten, die mehr oder weniger relevant für das Projekt sind. Daher müssen Sie diese clever verwalten, auswählen und filtern für Usability. Die Organisation der Daten ermöglicht auch eine durchdachte Anordnung, um schnell die gewünschten Informationen zu finden, wenn nötig. Zum Beispiel können Sie Daten nach der Unterseite der Website katalogisieren, auf die sie sich beziehen. Die Trennung ist der Schlüssel zur Durchführung einer effizienten Datenanalyse und zur Verbesserung ihrer Visualisierung, was es den Stakeholdern erleichtert, den gesamten Prozess besser zu verstehen.

Untersuchung

Die Untersuchungsphase liegt im Herzen des gesamten Datenanalyseprozesses. Ihr Hauptziel besteht darin, die Wörter, Ideen oder Phrasen zu identifizieren, die in den Antworten der Nutzer am häufigsten vorkommen und die am ehesten mit dem Zweck der Analyse übereinstimmen. Dieser Prozess besteht nicht nur darin, nach Wörtern und deren Synonymen zu suchen, sondern auch zu verstehen, was sie für die Nutzer in ihrem Kontext bedeuten.

Die Identifizierung von Wörtern und Ausdrücken hängt von der untersuchten Nutzergruppe ab. Das liegt daran, dass Menschen unterschiedlich sind. Sie haben einzigartige Erfahrungen und Verhaltensweisen sowie Ausdrucksweisen. Daher sollten Sie vermeiden, die Antworten der Nutzer in Ihre eigene Wortwahl zu transkribieren. Halten Sie sich stattdessen so weit wie möglich an das Original, denn jede Variation, selbst die kleinste, kann die Untersuchungsphase beeinträchtigen und die gesamte Datenanalyse umgestalten.

Clusterbildung

Der nächste Schritt besteht darin, sogenannte Cluster zu bilden, um die Antworten gemäß den in der Untersuchungsphase identifizierten zu kennzeichnen. Diese Cluster helfen dem Team, priorisierte Themen zu unterscheiden. Wenn mehr als die Hälfte der Nutzerantworten in das erstellte Cluster mit der Bezeichnung „Interface-Leistung“ passt, sollte das Team dieses Thema wahrscheinlich priorisieren und nach spezifischen Problemen im Zusammenhang mit der Interface-Leistung suchen.

Identifikation von Ergebnissen und Erkenntnissen

Vergessen wir nicht, dass Ergebnisse keine Erkenntnisse sind. Ergebnisse betreffen die entdeckten, untersuchten, dann gruppierten und katalogisierten Fakten, die das Forschungsteam durch den Analyseprozess ans Licht gebracht hat. Erkenntnisse hingegen beziehen sich nur auf den Akt der Erkennung von Ursachen, die die Ergebnisse hervorgebracht haben. Dies ist ein recht unterscheidendes Merkmal, da die Antworten der Nutzer nicht immer zur Quelle des Problems führen. Die Aufgabe des Designers besteht dann darin, tiefer zu schauen und nach Erkenntnissen zu suchen.

Nutzer sind in der Regel nicht in der Lage, die Quelle ihrer Schwierigkeiten selbst zu identifizieren. Das Forschungsteam muss daher die Ergebnisse während des Datenanalyseprozesses überprüfen, sie diskutieren und dann nach Erkenntnissen suchen und diese mit den Forschungszielen abgleichen. Ein Workshop zur Identifizierung der relevantesten Erkenntnisse hilft, diese Aufgabe zu erfüllen. Eine effektive Nutzung dieses Werkzeugs umfasst mehrere Diskussionsrunden, die durch kurze Pausen unterbrochen werden.

Die oben beschriebenen Schritte sind ein recht allgemeiner und standardisierter Datenanalyseprozess, der mit jeder Forschungsmethode (sowohl qualitativ als auch quantitativ) funktioniert. Alles, was Sie tun müssen, ist, die Schritte richtig an Ihren Prozess anzupassen.

Quantitative vs. qualitative Datenanalyse

Obwohl der Prozess der Analyse quantitativer Daten nicht signifikant anders ist als die Analyse qualitativer Daten, können Designer aufgrund der Natur dieser Forschung unterschiedliche Erkenntnisse erhalten. Quantitative Forschung konzentriert sich auf das Sammeln und Analysieren von numerischen Daten unter Verwendung von Statistiken und Wahrscheinlichkeiten. Indikatoren wie die Ablehnungsrate einer bestimmten Seite oder das demografische Profil eines Nutzers liefern den Forschern konkrete und quantifizierbare Informationen darüber, wie Menschen mit dem Produkt und dem Publikum selbst interagieren.

Qualitative Forschung konzentriert sich mehr auf abstrakte Konzepte, wie menschliches Verhalten. Aus diesem Grund sollten Sie sich etwas mehr Zeit nehmen, um zu studieren und zu bewerten, um die Nutzererfahrung und Meinungen vollständig zu verstehen. Es ist sinnvoll, in dieser Phase hilfreiche Fragen zu stellen, wie:

• Was gefällt den Nutzern am meisten am Produkt und was am wenigsten?
• Warum reagieren einige Nutzer anders als andere?
• Hatten (und wann) die Nutzer eine emotionale Reaktion?
• Sind (und warum) die Nutzer mit dem Produkt zufrieden?

Angesichts der Unterschiede in den erhaltenen Daten ist es sinnvoll, sowohl quantitative als auch qualitative Anekdoten als Teil der UX-Forschung zu verwenden. So ergänzen sich die gesammelten Daten und geben klare und tiefere Einblicke in die Ergebnisse.

Zusammenfassung

Eine ordnungsgemäß durchgeführte Datenanalyse ermöglicht bessere, optimalere Designentscheidungen. Das Auslassen ihrer Ergebnisse führt zur Entwicklung eines unvollständigen, ineffektiven Produkts, das nicht auf die tatsächlichen Bedürfnisse der Nutzer eingeht. Deshalb ist die Datenanalyse ein so kritischer Prozess, der den Erfolg des gesamten Projekts bestimmt. Sie ermöglicht es Ihnen, wichtige Informationen zu sammeln und auszuwählen, die, wenn sie in konkrete Designempfehlungen übersetzt werden, helfen, die bestmögliche Lösung zu entwickeln – maßgeschneidert auf die Bedürfnisse und Anforderungen der Nutzer. Die Schritte zur Datenanalyse, die wir beschrieben haben, helfen Ihnen, sie strukturiert durchzuführen und sich auf das Wesentliche zu konzentrieren.

Wenn Ihnen unsere Inhalte gefallen, treten Sie unserer aktiven Community auf Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.