Serie maestra de diseño de UI/UX: la aplicación de comercio electrónico completa, parte 4 | Nick Lawrence | febrero 2022

Una vez que haya hecho eso, debe seleccionar “Nuevo laberinto” e ir a la opción etiquetada como “Prueba de usabilidad”.

Esta es una buena plantilla que puede usar como un comienzo y querrá agregarla para asegurarse de que su línea de prueba y encuesta esté completa para sus propósitos.

Con eso en mente, el siguiente video le mostrará cómo puede configurar la prueba con más detalle:

Contenido del Articulo

Nuestra prueba de usabilidad en vivo para nuestro proyecto se puede encontrar en el siguiente enlace:

Ahora hablemos del análisis de los resultados.

Así que ahora hemos probado a fondo nuestro proyecto con nuestros usuarios y tenemos algunos datos reales que estamos analizando.

En cualquier prueba que recopile datos, casi siempre tendrá que buscar los siguientes tipos de datos:

  1. datos cuantitativos
  2. Datos cualitativos
  3. Datos observacionales

Echemos un vistazo más de cerca a cada tipo de datos:

Los datos cuantitativos se miden numéricamente. Pueden ser clasificaciones, puntajes, categorización, agrupación u otras formas de comprender los datos de manera numérica en lugar de descriptiva, tipeada y graficada.

Es importante tener en cuenta que los datos cuantitativos le dirán lo que está sucediendo en su investigación y pruebas.

Por ejemplo: “¿Sueles comprar cosas en línea?”

Las respuestas aquí son sí o no, verdadero/falso, 1/0, datos binarios.

Otro ejemplo: “En una escala de cero a diez, donde cero es muy fácil y diez es muy difícil, ¿qué tan fácil o difícil fue la tarea anterior?”

Las respuestas aquí pueden variar de 0 a 10, lo que coincide con las etiquetas, pero como puede ver, sigue siendo numérico.

Por otro lado, los datos cualitativos no se miden, sino que se escriben y luego se interpretan. Los datos cualitativos tienden a ser descriptivos, subjetivos y no se pueden graficar a propósito.

Los datos cualitativos le dirán por qué sucede algo en su investigación y prueba.

Por ejemplo: “¿Cuál es su impresión general de la aplicación que acaba de usar?”

Esta es una pregunta abierta que puede dar lugar a múltiples respuestas, que luego debe ser cuidadosamente considerada e interpretada por el equipo de investigación.

Finalmente, además de los datos cuantitativos y cualitativos, existe un tercer tipo de datos que es menos conocido pero aún extremadamente importante: los datos observacionales.

Estos son datos recopilados por el moderador o intérprete de sesiones de usuario grabadas y se derivan de las conclusiones extraídas por el escrutinio directo del comportamiento del usuario.

Los datos de observación le dirán cómo suceden las cosas en su investigación y pruebas. Los datos observacionales agudos formulan en la mente del investigador una hipótesis adicional, que debe ser confirmada o no confirmada por datos observacionales adicionales.

Como ejemplo, nota que su usuario tiene dificultades para encontrar algo, pero le cuesta decir por qué. Se le ocurre que la persona no es un hablante nativo de inglés y está acostumbrada a leer de derecha a izquierda, lo que afecta la forma en que intenta interactuar con su producto.

El truco con los datos de observación es que los usuarios no siempre podrán decirle exactamente por qué tienen un problema, o articularlo de una manera que se pueda actuar directamente, pero a través de una observación cuidadosa, puede comenzar a notar y recoger datos sobre el problema. experiencia del usuario, que, tanto los datos cualitativos como cuantitativos informados por el usuario, pueden haberse perdido.

Tenga en cuenta que necesita los tres para continuar analizando sus datos para proporcionar una dirección clara de lo que su equipo debe hacer para mejorar la UI/UX de su producto.

Ahora te gustarán muchos datos, ¿qué estás haciendo ahora? ¿Cómo analiza los datos para llegar a una conclusión razonable?

Esencialmente, lo que está tratando de hacer es establecer patrones de retroalimentación claros y consistentes que lo orientarán en la dirección de resolver problemas legítimos.

Veamos esto paso a paso:

Es controvertido, pero solo escúchame: la mayoría de los datos que obtenemos de encuestas o entrevistas son enviados por los usuarios. Cada vez que recibimos datos sobre nosotros mismos, debemos tratarlos con cuidado.

¿Por qué? Porque cada usuario es capaz tanto de distorsiones cognitivas como de respuestas erróneas.

Es por esta razón que recomiendo Pruebas no moderadas remotas porque elimina muchos de los problemas que podrían causar que los usuarios den opiniones falsas en primer lugar.

Sin embargo, esto no es confiable y es la razón por la que recopilamos múltiples tipos de datos para su análisis. Donde las mentiras se cruzan, podemos encontrar la verdad.

Aquí empezamos a pasar de la exclusión a la inclusión.

Cuando revisa sus datos, ¿qué hacen, dicen y demuestran sus usuarios mientras trabajan en su proceso?

Si asumimos que las respuestas de cualquier usuario individual pueden ser erróneas y luego asumimos que estos usuarios son incompatibles y no se comunican entre sí, podemos comenzar a buscar áreas donde sus informes sean iguales o muy similares.

Tomemos, por ejemplo, tres informes personalizados:

  • Informe de usuario 1: “El botón de inicio para ver más productos es difícil de ver”.
  • Informe de usuario 2: “Hay un botón en la página de inicio que no funciona”.
  • Informe personalizado 3: [failed to progress past the homepage].

Entonces, ¿qué podemos sacar de esto?

Bueno, podemos echar un vistazo más de cerca a los datos de cada informe para ver por nosotros mismos, pero probablemente podamos asumir con seguridad que hay un problema en la página de inicio, y este problema probablemente esté relacionado con el botón en la página de inicio.

Una vez que tenemos una conjetura como tal, podemos marcarla para más rondas de prueba.

A medida que usted y su equipo progresen en su análisis, llegarán a conclusiones que cree que son conjeturas bastante confiables basadas en patrones de datos de usuarios.

Reúna estas suposiciones, compárelas y priorícelas de mayor a menor, con el nivel más alto que probablemente interfiera con las acciones del usuario o su capacidad para pasar las pruebas.

Por ejemplo:

  • El botón en la página principal debería ser más contrastante.
  • El botón Pagar debe ser más grande y tener una jerarquía de información más grande.
  • El proceso de creación de cuenta debería ser más claro, con más texto explicativo y menos pasos.

Una vez que haya coincidido con sus suposiciones, puede pasar a la revisión.

Mientras revisa su prototipo para incluir estas modificaciones en función de los comentarios que ha recibido a través de las pruebas de los usuarios, querrá asegurarse de que está realizando un seguimiento de los cambios lo mejor que pueda.

De esta forma sabrás qué se hizo, cuándo se hizo y cómo afectó al prototipo en su conjunto.

No te mates por esto, solo asegúrate de tener una buena idea y de comunicarla bien a tu equipo.

Una vez que haya terminado con los cambios para incluir estas supuestas correcciones para los problemas que encontró, querrá volver a probar.

→ Continúe probando hasta que:

A. La plantilla ya no está visible en las reseñas de los usuarios o
B. Los usuarios ya no dejan comentarios negativos.

Para aclarar, si hay problemas, arréglelos, pero sus usuarios se inclinan naturalmente a dar críticas negativas (¡lo cual es una NOTICIA FANTÁSTICA PARA USTED!), así que comprenda que Si no está recibiendo mucha negatividad de sus usuarios, probablemente esté en el camino correcto.

¿Es confiable este enfoque? Nuevamente, no, pero esto es lo mejor que he encontrado hasta ahora, así que me quedo con él.

Ahora que ha probado y validado su solución hasta el punto en que ya no recibe comentarios abiertamente negativos de sus usuarios, recibe comentarios positivos y los usuarios pueden usar su prototipo con éxito para lograr los resultados previstos, está listo para moverse. hasta el paso final: la entrega.

Previous post Actualización de Google Search Ads 360: estas son las novedades
Next post Cómo construir el mejor equipo de producto | Andrea Sáez | febrero 2022

Deja una respuesta