O que você precisa saber sobre métricas para ser um UXer com uma visão 20/20

Visão 20/20 e por que métricas são importantes

Visão 20/20 é um termo usado para expressar a acuidade ou nitidez de uma visão normal. Se você tem uma visão 20/20, pode enxergar claramente a 20 pés o que normalmente deve ser visto a essa distância.

Ok, mas o que isso tem a ver com métricas?

Este artigo apresenta um panorama sobre métricas e análise de dados, mostrando como construir um pensamento analítico sobre experiência do usuário que te ajude a desenvolver projetos mais completos e focados em objetivos quantificáveis e comparáveis.

Tá, por que isso é importante?

Na pesquisa feita pela SHRM em 2016, 59% das organizações tinham a expectativa de aumentar o número de posições que requerem análise de dados nos próximos 5 anos. Ou seja, você tem até 2021 para construir essa habilidade.

De acordo com o relatório sobre a demanda de trabalho para 2019 dessa mesma instituição (SHRM), habilidades relacionadas à análise de dados estão entre as habilidades mais ausentes nos candidatos a empregos, sendo:

• Resolução de problemas, pensamento crítico, inovação e criatividade (37%);
• Capacidade de lidar com complexidade e ambiguidade (32%);
• Análise de dados/data science (20%);

Se pararmos para analisar, as habilidades mais ausentes apresentadas acima são a essência de um bom UX designer. Ter uma visão sobre métricas é muito importante de acordo com o que se espera de um UXer orientado, informado e ciente dos dados.

Construindo uma visão 20/20 para métricas 

Esse artigo tem como premissa alguns conhecimentos básicos sobre métricas, se você não estiver familiarizado com algum termo usado aqui, não se preocupe, aqui vai uma lista de links que podem te ajudar:

1. ‍O que são KPIs?
2. ‍Estabelecendo objetivos com OKRs
3. ‍H.E.A.R.T. Framework
4. ‍(SUS) System Usability Scale
5. ‍Metas S.M.A.R.T.
6. ‍Escolhendo a métrica correta para UX
7. ‍Estágios do funil de vendas

A ideia aqui é ajudar a desenvolver uma visão de métricas para o seu dia a dia de trabalho e tudo começa com o processo de análise de dados. Isso vai te ajudar a construir um raciocínio mais analítico voltado para métricas.

O processo de análise de dados

É a descoberta, interpretação e comunicação de padrões de dados, agregados ao processo de aplicação destes à tomada de decisão. 

O ideal é que sua análise passe por pelo menos três estágios: 

1. Entendimento do que aconteceu (Análise descritiva)
2. Entendimento do porquê isso ocorreu (Diagnóstico)
3. Tomada de ação (Prescrição)

Na imagem abaixo também temos a análise preditiva, mas esse é um tema para outro artigo.

Não importa se os dados que você analisar são resultados de um teste de usabilidade, uma análise da escala SUS, uma leitura de um relatório do Google Analytics ou pontos em comum de uma entrevista em profundidade, dados nada mais são do que indicativos de comportamento e seu trabalho como UXer é analisar esses comportamentos, momentos e principalmente expectativas. Tudo isso é quantificável e deve ser combinado em seu processo de construção de soluções.

Os estágios da análise irão propiciar o entendimento dos padrões de comportamento similares entre a maioria dos usuários e com isso você poderá priorizar os problemas e construir propostas de soluções. Dentro dos estágios da análise é importante entender os passos a serem seguidos, sendo eles: 

1. Pergunte

Tudo começa com uma boa pergunta, os dados são tão bons quanto a pergunta que você faz e para uma boa pergunta, precisamos entender alguns conceitos:

O que você quer encontrar exatamente?

Identifique onde as mudanças podem ser realizadas e após isso, avalie se sua pergunta realmente é focada em um problema. Para isso, você pode analisar as métricas e os KPIs de negócio. Lembre-se também de fazer uma pergunta concreta e específica.

Exemplo de uma pergunta ruim para análise de dados (e que provavelmente alguém já fez para você): 

Como posso melhorar a usabilidade do funil de vendas?

O problema com essa pergunta é que ela é abrangente demais, não especifica que tipo de dado deve ser colhido, analisado e entendido para tomar uma boa decisão.

Como melhorar essa pergunta?

Para melhorar a sua pergunta é recomendável que ela passe pelo filtro S.M.A.R.T., ou seja sua pergunta deve ser:

• (S) Específica;
• (M) Mensurável;
• (A) Alcançável;
• (R) Relevante;
• (T) Temporal, ou seja, baseada em um tempo específico.

Ao passar por esse filtro podemos ter alguns exemplos de boas perguntas: 

“Quais produtos do funil de vendas tiveram a maior taxa de abandono no último mês. E por quê?”

“Que mudanças no funil de vendas tiveram maior ROI no último trimestre e como posso replicar isso?”

“Quais foram os principais motivos dos chamados relacionados ao funil de vendas no atendimento do último bimestre e como resolvê-los?”

Você tem os dados para responder essa pergunta?

Parece básico, mas é comum não ter os dados para responder à pergunta que foi feita. Sempre verifique se os dados estão disponíveis e, se não estiverem, é hora de começar a coletá-los.

Quem são as pessoas e áreas envolvidas no processo de análise destes dados?

Organize e tenha claro em sua mente quem são as pessoas e atores chave dessa pergunta e análise de dados. Ao ter esse mapeamento você poderá encontrar pessoas que já possuem essas informações, tenham a mesma pergunta ou até, quem sabe, já possuam as respostas que você procura.

Algumas perguntas que podem te ajudar:

• Que pessoas e áreas estão envolvidas em seu processo? 
• Quais stakeholders precisam ser acionados?
• O que esperamos aprender com essa análise?
• Quais são as necessidades?
• Qual o nível de profundidade da análise?
• Quanto tempo podem investir na análise e captura destes dados?

2 e 3. Colete e Revise

Tendo feito uma boa pergunta chega o momento de coletar os dados. Aqui você provavelmente precisará da ajuda de profissionais que lidam com dados na maior parte do tempo. Vale muito estar em contato constante com o time de desenvolvimento, produto e Business Inteligence, todos eles ajudarão você a entender e capturar esses dados. 

O ideal é se certificar de que os dados coletados tenham: 

• Exatidão: os dados possuem atributos que representam corretamente o valor verdadeiro do atributo desejado de um conceito ou evento em um contexto especificado;
• Completude: os dados associados a uma entidade têm valores para todos os atributos necessários para a representação da entidade;
• Consistência: os dados estão livres de contradições e são consistentes com o restante dos dados em seu contexto de uso determinado;
• Credibilidade: os dados têm atributos que são considerados verdadeiros e críveis para os usuários;
• Atualidade: os dados têm atributos com valores atualmente válidos para seu contexto de uso específico;

Para te ajudar na coleta e revisão dos dados suas métricas devem preencher dois parâmetros:

1. Que sejam comparativas: para poder avaliar a qualidade das métricas, é necessário comparar esses números com um histórico ou com algo similar que te ajude a entender o comportamento ocorrido.
2. Que sejam fáceis de entender e mensuráveis: as métricas e principalmente os KPIs devem ser acessíveis para toda a equipe, isso é fundamental para que seja possível tomar decisões. Nesse momento, conhecer e acompanhar as principais métricas e KPIs do seu produto constantemente faz toda a diferença.

E lembre-se: em análise de dados se entra “💩”, sai “💩”.

Se os dados captados no início da análise não forem bons, toda a análise e tomada de decisão não terá validade. Você terá como guia informações irreais e isso é o pior que pode acontecer.

4. Analise

A análise dos dados depende totalmente do objetivo estipulado na sua pergunta, a ideia é que ela te ajude a priorizar problemas e construir soluções de acordo com os padrões encontrados.

No livro Designing with Data: Improving the User Experience with A/B Testing, os autores desenharam uma estrutura para a execução de experimentos em design com uma mentalidade de conhecimento de dados. Lembre-se de que os dados aqui podem significar qualquer ponto de informação qualitativa ou quantitativa. É apenas o resultado que deve ser realmente objetivo.

Adaptação do framework de criação de experimentos em design envolvendo métricas do: Designing with Data: Improving the User Experience with A/B Testing

1. Após definir o objetivo, se define um problema/oportunidade, por exemplo: "No último bimestre tivemos um aumento considerável na taxa de abandono em um determinado momento do funil".
2. Se geram hipóteses, por exemplo: "a tela de checkout pode estar confundido os usuários após termos implementado o novo método de pagamento, o campo novo pode gerar a sensação de ser obrigatório".
3. Definimos que métricas, KPIs e interações serão medidas: "Iremos medir a taxa de abandono, click-through rate (CTR) dos elementos apresentados na tela e taxa de conversão".
4. Se constrói uma proposta de solução: "Alteramos o design do campo do novo método de pagamento, com isso pode ficar mais claro para os usuários que esse método novo é opcional e não obrigatório".
5. Os resultados são analisados e geram mais dados: "Após criarmos o novo design, fizemos um teste A/B com a nova proposta e ela apresentou uma performance significativamente melhor que a versão anterior."

Outro ponto importante na análise é entender o que é um funil de comportamento ou de vendas, que nada mais é do que o processo que os usuários executam durante a sua jornada de compra, partindo do momento da descoberta do seu produto ou serviço até a conclusão da compra e indicação para outras pessoas. Pensar com uma visão de funil ajuda a entender em quais momentos da sua jornada os usuários mais abandonam seu fluxo.

5. Comunique a análise com a visão 20/20

Com a análise concluída chega, o momento de comunicar e realizar ações. O estágio da análise vai determinar que tipo de ação deve ser tomada. Existem quatro grandes momentos e é agora que construímos a visão 20/20, em que cada etapa vai ajudar a desenvolver a visão completa:

‍20/40: Realizamos a análise inicial e comunicamos essas informações para o time e criamos a hipótese juntos;

20/30: Já temos uma ou mais hipóteses que o time acredita e temos fortes evidências, agora necessitamos comunicar o experimento que iremos trabalhar;

20/25: Já trabalhamos juntos com design, produto e tecnologia em um experimento, agora precisamos comunicar a análise dos resultados;

20/20: Já analisamos os resultados do experimento, agora precisamos comunicar os aprendizados;

A comunicação e análise nada mais são do que uma sinergia que irá surgir da combinação de diferentes fontes de dados. As descobertas podem mostrar que um sistema precisa de uma nova organização, uma navegação mais direta ou um novo design. Uma análise integrada ao time de BI pode acelerar a coleta, agregação e verificação cruzada de dados. No final das contas tudo isso trata de entregar a informação certa para a pessoa certa no tempo correto.

Todo projeto nasce com um objetivo, seja de negócio ou de UX. Construir uma mentalidade analítica paralela ao processo de análise de dados te ajuda a obter respostas nos dados gerados a partir do comportamentos dos usuários. Então lembre-se de passar por todos os estágios, desde fazer uma boa pergunta até apresentar os resultados da análise de forma objetiva. Assim sua visão sobre métricas será uma visão 20/20: com acuidade e nitidez para entender as informações e variáveis que afetam o processo de criação de melhores experiências.