Analítica y priorización en UX

Analizar las estadísticas de los productos digitales y los datos de analítica son asuntos básicos para mejorar la experiencia de usuario de un producto.

Captura del vídeo de Norman Nielsen

Una de las mejores maneras de usar la analítica es para priorizar tareas a la hora de afrontar un rediseño de un producto digital. Con herramientas como Hotjar se pueden recoger datos de los usuarios y con encuestas a los usuarios se pueden recoger qué es lo que buscan los usuarios en las siguientes iteraciones del producto.

A partir de ellas podemos recoger gran cantidad de información útil y de gran valor que podemos cotejar con las estadísticas de uso, y que nos sirva para extrapolar los hallazgos al público objetivo de nuestro producto. Porque puede ocurrir que los datos de una encuesta den una muestra sesgada de los usuarios, por ejemplo si las encuestas dan un 20% de usuarios de iOS y tenemos un 10% en realidad. En ese caso deberemos quitarle prioridad a esas respuestas, ya que los usuarios de iOS están sobrerrepresentados sobre la base real de nuestros usuarios.

Priorizar tareas en UX es una acción fundamental a la hora de diseñar (o rediseñar) un producto. Como dice Dani en sus charlas “lo mejor a la hora de un rediseño es tener datos exactos sobre lo que ha fallado” para poder afrontarlo con garantías de que cumpliremos con las expectativas de los usuarios y tendrá éxito.

Desde Norman Nielsen nos aconsejan en un vídeo usar la analítica para priorizar tareas de experiencia de usuario, ya que provee soporte con datos de la conducta real de los usuarios lo que se puede observar en los tests. Es decir, basamos con datos cuantitativos (la analítica) los datos cualitativos (los hallazgos) que observamos en los tests con usuarios.

Norman Nielsen nos recomienda tomar decisiones de diseño basadas en datos, como os decimos siempre nosotros “trabajar con certezas y no con opiniones o suposiciones”.  Las analíticas y los datos refuerzan las observaciones de los tests. Además, ayudan a observar si es un hecho generalizado o está motivado por las condiciones del test o porque el observador tiene un sesgo durante él.

Trabajar con datos nos ayuda a estimar el ROI (retorno de inversión) que tiene una mejora a partir del porcentaje de usuarios que pueden ser afectados por el fallo. Asimismo nos ayuda a eliminar suposiciones del observador que no están corroboradas por datos, para no tomar decisiones de diseño basadas en suposiciones u opiniones.

Para no alargar más el post, os dejamos con el vídeo de Norman Nielsen, pasad buen fin de semana y el lunes nos volvemos a leer por aquí 😉

Video