Каждую секунду в 2020 году среднестатистический пользователь создавал 1,7 Мб информации — представляете, сколько всего можно «вынуть» из этих данных!

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.

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».

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 — 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.

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.

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.

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.

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.

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.

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. 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.

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.