UX-стратегия. Чего хотят пользователи и как им это дать

После ввода всех данных в таблицу желательно еще раз ознакомиться со строками (конкурентами) и столбцами (атрибутами), прежде чем переходить к анализу. Для этого я использую два метода, позаимствованных из методики скорочтения: сканирование и ознакомительное чтение данных. Под ознакомительным чтением (skimming) понимается быстрое перемещение взглядом по тексту для извлечения его основного смысла. В ходе сканирования вы быстро просматриваете большой объем материала в поисках чего-то конкретного. Я очень часто применяю эти методы в ходе анализа данных, но вовсе не потому, что мне лень вчитываться в данные или я хочу «срезать дорогу». Дело в другом: я хочу быстро понять, насколько сложна или проста моя задача. Таблица состоит из 5 строк с 5 столбцами или из 12 строк с 24 столбцами и большим количеством отсутствующих данных? Оцените плотность и полноту данных, которые вы собираетесь анализировать, чтобы знать, сколько времени это займет. Это важно, потому что, по всей вероятности, вы располагаете ограниченным временем для решения этой задачи и было бы неразумно тратить драгоценные часы на углубленное изучение всего одной строки аналитических данных. Например, если у вас 20 конкурентов и 20 часов на завершение задачи, на анализ каждого конкурента отводится 1 час. Распределение времени для исследования и анализа очень важно, потому что вы должны получить сбалансированную картину без слепых пятен.

Также обратите внимание на возможное отсутствие или неполноту данных. Не могло ли случиться так, что вы (или тот, кто собирал данные) просмотрели очевидного конкурента, которого следует принять во внимание? Не остался ли пустым столбец с ежемесячным трафиком или количеством загрузок? Этот атрибут может быть достаточно важен, а прерывание анализа для возврата в режим сбора данных серьезно собьет темп работы.

Оценка необработанных данных

Точкой данных (data point) называется отдельная единица информации. Любой отдельный факт или наблюдение является точкой данных. В нашем анализе точки данных помогут определить, привела ли некая инициатива к успеху или неудаче. Существует две разновидности точек данных, на которые следует обращать внимание в наших столбцах: количественные и качественные данные.

К количественным данным относятся всевозможные числа и статистические показатели. Какой трафик у сайта? Сколько сделок проведено на сайте? Сколько единиц товара предлагает сайт? В отличие от качественных данных, к числам применимы логика или упорядочение. Например, количественными точками данных для кофе в Starbucks может быть размер чашки, температура кофе, цена или время, затраченное на приготовление напитка.

Качественные данные нечетки и субъективны. Именно они описывают всевозможные интересные мнения, реакции, эмоции, эстетические и физические качества и т. д., но в большинстве случаев они не имеют количественного выражения. Эти точки данных трудно объективно измерить или упорядочить. Качественными аспектами кофе в Starbucks могут быть его вкус, аромат, пышность молочной пенки, эстетика среды приготовления или качество обслуживания.

Иногда различия между количественными и качественными данными неочевидны на первый взгляд. Будьте внимательны; например, на сайте знакомств «мужчины с карими глазами» могут показаться качественным атрибутом. В конце концов, это цвет, и он может подразумевать то, как люди воспринимают привлекательную внешность. Но что, если сайт заставляет пользователей-мужчин выбирать цвет глаз при регистрации, и на выбор предоставляются всего четыре варианта: карие, голубые, серые и зеленые? Такая информация имеет объективное выражение. Точка данных объективна, поскольку она может быть выражена числом.

Цветовая кодировка

Цветовое выделение ячеек таблицы позволит выделить важные точки данных, тенденции и другие закономерности (рис. 5.3). Например, желтым цветом можно выделить самую важную информацию (скажем, функция, с реализацией которой у всех конкурентов возникли сложности). Зеленым цветом можно выделить положительные атрибуты (самый высокий ежемесячный трафик). Только помните, что цветовая схема должна быть простой, и используйте цвета эффективно. Создание сложной цветовой схемы не поможет анализу на этом начальном этапе; оно только собьет с толку других участников команды, которые подключатся к работе позднее или будут добавлять новые данные. Применяйте цветовую кодировку осмотрительно для выделения данных, которые особенно важно запомнить.

Рис. 5.3. Выделенные ячейки демонстрируют цветовую кодировку содержательных атрибутов

Шаг 2: Проведите логическую группировку для сравнения