Как и многие дизайнеры, я провожу много времени, разговаривая с потенциальными или текущими пользователями технологий. Я узнаю их истории и делюсь ими с другими. Я также собираю в комнате разных заинтересованных лиц, чтобы они вместе делились этими историями и вырабатывали решения. Эмпатия во всем. Но если вы создаете что-то мощное — что-то вроде программного обеспечения для национальной налоговой системы — где вы столкнетесь с огромным разнообразием пользователей и потребностей, сочувствия недостаточно. Вам нужно больше, чем умение слушать, вам нужна способность быть уверенным в том, что истории, которые вы слышите, имеют значение.

Разрабатываете что-то с помощью машинного обучения? Тогда я поговорю с вами.

Все время ходят страшные истории об инструментах машинного обучения, которые не могут распознавать женские голоса, более темные тона кожи или кого-либо, кроме 27-летнего белого инженера-мужчины из Пасадены. Это не просто техническая проблема предвзятости в обучающих данных, это также вопрос предвзятости в дизайне UX. Дизайнерам нужна возможность с уверенностью заявить, что были задействованы самые разные люди, что были задействованы нужные люди и что ответы — это больше, чем просто субъективные анекдоты. Машинное обучение не содержит субъективизма, и если дизайнеры хотят создавать ответственные инструменты машинного обучения, изучение этики и эмпатии не приведет нас к этому.

5 – не магическое число

Снова и снова я слышу, как люди говорят: «Как только вы поговорите с 5 или 6 пользователями продукта, вы в значительной степени охватите все необходимое». И если вы ищете отзывы о существующем решении, это в некотором роде верно. Большинство наблюдений будут схожими, если пользователи конкретно похожи, а продукт используется только для одной или двух целей. Но опять же, а если все сложнее?

Когда вы проводите исследование Discovery для масштабной, громоздкой проблемы (некоторые могут сказать, что это очень сложная проблема), статистика действительно имеет значение. Большинство социологов сходятся во мнении, что для длительных качественных исследований необходимо около 32 человек, чтобы достичь насыщения. Этот аргумент также верен математически, поскольку интервью с 32 людьми дадут вам где-то от 75% до 85% уверенности в результатах с 5% погрешностью, чтобы обнаружить все проблемы, которые будут обнаружены хотя бы один раз. Это очень хорошо.

К сожалению, многие дизайнеры до сих пор находятся под влиянием некоторых открытий 1980-х годов, согласно которым 5 пользователей создают 85% уверенности при тестировании продукта. Но неоднократные исследования доказали обратное. 5 человек далеко не достаточно, если, возможно, ваше общее количество пользователей тоже не слишком мало. Если у вас есть продукт и вы занимаетесь юзабилити, вам не нужна огромная выборка, но вам нужен более методичный подход, который я сейчас не буду описывать. А для открытия?

Таблица внизу этого поста — один из моих самых любимых инструментов в мире, представленный в книге «Определение пользовательского опыта». В этой таблице используется вероятностная модель, чтобы рекомендовать размер выборки в зависимости от вероятности обнаружения проблем. При перемещении по таблице ваша уверенность находится вверху, погрешность — слева, а размер выборки — посередине. Первое число означает обнаружение всех проблем, которые могут быть обнаружены один раз, а второе число в скобках означает, что все числа должны быть обнаружены дважды. Поэтому, когда вы приступите к проекту и начнете делать открытия, если вы не знаете размер своей совокупности, это хорошее место для начала с точки зрения выбора размера выборки.

Конечно, дело не в черно-белом, потому что эмпирический дизайн — это не наука. Хочу сказать, что эта таблица не догма — есть и другие способы работы со статистическими данными в ваших UX-исследованиях. Как только вы на самом деле начинаете что-то делать и показывать людям, диапазон возможных ответов сужается. По мере того, как вы совершенствуетесь с помощью итераций, диапазон возможных «проблем» также становится меньше. Я определенно рекомендую изучить «Количественный пользовательский опыт», который впечатляюще подробен и содержит ряд предлагаемых подходов к исследованиям юзабилити.

Статистический UX помогает дизайнерам создавать более качественные продукты

Статистический подход может обеспечить ответственную разработку продукта. Слишком часто дизайнер просто ходит на собеседования и принимает ответы за правду, но как насчет предвзятости дизайнера? Имеется ли точное представление круга заинтересованных сторон? Статистический UX может помочь изменить это.

Статистические исследования UX также расширяют возможности. Я слышал, как дизайнеры жалуются, что инженеры не воспринимают их всерьез, ну, если вы можете количественно оценить свою качественную работу, это быстро изменится. Однажды, когда инженер как-то сказал мне, что он «тоже разговаривал с некоторыми пользователями» и не согласен со мной, я указал на 30% погрешность в его выводах и спор быстро. Статистическая выборка в UX-исследованиях всегда вызывает доверие у моих технических коллег.

Статистический UX также является совместным. С увеличением числа сотрудников, занимающихся наукой о данных, и акцентом на A/B-тестирование возрастает потребность в качественных методах исследования UX для определения того, «какие проблемы» заслуживают анализа больших данных. Большие данные и наука о данных обходятся дорого и могут занять недели или месяцы, в то время как статистический UX может выделить ключевые вопросы в течение нескольких часов, дней или недель. Когда UX объединяется с наукой о данных, вы можете лучше использовать свои команды по науке о данных и сократить расходы.

Так важна ли эмпатия? да. Давайте использовать это. Достаточно ли этого, чтобы улучшить жизнь миллионов с помощью дизайна? Наверное, не само собой. Итак, давайте повысим компетентность наших дизайнеров и добавим в проектирование немного больше математики, немного грамотности данных и гораздо больше охвата.