UX Research

Что мы создаём? Что я создаю как продакт, как исследователь? Один из ответов (скорее поэтический, чем практически применимый) - мы создаём поведение. IT это способ создавать или масштабировать поведение людей - новые способы покупать, тратить, учиться, разговаривать, и запоминать. (На самом деле не само поведение, а среду, которая делает определенное поведение более притягательным, снижая барьеры и подключая триггеры) В целом это тривиально, можно так сказать про что угодно - "Макдональдс создаёт не бургеры, а поведение по их покупке" или "Найк создаёт культуру бега, а не кросы". Это схоластика, такая же, как и "мы создаём пользовательский опыт". Отчасти да. Но разница в том, что Найк замеряет количество проданных кроссовок, а не количество километров, которые в них пробежали. В противовес, IT продукты (SAAS особенно) отслеживают само поведение: количество транзакций в магазинах, сражений в играх, мэтчей и переписок в дэйтинге. Не количество отрисованных экранов или строчек кода. Поведенческие метрики, а не приложенческие. Это немного сдвигает фокус. Например, задача Хедспейса - сделать так, чтобы люди больше медитировали, и дольше платили за подписку, а Эйрбнб - увеличить количество путешествий с проживанием вне отелей. Хорошее приложение - возможный способ, но не обязательный. Хорошо. Так какое поведение мы создаём? У Влада Головача в одной из книг (золотой батон?) было разделение дизайна на "дизайн чтобы дороже" (упрощённо - дизайн для создания доп ценности) и "дизайн чтобы дешевле" (дизайн для удешевления текущей ценности). По аналогии можно разделить наши продукты на "продукты, чтобы упростить поведение" и "продукты, чтобы создать поведение". "Продукт чтобы упростить" облегчает действия, которые мы уже совершаем. Быстрее заказ, проще оплата, проще выбор, быстрее доставка. Один клик вместо десятка. Еком в большинстве случаев про это - упросить выбор, заказ, и получение товара. CRM облегчает ведение дел с клиентами. "Продукт чтобы создать" - открывает для нас новые сценарии, что-то, что мы не могли делать раньше, а теперь можем. Анализ текста математическими методами, планирование сложных путешествий, новые форматы групповой работы. В большинстве случаев это одни и те же решения. Убер упростил поездки на такси для одних, и сделал в принципе возможным/доступным для других. Инструменты для разметки интервью (dovetail, considerly, и другие) меняют поведение исследователей, упрощая практику дотошного анализа интервью, тем самым создавая её для тех, кто раньше заморачивался, или облегчая для тех, кто раньше кодировал всё руками. В таком ракурсе у работы появляется более социальное, гуманитарное измерение. "Я создал такой продукт, что такие-то люди стали чаще вести себя таким-то образом, иначе делать свою работу, иначе планировать свой день".

Всё встраивают ИИ (LLM) в свои продукты, и я тоже буду. Интересно, что пространство решений +- понятно (даём пользователю в нужном контексте задать промпт и получить ответ), а вот пространство проблем (куда можно такое взаимодействие приткнуть) очень большое. Составил для себя набор шагов, по которым пойду, поделюсь: 1. Составить список "работ", которые может закрывать LLM, не в моём продукте, а вообще. Этот список примерно понятен, соберу его из личного опыта и наблюдения за другими продуктами, погуглю. 2. Происследовать, в каких контекстах при взаимодействии с моим продуктом эти работы возникают (интервью, опрос, мб просто task analysis даже. Скорее на интервью остановлюсь) 3. Проскорить, какие из задач наиболее полезно упростить через LLM. Тут может быть любой подход для ранжирования: Кано, опросник TAM, всякие concept validation опросики. Вероятно, на входе буду давать либо описания на пару строк, либо статичные макеты (кажется, базовое взаимодействие с LLM уже понятно, и можно не прототипировать прямо жёстко, но будет понятней после интервью). Можно сделать дневниковое и попросить пользователей поиспользовать LLM для типичных задач недельку, и потом опросить про полезность. Ну не знаю. 4. Предсказательная сила у таких опросов низкая. Это способ отбросить очевидных аутсайдеров, или выявить лидеров настолько явных, что мы можем доверять их лидерству даже на метрике со слабой валидностью. Жду что отсеятся слабые варианты, а из сильных придётся выбирать финалиста самому :) 5. Можно ещё опросить, несколько часто и для каких задач пользователи уже используют LLM, и отскорить по этому признаку. Вроде идея норм, но не хочется почему-то, не интересно (ну и тут явный скос в early adopter-ов) 6. Вот и всё. Надеюсь, всё это позволит мне а)не делать совсем ерунду б)отойти от прямого копирования конкурентов А есть, ещё два момента: 1. Это может быть эмоционально заряженной фичой, т.е. есть шанс, что кто-то из разработки будет готов запилить первую версию на коленке за выходные ради веселья. И в этом случае "давайте сначала поисследуем потребности" может обломать изначальный кураж, и бонус "фича бесплатно" я потеряю (мотивация команды разработки - отдельная большая тема. Я знаю, что мотивация очень влияет и на сроки, и на качество, и что исследованиями можно и разжигать интерес, показывая смысл и ценность продукта, и гасить, превращая всё в болото. Но пока я не очень хорош в этом, разберусь, напишу пост). 2. Это может быть политически заряженной фичой, т.е. может быть её нужно выпустить за две недели, чтобы получить PR повод "первая в мире штучка с ИИ", или получить доп инвестиции, или чтобы у продаж был классные слайд в презе для роста конверсии из первой встречи Это потёмкинские деревни, когда нужно быстро сделать для галочки, а уже потом союз будет сделать нормально. Я такое не очень люблю, но такой контекст случается. К счастью, у меня сейчас не так)

Как исследования экономят время разработки, и почему их лучше не разделять Когда я только стал продактом, то думал, что будет примерно так: я буду исследовать клиентов и конкурентов, описывать требования, и отдавать разработке, а дальше оно всё будет разрабатываться само. Короче, я буду отвечать за дискавери, а в деливери особо лезть не буду, там же уже есть проджект и тимлид. Так я на месяцы сорвал сроки запуска первых нескольких фичей. Причин было несколько. Одна из них в том, что даже при хорошо описанных требованиях в процессе разработки возникает куча вопросов. Например: - Как отрабатывать сообщения об ошибках? Например, какая-то форма может не работать по каким-то двум причинам. Вы можете вывести в тексте ошибки универсальный текст "не работает из-за причины x или y" или разработать штуку, коротая определяет, какая именно ошибка случилась, и выводит специфический текст. (+время разработки) - Или если есть маловероятная ошибка, обрабатывать её? Например, "если новый пользователь является полным однофамильцем существующего, система не может его зарегистрировать". Мы хотим ли мы что-то с этим делать, или забиваем? (если хотим, то +время разработки) - А какую нужно закладывать гибкость на следующие итерации? Например, вы решили добавить пуш уведомления. А вы захотите потом историю пуш уведомлений, надо их хранить? А вдруг захотите потом кроме пушей сделать уведомления в вацап и смс, нужен какой-то единый центр нотификаций, и возможность добавлять каналы? (+время разработки) - А вот вы хотите выводить список каких-нибудь сущностей. Надо сделать паджинацию списка на всякий случай? Вдруг сущностей будет больше ста? (+разработка) Часть таких вопросов можно (и нужно) продумать заранее, а часть нет - какие-то ограничения не видны до начала разработки, про какие-то технические возможности вы не знаете. Вопросы возникают по ходу. Если их не отслеживать, можете оказаться в ситуации, когда в продукте закладывается ненужная гибкость, прорабатываются нерелевантные сценарии, и сроки съезжают. Так было у меня. Спустя время я стал больше погружаться, и давать команде больше контекста по ходу работы, в том числе более явно подсвечивать, что важно делать, а куда погружаться не критично. И стал уточнять требования по ходу, по результатам исследований и аналитики. Я сделал из этой истории несколько выводов (мб чуть тривиальных, но прожитых с опытом): 1. Что погружение продуктовой команды в сценарии и потребности пользователей позволяет экономить время в процессе разработки, отсекая неважные направления (раньше думал только с точки зрения ценности, а про сроки - нет). 2. Что погружение это нужно не только на старте (вот юзкейсы, вот сценарии, вот jtbd, поехали) а постоянно в процессе работы, т.к. всё время возникает много маленьких вопросов, о которых на берегу никто не подумал. 3. Что погружение должно быть push, а не pull, т.е. разработчик/дизайнер не всегда приходит с вопросом "не знаю, делать ли тут паджинацию, давайте в аналитике посмотрим, сколько тут может быть сущностей". Надо самому отлавливать такие точки принятия решений и закрывать их данным. Ну и учить команду замечать их, конечно. 4. Что из-за вот этих микровопросов и микроконтекстов очень важен быстрый доступ к знаниям о пользователе. В любом формате: продуктовая аналитика, continuous research, база инсайтов, user board, накопленная за счёт наблюдений экспертиза - нужен способ получить быстрый и относительно верный ответ на точечный вопрос. 5. Я сформулировал для себя идею сценарной/UX устойчивости напишу о ней чуть позже.

Вторая эвристика - соответствие между системой и реальным миром Про формат выше Как формулирует Нильсен: Systems should speak the users' language with familiar words, phrases, and concepts rather than system-oriented terms. Interfaces that follow real-world conventions and make information appear in a natural and logical order demonstrate empathy and acknowledgement for users. Т.е.: система должна использовать понятный пользователью язык, и ещё должна использовать паттерны и конвенции реального мира. Вот коротенькое видео на тему [Usability Heuristic 2: Match Between the System and the Real World (Video)](https://www.nngroup.com/videos/match-system-real-world/) В изначальной статье Нильсена под "рельным миром" понимается "физический мир". И в такой трактовке эвристика кажется мне устаревшей, если честно. Немножко подробней в комментариях об этом напишу.

Около месяца назад я анонсировал лето эвристик Нильсена, а потом пропал (спасибо тем 15 людям, что не отписались из чата за это время). Я пропал, потому что тема показалась мне новичковой, и я застеснялся. Как будто на литературной мастерской все обсуждают построение сюжетных арок и характера героев, а я вылез с историей про то, как новая клавиатура позволяет быстрее печатать. Здорово, конечно, но серьёзные специалисты обсуждают проблемы другого порядка. Так что я застеснялся, что тема слишком базовая, и что в ней нет интеллектуальной претензии. Нет ни престижа новых областей (исследования в ML? Continuous research?) ни гордой бесполезности академических моделей. Подзабытая, всем известная, пыльноватая тема. Мне помог роман, который я сейчас читаю (рассеяние Стоуна, очень хороший). В одном из эпизодов наставник главного героя, хирурга, заставляет его перевязывать узелки на хирургических швах. Узелки на швах - очень повседневная и всем известная вещь, но он прямо заморачивается над тем, как это важно. Я не знаю, есть ли на самом деле прок в эвристиках, но давайте продолжим)

Неделя первой эвристики - видимость состояния системы Про формат выше Первая эвристика: The design should always keep users informed about what is going on, through appropriate feedback within a reasonable amount of time. Вольный перевод - "пользователь может оперативно получить информацию о том, что происходит в системе, втч увидеть обратную связь на свои действия". Трёхминутное видео Нильсена на тему, и хороший пример оттуда: при вызове лифта кнопка горит красным (фидбек, что мы вызвали его), а табло над лифтом показывает, что он начал движение, и находится на n-м этаже. Накидывайте примеры)

Лето эвристик Нильсена У меня проблема с эвристиками Нильсена. Они мне нравятся, но я помню их очень приблизительно, и у меня нет привычки их применять. А хочется прямо встроить их в перцептивный цикл, чтобы можно было "видеть через эвристики", и замечать проблемы на автомате (не задумывался раньше, что схемы Найсера это же почти аугментации) Ну так вот. Придумал формат - каждую неделю беру эвристику, и пытаюсь замечать её везде где можно - в цифровых продуктах, физических продуктах, и сервисах. Удачные и неудачные примеры кидаю в комменты или в чат. Буду рад, если вы присоединитесь)

Привет) Я попал в подборку каналов про продуктовые исследования (Костя, спасибо!) Подборка хороша, здорово видеть в ней небольшие каналы, которые заслуживают больше читателей (аналитику на кубах, Улитина, и другие). Представлюсь для новичков. Я Макс Королёв, руководил исследованиями в Билайне и Акронисе, маркетингом в Genotek, сейчас продакт лид в TalentTech. Про что я пишу: 1. Про редкие способы исследований: highlighter testing для контента, UX Curve для оценки длительного опыта 2. Исследовательские кейсы: headspace чинят онбординг дневниками, mozilla перепридумывают закладки, запрещая их 3. Связь UX и бизнеса: как дефицит курьеров повышает важность CX, как снижение госрегуляций повышает важность дизайна (на примере Athenahealth) 4. Процессы исследований в компаниях: Ableton, LinkedIn, Spotify, Atlassian и других. 5. Про странненькое: русалочность, манифест онтологического дизайна, костыльное использование продукта как признак удобства. Рад вопросам здесь, или в личке @Node_of_Ranvier

Можно делать количественные выводы на маленьких выборках, если привязываться к причинам с изученной частотой. Допустим, вы исследуете банковское приложение для физлиц. 3 из 10 респондентов не понимают, как посмотреть историю платежей. Считаете доверительный интервал, и оказывается, что 3 из 10 это от 1 до 59% популяции (p 0.95), т.е. проблема может быть супер редкой или супер частой. Это почти бесполезное знание. Вы копаете глубже и оказывается, что эти трое - единственные из всей тестовой выборки, кто не пользовался другими банковскими приложениями до этого. Добираете ещё четверых таких новичков, и да, оказывается, что из 7 новичков 6 не поняли, как смотреть историю операций (а из 7 опытных 7 поняли). Смотрим дальше: какова доля таких новичков в вашей аудитории? Гуглите, что аудитория банковских приложений на вашем рынке растёт на 5% в год, т.е похоже, что вы нашли частую (46-99% при p 0.95) проблему для 5% аудитории. Но потом вспоминаете, что стратегия вашего банка сейчас в том, чтобы привлекать больше подростков, 80% роста аудитории в этом году заложено на них. А аудитория среди подростков растёт на 20% в год, т.е. каждый пятый - новичок. Итог: ~15% (80% подростков*20% новичков среди них) аудитории вашего приложения в этом году - новички, и минимум половине из них скорее всего будет сложно найти историю платежей. Или ещё пример: вы делаете систему документооборота, и у одного из опрошенных клиентов специфическое требование - выгружать документы в каком-нибудь странном формате с водяными знаками на фоне. Выясняется, что нужно это потому, что клиент участвует в гос тендерах, а там при подаче обязательны документы в таком формате. Ищите инфу (иногда по косвенным данным), какая доля компаний вообще участвует в гос. тендерах, хоп, понимаете примерный размер аудитории, для которой требования релевантны. Или (это последний): вы делаете приложение для покупки ЖД билетов, и 4 из 10 людей сказали, что им важна модель вагона, хотят видеть её в поисковой выдаче при покупке билета. Копаете, выясняется, что все четверо состоят в клубе "побывай в вагонах всех существующих моделей". В нём всего три тысячи человек (вы нашли группу в ВК и форум), и это 0.001% вашей аудитории. Но четверо из них пришли к вам на интервью, т.к. они все друг с другом знакомы. Логика проста: наблюдения на маленькой выборке->огромный доверительный интервал->причины с изученной частотой->маленький доверительный интервал. На словах звучит красиво, а на деле так складно не получается - явные причины встречаются редко, обычно поведение обусловлено десятками факторов. Но всё часто находятся причины, которые позволяют сузить вероятную частоту с 1-56% до более практичной. Особенно в b2b продуктах - процессы клиента диктуют требования к продуктам, и маленькие выборки часто получается компенсировать типизацией клиентов и открытыми данными по ним.

Зачем нужны фреймворки, почему нельзя просто голову включить. В психологии есть понятие "пустое усилие". Пустое усилие - попытка произвольно делать что-то, что мы самом деле намеренно делать не можем: не волноваться, включить голову, быть уверенней, замедлить сердцебиение, пошевелить левой почкой. Обычно ничего не выходит, потому что эти процессы непроизвольны. Мы контролируем (или чувствуем, что контролируем), движение и внимание - можем задержать дыхание, пошевелить ногой, пробежать километр. Но мы не можем произвольно перестать волноваться, у нас нет мышц волнения. Не можем включить голову, нет произвольного контроля количества глюкозы в мозгу. Не можем усилием воли почувствовать себя уверенно, не можем произвольно не грустить. Мышление тоже не всегда подконтрольно. Остановитесь и попробуйте минуты две как следует подумать про зелёный. Это, вероятно, будет сложно, не только из-за скачков внимания, но ещё и потому, что не до конца понятно, а что именно делать. Ок, вы подумали "зелёный", а дальше что? Ощущается не как сложность "почему так трудно" а скорее как замешательство "а как это вообще". Что значит "глубоко, структурированно и долго думать о чём-то? Как это? Но мы можем контролировать эти процессы - мышление, волнение, уверенность - через привязку к конкретным физическим действиям или результатам. - Не волнуйся -> сделай 20 медленных вдохов и выдохов, сделай мышечную релаксацию - Подумай про зелёный -> придумай пять способов органично встроить зелёный в интерьер вокруг, а ещё напиши эссе на пару страниц про роль зелёного в древних сообществах - Будь дальновиднее, включи голову -> распиши заранее табличку вариантов и последствия второго порядка, составь матрицу рисков. Во всех этих случаях мы сводим задачу к более конкретному действию по заполнению артефакта, и мыслить физически проще. Профессиональные фреймворки работают также: - Подумай про клиентский опыт -> построй cjm - Прикинь, ок ли бизнес-модель -> заполни лин канвас и pnl вот по таким-то шагам - Придумай остроумное решение -> напиши список из 50 решений - Подумай про клиентов -> опиши персону Мы снижаем скорость и гибкость, зато становится понятно, что именно надо делать. Есть универсальные фреймворки для мышления о чём-то - записать это в математической форме, написать эссе, разложить на майндмап, сделать issue tree, подготовить лекцию на тему. Все они - про перевод мышления в физическую форму и создание внешнего артефакта. Есть частные тематические фреймворки - jtbd, юзкейсы, swot анализ, диаграмма Исикавы итд. Но их идея в том же самом, перевести "подумайте о конкурентах" в понятное действие "заполните матричку 2*2" Со временем нужда в таких опорах пропадает, мы учимся делать что-то непосредственно, и мышление снова становится более гибким и быстрым, но в начале нет. Наверное практический совет тут такой - если у вас не получается придумать решение какой-то проблемы, можно попробовать перевести процесс решения в физическую форму. Написать письмо, составить список, нарисовать картину, не знаю. И второй - если вам нужно масштабировать свою экспертизу, интуицию, навык думать про что-то на группу людей, попробуйте перевести этот навык в физическое действие по заполнению фреймворка. Это работает гораздо грубее, чем непосредственное понимание, но хорошо работает для освоения новой темы. ___ Пара смежных идей: - Extended mind, тоже про внешние инструменты мышления и физическое мышление - общий тезис - экстериоризация повышает качество чего угодно. Это работает на уровне отдельных идей (подготовка поста заставляете глубже обдумать тему, чтение лекций упорядочить собственный опыт, проговаривание выступления помогает ощутить нестыковки и слабые места), так и на уровне сервисов/продуктов (внешние интерфейсы обычно аккуратней внутренних, public API обычно согласованней и стройней внутренних)