Η συλλογή, η ταξινόμηση και η κατανόηση δεδομένων που συλλέχθηκαν κατά τη διάρκεια της έρευνας χρηστών και τη δοκιμή χρηστικότητας καθίσταται όλο και πιο συχνό καθήκον μεταξύ των επαγγελματιών του UX - στην πραγματικότητα, γίνεται μια κριτική δεξιότητα UX.

Μια δοκιμή χρηστικότητας θα σας πει εάν οι χρήστες-στόχοι σας μπορούν να χρησιμοποιήσουν το προϊόν σας. Βοηθά στον εντοπισμό προβλημάτων που αντιμετωπίζουν τα άτομα με ένα συγκεκριμένο περιβάλλον εργασίας χρήστη και αποκαλύπτει δύσκολες προς ολοκλήρωση εργασίες και συγκεχυμένη γλώσσα. Συνήθως, ένα τεστ χρηστικότητας περιλαμβάνει εκτενή προετοιμασία και ανάλυση και θεωρείται ως μια από τις πιο πολύτιμες ερευνητικές τεχνικές. Είναι σε θέση να παρέχει και τα δύο ποσοτικός και ποιοτικός δεδομένα που θα βοηθήσουν στην καθοδήγηση της ομάδας προϊόντων προς καλύτερες λύσεις.

Ωστόσο, δεν είναι μια βόλτα στο πάρκο. Σε μία προσπάθεια να ανακαλύπτω προβλήματα χρηστικότητας, Ερευνητές και σχεδιαστές UX συχνά πρέπει να αντιμετωπίσουν έναν κατακλυσμό ελλιπών, ανακριβών και συγχέοντας δεδομένων. Μια τακτική δοκιμή χρηστικότητας με πέντε έως δέκα συμμετέχοντες μπορεί δημιουργούν εύκολα περισσότερα από εξήντα ζητήματα . Μπορεί να νιώθεις σαν να πίνεις από τη φωτιά ενώ περιμένεις τους φοβισμένους παράλυση ανάλυσης προς τα πίσω το άσχημο κεφάλι του.

Ένας σημαντικός κίνδυνος όταν προσπαθείτε λύσει τα προβλήματα χρηστικότητας βρίσκονται σε λάθος δρόμο προσπαθώντας να βρουν λύσεις που δεν αντιμετωπίζουν πραγματικά τα ζητήματα που αντιμετωπίζουν. Ο κίνδυνος είναι ότι μπορεί να υπάρχει αποσύνδεση μεταξύ των θεμάτων που εντοπίστηκαν και των λύσεων που εντοπίστηκαν. Αυτά μπορεί να προκληθούν από διάφορους παράγοντες, όπως κόπωση αποφάσεων και πολλοί τύποι γνωστικών προκαταλήψεων .

χειρισμός σφαλμάτων κόμβου js express

Πώς να μετατρέψετε τα δεδομένα δοκιμής ευχρηστίας σε λειτουργικές λύσεις

Προκειμένου να επιτύχουμε τα εμπόδια που αναφέρθηκαν παραπάνω, χρειαζόμαστε αποτελεσματικούς τρόπους για να χειριστούμε τα δεδομένα δοκιμών, διασφαλίζοντας παράλληλα ότι επιλέγουμε τις πιο αποτελεσματικές λύσεις για τα ζητήματα που βρέθηκαν.

Ας ξεκινήσουμε δανεισμό κάποιων ιδεών από τη δημιουργική διαδικασία. Ένα από τα πιο ισχυρά είναι το διπλό διαμάντι από το British Design Council , το οποίο με τη σειρά του χρησιμοποιεί αποκλίνουσα-συγκλίνουσα σκέψη . Είναι μια διαδικασία σχεδιασμού με σαφώς καθορισμένες και ολοκληρωμένες φάσεις προβλημάτων και λύσεων.

Το διπλό διαμάντι είναι ακριβώς αυτό που χρειαζόμαστε για να χτίσουμε ένα πλαίσιο που θα χειριστεί τα θέματα χρηστικότητας και θα βρει τρόπους για την επίλυσή τους.

Η προσαρμογή του παραπάνω μοντέλου στη δοκιμή ευχρηστίας του αποτελέσματος είναι μια διαδικασία τεσσάρων βημάτων:

1. Συλλογή δεδομένων
2. Προτεραιότητα ζητήματος
3. Δημιουργία λύσεων
4. Προτεραιότητα λύσης

Ας δούμε κάθε βήμα λεπτομερώς, συμπεριλαμβανομένου του τρόπου εφαρμογής του.

Σημείωση: Θα χρειαστεί να χρησιμοποιήσουμε κάποια βασικά μαθηματικά. Μην ανησυχείτε, δεν είναι πάρα πολύ και στο τέλος αυτού του άρθρου, θα βρείτε ένα υπολογιστικό φύλλο που αυτοματοποιεί ολόκληρη τη διαδικασία. Εάν εξακολουθεί να μην λειτουργεί για εσάς, υπάρχει επίσης μια οπτική προσέγγιση όπου μπορείτε να χρησιμοποιήσετε Post-its και whiteboards.

Βήμα 1: Συλλογή δεδομένων έρευνας ευχρηστίας

Ξεκινώντας με το δικό σας ερωτήσεις αναζήτησης , το πρώτο βήμα είναι η συλλογή των δεδομένων που δημιουργούνται από τη δοκιμή χρηστικότητας. Πρέπει να ρυθμιστεί για εύκολη δημιουργία ιδεών και πληροφορίες αργότερα στη διαδικασία - το κλειδί είναι να δοθεί και να οργανωθεί σαφώς τα δεδομένα για να αποφευχθεί η ακαταστασία. Στις περισσότερες περιπτώσεις, αρκεί:

• Έχετε πρόβλημα ταυτοποίηση (ID) σύστημα
• Σημείωση που συνέβη (οθόνη, ενότητα, widget UI, ροή κ.λπ.)
• Ξέρω το έργο ο χρήστης αφορούσε
• Δώστε μια συνοπτική περιγραφή του ζητήματος

Μια κοινή προσέγγιση για την οργάνωση θεμάτων χρηστικότητας, που χρησιμοποιούν οι Lewis και Sauro στο βιβλίο Ποσοτικοποίηση της εμπειρίας χρήστη , είναι να σχεδιάσετε τα δεδομένα όπως φαίνεται στον παρακάτω πίνακα, με ζητήματα στις σειρές και συμμετέχοντες στις τελευταίες στήλες.

Στο παραπάνω παράδειγμα, μια φανταστική δοκιμασία χρηστικότητας που έγινε με τρεις συμμετέχοντες απέδωσε δύο ζητήματα:

• Η πρώτη εμπειρία από τον συμμετέχοντα (P1)
• Το δεύτερο από τους άλλους συμμετέχοντες (P2 και P3)

Βήμα 2: Προτεραιότητα ζητήματος

Καθώς οι πόροι είναι περιορισμένοι, είναι απαραίτητο να δοθεί προτεραιότητα σε θέματα χρηστικότητας με τρόπο που θα βελτιστοποιεί την ανάλυση. Συνήθως, κάθε πρόβλημα χρηστικότητας έχει βαθμό αυστηρότητα , επηρεασμένος από ορισμένους παράγοντες όπως:

• Κρίσιμη εργασία: Βαθμολογήθηκε ως προς τον αντίκτυπο στην επιχείρηση ή στο χρήστη, εάν η εργασία δεν έχει ολοκληρωθεί.
• Συχνότητα ζητήματος: Πόσες φορές προέκυψε ένα ζήτημα με διάφορους συμμετέχοντες.
• Επιπτώσεις στο ζήτημα: Πόσο επηρέασε ο χρήστης που προσπαθεί να ολοκληρώσει την εργασία.

Για να δώσουμε προτεραιότητα, πρέπει να ακολουθήσουμε αυτά τα βήματα:

1. Ορίστε το βαθμολογία κριτικότητας κάθε εργασίας που εκτελείται στη δοκιμή. Με απλά λόγια, ορίστε πόσο κρίσιμη είναι η εργασία για την επιχείρηση ή τον χρήστη, ορίζοντας μια αριθμητική τιμή σε αυτήν. Οι τιμές μπορεί να προέρχονται από μια απλή γραμμική ακολουθία (π.χ. 1, 2, 3, 4, κ.λπ.) ή κάτι πιο περίπλοκο όπως το Αλληλουχία Fibonacci (1, 2, 3, 5, 8 κ.λπ.), ακριβώς όπως χρησιμοποιείται σε ευέλικτες μεθόδους όπως προγραμματισμός πόκερ .

2. Ορίστε το βαθμολογία επιπτώσεων για κάθε τεύχος εκχωρώντας μια τιμή (ίδια όπως παραπάνω) για στοιχεία σε αυτήν την κλίμακα:
   • 5: (πρόγραμμα αποκλεισμού) το ζήτημα εμποδίζει τον χρήστη να ολοκληρώσει την εργασία
   • 3: (σημαντικό) προκαλεί απογοήτευση ή / και καθυστέρηση
   • 2: (δευτερεύον) έχει μικρή επίδραση στην εκτέλεση των εργασιών
   • 1: (πρόταση) είναι μια πρόταση από τον συμμετέχοντα

3. Βρες το συχνότητα ζητήματος (%) του ζητήματος διαιρώντας τον αριθμό των συμβάντων με το σύνολο των συμμετεχόντων. Είναι ένας βασικός υπολογισμός ποσοστού.

4. Τέλος, υπολογίστε το αυστηρότητα κάθε ζητήματος πολλαπλασιάζοντας τις τρεις παραπάνω μεταβλητές.

Ας δούμε πώς λειτουργεί σε ένα υπολογιστικό φύλλο (φυσικά θέλουμε να αυτοματοποιήσουμε αυτό, σωστά;). Ο ενημερωμένος πίνακας θα μοιάζει με αυτό:

Στο παραπάνω παράδειγμα, έχουμε το ακόλουθο σενάριο:

• Τρία θέματα χρηστικότητας που βίωσαν τρεις συμμετέχοντες (p1, p2 και p3).
• Η εργασία «δημιουργία ανάρτησης» εμφανίζεται δύο φορές και εκχωρήθηκε ένα κρισίμως από 5, και σε μια λιγότερο κρίσιμη εργασία (κοινωνική σύνδεση) ανατέθηκε 3?
• Σε κάθε τεύχος δόθηκε μια τιμή δεδομένης της επίπτωση : 5 (blocker), 3 (major) και 2 (μικρός αντίκτυπος στην απόδοση της εργασίας).
• ο συχνότητα κάθε τεύχους (π.χ. το τεύχος αρ. 2 εμφανίστηκε δύο φορές με τρεις συμμετέχοντες, συνεπώς 2/3 = 0,67).
• Τέλος, το αυστηρότητα προέκυψε από τον πολλαπλασιασμό των άλλων παραγόντων (π.χ. 3 x 5 x 0,33 = 4,95).

Αυτό είναι τώρα. Βρήκαμε τα πιο σημαντικά προβλήματα χρηστικότητάς μας με αυτήν τη σειρά: 3 , 2 και ένας . Σε αυτό το στάδιο, έχουμε επίσης μια καλή προοπτική για το τοπικό ζήτημα χρηστικότητας - η μεγάλη εικόνα που βοηθά την ομάδα να πλαισιώσει το πρόβλημα υψηλού επιπέδου και να βελτιστοποιήσει κατά τα παρακάτω βήματα.

Βήμα 3: Δημιουργία λύσης

Συνήθως, οι δοκιμές χρηστικότητας δεν ολοκληρώνονται στο συμπέρασμα χωρίς μια λίστα με προτάσεις (γενικές προτάσεις) και λύσεις (συγκεκριμένες οδηγίες). Μερικές φορές η λύση είναι αρκετά προφανής - όπως η διόρθωση της τοποθέτησης ενός στοιχείου διεπαφής χρήστη. Η κατάσταση γίνεται πιο δύσκολη για εκείνα τα θέματα με μη προφανείς ή πολλές πιθανές λύσεις. Ποια λύση είναι καλύτερη; Ποιο είναι πιο εφικτό; Ποιο είναι το κόστος / όφελος από την εκτέλεση ενός πειράματος για να μάθετε; Εδώ, η παραδοσιακή μέθοδος τακτικών συστάσεων δεν αρκεί.

Για να μειώσουμε τον κίνδυνο λήψης κακών σχεδιαστικών αποφάσεων, χρειαζόμαστε: α) διάφορες εναλλακτικές λύσεις για να διαλέξουμε και β) μια αποτελεσματική διαδικασία επιλογής. Θα χρησιμοποιήσουμε την ίδια προσέγγιση αποκλίνουσας-σύγκλισης που χρησιμοποιήθηκε για την αντιμετώπιση της συλλογής δεδομένων και την έκδοση βημάτων προτεραιότητας στην προηγούμενη φάση. Τα βήματα είναι:

1. Για κάθε τεύχος, δημιουργούν πολλές ιδέες λύσεων —Τι είναι πιθανοί τρόποι αντιμετώπισης του ζητήματος; Εδώ, έχουμε μια μεγάλη ευκαιρία για συνεργασία με την υπόλοιπη ομάδα (προγραμματιστές, σχεδιαστές, διαχειριστές προϊόντων κ.λπ.).

2. Αναδιοργανώστε τις λύσεις, διατηρώντας τις συγκεκριμένες - όπως απαιτείται, συγχωνεύστε ή χωρίστε τις λύσεις για να αποφύγετε τις απολύσεις και την υπερβολική αφαίρεση. Και πάλι, να είστε συγκεκριμένοι, ώστε να είναι ευκολότερο να αξιολογείτε ιδέες. Για παράδειγμα, αντί για 'Αποφύγετε τη χρήση μενού χάμπουργκερ', είναι καλύτερα να δηλώσετε μια συγκεκριμένη λύση, όπως 'Χρήση οριζόντιας πλοήγησης και μενού κάθετου δέντρου'.

3. Επισημάνετε επιπλέον ζητήματα ότι η λύση μπορεί να αντιμετωπίσει - στην πράξη, μια καλή λύση μπορεί να αντιμετωπίσει πολλά ζητήματα. Οι καλές λύσεις είναι ευέλικτες!

Ακολουθώντας τα παραπάνω βήματα, ο πίνακας που προκύπτει μοιάζει με αυτό:

Σε αυτό το παράδειγμα, έχουμε τη λίστα με λύσεις προβληματισμού (σειρές) και τα ζητήματα που αντιμετωπίζει κάθε λύση (στήλες, που αντιπροσωπεύουν τα ζητήματα που βρέθηκαν στα προηγούμενα βήματα).

Στη συνέχεια, ας δούμε πώς να εξελίσσουμε αυτήν τη λίστα και να μάθουμε ποιες λύσεις είναι οι καλύτεροι υποψήφιοι για εφαρμογή και με ποια σειρά.

Βήμα 4: Προτεραιότητα Λύσης

Ομοίως για την έκδοση προτεραιοτήτων, πρέπει να δώσουμε προτεραιότητα στις λύσεις σύμφωνα με ορισμένες παραμέτρους. Σε ευέλικτες ομάδες, όπου αυτό το θέμα αντιμετωπίζεται πολύ σοβαρά, είναι συνηθισμένο να χρησιμοποιείται επιχειρηματική αξία και περίπλοκο , που μας επιτρέπει να υπολογίσουμε το απόδοση των επενδύσεων (ROI). Δανεισμός από αυτήν τη λογική, έχουμε τα ακόλουθα βήματα:

1. Υπολογίστε το αποτελεσματικότητα κάθε λύσης .
   Όσο πιο σοβαρό είναι το πρόβλημα που αντιμετωπίζεται, τόσο καλύτερη είναι η λύση. Αυτό θα μπορούσε να συγκριθεί κατά προσέγγιση με την επιχειρηματική αξία στις ευέλικτες μεθόδους. Προσθέστε τις βαρύτητες όλων των ζητημάτων που αντιμετωπίζει η λύση.

   Effectiveness = Sum of issue severities
2. Ακούστε το πολυπλοκότητα της λύσης .
   1. Ποιοι είναι οι πόροι που απαιτούνται για την ανάπτυξη αυτής της λύσης;
   2. Πόσο τυποποιημένες είναι οι τεχνολογίες;
   3. Πόσο σαφείς είναι οι απαιτήσεις επιχείρησης / χρήστη;

   Με άλλα λόγια, όσο μεγαλύτερη προσπάθεια και αβεβαιότητα, τόσο πιο περίπλοκη είναι η λύση. Απλώς μεταφράστε το σε μια ποσοτικοποιήσιμη τιμή, όπως η ακολουθία Fibonacci (1, 2, 3, 5, 8 κ.λπ.). Εάν το κάνετε αυτό ως ομάδα, προγραμματισμός πόκερ ταιριάζει τέλεια.

3. Υπολογίστε το ΒΑΣΙΛΙΑΣ της λύσης. Αυτή είναι η σχέση κόστους-οφέλους, που υπολογίζεται διαιρώντας το αποτελεσματικότητα της λύσης από το περίπλοκο . Όσο υψηλότερη είναι η απόδοση επένδυσης, τόσο το καλύτερο.

   ROI = Effectiveness / Complexity

Ας επιστρέψουμε στο υπολογιστικό φύλλο μας, το οποίο μοιάζει τώρα με αυτό:

Στο παραπάνω παράδειγμα, έχουμε:

1. Ο κατάλογος των λύσεων (σειρές)
2. Τα ζητήματα (i1 έως i3) με τις σοβαρότητές τους (4,95, 6,7 και 10,05)
3. Ένας δείκτης 1 κάθε φορά που μια λύση ταιριάζει (διευθύνει) ένα ζήτημα
4. Η αποτελεσματικότητα κάθε λύσης (4.95, 4.95 και 16.75)
5. Η πολυπλοκότητα κάθε λύσης (1, 3 και 5) εκτιμάται από την ομάδα
6. Η απόδοση επένδυσης κάθε λύσης (4,95, 1,65, 3,35)

Σύμφωνα με αυτό το παράδειγμα, πρέπει να δώσουμε προτεραιότητα στην ανάπτυξη των λύσεων με την ακόλουθη σειρά (από την υψηλότερη έως τη χαμηλότερη απόδοση επένδυσης): λύση 1, στη συνέχεια λύση 3 και 2.

Για να συνοψίσουμε τα βήματα: ξεκινήσαμε συλλέγοντας δεδομένα και μετά δώσαμε προτεραιότητα σε ζητήματα σύμφωνα με συγκεκριμένες παραμέτρους. Στη συνέχεια, δημιουργήσαμε ιδέες λύσης για αυτά τα ζητήματα και, τέλος, τις δώσαμε προτεραιότητα.

Χρησιμοποιώντας ένα υπολογιστικό φύλλο

Η παραπάνω μέθοδος περιλαμβάνει μερικούς (βασικούς) υπολογισμούς που επαναλαμβάνονται πολλές φορές, επομένως είναι καλύτερο να χρησιμοποιήσετε ένα υπολογιστικό φύλλο.

Αν θέλετε να ακολουθήσετε αυτήν τη μεθοδολογία, ακολουθεί ένα πρότυπο (Φύλλο Google): https://goo.gl/RR4hEd . Είναι διαθέσιμο για λήψη και μπορείτε να το προσαρμόσετε ελεύθερα στις ανάγκες σας.

Μισώ τα υπολογιστικά φύλλα! Τι γίνεται με κάτι πιο οπτικό;

Σχεδόν όλοι όσοι γνωρίζω (συμπεριλαμβανομένου και εγώ - φυσικά) μου αρέσει να δουλεύουν με κολλώδεις νότες και λευκούς πίνακες, όχι μόνο επειδή είναι συνήθως ταχύτεροι και διασκεδαστικοί, αλλά και επειδή διευκολύνουν τη συνεργασία. Εάν είστε ευκίνητος ή σχεδιαστική λογική επαγγελματίας, ξέρετε τι εννοώ. Πώς μπορούμε να εφαρμόσουμε οπτικά εργαλεία, όπως κολλώδεις σημειώσεις, για να λειτουργήσουμε με την προσέγγιση που φαίνεται σε αυτό το άρθρο; Λοιπόν, αυτό ίσως αξίζει μια ολόκληρη ανάρτηση ιστολογίου, αλλά ας προσπαθήσουμε να χαράξουμε την επιφάνεια.

Ένας τρόπος να το κάνετε είναι να δημιουργήσετε έναν πίνακα για ζητήματα (αντίκτυπο x συχνότητα) και να το τοποθετήσετε δίπλα σε άλλο για λύσεις (αποτελεσματικότητα x πολυπλοκότητα). Κάθε μήτρα χωρίζεται σε τέσσερα τεταρτημόρια, δείχνοντας προτεραιότητα.

Εδώ είναι τα βήματα:

1. Δημιουργήστε το ζήτημα πίνακα τοποθετώντας τις κολλώδεις νότες στο κατάλληλο τεταρτημόριο σύμφωνα με το επίπτωση και συχνότητα . Για να απλοποιήσουμε αυτήν την προσέγγιση, έπρεπε να αφήσουμε μια παράμετρο. Σε αυτήν την περίπτωση, κρίσιμη εργασία .

2. Δημιουργήστε το μήτρα διαλύματος οργανώνοντας τις κολλώδεις σημειώσεις σύμφωνα με κάθε λύση αποτελεσματικότητα και περίπλοκο :

   1. Λύσεις καταιγισμού ιδεών για κάθε ζήτημα, ξεκινώντας από τα ζητήματα στο τεταρτημόριο 1 του πίνακα ζητημάτων (αυτά με υψηλότερη σοβαρότητα).

   2. Τοποθετήστε αυτές τις λύσεις στη μήτρα διαλύματος, ξεκινώντας από το τεταρτημόριο 1 (πάνω αριστερά). Όσο πιο σοβαρό είναι το ζήτημα, τόσο πιο αποτελεσματική είναι η λύση του.

   3. Ρυθμίστε το περίπλοκο κάθε λύσης μετακινώντας τον στον οριζόντιο άξονα (όσο πιο περίπλοκος, τόσο πιο δεξιά).

   4. Επαναλάβετε τα παραπάνω βήματα για τα υπόλοιπα ζητήματα (τεταρτημόρια 2, 3 και 4, με αυτήν τη σειρά).

Στο τέλος της άσκησης, οι λύσεις στο τεταρτημόριο 1 είναι αυτές με την καλύτερη απόδοση επένδυσης (πιο αποτελεσματική και λιγότερο περίπλοκη) που σημαίνει κορυφαία προτεραιότητα. Το αποτέλεσμα φαίνεται στην παρακάτω εικόνα:

Συμπεριλαμβανομένου του γεγονότος ότι αφήσαμε μια παράμετρο (κρίσιμη εργασία), το μειονέκτημα εδώ είναι ότι πρέπει να βασίζεστε στην οπτική ακρίβεια αντί στους υπολογισμούς όπως στο υπολογιστικό φύλλο. Από τη θετική πλευρά, έχουμε μια μέθοδο που ενισχύει τη συνεργασία - η οποία μερικές φορές είναι ζωτικής σημασίας για την απόκτηση συμμετοχής από την ομάδα.

Η ενίσχυση της συνεργασίας μέσω «γρήγορης και βρώμικης» οπτικής ανάλυσης στο πιθανό κόστος της ακρίβειας είναι μια πιθανή αντιστάθμιση. Ποια είναι η καλύτερη προσέγγιση; Η σύντομη απάντηση: αυτή που ταιριάζει καλύτερα στην περίπτωσή σας και ευθυγραμμίζεται καλύτερα με τους στόχους σας.

Τελική ανάλυση για την ανάλυση δεδομένων χρηστικότητας

Χρησιμοποιώντας αυτές τις μεθοδολογίες προέκυψαν οι ακόλουθες παρατηρήσεις από ομάδες που την χρησιμοποίησαν σε διάφορα έργα:

1. Ειδικά όταν ασχολείται με μεγαλύτερες μελέτες, η προτεραιότητα του ζητήματος διατηρεί την ομάδα επικεντρωμένη σε αυτό που πραγματικά έχει σημασία, εξοικονομώντας χρόνο και πόρους μειώνοντας τις ανεπιθύμητες γνωστικές προκλήσεις όπως υπερφόρτωση πληροφοριών, παράλυση ανάλυσης και κόπωση αποφάσεων.

2. Η συνδεδεμένη ροή εργασίας από άκρο σε άκρο διατηρεί τις λύσεις πιο ευθυγραμμισμένες με τα αποτελέσματα δοκιμής χρηστικότητας (επειδή τα ζητήματα και οι λύσεις είναι ζευγαρωμένα), μειώνοντας τον κίνδυνο εφαρμογής λιγότερο από βέλτιστων λύσεων.

3. Μπορούμε εύκολα να εφαρμόσουμε αυτήν τη μέθοδο συνεργατικά (εν μέρει ή στο σύνολό της) χρησιμοποιώντας διαδικτυακά εργαλεία.

Είναι σημαντικό να κατανοήσετε τους περιορισμούς αυτής της προσέγγισης. Για παράδειγμα, κατά τη φάση ιεράρχησης, δεν περιλαμβάνονται οι θετικές στάσεις και συμπεριφορές των χρηστών που παρατηρούνται στις δοκιμές. Η εστίαση είναι σε θέματα χρηστικότητας. Μια πρόταση είναι να καταγράψετε αυτό το είδος δεδομένων ξεχωριστά και να τα χρησιμοποιήσετε για να συμπληρώσετε και να ισορροπήσετε τα ευρήματα όπως απαιτείται.

Τέλος, εκτός από τη δοκιμή χρηστικότητας, αυτή η προσέγγιση μπορεί επίσης να επεκταθεί και σε άλλες τεχνικές έρευνας UX. Εφαρμόζοντας την προσέγγιση «διπλού διαμαντιού» (αποκλίνουσες / συγκλίνουσες προβλήματα και λύσεις), μπορούμε να συνδυάσουμε διάφορα ερευνητικά δεδομένα χρηστών και να χρησιμοποιήσουμε τις παραπάνω μεθόδους σε οποιοδήποτε άλλο έργο. Η φαντασία σας είναι το όριο!

• • •

Περαιτέρω ανάγνωση στο ApeeScape Design Blog:

• eCommerce UX - Μια επισκόπηση των βέλτιστων πρακτικών (με το Infographic)
• Η σημασία του ανθρωποκεντρικού σχεδιασμού στο σχεδιασμό προϊόντων
• Τα καλύτερα χαρτοφυλάκια σχεδιαστών UX - Εμπνευσμένες μελέτες περιπτώσεων και παραδείγματα
• Ευρετικές αρχές για φορητές διεπαφές
• Προγνωστικός σχεδιασμός: Πώς να δημιουργήσετε μαγικές εμπειρίες χρηστών