Комментарии
Как использовать данные в дизайне и можно ли переложить ответственность за красоту в макетах на цифры
Data Driven Design
Сибирикс
Data Driven Design
Как использовать данные в дизайне и можно ли переложить ответственность за красоту в макетах на цифры
Каждую секунду в 2020 году среднестатистический пользователь создавал 1,7 Мб информации — представляете, сколько всего можно «вынуть» из этих данных!
Объём данных в секунду в 2019
В 2019-м данных тоже генерировалось немало (источник)
Маркетологи довольно потирают руками, а дизайнеры-то тоже не отстают — с 2015—2016 годов тема Data Driven-дизайна, заряженного данными, будоражит умы творцов. Больше никаких правок из-за вкусовых разногласий — только цифры, только хардкор. Но вообще-то в гонке за проверкой дизайн-решений цифрами можно увязнуть и выгореть дотла.

В этом материале расскажем о том, что такое Data Driven Design, когда он пригодится, а когда лучше довериться дизайнерской интуиции, какие есть нюансы и как вообще собирать данные и строить на их основе рабочие гипотезы.

Что такое Data Driven Design и когда он появился

Data Driven Design — дизайн на основе аналитических исследований, когда нельзя просто так взять и предложить цветовую схему или расположение элемента на странице: сначала это нужно проверить и подкрепить цифрами. Такой дизайн тесно связывают с конкретными метриками: если они достигаются, дизайн хорош, если нет — надо что-то менять (и опять исследовать и доказывать это цифрами).

До его появления дизайнеры принимали решения, исходя из своего опыта, насмотренности, своих представлений о дизайне, своего дизайнерского «почерка» или из интуиции, в конце концов. Частая проблема при таком подходе в том, что дизайнеры страдают от эффекта ложного консенсуса и проецируют свои реакции и поведение на странице на потенциальных пользователей — то есть, принимают решения на основе собственного опыта. Хотя далеко не факт, что все юзеры будут делать и думать так же.

Отсюда растут корни понятия «вкусовщина». Клиент мог принимать дизайн, а мог говорить, что «что-то не то» — и пойди объясни, почему кнопки такие, а блоки располагаются так-то: железных аргументов, кроме «я художник, я так вижу», не было.

И тут на сцене появляется он — Data Driven Design, призванный навсегда уничтожить споры о дизайне у клиента и дизайнера, а ещё подать на макете желания пользователей на блюдечке. Сначала вы исследуете, что вообще нужно юзерам, потом получаете конкретные данные: останется только делать так, как они велят.

Звучит заманчиво, ведь при таком подходе дизайн всегда обоснованный — никакой интуиции не надо, никаких правок из-за разницы вкуса тоже. Но это только на первый взгляд. На второй — это дорого для заказчика: каждый штрих нужно подкреплять исследованиями, и не всегда достаточно какого-нибудь А/В-теста. А поскольку улучшения непрерывны, исследования становятся постоянной статьей расходов. Другая проблема касается уже команды дизайнеров — если слепо верить цифрам, можно расслабиться, снять с себя всякую ответственность или потерять всякий вкус к своей работе. По интернету гуляет цитата ведущего дизайнера Гугла, который не выдержал этих бесконечных проверок по каждой мелочи и уволился:

«Да, это правда, что команда Google не могла выбрать между двумя оттенками синего, и поэтому тестировала 41 оттенок, чтобы увидеть, какой из них лучше. У меня недавно была дискуссия о том, какой должна быть обводка: 3, 4 или 5 пикселей, и мне было предложено доказать мой выбор. Я не могу работать в такой среде. Я устал обсуждать такие незначительные дизайнерские решения. В этом мире есть более интересные проблемы с дизайном».

Недостатки Data Driven подхода

1
Данные не скажут вам «делай так и так, чтобы решить проблему» — и это самое главное разочарование для тех, кто хотел переложить ответственность за свои решения на циферки.
2
Чтобы собирать данные, нужна инфраструктура для их сбора: сотрудник, который этим занимается, ПО для сбора, какое-то ПО для систематизации полученной информации, регулярная аналитика и выработка гипотез. А ещё тесная работа с командой — потому что зачем вам данные, если вы никак их не применяете. Готовьте кошёлек, иными словами.
3
Сотрудники, способные адекватно интерпретировать данные, на рынке труда стоят дорого (а ещё их нужно постоянно обучать, потому что сфера стремительно развивается — один только ИИ насколько влияет).

Откуда взялся термин

О подходе Data Driven стали говорить ещё в 90-е, и тогда он касался программирования — это была альтернатива функционального и объектно-ориентированного программирования. С ростом объёма данных, развитием аналитических систем и рынка digital в целом подход Data Driven проник и в другие сферы: маркетинг, менеджмент, обучение и дизайн.

Подходы к использованию данных в дизайне хорошо описаны в книге Рошель Кинг, Элизабет Черчилль и Кейтлин Тан «Дизайн на основе данных».
Data Driven, Data Informed, Data Aware Design
Три подхода к использованию данных в дизайне
Data Driven — дизайн, управляемый данными
Когда решения принимаются исключительно на основе количественных данных — то есть данные имеют первостепенное значение. Подход годится, если нужно что-то оптимизировать: понять, какой вариант целевой страницы эффективнее или какие метрики дают прирост конверсий.

Data Informed — дизайн с учётом данных
Более гибкий подход, чем предыдущий: мы смотрим на данные, но при этом можем с ними не соглашаться, потому что также доверяем своему опыту, интуиции и качественным данным (о том, как собирать количественные и качественные данные, поговорим ниже).

Data Aware — дизайн, осведомленный данными
Когда полученные количественные данные — не единственный фактор принятия решения и работают в совокупности с другими факторами. То есть, у вас есть широкий диапазон данных, вы понимаете ограничения для их сбора и выбираете ту методологию, которая лучше всего подходит под конкретную задачу.

Driven, Informed, Aware — какой подход выбрать?

Какой из подходов лучше, однозначно не скажешь — как всегда, всё зависит от задачи и обстоятельств. «Опять никаких ориентиров» — сейчас подумали вы. На самом деле, чтобы определиться, достаточно ответить на 3 вопроса:

1. Каков контекст?
Если вы внедряете что-то инновационное — подойдёт подход Data Informed, потому что создавать новое, опираясь на данные прошлых периодов, сложно. Просто потому что непонятно, что брать за ориентир. Если же вы проверяете гипотезу, используйте Data Driven — подход чётко покажет, «зашло» ваше решение пользователям или нет.

2. Какова глубина решаемой проблемы?
Хотите обновить дизайн целевой страницы? Или чувствуете, что достигли потолка с текущим товарным ассортиментом и пора что-то менять глобально? В первом случае неплохо бы начать с анализа данных — что там происходит с воронкой продаж, как люди заходят на страницу, регистрируются и совершают целевые действия, и есть ли вообще проблема с конверсией.
данные и интуиция
Разные соотношения факторов при принятии решений в разных ситуациях: слева — основная опора на данные, справа — на интуицию. (источник)
Данные или интуиция?
  • Если вы выбираете между двумя или тремя вариантами — смотрите на данные: в помощь старый-добрый A/B-тест. Только убедитесь, что вы смотрите на долгосрочные показатели ценности, а не только на просмотры и клики.

  • Если качество и эстетика продукта страдают, доверьтесь интуиции дизайнера, ведь общее ощущение качества — это совокупность сотен микро-решений, согласованность и точность исполнения. Пользователи — не эксперты по дизайну, поэтому их мнение будет слишком субъективным.

  • Если есть сомнения в поведении пользователя — используйте данные, а не спрашивайте мнение юзеров. Люди склонны делать то, что вы от них ждете, когда вы их спрашиваете об этом напрямую. Доверяйте тому, что они делают, когда думают, что их никто не видит.

  • Если вам нужно создать бренд или повысить репутацию, данные почти бессильны в измерении этих параметров. Доверяйте интуиции и опыту дизайнера и не смотрите на краткосрочные результаты — это игра вдолгую.
3. Какова макро-цель?
Всегда стоит соотносить затраты на получение данных с их ценностью при принятии решения. Да, чем больше данных — тем обоснованнее становятся решения, но и стоимость этих решений возрастает. Вам нужно определиться, сколько данных будет достаточно, чтобы достичь своей цели.

Например, ваш сайт с мобилки выглядит отвратительно — и если какой-то влиятельный клиент поделится своим негативным опытом его посещения в подписчиками в соцсетях, ваша репутация пострадает. Можно судорожно собирать всевозможные данные, чтобы разобраться в проблеме (и потерять за это время всякое доверие), а можно постараться найти рабочее решение как можно скорее, пусть оно и будет пока интуитивным.

Но это не значит, что в другой ситуации вам тоже придётся пренебречь данными — возможно, риск и последствия ошибки будут настолько высоки, что лучше семь раз отмерить, как в поговорке.

Способы сбора данных

Сбор количественных данных

A/B-тест
Классический способ сравнить, какой из двух вариантов лучше: вы просто делите аудиторию на две приблизительно равные группы и одной показываете одну версию, а другой — другую. У какой будет выше конверсия, та и работает эффективнее.

Многовариантный тест
Здесь меняют не один элемент, как в А/В-тесте, а сразу несколько — например, всю шапку страницы. Такое тестирование определяет, какая комбинация элементов работает лучше остальных.

Аналитика
Уже привычные всем Google Analytics и Яндекс.Метрика расскажут, куда люди кликают, откуда приходят, как долго остаются на сайте и как часто на него возвращаются. Но при этом можно пойти дальше и смотреть внутри аналитических систем и дополнительные параметры, вроде глубины и типов скролла (горизонтальный или вертикальный). Настройку целей тоже никто не отменял: действия и бездействия, взаимодействия с формами и контентом, скачивание файлов, просмотры видео и всё такое прочее.
Дизайн с учётом данных — давняя традиция в Сибирикс. Перед созданием прототипа и этапом дизайна наши аналитики разговаривают с заказчиком о пользователях, погружаются в веб-аналитику, изучают конкурентов — всё это даёт полную картину поведения пользователей и трендах отрасли, которую дизайнеры берут за основу в своей работе.
Тепловые карты
Вы можете заморочиться и не только изучать данные яндексовского Вебвизора с картами кликов, но ещё и подключить айтрекинг (сразу предупреждаем, что адекватное оборудование — это очень дорого).

Опросы
Опросы используют для сбора и количественных, и качественных данных. Но для качественных их использовать всё-таки проще, потому что во многих случаях вопросы, которые приведут к количественным, а не к качественным данным, подготовить проще.

Сбор качественных данных

Количественные данные дадут понять, что именно люди делают. А вот качественные расскажут, почему они делают именно так.

Анализ конкурентов
Пока вы постоянно улучшаете продукт, конкуренты тоже не бездельничают. Поэтому за ними нужно периодически подглядывать. А вот слепо копировать не стоит — крадите, как художники :)

Интервью
Это тоже недешевое удовольствие: нужно потратить время своих специалистов на поиск людей, составление адекватных вопросов, на сами беседы, на обработку результатов. Но оно того стоит, потому что такую глубокую информацию сложно получить из простого онлайн-опроса.

Customer Journey Map и User Flow
Customer Journey Map помогает осмыслить визуально, как пользователи взаимодействуют с продуктом. User Flow — это то, как пользователи достигают своей цели на сайте: от момента первого скролла до ухода. Обычно вы более-менее предполагаете шаги вашего User Flow, но фактические потоки могут сильно отличаться от ожидаемых, и это может указывать на проблему с пользовательским интерфейсом. Самый простой способ это проверить — попросить группу пользователей выполнить конкретную задачу и наблюдать, как те будут действовать. Эта информация поможет определить потенциальные слабые места и даст задел для дальнейших исследований с помощью A/B-тестов или интервью.

Отзывы из соцсетей
В соцсетях люди любят описывать свой опыт взаимодействия с продуктом — особенно, если тот был негативным. Для вас это больно, но полезно — так можно определить узкие места, понять ожидаемые требования к продукту и улучшить его. А заодно повысить NPS — индекс приверженности потребителей товару или компании. Чтобы собирать отзывы прямо на сайте (а это +100 к доверию, между прочим), можно воспользоваться одним из этих сервисов.

Как использовать полученные данные

Собираемые данные могут помочь в четырех направлениях:

  1. Проверка — удостовериться, что вы на верном пути;
  2. Предвосхищение — узнать о потенциальных возможностях и болевых точках;
  3. Исследование — открыть новые паттерны поведения, тренды и предпочтения;
  4. Улучшение — совершенствовать дизайн, опираясь на объективность и итеративный подход.
Исследование MIT Technology Review показало, что компании, стоящие в первой трети рейтинга в своей отрасли, используют данные при принятии решений — и за счёт этого они в среднем на 5% более продуктивны и на 6% более прибыльны, чем конкуренты, которые так не делают.
Качественные исследования отлично подходят для понимания контекста, но гораздо хуже — для сегментации пользователей или выявления тенденций в больших объемах данных. Хорошая новость в том, что их можно объединить, чтобы получить более полную картину по целевым персонам.

Чтобы создать качественные целевые персоны для своего продукта, вам нужно:
1
Провести интервью — запланируйте короткие интервью с несколькими клиентами, чтобы выяснить контекст: что для них важно, как они себя ведут в продукте, какая мотивация его использовать. Пока не сегментируйте, а просто собирайте данные. На основе интервью составьте список из 15−25 атрибутов, характерных для групп.
2
Составить опрос — сформулируйте атрибуты в виде вопросов. Для атрибута «зарплата» вопрос может быть: «Какова ваша зарплата?», а для «поездка в супермаркет» — «Как часто вы посещаете супермаркет?». Старайтесь соблюсти баланс между поведенческими и мотивационными вопросами, задайте также 2−3 открытых вопроса о болевых точках и оставьте поле для адреса электронной почты. Чтобы проверить адекватность вопросов, можно почитать о CustDev или использовать модель BRUSO.

BRUSO — модель, в основе которой 5 параметров:

  • Brief — краткость;
  • Relevant — актуальность;
  • Unambiguous — однозначность;
  • Specific — конкретность;
  • Objective — объективность (соответствие задаче).
3
Отправить опрос целевой аудитории — вставить в рассылку по электронной почте, разместить баннер на вашем сайте или просто подкинуть задачку по поиску людей вашему HR-менеджеру :)
4
Сегментировать клиентов — Сэм Страун советует использовать ИИ-сервис akin.nz: он сравнивает ответы на вопросы и пытается сегментировать людей, выясняя, что делает каждую группу особенной.
5
Снова провести интервью — но теперь уже выберите собеседников из числа тех, кто прошёл опрос и попал в какую-то группу пользователей. Спрашивайте об их поведении и мотивации и докапывайтесь до первопричин, почему они действуют так, а не иначе. Полученные ответы станут базой для создания Data Driven персон.

Как проверить гипотезу с учётом данных — модель из 5 шагов (подход Data Aware)

Модель из 5 шагов для проверки гипотез, ориентированных на данные (источник)
1. Цель
Конкретная и чёткая — например, увеличить доход, не прибегая к серьёзной доработке функционала.

2. Проблема или возможность
Вероятно, на достижение цели повлияет сразу несколько факторов. И для этого надо понять, какие параметры на неё влияют, и нет ли с ними проблем? Например, где люди «вываливаются» из воронки продаж. Или как завсегдатаи используют ваш сайт. Сюда же опросы, заявки в техподдержку и прочие имеющиеся количественные и качественные данные.
Техника для исследователей 80 lvl: искать такие данные, которые доказывают, что ваши предположения неверны.

3. Гипотеза
Хорошая гипотеза на дороге не валяется — у неё должна быть чёткая метрика для оценки и видимый путь к этому измеримому результату. Гипотеза строится по принципу:

Для [группы пользователей], если [изменение], то [эффект], потому что [обоснование], которое повлияет на [метрика], где:

  • [группа пользователей] — сегмент оцениваемых пользователей;
  • [изменение] — то, что вы планируете сделать;
  • [эффект] — каким будет результат по вашему мнению;
  • [обоснование] — почему вы думаете, что эффект вообще будет;
  • [метрика] — измеримый результат, который вы ожидаете увидеть.
Пример гипотезы: если для всех посетителей сайта, просматривающих страницу продукта, выделить красным кнопку «Оформить заказ», это увеличит клики на неё, потому что красный цвет ассоциируется с ощущением срочности, а это приведёт к увеличению конверсии.
Дополнительно вам стоит подумать и зафиксировать, что вы узнаете, если гипотеза окажется неудачной, как этот опыт можно применить дальше и сколько ресурсов стоит вложить в этот эксперимент.

4. Тест
Адекватный эксперимент — это тест, где:
  • вы контролируете переменные, чтобы понимать разницу между вариантами;
  • варианты чётко представляют гипотезу;
  • предмет эксперимента является значимым и этичным (проверяем реальную гипотезу и не тестируем то, что возмущает пользователя — скажем, скрытые расходы или доплаты).

5. Результат

Измерьте результаты, сделайте выводы. Если гипотеза не оправдала себя, что полезного вы вынесли? Если оправдала — как это использовать дальше?
Данные — не панацея. Некоторые цели трудно измерить, а некоторые данные — сложно собрать. Если задавать неправильные вопросы, спрашивать не в то время и не тех людей, можно сделать неверные выводы. Хорошо зная свой продукт, вы перестаёте видеть его объективно.

Но принимать проектные решения с данными — всегда проще. Конкретные цифры и гипотезы на основе качественных и количественных исследований полезны для постепенных, тактических изменений — правда, только если они проверяются и уравновешиваются дизайнерским инстинктом и здравым смыслом.
Данные — это, конечно, хорошо, но они никогда не скажут вам, в чём именно проблема и как её решить. Но они точно помогут выявить узкие места и оценить эффективность решений.