Всё больше дизайнеров и писателей используют аналитические подходы для выбора подходящего решения. Но многие по-прежнему строят свои выводы на основе устойчивых убеждений и в зависимости от происходящего в данный момент. Слишком часто, тестирование и анализ — это разовые мероприятия, которые позволяют получить большое количество важных чисел, но не контекстные данные или конкретные руководства к действиям.

Вот уже более пяти лет я помогаю контент и дизайн командам оценить и понять данные о производительности веб-сайтов (клиентские на Bazaarvoice и сейчас на Volusion). За это время я узнал много нового о создании связей между данными и улучшении дизайна. Сегодня я хочу поделиться с вам некоторыми главными уроками, которые я усвоил за эти пять с лишним лет.

В этой статье мы постараемся:

• Посмотреть, как выглядит на бумаге хорошая информационная  модель данных.
• Рассмотреть реальный пример модели.
• Поделиться основными ресурсами, которые помогут вам начать работу над тестированием.

Что означает термин “информационное” проектирование.

Прежде чем мы сможем говорить об использовании данных для улучшения дизайна, мы должны определиться, что мы подразумеваем под “данными”. Это поможет нам разобраться с очень распространенной проблемой: отсутствие понимания между дизайнерами и писателями, их аналитическими командами и инструментальными средствами.

Качественные и количественные данные.

В большинстве веб-проектов существует два основных типа данных, и вы часто будете сталкиваться с их обсуждением в статьях, посвящённых оптимизации сайта:

• Количественные данные. Числовые данные, которые показывают кто, что, когда и где.
• Качественные данные. Не числовые данные, который демонстрируют почему и как.

Самые распространённые аналитические инструменты, такие как Google Analytics, позволяют получить множество количественных данных о том, кто перешел на ваш сайт, как он туда попал и какие действия он совершил на сайте.

Но ни один из этих инструментов не может сказать вам, почему. Почему определенные группы посетителей выполняют одно действие, в то время как другие группы посетителей выбирают совершенно другое? Почему один контент удерживает посетителей на вашем сайте дольше, чем другой? Вот когда нужно прибегнуть к качественным данным. В то время как количественные данные показывают масштаб, качественные данные дают перспективу. Они помогают нам понять не только то, что произошло, но почему и как это произошло.

“Качественная / количественная проблема в области исследований действительно остаётся непонятой, особенно для людей, которые не прошли всестороннее обучение”, говорит Дэйв Йейтс, старший UX исследователь в Bazaarvoice. За свою более чем 10 летнюю практику проведения пользовательских исследований, Йейтс разработал замечательный механизм оценки качественной стороны вещей:

“Мне довелось столкнуться со слишком многими случаями, когда люди игнорировали качественный анализ, считая его «анекдотичным», потому что они не могли понять, как нечисловые данные по-прежнему остаются данными”.

Хорошие информационные модели должны включать оба типа данных. Понимание того, как эти два типа данных относятся друг к другу не только обеспечит более глубокую осведомлённость, но и улучшит связь между членами команды.

Ключ к успеху: проводите опыты, будьте особенным.

Самые лучшие данные, будь то качественные (то есть нечисловые) или количественные (т.е. числовые) всегда получены эмпирическим (опытным) путём. Эмпирические данные — это любой тип информации, собранный с помощью наблюдения или экспериментов. Лучшие эмпирические данные являются ответами на конкретные вопросы — поскольку когда в распоряжении человека находятся конкретные данные, становится намного проще принимать решения относительно определённых действий.

Занимаясь поиском общих эмпирических данных, таких как “показатели веб-сайта” или “как веб-сайт выполняет свои функции”, вы можете в конечном итоге получить интересные результаты, но они не приведут непосредственно к конкретным действиям. Или, как достаточно ярко выразился по этому поводу сторонник Google Analytics Авинаш Кошик:

“Все данные в совокупности — это дерьмо”.

Вы не можете изолировать переменные при поиске среди основных характеристик (например, общее количество просмотров или загрузок). Это затрудняет выдвинуть гипотезу о том, почему вы видите именно то, что вы видите. Может быть только слишком много непостоянных частей, которые нужно знать.

Кроме того, различные части сайта —  даже различные страницы в пределах подкаталогов — преследуют различные, более мелкие цели. Естественно, что все они направлены на достижение основных целей всего веб-узла, таких как продажи или загрузки или потребление контента, но оптимизация должна выполняться в пределах меньших групп посетителей, сегментов трафика или группы страниц. Давайте посмотрим на пример.

пример Хорошего информационного проектирования из учебника.

Чтобы лучше понять, как сосредоточиться на эмпирических данных, как качественных, так и количественных, давайте рассмотрим гипотетическую задачу для контент-ориентированного веб-сайта.

Давайте предположим, что вы организовали периодическое онлайн издание или запустили исследование веб-сайта. Основной целью является привлечение как можно большего числа посетителей! Вас попросили разработать дизайн и внести нужные изменения в контент, что поможет сохранить существующих и привлечь новых посетителей. С чего начать?

Вы можете войти в свой аккаунт Analytics и проверить количество выходов и отказов. Для наших целей, мы можем определить их следующим образом:

• Показатель выходов. Количество раз, когда посетитель покидает домен со страницы, деленное на общее число просмотров этой страницы. Обычно выражается в процентном виде.
• Показатель отказов. Количество раз, когда пользователь вводит домен на странице, но покидает её перед просмотром любой другой страницы в этом домене, деленное на общее количество просмотров этой страницы. Обычно выражается в процентном виде.

После сортировки всех ваших страниц согласно показателям выходов и отказов вы обнаружите, что некоторые страницы имеют гораздо более высокие показатели, чем среднестатистические страницы сайта. Основываясь на количественных данных вы должны отыскать такие страницы. Некоторые страницы содержат довольно заметные ссылки на дружественный вам веб-сайт — это означает, что вы намеренно отправляете людей в другое место. Такие страницы обладают высоким показателем выходов и отказов, поскольку создаются они для переходов. Но некоторые страницы содержат объёмные, важные статьи и никакой очевидной причины покидать такие страницы кажется нет.

Почему же тогда среди посетителей наблюдается такой высокий показатель выходов и отказов? Время обратиться к качественным данным! “Больше всего я люблю объединять исследования на основе наблюдений (наблюдать за тем, как кто-то использует веб-сайт) с данными, полученными благодаря опросу людей об особенностях их присутствия на сайте”, говорит Йейтс:

“О чём вы сейчас думаете?”, “Что вы можете на это ответить?” Такой объём данных, полученный путём сочетания наблюдений, опросов и исследований позволяет получить довольно полную картину?».

Йейтс прав! Это отличная возможность для пользовательского тестирования. А поскольку вы сузили область, на исследование которой направлены ваши усилия до размеров одной страницы (может быть, пары для дополнительного контекста), тестирование становится более практичным. Вы также будете в состоянии определить насколько работоспособными окажутся внесённые конструктивные изменения, поскольку вы определили конкретные, эмпирические показатели, которые указывают на количественный успех: показатель выходов и отказов.

Подготовка данных.

Поскольку вы надеетесь максимально эффективно использовать данные при принятии решений относительно дизайна и контента, выполните следующие действия:

• Постарайтесь найти общий язык с вашей командой аналитиков или, если вы обрабатываете полученные данные самостоятельно, постарайтесь как можно более подробно разобраться в возможностях инструментальных средств для анализа. Объясните своей команде, что конкретно вы имеете в виду. Важно, чтобы они понимали необходимость исследования выбранных вами характеристик.
• Используйте как количественные, так и качественные данные — даже если люди скептически относятся к качественным показателям.
• Всегда используйте конкретные, эмпирические данные — не нужно предлагать “высокоуровневых” характеристик. Найдите данные, которые позволяют ответить на конкретные вопросы касательно дизайна. Таким образом вы сможете убедиться в том, насколько хорошо “работают” изменения контента (в нашем примере, мы использовали показатели отказов и выходов).
• Помните, что успешность не может одинаково характеризоваться для всех страниц или всех типов посетителей. Проанализируйте, какие потребности могут иметь вернувшиеся посетители и сравните их с потребностями новых посетителей. Или какие потребности имеют посетители, которые узнали о вас из электронной почты в сравнении с посетителями, которые воспользовались обычным поиском. Подумайте о целях отдельных страниц и подкаталогов и как они могут отличаться.

До сих пор мы говорили об оптимальном сценарии для информационного проектирования: с помощью количественных данных для выявления проблем и для сравнения текущих показателей, а затем использовали в режиме реального времени качественное тестирование пользователей, которое позволило понять, почему мы получили именно такие показатели и как их можно улучшить.

Теперь, давайте рассмотрим недавний проект над которым я работал в Volusion, в котором мы применили все вышеупомянутые принципы на основе доступных нам ресурсов.

Тематическое исследование: Оптимизация пробной страницы Volusion.

Volusion предлагает бесплатную 14-дневную пробную версию программного обеспечения для сферы электронной коммерции, которое помогает нам представить потенциальных клиентов продукта и (в идеале) превратить этих пользователей в активных покупателей.

Наши действия по работе с пользователями основываются на двух основных вещах:

1. Ключевой критерий успеха для корпоративных поддоменов — это процент посетителей, которые подписываются на пробную версию, а превращение таких посетителей в активных покупателей, которые готовы платить деньги.
2. Страница регистрации пробной версии (где люди подписываются на пробную версию) является важной конечной точкой для основной части нашего трафика.

В прошлом квартале наша веб-команда поставила ​​цель улучшить количество переходов для этой страницы (и, надеюсь, как следствие увеличить число покупок для магазина). С этой целью мы создали новую страницу регистрации с более подробным описанием продукта, а затем провели A/B тестирование по сравнению с действующей на тот момент страницей.

Наша предыдущая версия страницы для получения пробной версии содержала довольно много информации о продукте и включала много разных призывов к действию, и области, на которые можно было нажать.

Наш новый дизайн страницы теперь содержит информацию о пробной версии продукта (“Не требуются данные кредитной карты”, и так далее) и при этом удаляется вся лишняя информация.

«Теоретически мы предположили, что дополнительная информация увеличит уровень комфорта аудитории при знакомстве с нашим продуктом и также увеличит количество переходов. Естественно, что мы не хотели нагромождать страницу и отвлекаться от основной задачи. Итак, нужно было найти подходящий баланс: сохранить чёткий призыв к действию, обеспечивая при этом достаточный объём полезной информации, необходимой для принятия решений».

– Натан Сталл, менеджер по торговле веб-сайта Volusion.

Но после двух недель тестирования мы не заметили никаких существенных улучшений по сравнению со старой версией страницы. Показатели страницы остались на том же уровне. Мы прекратили испытания и задумались над причиной происходящего.

Нам очень понравилось представлять страницы пользователями, но это выходило за рамки наших задач (из-за ограничений по времени и стоимости). Когда мы начали выполнять сегментирование аудитории для анализа источников, местоположения или других факторов, которые помогают нам предположить поведение пользователей, мы увидели различия в характеристиках для различных групп.

Мы начали понимать, что изменения, которые кажутся полезными для одних людей, являются совершенно бесполезными для других и будут даже отвлекать. Попытка внести изменения на основе общих демографических показателей просто не сработала. Например, некоторые люди попадали на регистрационную форму, при этом никогда о нас не слышали, в то время как другие люди уже неоднократно посещали наш сайт и были знакомы с нашим продуктом. Нам нужно сузить область тестирования.

Точная настройка тестирования.

Чтобы получить более контролируемую группу пользователей, мы выбрали фиксированное количество повременно кликающей (PPC) аудитории. Тестирование в пределах этой группы позволяло достичь двух основных целей. Во-первых, появлялась возможность сосредоточить всё свое внимание на тестировании меньшего подмножества пользователей, для которого мы могли бы выполнить оптимизировать. Во-вторых, это означает, что любое преобразование в целях улучшения принесёт нам экономич …

Если вы хотите прочитать полностью статью, посетите сайт наших спонсоров