Gelecekteki Davranışı Tahmin Etmek için Geçmiş Kullanıcı Verilerinden Yararlanmanın 4 Yolu

Şirketler daha kullanıcı odaklı ve kanıta dayalı stratejilere olan ihtiyacı fark ettikçe, kullanıcı deneyimi (UX) araştırması, çoğu modern ürün organizasyonunun geliştirme sürecinin giderek daha fazla entegre bir parçası haline geliyor . UX araştırması, ekiplerin gerçek ihtiyaçları çözdüklerinden emin olmalarına, sorunları erken yakalayarak riski azaltmalarına ve müşteriler için artan empati yoluyla yaratıcılığı harekete geçirmelerine yardımcı olabilir. Yine de, UX araştırması yapanların karşı karşıya olduğu birçok zorluk var. Bu dizide, Braze UX Araştırmacısı Sofia Linse, ortak sorunları ele alıyor ve şirketlerin bu temel işe nasıl daha etkili bir şekilde yaklaşabileceğini araştırıyor.

Düzenli olarak kullanıcı deneyimi (UX) araştırması yapan herkes, gelecekteki davranışları tahmin etmeye çalışmanın getirdiği zorlukların çok iyi farkındadır. İnsanların gelecekte ne yapacağımızı tahmin etmede o kadar iyi olmadığını anlamak için her yıl kullanılmayan aboneliklere bakmanız yeterli. Yine de araştırmadaki en kritik sorular genellikle gelecekteki davranışlarla ilgilidir: Müşteriler bunu kullanacak mı? Nasıl kullanacaklar? Rakiplerimizin ürünleri yerine bizi mi tercih edecekler? Bunu ödeyecekler mi?

İyi haber şu ki, günümüzün dijital ürünleri, önsezilere veya anekdot iddialarına dayanmak yerine, etkinlik günlükleri ve ürününüzle gerçek etkileşimleri görüntülemeye yönelik araçlar aracılığıyla gerçek kullanıcı davranışını analiz etmeyi kolaylaştırıyor. Braze'de, UX araştırmamızda sürekli olarak bu fırsatlardan yararlanmanın yollarını ararız. Ve yıllar içinde, gelecekteki kullanımla ilgili zor sorulara daha güvenle yaklaşmak için nicel ve nitel davranışsal verileri birleştirmeye yönelik birkaç başarılı yaklaşım bulduk:

1. Kullanıcı Geçici Çözümlerini Belirleme

Müşterilerin Braze'i kullandığı birçok yaratıcı yolu görmek, Ürün ekibimiz için paha biçilmez bir fikir ve ilham kaynağıdır ve bu etkinliğin neye benzediğini anlamanın en iyi yollarından biri, müşterilerimizin platformla nasıl etkileşime girdiğini incelemektir.

One Braze özelliği, Canvas, kullanıcılarımızın (pazarlamacıların) müşteri yolculuklarını ve alıcıların bu yolculuğun her noktasında alması gereken mesajları planlayarak iletişimi düzenlemesine olanak tanır. Canvas, pazarlamacılara, şirketlerinin stratejilerine göre mesajlaşma akışlarını özelleştirme konusunda büyük ölçüde serbestlik veren esnek bir araçtır. Sonuç olarak, her Kanvas o şirketin mevcut önceliklerinin ve hedeflerinin bir yansıması olarak hizmet edebilir. Yakın tarihli bir projede, platformumuzun belirli bir müşterinin ihtiyaçlarını tam olarak karşılamadığı durumlarda verimsiz yapıları ve geçici çözümleri belirlememize yardımcı olması için çeşitli müşteri Tuvallerini inceledik. Analizden sonra, verileri yorumladığımızın gerçekten doğru olup olmadığını doğrulamak için seçilen müşterilerle görüşmeler yaparak kazandığımız anlayış üzerine inşa ettik. Müşterilerimizin teknolojimizi kullanarak hedeflerine ulaşmak için nasıl mücadele ettiğini görmek bazen acı verici olsa da, onların tanıklıkları bu kullanım durumlarının onlar için ne kadar önemli olduğuna dair güçlü kanıtlar sağladı ve doğru sorunla mücadele ettiğimize dair güvenimizi artırdı ve bunu görecekti. Çözdüğümüzde güçlü özellik benimseme.

2. Doğrudan Üründe Deneyler Yapmak

Braze'de sık sık müşterilerinize bulundukları yere ulaşmanın önemini vaaz ederiz ve bu bizimki gibi bir B2B şirketi için de geçerlidir.

Bir örnek? Raporlama ürün ekibimiz kısa süre önce Braze platformunda müşterilere ekibin oluşturmayı düşündüğü iki rapordan herhangi birini almak isteyip istemediklerini soran bir anket başlattı. Müşteriler kaydolduktan sonra, ekibimiz mevcut Braze verilerine dayanarak bu raporların minimum uygulanabilir ürünlerini (MVP'ler) manuel olarak oluşturdu, ilgili müşterilere gönderdi ve bir hafta sonra nitel görüşmelerle takip etti. Bu, müşterilerin gelecekteki eylemlerle ilgili iddialara güvenmek yerine iki rapordan hangisini tercih ettiğini ve bunları gerçekten nasıl kullandığını (eğer varsa) ölçmeyi mümkün kıldı. Bu yaklaşımı kullanarak, müşterilerden varsayımsal bir gelecekte ne yapacaklarını tahmin etmelerini istemek yerine, gerçek müşteri davranışına tanık olduk. Sonuç? Bu deney çok az mühendislik çabası gerektirdi, son derece hızlı sonuç verdi ve yanlış ürünü oluşturma riskini neredeyse ortadan kaldırdı.

3. Erken MVP ile Oyuna Giriş

Bazen müşterilerle potansiyel çözümler hakkında yapılan görüşmeler, özellikle yeni bir alana yaklaşıyorsak, çok belirsiz ve varsayımsal tartışmalara neden olur. Somut referanslar olmadan, teknik fizibilite, rekabet eden öncelikler ve yeni ve tanıdık olmayan bir şeyi kullanmayla ilgili zorlukları unutmaya meyilli olduğumuzdan, mükemmel ürünü mükemmel bir bağlamda hayal etmek kolaydır. Bir müşterinin bu mükemmel deneyimin ayrıntılarını iletmesi de zordur. Belirli bir görüşme sırasında, ürün ekibindeki bizler, farkında bile olmadan müşterilerimizin kafasındakilerden çok farklı bir şey hayal edebiliriz.

Yeni bir AI tabanlı özellikten önce gelen araştırma çalışması sırasında olan buydu. Her zamanki sağlam geliştirme döngümüzden (yani keşif, tasarım, değerlendirme ve yineleme) geçmek yerine, hızlı bir şekilde bir MVP tasarladık ve görevleri tamamlamayı kabul eden ve geri bildirim sağlamak için haftalık olarak bizimle bir araya gelen bir avuç müşteriye sunduk. Birkaç ay içinde sorunları tespit edebileceğiz, yeni fikirleri test edebileceğiz ve tüm müşterilerimizin kullanması için ölçeklenebilir bir ürün üretebileceğiz. Bu şekilde, MVP'nin ötesinde ölçeklenebilir bir ürün oluşturmaya karar vermeden önce, müşterilerin bu özelliği gerçekten nasıl kullanacaklarına dair somut bir anlayış sağlayacak sürekli geri bildirim ve öngörüler elde edebiliyoruz.

4. Gerçek Ürün Etkileşimlerini Yakalamak için Harici Araçlardan Yararlanma

Braze'de, şirket içindeki farklı departmanlardan bir grup insanın FullStory aracıyla Braze ürününü kullanan müşterilerin kayıtlarını izlemek, analiz etmek ve tartışmak için bir araya geldiği haftalık bir "FullStory Fridays" dahili etkinliği düzenliyoruz. Bu yaklaşım düzenli olarak müşteri görüşmelerinde ortaya çıkarılması zor olan içgörüleri ve soruları tetikler (çünkü belirli bir konu hakkında soru soracağımızı bilemeyiz ya da müşteriler rutinlerine o kadar alışırlar ki artık onlar üzerinde aktif olarak düşünmezler).

Ürün etkileşimlerini analiz etmek için kullandığımız başka bir harici araç mı? Looker, davranışlarına veya belirli Braze özelliklerinin kullanımına dayalı olarak araştırma alımına yaklaşmak üzere ilgili şirketleri belirlemek ve nitel araştırma sırasında keşfedilen içgörüleri ölçmek için kullandığımız modern bir iş zekası ve veri uygulama platformudur.

Bu, aşağıdaki gibi soruları yanıtlamak anlamına gelebilir:

• Bu davranış daha geniş müşteri tabanında ne kadar yaygındır?

• Bunu diğerlerinden daha sık yapan belirli müşteri segmentleri var mı?

• X özelliğini kullanan müşteriler, kullanmayanlardan nasıl farklıdır?

UX araştırma projelerimizle bağlantılı olarak nicel analiz fırsatlarını tespit ettiğimizden emin olmak için, yaklaşan girişimleri ve mevcut araştırma sorularını tartışmak üzere İş Zekası ekibiyle düzenli toplantılar yapıyoruz.

Son düşünceler

UX araştırması söz konusu olduğunda, her zaman olmasını istediğiniz veriler ve netlik elde etmenin zor olabileceği durumlar olacaktır. Umarız bu dört yaklaşım, ürününüzü zaman içinde iyileştirebilecek daha güvenilir, veriye dayalı sonuçlar elde etmenin yeni yollarına ilham verebilir.

Ürün geliştirme süreci hakkında daha fazla bilgi edinmek ister misiniz? Braze Ürün Kıdemli Başkan Yardımcısı Kevin Wang'ın ürün kararları vermeden önce sormanız gereken temel sorulara bakışına göz atın.