"Ich sehe was, was du nicht siehst" - Wie Live User Tracking das wahre Nutzerverhalten sowie UX-Hürden aufdeckt
•Als PPTX, PDF herunterladen•
0 gefällt mir•233 views
Vorteile und Grenzen um UX-Methodenmix Webanalyse, Use Labs, AB Testing und Live User Tracking - Methoden gibt es viele. Doch welcher Mix garantiert die besten Insights für UX Optimierung und Backlog-Priorisierung in kundenorientierten Organisationen? Im Vortrag beleuchtet Robert Matthees die Stärken und Grenzen einzelner Methoden und die Bedeutung der Kombination für Kostenersparnis und Conversion Optimierung.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie "Ich sehe was, was du nicht siehst" - Wie Live User Tracking das wahre Nutzerverhalten sowie UX-Hürden aufdeckt
Ähnlich wie "Ich sehe was, was du nicht siehst" - Wie Live User Tracking das wahre Nutzerverhalten sowie UX-Hürden aufdeckt (20)
"Ich sehe was, was du nicht siehst" - Wie Live User Tracking das wahre Nutzerverhalten sowie UX-Hürden aufdeckt
- 1. m-pathy "Ich sehe was, was du nicht siehst!“ Vorteile & Grenzen im UX-Methoenmix
- 2. RELEVANZ 2 UX, brauchen wir das überhaupt? 1998: Online gehen, lohnt sich das? „Mal jemanden aus der IT fragen…“ 2001: Wie bekommen wir Besucher? SEO = 100 Keywords je Page + 10.000 Backlinks 2011/12/13: Wo sind denn unsere Besucher hin? SEO = Qualität + Content is King (…UX?) 2017: Wie bleiben wir am Markt? Disruptine Startups, Customer Centric/Scrum, Rapid Prototypeing….
- 3. RELEVANZ 3 UX, brauchen wir das überhaupt? 1998: Online gehen, lohnt sich das? „Mal jemanden aus der IT fragen…“ 2001: Wie bekommen wir Besucher? SEO = 100 Keywords je Page + 10.000 Backlinks 2011/12/13: Wo sind denn unsere Besucher hin? SEO = Qualität + Content is King (…UX?) 2017: Wie bleiben wir am Markt? Disruptine Startups, Customer Centric/Scrum, Rapid Prototypeing….
- 4. RELEVANZ 4 UX, brauchen wir das überhaupt? 1998: Online gehen, lohnt sich das? „Mal jemanden aus der IT fragen…“ 2001: Wie bekommen wir Besucher? SEO = 100 Keywords je Page + 10.000 Backlinks 2011/12/13: Wo sind denn unsere Besucher hin? SEO = Qualität + Content is King (…UX?) 2017: Wie bleiben wir am Markt? Disruptine Startups, Customer Centric/Scrum, Rapid Prototypeing…. Keyword-Stuffing Backlinks Suchintention
- 5. RELEVANZ 5 UX, brauchen wir das überhaupt? 1998: Online gehen, lohnt sich das? „Mal jemanden aus der IT fragen…“ 2001: Wie bekommen wir Besucher? SEO = 100 Keywords je Page + 10.000 Backlinks 2011/12/13: Wo sind denn unsere Besucher hin? SEO = Qualität + Content is King (…UX?) 2017: Wie bleiben wir am Markt? Disruptine Startups, Customer Centric/Scrum, Rapid Prototypeing….
- 6. INHALT 6 Methoden zum Nutzertracking Wie stelle ich sicher, dass ich die richtigen Produkte/Features entwickle, und meine User sie bestmöglich verstehen und verwenden? 1. Webanalyse 2. A/B Testing 3. Use Labs 4. Live User Tracking
- 7. 1. WEBANALYSE - BEISPIEL: GOOGLE ANALYTICS 7 Stärken: Komplettaufnahme quantitativer Daten: Hohe Absprungraten, vielen Exits (Funnel), geringe Converion Rate, (zu) lange/kurze Verweildauer Schwächen: Die Frage nach dem Warum bleibt offen: Intention? Verständnis? Verhalten? Traditionelle Webanalyse Beispiel: Google Analytics
- 8. UNTERSCHIED 8 Bsp. Hawaii Quantitative Daten vs. Qualitative Daten Hauptstadt: Honolulu Fläche: 28.311 km² Einwohner: 1.419.561 Höchster Punk: 4205 m Tiefster Punkt: 0m Durchschnittliche Höhe: 925 m
- 9. 1. WEBANALYSE - BEISPIEL: GOOGLE ANALYTICS 9 Beispiel: Bounce Rate als Indikator
- 10. 1. WEBANALYSE - BEISPIEL: GOOGLE ANALYTICS 10 Beispiel: Bounce Rate als Indikator sichtbar Webpage
- 11. 1. WEBANALYSE - BEISPIEL: GOOGLE ANALYTICS 11 Optimierungsbedarf erkannt Hypothese 1. sichtbar Webpage
- 12. 1. WEBANALYSE - BEISPIEL: GOOGLE ANALYTICS 12 Hypothese umsetzen Hypothese Umsetzen A/B-Test 1. 2. sichtbar Webpage
- 13. 1. WEBANALYSE - BEISPIEL: GOOGLE ANALYTICS 13 Hypothese umsetzen Hypothese Umsetzen A/B-Test 1. 2. sichtbar Webpage
- 14. 1. WEBANALYSE - BEISPIEL: GOOGLE ANALYTICS 14 Hypothese Umsetzen A/B-Test Hoffen 1. 2. 3. Auswerten, weiter optimieren… sichtbar Webpage
- 15. 2. A/B TESTING & MULTIVARIATES TESTING 15 Stärken: Welche Variante performt besser? (quantitative KPIs: Conversion, Bounce, Time on Page…) Schwächen: Wie Webanalyse, keine qualitativen Daten: Warum performt sie besser? Neue Hürden usw.? Varianten bewerten
- 16. 3. USE-LABS 16 Stärken: Bis zu 75% aller Usability-Hürden mit wenigen Probanden Schwächen: Künstliche Umgebung (Test-Situation: Reaktivität/keine echte UX) Aufdecken technischer Probleme (wenige Devices, Browser usw.) Gefahr falscher Priorisierung (keine quantitativen Daten) User Insights aus dem Labor
- 17. 3. USE-LABS 17 User Insights aus dem Labor - Mobile Optimisation? Interaktionsintervalle: Desktop Tablet Mobile (extrem von kurzzeitigen Intentionen geprägt) (vorrangig an konkreten Aufgaben orientiert)
- 18. m-pathy 4. LIVE USER TRACKING - WIE WÄRE ES WENN… 18 Desktop Smartphone Tablet Qualitäts- management User Experience- & Conversion Optimierung In der freien Wildbahn: Nutzern über die Schulter schauen Ziele: Aufdeckung aller Usability/UX-Hürden Priorisierung nach Geschäftsrelevanz Qualitätssicherung/UX mit kurzen Testzyklen
- 19. 19 4. LIVE USER TRACKING - HOLISTISCHER ANSATZ Goals & attidudes What people say How many and how much Quantitativ Behaviors What people do Qualitativ Why and how to fix Customer Support Data Analysis User Surveys/ On-Site Befragungen A/B Testing Site Traffic/ Log File Analysis Remote Usability Testing Heatmaps: Aggregation Eye Tracking Usability Testing Diary/ Journal Studies Participatory DesignUser Interviews/ Journal Studies Focus Groups Card Sorting Live User Tracking Player EinzelsessionField Studies UX Consulting / Expert Review Webanalyse Use Labs
- 21. m-pathy METHODENMIX AUS MOUSE-TRACKING UND ON-SITE- BEFRAGUNG 21 INTENTIONSBEFRAGUNGMOVEMENTMAP DER STARTSEITE
- 23. m-pathy STARK ERHÖHTE ABBRUCHWERTE IM FELD „FAMILIENSTAND“ 23
- 24. m-pathy ABBRUCHGRUND IST DIE ABFRAGE DER RENTENVERSICHERUNGSNUMMER 24
- 25. m-pathy 25 SPORTSCHECK.COM: NUTZERVERHALTEN BEI DER PRODUKTAUSWAHL
- 26. m-pathy WIE NUTZEN USER PRODUKTÜBERSICHTEN? 26 MOVEMENTMAP UND CLICKMAP VOR 1. FILTERNUTZUNGÜBERSICHTSSEITE UND FILTER
- 27. m-pathy WIE NUTZEN USER PRODUKTÜBERSICHTEN? 27 VOR 1. FILTERNUTZUNG NACH 1. FILTERNUTZUNG Klicks auf Artikel 26 % der Besuche 42 % der Besuche Verweildauer (Median) 12s 23s Scroll- bereitschaft 53 % 89 % CLICKMAP VOR 1. FILTERNUTZUNG CLICKMAP NACH 1. FILTERNUTZUNG
- 29. m-pathy Player On-Site-Befragung Dashboard/Filter Formularanalyse Movementmap Clickmap Scrollingmap 4. LIVE USER TRACKING = DATEN AGGREGATION + DRILLDOWN + FILTERBATTERIE 29
- 30. LEARNINGS 30 Wofür eignet sich welche Methode? Webanalyse nutzen um kritische Seitenbereiche zu identifizieren A/B Tests nicht einfach nach Bauchgefühl, sondern auf datenbasierter Grundlage (Insights in echtes Nutzerverhalten, sonst 2-fache Ungewissheit: Problem + Hypothese) Use-Labs ideal für Prototyping/Produktverständnis, aber keine Quantifizierung/Priorisierung, zeigt eher Usability als User Experience (aufgrund künstlicher Test-Situation) Live User Tracking (m-pathy) kombiniert quantitative & qualitative Ansätze für UX/Conversion-Optimierung mit Backlog-Priorisierung in kurzen Zyklen
- 31. Enterprise Live User Tracking mit m-pathy www.m-pathy.com Ihr Referent: Robert Matthees Sales Manager/UX Consultant +49 351 501415-49 robert.matthees@m-pathy.com
Hinweis der Redaktion
- „Ich sehe was, was du nicht siehst!“ Was wie ein Kinderspiel klingt, ist für uns hier Alltag und tägliche Realität. Denn Online Marketing und Digitales Produktmanagement, das waren schon immer Welten voller Tracking Issues. Und trotz oft unzureichender Einsichten versuchen wir, so denke ich zumindest, unsere Produkte bestmöglich zu optimieren. Daher möchte ich mit meinem Vortrag vor allen zwei Sachen erreichen. 1. will ich Awareness stiften bezüglich der Möglichkeiten und Grenzen der verschiedenen UX-Methoden. Denn viele Techniken bieten Einblicke ins Nutzerverhalten und geben uns Ideen zur Verbesserung der User Experience. Doch es ist wichtig zu wissen, was es beim jeweiligen Einsatz zu beachten gibt, damit wir am Ende nicht am Nutzer vorbeioptimieren. Zum 2. möchte ich Awareness stiften besonders in Vorstandsetagen, bezüglich den Vorteilen und Möglichkeiten einer echten Nutzer- und Kundenzentrierung. Denn häufig begegnet uns noch die alte Frage: Brauchen wir das überhaupt, dieses „User Experience“? Vor allem, wenn’s um Kostenstellen und Budget geht. Kennt ihr diese Frage?
- „UX, brauchen wir das überhaupt?“ Mich erinnert diese Frage immer ans Ende des letzten Jahrtausends. Wir sitzen vor unserem Personalcomputer, darauf läuft Windows 95. Einige Early Adopter haben auch bereits die Windows 98-CD-Rom gekauft. Und die brennende Frage lautet bezüglich des aufkommenden Internet-Hypes: Online gehen, lohnt sich das? Brauchen wir eine Webseite? In Unternehmen war dies damals interessanterweise keine Frage für das Marketing. Eher ging es in den Keller in den klimatisierten Serverraum der IT. Dort fragte man die Nerds, was diese davon halten. Das Ergebnis? Es gab eine Hand voll Unternehmen mit Internetseite, und eine Hand voll Unternehmen die heute vermutlich gar nicht mehr am Markt sind.
- Dann hatte man also eine Webseite. Und man hatte auch eigentlich alles drauf, was drauf gehört. Damals war das konkret: eine Seite zur Firmengeschichte, ein Gästebuch, die Telefonnummer und natürlich ein Besucherzähler. Kennt ihr die noch? Die durften tatsächlich auf keiner guten Webseite fehlen, auch nicht im Business-Bereich. Jedoch: Wie bekommt man auch Besucher? Langsam wurde es eine Frage für’s Marketing. Dort erkundigte man sich und fand heraus: Um gefunden zu werden, muss man in Suchmaschinen gelistet sein. Damit das gut funktioniere, bräuchte man SEO, Suchmaschinenoptimierung. Und man begann zu optimieren. Dies ersten Optimierungsprozesse fanden statt, Webseiten wurden ansprechender: Leider nicht für Menschen, sondern nur für Roboter, für Crawler und Algorithmen. 2000 ging Google in Deutschland an den Markt. Und jeder stopfte zusätzlich zum Gästebuch noch 100te Keywords auf die Seite und natürlich brauchte man 1000de Backlinks, damit man gut rankt. Dass dies das Angebot für die eigentlichen Nutzer eher unattraktiver mache, stand nicht im Fokus. Hauptsache man rankte weit oben und für möglichst viele Keywords. Bis dann 2011, 12 und 13 der Hammer kam.
- Was passierte? Plötzlich verloren viele ihre Rankings. Denn der Roboter, für den man „optimierte“, wurde schlauer. Google wurde jetzt plötzlich seinem Anspruch gerecht, den echten Nutzern die besten Ergebnisse für ihre Suchanfragen anzubieten. Leider waren viele für genau diese meist überhaupt nicht optimiert. 2011 kam das so genannte Panda-Update: dieses schlaue Kerl guckte sich um und bemerkte, wenn Content voll von sinnlosen Keywords war -> kurz: besserer Content musste her, ihr erinnert euch: „Content ist King“. Überall stand es. 2012 ließ Google das 1. Penguin-Algorithmus-Update frei. Dieser rutsche sämtliche Backlinks einer Domain entlang und guckte, ob sie überzeugen oder nicht -> Link-Farmen und Web-Directories wurden zu Guest-Posts und Online-PR 2013 kam schließlich noch der Hummingbird, mit dessen 1000 kleinen Flügelschlägen Google zu lernen begann, was die eigentlichen Intentionen der Nutzer bei Suchanfragen sind Dies nur ganz kurz zur Historie, denn spätestens hier wurde klar: „Ok, irgendwie sollten wir langsam auch für echte Menschen optimieren.“
- Wie wichtig UX heute ist, wird gut an den vielen Startups deutlich, die sich mit disruptiven Strategien und neuen Organisationsformen überraschend schnell Marktanteile sichern. Einen raschen UX-Awareness-Zuwachs konnten wir hier besonders in Branchen erkennen, in denen sich Fintechs und Insurtechs beginnen auszutoben. Die Frage ist also: Wie finden wir heraus, wie sich unsere User verhalten?
- Oder konkret: Wie stelle ich sicher, dass ich die richtigen Produkte/Features entwickele, und meine User sie bestmöglich verstehen und verwenden? Und zwar zur richtigen Zeit, mit der richtigen Priorität. Denn schnelllebig ist der Markt. Im Folgenden werde ich auf vier Methoden des Nutzertrackings eingehen: Webanalyse am Beispiel von Google Analytics. A/B Testing zur Hypothesenbewertung. Use Labs zum Erheben qualitativer Daten. Und auf die Kombination quantitativer und qualitativer Daten am Beispiel des Live User Trackings mit m-pathy.
- Zuerst zu Google Analytics, ein großartiges Produkt. Durch den Einsatz erhalten Sie als Webseiten-Betreiber wertvolle Informationen zum Verhalten der Besucherströme auf Ihrem Webangebot. So erfahren Sie zum Beispiel, wo Ihre Besucher herkommen, welche Inhalte besonders häufig aufgerufen werden und an welchen Stellen die Nutzer Ihre Webseite verlassen, bevor Sie sie als Kunde gewinnen. Es werden die Besucherströme abgebildet und wertvolle Informationen über die Herkunft, Anzahl und angeschauten Inhalte der Besucher bereitgestellt. Aber: Die Frage nach dem Warum bleibt offen. Was ist die Intention einzelner Benutzer? Verstehen sie das Produkt? Wie Verhalten sie sich, um bestimmte Ziele zu erreichen? Hierfür bietet die Webanalyse keine Anblicke, da sie keine qualitativen Daten erhebt. Wie eignet sie sich aber zum Optimierung?
- Illustriert: Der Unterschied zwischen quantitativen und qualitativen Daten Wie nun aber gestalten sich Optimierungsprozesse, wenn sie rein auf Grundlage quantitativer Daten erfolgen? Ein Beispiel:
- Für die Leute, die es vielleicht nicht kennen: Wir befinden uns hier im Interface von Google Analytics. Im Graph oben wird die Anzahl aller Pageviews im Zeitverlauf dargestellt. Die einzelnen Pages, also Seiten oder URLs der Domain, finden Sie in der Tabelle unten aufgelistet. Zu jeder Page sind quantitative Daten und KPIs vermerkt, wie bspw. die Anzahl der Pageviews, durchschnittliche Verweildauer, Bounce Rate usw. All dies lässt sich prima filtern und sortieren. Pages mit hoher Bounce Rate bspw. können auf eine Seite mit UX-Problemen hindeuten. Allerdings schaut man hier auf rein quantitative Daten und kennt nicht die Intentionen der einzelnen Nutzer. Die lassen sich hier nicht erkennen. Somit könnte es auch einfach sein, dass eine Marketing-Kampagne falschen Traffic akquiriert und die Besucher deshalb nicht bleiben. Checkt man dies nicht genau, erstellt man am Ende wohlmöglich noch Optimierungshypothesen für nicht existente UX-Probleme.
- Glaubt man nun eine Seite mit UX-Hürden erkannt zu haben, bei der die hohe Bounce Rate nicht nur am falschen Trafic zu liegen scheint, gilt es jetzt, ein Problem zu finden. Dies wird nun in der Regel im UX-Team heiß diskutiert, während man gemeinsam die Page betrachtet. Angenommen das Team einigt sich darauf, dass es ein UX-Problem darstellt, dass ein wichtiges Interaktionselement für einen Großteil der Nutzer nicht im initial sichtbaren Bereich liege. Dann gilt es nun, für diese Annahme Optimierungshypothesen zu erstellen.
- Die Hypothese könnte in diesem einfachen Beispiel lauten: „Wenn wir Element X weiter oben platzieren, sinkt die Bounce Rate um 10%, weil mehr User das Element direkt wahrnehmen.“ Es ist immer gut, Hypothesen mit messbaren Zielen zu versehen, um sie bewerten zu können. Hier ist es natürlich aufgrund der Ausgangsdatenlage etwas schwierig.
- Im nächsten Schritt gilt es nun diese Hypothese umzusetzen. Hierbei gibt es zwei Wege: Der mutige ist, die Änderung einfach durchzuführen und sie live zu stellen.
- Der weniger waghalsige Weg nennt sich A/B-Testing, wo die neue Variante der Seite zusätzlich zur alten live gestellt wird, und sich anhand von Kontroll- und Testgruppe die Performance der beiden Versionen bewerten lässt. Dies macht man, um die Hypothese zu validieren. Das ist clever. Denn man könnte ja auch falsch liegen. Vielleicht war das Element ja unten im Seitenbereich genau richtig platziert, und die Bounce Rate wird eigentlich durch eine unpassende Überschrift in die Höhe getrieben. Möglichkeiten gibt es viele. Welche es wirklich sind, weiß man hier jedoch immer erst im Nachhinein.
- Darum besteht bei beiden Wegen der 3. Schritt aus Daumendrücken und Hoffen, dass man richtig lag und die Bounce Rate gesunken ist - und nicht noch höher ausfällt als zuvor. Denn bei einer Hypothesenbildung ohne qualitative Insights ins Nutzerverhalten, quasi aus der kalten Zahlenlage heraus, besteht immer die Gefahr, dass man am Nutzer vorbei optimiert. Denn 1.: Ist es ein tatsächliches Problem, das ich optimiere? Und 2.: Erstelle ich die richtigen Optimierungshypothesen für das vermeintliche Problem?
- Ebenso schwierig gestaltet sich dadurch eine fortwährende Optimierung mit A/B-Tests. Denn klar lässt sich sagen, welche Variante besser performt. Die Bewertung erfolgt aber wieder nur aufgrund quantitativer KPIs, die eben kein Rückschluss auf das neue Nutzerverhalten ermöglichen. Hierdurch kommt es zu sehr langen Teststrecken bei Optimierungsprozessen, denn mit der nächsten Hypothese könnte man genau so gut wieder falsch liegen. Vielleicht entstehen ja durch das veränderte Design neue Hürden, die man initial noch gar nicht bedenken konnte. Eine Validierung aber erfolgt hier immer erst im Nachhinein. Wie lassen sich nun Optimierungsprozesse effektiver gestalten? Super wäre es, die wirklichen UX-Hürden bereits vor der Hypothesenbildung zu kennen. Dann wüsste man zumindest, dass man den Hebel im richtigen Seitenbereich ansetzt. Ganz klar: Es bedarf qualitativer Daten, die Insights ins echte Nutzerverhalten ermöglichen.
- Der bekannteste Vertreter der qualitativen Methoden ist wahrscheinlich das „Uselab“ oder „Usability Lab“. Im Testlabor wird Probanden aus der Zielgruppe eine Aufgabe gestellt, die ein Szenario der Nutzung des Produkts abbildet. Uselabs generieren enorme Einblicke bezüglich Produktverständnis und Nutzerverhalten. Schon eine geringe Anzahl an Probanden (5) führt zur Feststellung von bis zu 75% der Usability-Probleme. Jedoch können technische Probleme nicht identifiziert werden, die bspw. auf bestimmten Devices oder nur im Internet Explorer auftreten. Auch zeigen sich entscheidende Optimierungschancen oft erst unter Realbedingungen. Denn das Verhalten von Nutzern in einer Testsituation unterscheidet sich deutlich vom Verhalten im echten Leben. Bekommt man eine Aufgabe gestellt, ist der Ehrgeiz groß, diese auch zu lösen. Und am Smartphone im Bus ohne Sitzplatz wäre die Bounce Rate auf bestimmten Seiten vermutlich viel höher als im Labor. Oder bei Checkout-Analysen: Hier fehlt die reale Entscheidungsfindung beim Einkaufsprozess, und die Fragen, die dem User dabei in den Kopf kommen. Es ist prima zum Aufdecken von Usability-Hürden, nicht aber zum Einfangen echter User Experience. Ebenso besteht die Gefahr, dass man das Entwicklerteam mit Backlog und Tickets nur auf Nebenschauplätzen beschäftigt, da eine quantitative Priorisierung entdeckter UX-Hürden im Usalab nicht möglich ist. Dafür ist das Sample zu klein. Wo in Webanalyse also die qualitativen Daten fehlten, für schnelle und datenbasierte Nutzerorientierung, sind es im Uselab die fehlenden quantitativen Daten, die einer effektiven Qualitätssicherung im Wege stehen. Aber; Zumindest kann man sich bezüglich der Usability-Probleme sicher sein, für die man Optimierungshypothesen erstellt.
- Besonders kompliziert gestalten sich UseLabs meines Erachtens für Optimierungsprozesse im Mobilen Bereich. Hier sind die Interaktionen so stark von kurzzeitigen Intentionen geprägt, dass die tatsächliche Nutzungssituation enorm an Bedeutung gewinnt. Tolle Einblicke bietet die Google Studie zu Micro Moments zu dem hier skizzierten Phänomen.
- Wir haben uns gefragt: Wie wäre es, wenn wir den Nutzern in der freien Wildbahn einfangen, also in ihren echten Alltagssituationen über die Schulter schauen könnten? Ohne dass sie es merken. Und das noch in einer statistisch-relevanten Sample-Größe: 100.000 Live User im Checkout aufzeichnen, statt 5 Probanden im Labor die Aufgabe stellen, etwas zu kaufen. Und dabei ganz automatisch Insights über sämtliche relevante Gerätetypen, Browser usw. erhalten.
- Hierfür galt es, einen holistischen Ansatz zu entwickeln, der 1. in der Lage ist, die Intention von Usern aufzudecken kann. Denn man muss verstehen, was ein User erreichen will, um bewerten zu können, wie er sich auf dem Weg hin zu Lösung verhält. Aufgaben stellen, wie im Labor, geht beim Ansatz des echten Live User Trackings nicht. Dies machen wir bspw. durch Funnel-Analysen, aber auch durch extrem getargete On-Site-Befragungen, bei denen wir User kurz befragen, was sie erreichen wollen. 2. Ebenso war es notwendig, alle Einzelsessions in hoher Detailtiefe abzuspeichern, für brauchbare qualitative Daten. Diese müssen auch dynamische Fly-Out-Elemente, Ajax-Programmierung und das komplette Gesten-Vokabular im Mobil-Bereich korrekt verzeichnen. Denn hierin spiegelt sich letztendlich das eigentliche Nutzerverhalten wieder. 3. Und um diese qualitativen Daten später für auch quantifizieren zu können, mussten sie frei filter- und segmentierbar sein auf Heat- und Scrollingmaps usw. Denn erst dies ermöglicht eine Priorisierung der entdeckten Hürden nach Geschäftsrelevanz und messbare Zieldefinitionen für Hypothesen wie eben ein 10% Uplift. 4. Von den Heatmaps und aggregierten Darstellungen musste weiterhin jederzeit wieder ein Drill Down zu den Einzelsessions möglich sein, entsprechend der gesetzten Filter und Segmente. Denn nur so lässt sich aus der Vermutung eines Problems aus aggregierten Daten ein konkreten Problem echter User qualifizieren, was wichtig ist, um Optimierungshypothesen bereits im Vorfeld validieren zu können. Wie wir diesen Methodenmix in der Praxis einsetzen, und was sich damit aufdecken lässt, werde ich jetzt an zwei Use Cases zeigen.
- Bei der IKK ging es um: Conversion Optimierung besonders in der Neuantragsstrecke durch Aufdeckung von UX-Hürden inkl. Priorisierung.
- Zunächst mussten wir also feststellen, was die jeweiligen User auf der Seite wollten. Hierzu wurde nach 10s Verweildauer eine Intentionsbefragung ausgespielt. Anhand der Antworten konnten wir die Gesamtnutzer in unterschiedliche Personas aufsplitten, deren Verhalten wir im Tool nachvollziehen konnten. Im 2. Schritt der Analyse mussten wir feststellen, ob diese User es schaffen, ihre Aufgabe zu erfüllen. Denn so lässt sich letztendlich feststellen, woran sie scheitern. Das kann vieles sein: UX-Probleme, technische Probleme, Unklarheiten im Prozess. Links sehen Sie die Movement-Map der Startseite. Darauf sehen sie Bereiche, auf denen viele Mausbewegungen erfolgen. Schauen wir nun einmal in eine Einzelsession eines Users, der angab, Neumitglied werden zu wollen.
- Was vielleicht gleich auffällt, ist der Call-to-action-Element rechts oben. Was denken Sie, klickt der User drauf? Was wir feststellen konnten war, dass der Button von den Nutzern interessanterweise gesehen und wahrgenommen wird, aber keiner Klickte drauf. Nutzer, die Mitglied werden möchten, steigen ausnahmslos über die Top-Navigation ein und zwar am häufigsten in zwei Bereiche: Leistungen & Service und Mitgliedschaft. In der Session sieht man, dass der Nutzer sich auf Informationssuche befindet: Wie funktioniert der Wechselprozess? Muss ich vorher bei meiner alten Kasse kündigen? usw. Nach dieser Informationssuche wollen einige User in den Antragsprozess wechseln, leider fehlte auf den Informationsseiten der Call-to-action-Button, was die Navigation etwas verkomplizierte. Wir konnten aber hier mithilfe von Scrollanalysen und Movementmaps gut den Informationsbedarf ermitteln. Movementmaps sind hierfür echt hilfreich, denn viele nutzen die Maus als Lesehilfe.
- Schaffen es die Nutzer bis zum Formular, haben wir viele Abbrüche zu verzeichnen. In der Formularanalyse wird deutlich, dass wir täglich 4,8 % aller Nutzer am Feld Familienstand verlieren, d. h. dieses Feld war das letzte, das bedient wurde, bevor der Abbruch stattfand. Wie man in der folgenden Sitzung sieht, hat das nichts mit dem Feld Familienstand zu tun, sondern mit der folgenden Abfrage der Rentenversicherungsnummer, welche die Nutzer eventuell nicht zur Hand haben. Dass dieses Feld optional ist, nehmen die Nutzer dabei nicht wahr.
- Zu beobachten ist ein typisches Ausfüllverhalten, ein Formular-Tunnel, in dem sich der User befindet. Und klar wird jetzt auch der Grund der hohen Abbrüche im Feld Familienstand. Dieses ist nicht das Problem. Es ist sogar schon richtig vorausgefüllt für den Großteil der Nutzer und ließ sich auch auf allen Devices problemfrei nutzen. Es ist das Feld darunter: Die Rentenversicherungsnummer. Man sieht im Player oben, dass die Session sich noch lange hinzieht. Im Schnitt brauchten User 17 Minuten und einige Sekunden, um dieses Feld auszufüllen. Ganz klar war passiert ist: sie mussten die Nummer erst noch suchen. Problem: Die ganze Formularstrecke hatte eine Session-Lifetime von 20 Minuten. Es war also nicht möglich, es sinnvoll zu nutzen. Vielleicht noch als Quick-Learnings hier: 1. Es macht keinen Sinn, die Rentenversicherungsnummer oder irgendwas im Formular abzufragen, wenn man sie ohnehin nicht unbedingt braucht. Man sieht: Es ist ein optionales Feld. 2. Es ist immer ungünstig, ein optionales Feld zwischen zwei Pflichtfeldern zu verstecken. Dort nehmen User noch weniger wahr, dass sie optional sind. 3. Achtet auf die Session-Laufzeiten. Passen sie zu den Arbeitsschritten, welche die User zu erfüllen haben? 4. Noch eine Idee: Vielleicht allgemeinmal testen, wie User darauf reagieren, wenn statt der Pflichtfelder die optionalen Felder gekennzeichnet sind. Denn erinnere ich mich zurück an meine Schulzeit, so hab ich Klausuren in der Regel direkt nach dem Pflichtteil beendet. Wenn ich mir indes aus verschiedenen Optionen einige wählen konnte, dann hab ich das auch getan.
- Hier noch ein Beispiel aus dem Ecommerce. Unser Kunde wollte verstehen, wie genau User bei der Auswahl eines bestimmten Produktes vorgehen. Dabei sollten vor allem die Produktübersichts- bzw. Kategorienseiten und die Filternutzung und Produktauswahl eine Rolle spielen.
- Auf den vorliegenden Aggregationen, die das Verhalten vor der ersten Filternutzung zeigen, sieht man deutlich, dass sich die Nutzer zwar kurz mit den ersten vier Produkten auseinandersetzen (vereinzelt auch ohne Filternutzung Produkte ansehen und unten auf weitere Seiten wechseln), aber zum Großteil dann gezielt zu den oberen beiden Filterkategorien wechseln. Hier sind das Geschlecht und eine thematische Unterkategorie anwählbar.
- Schaut man sich die Map vor und nach der ersten Filternutzung im Detail an, sieht man spannende Unterschiede: - Nutzer beschäftigen sich zuerst mit „groben“ Filtern wie Geschlecht und Kategorie, später dann mit Feinfilterungen wie Marke, Preis und Expertenfilter. - Nachdem gefiltert wird, ändert sich das Nutzerverhalten massiv: es steigen Verweildauer und Scrollbereitschaft und damit auch die Bereitschaft, sich mit Artikeln auseinanderzusetzen. Das lässt auch die Klickrate der Artikel steigen (26 % vs. 42 %). Für die Optimierung heißt das, dass eine große Produktpalette dem Kunden nichts nützt, so lange er nicht über intelligente Filter seine Suche einschränken kann.
- Ein großer Insight und Quick-Win hat auch die Betrachtung einiger Einzelsessions gebracht, wo wir festgestellt haben, dass Nutzer in jeder Kategorie neu über diese Grob- und später Feinfilter einsteigen. Bei jedem Wechsel der Kategorie. Und immer wurden diese gleich gesetzt: Geschlecht. Sportscheck testete daraufhin, wo sich diese Customer Journey besser gestalten lässt.
- Abschließend noch einmal einige unserer Analysewerkzeuge im Überblick: Die On-Site-Befragung und Formularanalyse kennen Sie bereits von der IKK. Sie ist vielfältig einsetzbar: Im Antragsformular hätten wir sie gerade bspw. noch gezielt ausspielen können an User, die mit dem Familienstand-Feld interagiert haben und danach eine Exit-Intent-Bewegung ausführen, mit der kurzen Frage: „Verlassen Sie unsere Seite gerade, weil Sie Ihre Rentenversicherungsnummer suchen wollen?“ Als Dankeschön für die Teilnahme hätte man noch die kleine Info anzeigen können: „Nicht nötig, ist ein optionales Feld.“ Das Resultat wären vermutlich bis zu 4,8% weniger Abbrüche im Formular, bereits vor der Optimierung. Oder stellen Sie sich vor, dass Sie auf ihrer Startseite unten Teaser haben, die nicht angeklickt werden. Werden sie nicht geklickt, weil User nicht bis dahin scrollen? Oder werden die User gesehen, aber trotzdem nicht angeklickt? Den Einzelsession-Player nutzen unsere Kunden und Inhouse-Analysten zusammen mit der Filterbatterie, um alle auftretenden Probleme konkret zu qualifizieren und in ihrer Häufigkeit zu quantifizieren. Sobald ein Problem derart erkannt worden ist, wird es als Negativkriterium im Filter gesetzt, und der Analyst kann sich dem nächsten widmen. Dies ermöglicht extrem kurze Testzyklen, die selbst das agilste Startup noch träumen lassen.
- …m-pathy kombiniert verschieden Ansätze diese Möglichkeit zur Quantifizierung im UX-Bereich. Lohnt sich das? Brauchen wir das? Diese Frage ist eigentlich falsch gestellt. Denn es fehlt das „für wen lohnt es sich“. Klar ist es großartig tolle Produkte zu kreieren. Schließlich leben wir in einer Welt voller Produkte, und es ist an uns, sie noch bunter und cooler zu machen. Allerdings lässt sich mit dem richtigen Methodenmix nicht nur der Kunde überzeugen, freilich immer die wichtigste Stakeholder-Gruppe im Unternehmen. Sondern auch der CIO und Vorstände werden es lieben, wenn UX plötzlich messbar wird - und zur wirklichen KPI in der gesamten Unternehmensstrategie.
- Vielen Dank für die Aufmerksamkeit, der Vortrag war eher methodisch, als eine Produktvorstellung oder ein Pitch. Zumindest habe ich es versucht. Für eine konkrete Vorstellung unserer Software und unserem Analyseansatz stehe ich natürlich sehr gerne zur Verfügung. Jetzt würde ich aber erst einmal gern wieder an unseren Gastgeber übergeben - für alle Fragen zum Vortrag, für Ideen und Anregungen. Vielen Dank.