«Ориентация на пользователя — это хорошая практика»: Алена Суворова о том, что такое пользовательский опыт и как его изучать

В современном мире почти каждый человек — пользователь многочисленных сервисов и продуктов. За удобными, интуитивно понятными интерфейсами стоит непростая работа целой команды, в том числе UX-аналитиков. Руководитель магистерской программы «UX-аналитика и проектирование информационных систем» Алена Суворова поделилась, как изучается пользовательский опыт на разных стадиях продукта.

© НИУ ВШЭ – Санкт-Петербург

— Что мы имеем ввиду, когда говорим о UX-аналитике? 

— UX — это User eXperience, или пользовательский опыт, то есть то, как пользователь взаимодействует с системой, сервисом или приложением. UX-специалисты занимаются изучением такого опыта, проектируют и продумывают это взаимодействие при создании или изменении продукта. 

Что же такое пользовательский опыт? Говоря простыми словами, это взаимодействие пользователя с продуктами, причем чаще подразумевают цифровые продукты — приложения и сервисы. Важная задача, связанная с пользовательским опытом и его аналитикой, — это понять, а как на самом деле пользователь взаимодействует с тем, что ему предложили. Несмотря на то, что при разработке создатели продукта часто руководствуются накопленными данными о поведении пользователей, сами пользователи не всегда используют инструменты так, как от них ожидалось. 

Аналитика существующих пользователей отвечает на такие вопросы: как пользователи решают свои задачи с помощью нашего сервиса или приложения, где у пользователей возникают проблемы, как те изменения, которые мы предлагаем, воспринимаются. 

Но изучение пользовательского опыта происходит и до того, как появляется какой-то продукт. Для того чтобы сервис или приложение были востребованными, они должны решать какие-то задачи своих пользователей. С этой точки зрения исследование пользовательского опыта — не исследование уже готового решения, а изучение того, что пользователям нужно и как мы можем это воплотить в том или ином продукте. 

— Зачем нужны исследования пользовательского опыта, когда конкурентный рынок это сделал много раз за нас? 

— На рынке действительно есть много всего. Но ведь вам нужно чем-то отличаться. Если вы просто копируете, какие гарантии, что ваш продукт заметят? Откажутся ли пользователи от использования чего-то существующего в пользу вашего решения? Отличия могут быть в разном — необязательно во внешнем виде или технической части. Выделиться на фоне остальных можно, например, политикой лояльности — она также проектируется при разработке системы. User experience — это больше про логику, про то, как устроена система не только технически, но и логически.  

UX-исследования нужны, чтобы отличаться от остальных. Например, я хочу найти приложение для ведения списка дел. Как мне выбрать одно из огромного количества  предложений? Конечно, я буду выбирать то, которое решает мои задачи лучше — например, предоставляет возможности аналитики или упрощает ввод данных, или просто выглядит минималистично и не отвлекает мое внимание. При этом мои задачи могут отличаться от задач других пользователей. При прочих равных другой человек выберет другое приложение. Универсальных решений не бывает, поэтому при разработке продукта нужно ориентироваться на конкретную целевую аудиторию и понимать ее. 

Когда мы говорим про насыщенный рынок, первый этап в исследованиях — это поиск того, чем можно отличаться. Скопировать какой-то элемент у конкурентов не самый лучший вариант, полезнее понять, что их продукты не решают или решают плохо, какие потребности они не закрывают. 

Если посмотреть примеры UX-исследований в блогах компаний, то может сложиться впечатление, что исследовать нужно все: каждое действие и решение — от способа рассылки уведомлений до расположения кнопки поиска. Это не совсем так, исследования бы отнимали тогда слишком много времени и ресурсов. На ранних этапах проектирования можно воспользоваться предыдущими исследованиями, гайдлайнами и рекомендациями и не прибегать к вовлечению живых людей. Такие решения будут хуже настроены именно на ваших пользователей, но их поиск потребует меньше ресурсов. На следующих же, более поздних этапах, появляется возможность тестировать и исследовать изменения, что особенно важно, если хочется ввести что-то нетипичное. 

— Если UX-исследования такие ресурсозатратные, как часто их нужно проводить?  

— Исследования обычно проводятся, когда появляется вопрос. Например, падает количество пользователей — нужно узнать, почему. Или вы хотите понять, на какое персональное предложение пользователь, вероятнее всего, откликнется. Или вам нужно заранее выявить признаки того, что пользователь собирается уйти, чтобы вовремя предпринять действия для его удержания. Исследуя поведение пользователей, можно отвечать на эти вопросы.

Еще исследования нужны, когда хочется внести изменения — что-то добавить, что-то убрать, что-то поменять. 

Я не могу сказать, что UX-аналитика есть в любом проекте. Это, наверное, идеальная картина мира. В реальности это зависит от доступных ресурсов и компетенций команды. Но вообще ориентация на пользователя — это хорошая практика. 

— Какими навыками обладает современный UX-аналитик?

— В этой области, как и в любой другой активно развивающейся, есть много разных мнений о том, что относить к необходимым навыкам. Например, если открыть вакансии и посмотреть требования, можно увидеть много разных комбинаций. Универсальных требований нет, все зависит от конкретной компании. Но то, что потенциально может быть, — это навык планирования и проведения исследований, анализ данных, умение извлечь данные из других систем, навык создания прототипов. Здесь я перечислила наиболее универсальные требования, остальные могут отличаться от области к области. Например, если мы говорим про разработку и проектирование сервиса, использующего машинное обучение, то, конечно, не будут лишними знания и в этой области.  

В целом, требования рынка к UX-специалистам повышаются. Сейчас для эффективной работы зачастую нужно понимать не только основные принципы проектирования систем и пользовательского опыта, но и владеть продвинутыми методами анализа данных, понимать, как устроена архитектура современных информационных систем, понимать, как устроена мотивация и принятие решений пользователем, уметь это воплощать в проектных решениях.

— Как обычно изучается пользовательский опыт? 

— Метод, которой есть и будет всегда, — это тем или иным способом пообщаться с пользователем. Это можно сделать, например, с помощью интервью и опросов. Или провести эксперимент, напрямую отслеживая поведение. В экспериментах пользователя обычно просят решить ту или иную задачу и смотрят, как это происходит. Сейчас часть экспериментов переходит в онлайн, например, A/B-тестирование. Этот метод предполагает, что есть два варианта, например, интерфейса — одной группе пользователей мы показываем один вариант, другой — следующий. Мы ничего не спрашиваем у пользователя напрямую, он незаметно для себя попадает в экспериментальные условия. Для получения выводов мы оцениваем нужную нам метрику, например, время на сайте или конверсию в заказ. 

Можно анализировать данные об обычном пользовательском поведении в системе: логи действий, созданный пользователями контент. 

С помощью методов машинного обучения можно проанализировать большой массив текста, например, отзывы пользователей. Вместо того чтобы просматривать все вручную, мы автоматически выделяем ключевые моменты в них и формулируем гипотезы о том, что работает плохо, что можно улучшить. 

— Есть ли какие-то абсолютно новые методы исследования? 

— Я бы не сказала, что появились какие-то кардинально новые методы исследования. Вот инструментов анализа стало значительно больше. Это и распознавание изображений с помощью нейронных сетей, и работа с текстами, и предсказание поведения, например, оттока клиентов. По поведению пользователя в системе можно с разной долей успеха предсказать, уйдет ли он или нет, готов ли он платить за дополнительные услуги или нет. Все идет по пути значительной автоматизации процесса, где-то упрощается порог входа, что-то стало возможным из-за более простого доступа к данным, но принципиально новых методов исследования нет.

— Нужна ли аналитика тому же Netflix c системой рекомендации? Кажется, хорошая работа алгоритма — достаточная причина для пользования сервисом.  

— Идея с персонализированными рекомендациями на сервисах далеко не новая. Можно рекомендовать ведь и без машинного обучения. Например, можно использовать заранее заданные правила — если пользователь посмотрел первую часть «‎Гарри Поттера»‎, ему непременно нужно порекомендовать вторую. 

Другое дело, что современные алгоритмы работают гораздо лучше таких правил, они более точно учитывают предпочтения пользователей, предлагают более персональные рекомендации.

Но одного алгоритма недостаточно. Нужно уметь эту систему представить пользователю. Этому посвящены многие исследования, которые отвечают на вопрос «‎Как отличается результат в зависимости от подачи?»‎. Из того, с чем сталкивались многие, могу назвать рекомендации в социальных сетях. Несколько лет назад там стали появляться дополнительные комментарии вроде «рекомендовано, потому что…»: потому что похожий контент нравится вашим друзьям, потому что вы посмотрели что-то похожее. Они появились благодаря исследованиям, которые обнаружили, что людям важно понимать, почему им предлагают тот или иной контент. Понимая причину, пользователи начинают больше доверять и больше следовать рекомендациям. 

В разных сервисах рекомендательный алгоритм может быть совершенно одинаковым, но успешность его применения напрямую зависит от того, как он представлен пользователю. 

— Вы упомянули тренд на автоматизацию. Если ли шанс, что компьютер сможет полностью вытолкнуть человека из исследований пользовательского опыта? 

— Разные варианты автоматизации, например, то же машинное обучение существенно упрощают жизнь. Часть работы теперь можно поручить компьютеру. Из последних обсуждаемых решений — создание изображений по текстовому описанию в DALL-E и Midjourney или генерация ответов на вопросы в ChatGPT. Но роль человека в этом процессе неумолима. Кто-то ведь должен формулировать запросы для системы правильно, здесь не обойтись общими словами. И в исследованиях пользовательского опыта часто сложнее правильно поставить вопрос и корректно спланировать дизайн исследования, чем собрать данные.

Для аналитики, в частности, важны не столько инструменты, сколько выводы. При том уровне автоматизации, который мы наблюдаем сегодня, компьютер действительно может сам находить ответы. Но полученные результаты необходимо правильно интерпретировать и принять на их основе решение. Я думаю, что человек все равно останется в этом процессе, хотя список необходимых навыков может измениться значительно.