IBM UX Research sarežģītības analīze: kas tas ir un kā sākt

Pirms vairākiem mēnešiem es kopā ar Ricku Sobiesiaku (Dizaina pētījumu vadītājs, IBM Security) un Timu O’Keefe (Dizaina vadītājs, IBM Systems) seansā lasīju labākās prakses dizaina pētījumu sesijā par sarežģītības analīzi. Riks un Tims izstrādāja metodi kopā ar IBM Research, un man bija paveicies no viņiem mācīties. Es esmu pielietojis metodi savas komandas izstrādājumā - IBM PowerAI Vision, lai kvantitatīvi parādītu pievienoto vērtību, ko rada lietotāja pieredzes veidošana, samazinot lietotāja sarežģītību vai uzdevumu secību. Pēc šīs prezentācijas es saņēmu daudz Slack ziņojumus un e-pastus no citām produktu komandām, kuras vēlējās ieviest sarežģītības analīzi. Es uzskatu, ka lietotāju pieredzes pētniekiem ir ļoti svarīgi attīstīt darba kompetenci dažās kvantitatīvās metodēs un vienmēr izmantot kvalitatīvas un kvantitatīvas metodes, lai panorāmas un robustu lietotāja stāstu (vairāk par to lasiet šeit).

Es arī esmu saistījis Rika un Tima oriģinālo sarežģītības analīzes publikāciju šī raksta beigās sadaļā “Resursi” tiem, kas vēlas ienirt vēl dziļāk! Sāksim.

Metodes pārskats

Sarežģītības analīze ir lietojamības pārbaudes metode, lai novērtētu konkrēta uzdevuma vai uzdevumu kopuma izmantojamību, kam nav nepieciešama tieša lietotāja iesaistīšana un kas nodrošina kvantitatīvus rezultātus. Tā kā sarežģītības analīzei nav nepieciešama lietotāju iesaiste, produkta uzdevuma vērtētāji parasti ir produkta dizaina / izstrādes komandas locekļi. Ja iespējams, es ieteiktu savienot lietotāju pētījumu un lietotāju pieredzes dizaina lomas. Tomēr ņemiet vērā, ka tas, ka galvenais dizaineris ir arī vērtētājs, varētu ieviest aizspriedumus, mēģinot objektīvi pārskatīt uzdevuma sarežģītību, tāpēc komandas ieguvēja iesaistīšana, kas varētu būt vērsta uz citu projektu vai tangenciāli saistīta ar telpu, varētu būt noderīga.

Kad vērtētāji veic pārbaudāmo uzdevumu, viņi meklē elementus, kas traucē lietotājam sasniegt savu gala mērķi. Tāpēc pirms sarežģītības analīzes ir svarīgi saprast gan savu lietotāju, gan viņu galveno darbu, kas jāveic. Pretējā gadījumā vērtēšanas laikā jums nebūs atskaites ietvara.

Atšķirībā no kvalitatīvajām metodēm, sarežģītības analīzē kvantitatīvi tiks mērīti elementi, kas, izmantojot sarežģītības metriku, kavē lietotāja mērķa sasniegšanu. Šie rādītāji tiek iegūti no vērtētājiem, piešķirot novērtējumus katram solim vai mijiedarbībai norādītajā uzdevumā. Reitingu kategorijās ietilpst:

  1. Konteksta maiņa: lietotāja pārvietošana izstrādājuma ietvaros, lai pabeigtu darbību.
Piem., Modāls ir neliela konteksta maiņa, salīdzinot ar lietotāja novirzīšanu uz jaunu lapu.

2. Navigācijas norādījumi: nodrošināja atbalstu, lai sāktu un pabeigtu darbību.

Piem.: Ievada teksts par darba sākšanu var noņemt minējumus par galvenajām iespējām.

3. Ievades parametri: informācija, kas lietotājam jānorāda, lai pabeigtu darbību.

Piem.: Apmācībai nepieciešama lietotāja ievade ir divas radiopogas, salīdzinot ar teksta / attēla ievadi, kas nepieciešama citās darbībās.

4. Sistēmas atgriezeniskā saite: sistēmas reakcija uz lietotāja mijiedarbību soļa laikā.

Piem., Reāllaika paziņojumu žurnāls dokumentē lietotāja veiktās darbības.

5. Atsauksmes par kļūdām: sistēmas reakcija uz parastajām kļūdu situācijām šajā posmā.

Piem., Šis kļūdas ziņojums lietotājam norāda, kāpēc darbība nav izdevusies, bet nedod ieteikumus risināšanai.

6. Jaunas koncepcijas: informācija, kas lietotājam jāsaprot, veicot soli.

Piem., Modāls nodrošina funkciju pārskatu, bet, lai iegūtu papildinformāciju, lietotājs izņems produktu.

Katrai no iepriekšminētajām reitingu kategorijām ir sava reitingu skala, un Rika aktīvi sniedz zemu un augstu katras kategorijas rādītāju piemērus. Tas ir tāpēc, ka sarežģītības analīzes algoritms, kas aprēķina galīgo kvantitatīvo punktu skaitu, tiek svērts, pamatojoties uz katras vērtēšanas kategorijas ietekmes līmeni uz uzdevuma vispārējo sarežģītību. Mums, par laimi, mums pašiem nav jāveic lielās formas aprēķini! Bet ir svarīgi saprast, cik svarīgi ir svērtie algoritmi un kāpēc katra skala ir unikāla.

Kad lietot

Es uzskatu, ka sarežģītības analīze ir diezgan elastīga metode attiecībā uz to, kad to lietot un to pielāgot jūsu produktu komandas īpašajām vajadzībām. Tomēr ir dažas lietošanas prasības:

  1. Jums jāatrodas novērtējošā pētniecības posmā pēc ģenerēšanas.
  2. Jūs būsit identificējis mērķa lietotāju (-us) un viņu veicamo darbu (-us). Šis identifikācijas process nozīmē, ka jūs ne tikai zināt viņu lomu un pienākumus darbā, bet arī zināt, kādi jēdzieni viņiem ir zināmi, salīdzinot ar to, ko varētu uztvert kā jaunu. Jums būs jāveic pietiekami daudz pētījumu, lai zinātu viņu kompetences un nenoteiktības jomas.
  3. Jums ir nepieciešami reprezentatīvi konkrētu uzdevumu stiepļu ietvari, kurus mērķa lietotājs vēlas pabeigt (stiepļu ietvariem nav jābūt precīziem, taču tiem jābūt visaptverošiem un iekļaujamiem visiem nepieciešamajiem komponentiem konkrēta uzdevuma izpildīšanai).

Paturot prātā šīs prasības, izstrādājuma izstrādes procesā esmu izmantojis sarežģītības analīzi vairākos dažādos lietošanas gadījumos:

  1. Lai salīdzinātu iepriekšējo lietotāja saskarni ar jaunizveidoto lietotāja saskarni (tas var kvantitatīvi noteikt dizaina komandas pievienoto vērtību produktu pārvaldībai un izstrādei).
  2. Lai salīdzinātu to pašu uzdevumu plūsmu konkurējošā izstrādājumā ar mūsu produktu (lieliski piemērots pārvadāšanai, kur nepieciešams UX un attīstības darbs, lai nodrošinātu, ka produkts ir līdzvērtīgs konkurencei).
  3. Lai salīdzinātu divas dažādas dizaina plūsmas iespējas, lai UI izveidotu pilnīgi jaunu līdzekli / iespējas (tas palīdz, ja izstrādājumā tiek ieviesti jauni jauninājumi vai likmes ir lielas, lai integrētu noteiktu funkciju, un UX komandai ir jānodrošina, lai viņi saņemtu pareiza plūsma pirms validēšanas ar lietotājiem).
1. izmantošanas gadījums: iepriekšējās lietotāja saskarnes salīdzināšana ar jaunu lietotāja saskarni (ņemiet vērā, jo jo zemāka ir sarežģītība, jo labāk).Izmantojiet 2. gadījumu: tā pati uzdevumu plūsma konkurentu izstrādājumos (ņemiet vērā, jo jo zemāka ir sarežģītība, jo labāk).

Kā izmantot

Sarežģītības analīzes veikšanai ir trīs galvenie soļi.

  1. Lietotāja uzdevuma sadalīšana diskrētās darbībās un mijiedarbībās.
  2. Novērtējiet katra uzdevuma soļa vai mijiedarbības sarežģītību 6 vērtēšanas kategorijās.
  3. Izveidotās sarežģītās metrikas analīze un nākamo darbību noteikšana.

1. Lietotāja uzdevuma sadalīšana diskrētās darbībās un mijiedarbībās.

Šis ir visietilpīgākais sarežģītības analīzes posms, taču tas veido novērtējuma pamatu. Turklāt tas ir atsvaidzinošs skatījums produktu komandai, jo jūs varat pievērsties visiem jautājumiem, kurus mūsu pašu pazīstamība var likt mums aizmirst. Sarežģītākā šī procesa daļa ir skaidra izpratne par to, kas tiek uzskatīts par uzdevumu, soli un mijiedarbību.

Piemēram: uzdevumu sadalījums pret soļiem un mijiedarbību.

Uzdevums ir atsevišķs lietotāja vispārējā mērķa vai veicamā darba elements. Soļi ir atsevišķi elementi, kas darbojas, lai izpildītu uzdevumu. Mijiedarbība ir burtiska iesaiste, kas lietotājam būs ar produktu, lai izpildītu kādu darbību. Jūs novērtēsit gan soļa, gan mijiedarbības sarežģītību atkarībā no reitinga kategorijas.

2. Novērtējiet katra soļa vai mijiedarbības sarežģītību 6 vērtēšanas kategorijās.

Kad būsit aprakstījis savus uzdevumus, darbības un mijiedarbību, jums būs jāpārvietojas pa produktu un atbilstoši jānovērtē katrs elements. Nemēģiniet to izdarīt no atmiņas! Izpētiet produktu vai prototipu, kad iegūstat punktu skaitu.

Strādājot pie savu vērtējumu piemērošanas, jums būs jāatsaucas uz katras vērtēšanas kategorijas unikālo vērtējumu skalu un kritērijiem. Tas palīdzēs jums saprast, kas, piemēram, nosaka navigācijas vadību 3 pret 5.

Sarežģītības rādītāji, kas novērtēti pakāpes līmenī: navigācijas norādes, atsauksmes par sistēmu, atsauksmes par kļūdām un jaunas koncepcijas.

Sarežģītības rādītāji, kas novērtēti mijiedarbības līmenī: konteksta maiņas un ievades parametri.

Ja izmantojat sarežģītības analīzes aktīvus, kurus mēs izmantojam IBM ietvaros, jūsu vērtējuma ieejas tiek automātiski pārveidotas sarežģītības metrikā, izmantojot pamatā esošo algoritmu. Šie sarežģītības rādītāji tiks parādīti gan skaitliski, gan grafiski.

Tuvināts skats, kurā parādīts, kādi dati jums jāievada (a, b, c piezīme ir mijiedarbība) - atcerieties, ka daži sarežģītības vērtējumi tiek piešķirti soļa līmenī, bet citi tiek piešķirti mijiedarbības līmenī.

3. Izveidotās sarežģītās metrikas analīze un nākamo darbību noteikšana.

Kad esat pabeidzis sarežģītības novērtējumu ievadīšanu un aprēķinājis sarežģītības rādītājus, jums būs jāsaprot, ko rezultāti nozīmē nākamajās darbībās. Kaut arī dati un diagrammas ir vērtīgi, tie ir daudz nozīmīgāki, ja tos papildina ar ierosinājumiem vai priekšlikumiem, it īpaši, ja tos koplieto ar attīstības un produktu pārvaldības komandām.

Sarežģītības rādītāji joslu diagrammas formā.

Iepriekš minētajā piemērā ir aprakstīts iepriekš aprakstītais lietošanas gadījums, kurā jūs varat izmantot sarežģītības analīzi, lai salīdzinātu divus konkurējošus produktus, kas abi ļauj lietotājam izpildīt vienu un to pašu uzdevumu. Tā kā mēs vēlamies, lai sarežģītība būtu pēc iespējas zemāka, mēs redzam, ka šīs metodes kontekstā produkts B pārspēj produktu A. Mēs arī redzam, ka navigācijas norādes ir vislielākā sarežģītības atšķirība starp diviem produktiem, kam seko jaunas koncepcijas. Tāpēc mēs varam ierosināt, ka Produktu komanda A par prioritāti nosaka izmaiņas, kas samazina navigācijas norāžu un jaunu koncepciju sarežģītību. Papildus šīs informācijas nodošanai komanda, kas veica sarežģītības analīzi, var ieteikt konkrētus veidus, kā sasniegt šos mērķus, tostarp vairāk informācijas ikonu vai iebūves elementus, lai lietotājam veiktu uzdevumu un pastāvīgi informētu viņu.

Labākā pieredze

Balstoties uz manu pieredzi un Rika un Tima norādījumiem, es tālāk esmu aprakstījis dažus labākās prakses piemērus, kas palīdz nodrošināt ideālu sarežģītības analīzes rezultātu:

  • Strādājiet pa pāriem, lai uzdevumiem piešķirtu soļus / mijiedarbību, BET tikai piešķiriet sākotnējos skaitļu vērtējumus un pēc tam salīdziniet (Tas samazina cilvēku tendenci mutiski vienoties un potenciāli piešķirt nepareizu vērtējumu. Šeit kritiski ir tas, ja viens cilvēks piešķir 5 līdz solim un cits piešķir 2 tam pašam solim, tad varat būt pārliecināts, ka atgriezīsities un pārskatīsit).
  • Izvēlieties vienu tvēruma lietotāja mērķi, uz kuru koncentrēties. Pirmo reizi neveiciet visa produkta plūsmu (Tas ir vienkārši pārāk daudz un laikietilpīgi ātrdarbīgā sprinta vidē; izvēlieties vienu mērķi, kas nav pārāk plašs, izolējot visproblemātiskāko plūsmu vai vissvarīgāko spēju iegūstiet tiesības uz vispārējo lietotāja pieredzi un produkta misiju).
  • Kopīgojiet savus gala rezultātus ar lielāku produktu komandu, jo īpaši produktu pārvaldību un attīstību (ir ļoti svarīgi šo metodi izmantot ar mērķi dalīties. Noteikti skaidri paziņojiet ģenerētos joslu grafikus un rezultātus ar lielāku komandu un ierosiniet nākamos soļus jebkuras problēmas risināšanai. apgabali).

Ir svarīgi atzīmēt, ka papildus problēmu zonu norādīšanai sarežģītības analīze ir tikpat būtiska, lai pievērstu uzmanību tām plūsmas daļām, kuru sarežģītība ir zema un kuras darbojas labi. Šī pieredze ir jāaizsargā, jo tiek integrēti jauni dizaini un funkcijas.

Sarežģītības analīze ir efektīva metode, lai kvantitatīvi novērtētu produkta pieredzi ar īpašiem un obligātiem uzdevumiem. Pēc manas pieredzes tas ir ļoti palīdzējis, atbalstot dizaina izmērāmu ietekmi un piešķirot produktu komandai prioritāti starp disciplīnām. Neatkarīgi no tā, vai vēlaties pilnībā ieviest sarežģītības analīzi vai vēlaties piesaistīt dažus no tās galvenajiem īrniekiem informētākām izziņas metodēm vai citām uz uzdevumiem balstītas novērtēšanas metodēm, šīs metodes izpratne nodrošinās jūsu lietotāja pētījumu instrumentu komplektam lielāku vērtību un diapazonu.

Resursi

IBM darbiniekiem: piekļūstiet padziļinātiem resursiem un aktīviem, lai sāktu, ko šeit piedāvā Riks Sobiesiaks, un pievienojieties sarežģītības analīzes kopienai, sazinieties ar Riku Sobiesiaku.

Ne IBM darbiniekiem: piekļūstiet Rika Sobiesiaka un Tima O’Keefe līdzautoru pētniecības dokumentam šeit

Milzīgs paldies gan Rikam, gan Timam! Visas izteiktās domas ir manas pašas. http://www.gabriellacampagna.com/