![\"Analytics](\"https:\/\/www.centigrade.de\/wordpress\/wp-content\/uploads\/analytics-blur-business-close-up-5900455.jpg\")
<\/p>\n<\/p>\n
Big Data gilt als das Trendthema der Digitalisierung. Manche behaupten sogar, Daten seien das neue Gold. Doch Nutzungsdaten sind ein bislang selten gehobener Schatz, um die Usability mit quantitativen Methoden zu analysieren. Welche M\u00f6glichkeiten gibt es, mit Nutzungsdaten UX messbar zu verbessern und Product Owner in ihren Entscheidungen zu unterst\u00fctzen? \u00a0Erhalten Sie einen ersten \u00dcberblick \u00fcber die Analyse von Nutzungsdaten in meinem Blogartikel.<\/b><\/p>\n
<\/p>\n
Nutzungsdatenanalyse bedeutet, dass der Fokus der Analyse auf der Software und der Nutzung ihrer Features liegt, um Aussagen dar\u00fcber zu treffen, ob das Konzept des Bedienungsflows erfolgreich ist und damit auf Bugs und \u00fcberfl\u00fcssige beziehungsweise fehlende Funktionen aufmerksam zu machen. Nat\u00fcrlich basieren alle Schritte im UX Prozess auf den Bed\u00fcrfnissen der Nutzergruppe, aber eben nicht auf denen der einzelnen Nutzer.<\/p>\n
Stellen Sie sich vor, Sie haben ein neues Produkt entwickelt. Ein Schwerpunkt in der Entwicklung lag auf der UX, da Sie diese im Vorhinein als kritischen Erfolgsfaktor identifiziert haben. Nun ist ein erster Prototyp des Produkts fertig und Sie m\u00f6chten wissen, ob Sie Ihre UX Ziele auch erreicht haben. Ein unmittelbarer Weg dies zu tun, ist es, einen Blick in die Daten zu werfen, die entstehen, wenn ein Nutzer mit dem neuen Produkt interagiert \u2013 die Nutzungsdaten.\u00a0 Eine entsprechende Analyse und Interpretation wird Ihnen Einsicht in das Nutzerverhalten und den Nutzungsflow liefern. Durch Verkn\u00fcpfung der Informationen mehrerer digitaler Ger\u00e4te erhalten Sie eine einmalige Gesamt\u00fcbersicht.<\/p>\n
<\/p>\n
Wichtig in diesem Kontext ist nat\u00fcrlich auch das Thema Datenschutz. Deshalb reden wir im UX Bereich bewusst von Nutzungsdatenanalyse und nicht von Nutzerdatenanalyse. Wie im gesamtem UX Prozess wird die Anonymisierung sowie der Datenschutz gro\u00dfgeschrieben. Nutzer werden zu Personas oder Nutzungsgruppen aggregiert. Demographische Daten werden nur insoweit erfasst, wie sie relevant f\u00fcr die Persona und Fragestellungen sind. Zum Beispiel k\u00f6nnte dies der Erfahrungsgrad mit einer Software sein, welcher in unterschiedlichem Nutzungsverhalten resultieren kann.<\/p>\n
<\/p>\n
\u00a0<\/strong><\/p>\n Die bisherige Evaluation von UX Komponenten in Produkten beschr\u00e4nkt sich oft auf eine qualitative Datenerfassung. Oft werden Nutzer bei der Bedienung des Prototyps beobachtet und befragt, um potenzielle Schwachstellen zu identifizieren. Manchmal wird dieser Konzepttest auch noch durch einen Fragebogen erg\u00e4nzt, um wenigstens ein quantifizierbares Ma\u00df zu haben. Eine alleinige Nutzerbefragung kann irref\u00fchrend oder unvollst\u00e4ndig sein. In Frageb\u00f6gen zeigt sich oft eine Tendenz zur Mitte in der Beantwortung der Items, man bekommt also keine klaren Aussagen. Manchmal wissen Nutzer auch nicht so genau, was sie wollen, beziehungsweise haben es schwer, das verbal zu kommunizieren. Bei der Beobachtung muss man gleichzeitig den Nutzer im Blick haben und dokumentieren, wo Schwierigkeiten auftreten oder was nicht verstanden wird, wobei schnell Dinge vergessen werden k\u00f6nnen. Das Ganze ist zeitaufw\u00e4ndig und begrenzt sich oft auf eine Handvoll Tests.<\/p>\n <\/p>\n Nutzungsdaten k\u00f6nnen in diesem Fall eine objektive und reliable Alternative darstellen, die zudem beliebig skalierbar ist. Sie kann nicht-invasiv erfolgen, der Nutzer wird also in seinem normalen Bedienungs-Ablauf nicht gest\u00f6rt und f\u00fchlt sich nicht beobachtet. Der entsprechende Data Analyst kann zu einem beliebigen Zeitpunkt auf die Daten zugreifen und sie mit Hilfe von exakten Zeitangaben mit anderen Geschehnissen oder Maschinen-Daten in Verbindung bringen. Quantifizierbare Ma\u00dfe k\u00f6nnen schnell abgeleitet werden, beispielsweise die H\u00e4ufigkeit des Auftretens eines Fehlers und somit erheblichen Einfluss auf die Priorisierung und Entscheidungstreffung hinsichtlich der n\u00e4chsten Entwicklungsschritte nehmen.<\/p>\n <\/p>\n Key Performance Indicators (KPIs) tauchen in vielen Bereichen auf. Software Ingenieure kennen sie als Zeilen an Code oder Anzahl an Bugs. Content Manager im Marketing eher als Conversion Rate oder Page Views. Im UX-Bereich unterschieden wir grunds\u00e4tzlich zwei Arten an KPIS: System-Level KPIs und Story-Level KPIs.<\/p>\n System-Level KPIs sind User Story \u00fcbergreifende KPIs, die Strategie-Entscheidungen erm\u00f6glichen, jedoch keine spezifischen Produkt-Entscheidungen. Story-Level KPIs werden f\u00fcr jede einzelne User-Story definiert und bieten somit Entscheidungsgrundlage f\u00fcr einzelne Features. Die \u201eTime on Task\u201c misst die Zeit, die ein User in einer Story verbringt, w\u00e4hrend die \u201eTask Completion Rate\u201c beispielsweise Aufschluss dar\u00fcber gibt, wie viel Prozent der Nutzer eine User Story erfolgreich verlassen haben. F\u00fcr jede User-Story k\u00f6nnen dann Akzeptanzkriterien festgelegt werden, die erf\u00fcllt sein m\u00fcssen, damit sie als Done gilt. Ein Runterbrechen der Komplexit\u00e4t der Anwendung auf User-Story Ebene sowie eine automatische Priorisierung von Problemen erm\u00f6glicht eine sukzessive Abarbeitung und l\u00e4sst die Weiterentwicklung eines Produkts schnell als managable erscheinen. Ein Beispiel ist das Auftauchen einer Story im Bug Fix Pool. Beim Betrachten der Nutzungsdaten stellt sich dann heraus, dass diese Story bei keinem Nutzer aktiv war. Arbeit in das L\u00f6sen des Bugs zu stecken, w\u00e4re hier also nur Zeitverschwendung, diese Aufgabe wird keine Priorit\u00e4t haben.<\/p>\n <\/p>\n Zur Erhebung von KPIs gibt es viele M\u00f6glichkeiten. Wie oben bereits erw\u00e4hnt, gibt ein mitgeloggter Zeitstempel Einsicht in Abst\u00e4nde zwischen und die Dauer von Aktivit\u00e4ten. Ein Mitloggen von geographischen Daten erm\u00f6glicht eine \u00f6rtliche Nachverfolgung, was nat\u00fcrlich vor allem bei Wearables interessant ist. Alle anderen Funktionen k\u00f6nnen nat\u00fcrlich auch direkt in der Software verankert werden, beispielsweise die Scroll-Tiefe oder Klicks auf entsprechende UI-Elemente.<\/p>\n <\/p>\n Im Laufe eines Nutzungszyklus, beispielsweise einer neuen Software, k\u00f6nnen Unmengen an Daten produziert werden. Gro\u00dfe Datenmengen sind im Allgemeinen beliebt bei Data Scientists, bedeuten sie doch ein potenziell gro\u00dfes Trainingsdatenset um etwaige Modelle daran zu optimieren. \u00a0Auf der anderen Seite bedeuten gro\u00dfe Datenmengen auch immer die Gefahr des Data Dredging \u2013 dem ziellosen Fischen in gro\u00dfen Datenmengen bei denen basierend auf statistischem Grundrauschen immer irgendwas herauskommt, und einen entsprechenden zeitlichen Aufwand, um wirklich n\u00fctzliche Informationen zu extrahieren, von der ben\u00f6tigten Rechenleistung mal ganz abgesehen. Und wenn Product Owner etwas oft nicht haben, dann ist es Zeit f\u00fcr Entscheidungen. Deshalb sollte unter allen Umst\u00e4nden vermieden werden zu viele Daten zu sammeln, in dem die analytischen Fragestellungen im Vorhinein klar definiert sind.<\/p>\n <\/p>\n Das alleinige Betrachten von Nutzungsdaten kann schnell den eigentlichen Nutzer samt dessen Bed\u00fcrfnissen aus den Augen verlieren. Nur weil ein Flow gut aussieht, hei\u00dft das nicht, dass der Nutzer sich dabei gut abgeholt f\u00fchlt. Und was er vermisst, kann er auch nicht durch Klicken mitteilen. Deshalb ist es in der Prototyping-Phase immer sinnvoll, eine kurze Befragung oder einen Usability Fragebogen durchzuf\u00fchren, um das Komplettpaket vor Augen zu haben. Wichtig ist es, die Datenanalyse als ein Tool des UX Prozesses zu sehen, das spezifisch zur Beantwortung von Fragestellungen oder Untermauerung von Annahmen verwendet wird und geschickt mit anderen Werkzeugen verkn\u00fcpft wird. Erst durch diese Verkn\u00fcpfung kann die Interpretation der Daten sinnvoll werden und Vertrauen in getroffene oder zu treffende Entscheidungen geben.<\/p>\n <\/p>\n Nutzungsdatenanalyse sowie -interpretation wird ein gutes St\u00fcck einfacher und pr\u00e4ziser, wenn sie im Kontext des vorher definierten Scopes stattfindet. Dieser umfasst die Persona (repr\u00e4sentativer Nutzer), die Nutzerrolle, den Nutzungskontext, Ziel und Aufgabe des Nutzers sowie die User Needs. Oft ist eine Anwendung nicht im gesamten \u201egut\u201c oder \u201eschlecht\u201c, Probleme treten h\u00e4ufig in Mikrointeraktionen auf, die dann jedoch wiederum gro\u00dfen Einfluss auf die Gesamt-Performance haben k\u00f6nnen. Beim Identifizieren dieser Situationen hilft das Aufsplitten in viele oft nur sekundenlange Nutzungssequenzen, die User Stories. Diese sind das zentrale Element im Continuous UX Prozess und dienen als Grundlage zur Definition der gew\u00fcnschten UX KPIs. Limitiert durch die menschliche Natur k\u00f6nnen sich Nutzer zur gleichen Zeit immer nur in einer User-Story befinden, einen gesamten Nutzungsdurchlauf, die sogenannte User Journey, kann deshalb als einfacher, nicht-geschachtelter Verlauf betrachtet werden. Mehrere User Stories k\u00f6nnen also im Zusammenhang betrachtet werden und Unterbrechungen im Nutzungsverlauf einfach identifiziert werden. Deren Visualisierung ist leicht verst\u00e4ndlich f\u00fcr Personen, die keinen datenwissenschaftlichen Hintergrund haben aber mit dem Nutzungskontext vertraut sind wie Product Owner oder UX Designer.<\/p>\n <\/p>\n Durch die Verkn\u00fcpfung von User Stories und Daten in sogenannten User Booklets werden Product Owner bei der Priorisierung verschiedener User Stories unterst\u00fctzt und UX Researcher erlangen detailliertere Einsicht in das Nutzungsverhalten. Gleichzeitig ist ihr Einblick wesentlich repr\u00e4sentativer durch die Skalierbarkeit und Pr\u00e4zision der digitalen, automatisierten Datenerfassung. Muster, die \u00fcber Produkte oder Nutzergruppen hinweg entstehen, k\u00f6nnen leichter erkannt werden. Stellt man hier \u00c4hnlichkeiten fest, k\u00f6nnen daraus sogar Design Prinzipien f\u00fcr nachfolgende Produkte abgeleitet werden, welche wiederum UX Designern das Leben erleichtern. Zus\u00e4tzlich helfen Daten potenzielle \u201eBottlenecks\u201c im Nutzungsflow schneller zu erkennen.<\/p>\n \u00a0<\/strong><\/p>\n Nutzungsdatenanalyse bietet, wie alle Arten der Datenanalyse, das gro\u00dfe Plus der objektiven Erkenntnisse aufgrund derer Entscheidungen f\u00fcr den weiteren Entwicklungsprozess getroffen werden k\u00f6nnen. Eine Quantifizierung oder Messbarkeit kann meinungsbasiertem Entscheidungstreffen entgegenwirken und f\u00fchrt zu rationaleren Entscheidungen.<\/p>\n <\/p>\n Wir haben Ihr Interesse geweckt? Schauen Sie sich unsere passenden Leistungen an!<\/strong><\/p>\nWie unterscheidet sich der quantitative Ansatz vom bisherigen Messen des User-Erlebnisses?<\/h2>\n
Klassische Methoden<\/h3>\n
Nutzungsdaten als Erg\u00e4nzung f\u00fcr eine umfassende Evaluation<\/h3>\n
Was sind wichtige KPIs der Nutzungsdatenanlyse und wie lassen sich diese erheben?<\/h2>\n
![\"System](\"https:\/\/www.centigrade.de\/wordpress\/wp-content\/uploads\/System-level-kpis-story-level-kpis-de.png\")
<\/p>\nKPIs erheben<\/h3>\n
Herausforderungen des quantitativen Verfahrens<\/h2>\n
Daten k\u00f6nnen erst im Kontext sinnvoll interpretiert werden<\/h2>\n
Nutzungsdatenanalyse und Continuous UX<\/h2>\n
\u00dcbersicht durch User-Booklets-Methode<\/h2>\n
Fazit<\/h2>\n