Дизайн, основанный на данных: используйте микромоменты ваших пользователей для повышения вовлеченности

Можете ли вы вспомнить свой последний поиск нового ресторана и как вы остановили свой выбор на нем? Если вы, как и я, приклеены к своему смартфону и запускаете дюжину приложений одновременно, то решение может начаться с того, что вы увидели ресторан на улице или услышали о нем от друга, нашли его на сайте отзывов, проверили его на Google Maps, зашли в Instagram, чтобы посмотреть на фотографии блюд — и все это до того, как, наконец, решили собрать несколько человек, чтобы проверить его самостоятельно. А если нам понравится? Мы будем заняты тем, что вернемся на эти сайты отзывов, Instagram, Facebook и так далее, чтобы загрузить свой собственный контент. Все идет по кругу. Именно так мы теперь принимаем решения: Путешествие состоит из множества крошечных, дробных моментов — микромоментов, которые кажутся совершенно не связанными друг с другом, пока не будет завершено все путешествие. Для маркетологов и владельцев продуктов это означает, что победа над пользователями теперь — это гонка, измеряемая моментом. Процветающий продукт должен адаптироваться к миллионам способов взаимодействия пользователя с ним, прежде чем он сможет побудить его совершить желаемое действие. Это то, что я называю «адаптацией к убеждению». Обратившись к науке убеждения и разработав дизайн с учетом микромоментов ваших пользователей, вы значительно улучшите впечатления пользователей от вашего продукта. Вот как Facebook, Netflix и Visme разрабатывают дизайн для микро-взаимодействий и лучше привлекают и убеждают пользователей.

Что такое микромоменты и почему они важны?

Google определяет микромоменты как «момент, богатый намерениями, когда человек обращается к устройству, чтобы действовать в соответствии с потребностью — узнать, пойти, сделать или купить». Это особенно актуально для мобильного маркетинга, где бренд должен быть на месте 24 часа в сутки 7 дней в неделю, чтобы его могли найти потенциальные клиенты с помощью поиска, рекламы и социальных сетей.

Помимо маркетинга, микромоменты становятся все более насыщенными и взаимосвязанными, чем больше пользователь взаимодействует с приложением — цепочка реакций, которая набирает обороты, если пользователь мотивирован. Для дизайна пользовательского опыта (UX) микромоменты или микровзаимодействия характеризуются короткими касаниями пользователя с интерфейсом продукта для выполнения незначительных задач — будь то прокрутка для обновления ленты новостей, нажатие для синхронизации данных, открытие приложения для просмотра уведомления или нажатие, чтобы поставить лайк обновлению. Микровзаимодействия настолько незаметны, что часто воспринимаются как должное. При индивидуальном рассмотрении эти моменты настолько малы, что кажутся малозначимыми для всего пути пользователя. Но именно из этих крошечных взаимодействий складывается весь пользовательский опыт. Беспрепятственно разработанные микровзаимодействия могут сплестись в плавное путешествие пользователя, которое соответствует и превосходит его ожидания. От этих микромоментов зависит, полюбят пользователи ваш продукт или возненавидят его — вы завоевываете сердца, когда каждое взаимодействие, каким бы маленьким оно ни было, доставляет удовольствие вашим пользователям. По словам Дэна Саффера, автора книги «Микровзаимодействия», существует четыре составляющие проектирования микровзаимодействий. Микровзаимодействие не заканчивается, когда момент завершен; скорее, оно возвращается в «петлю привычки», заложенную в путешествие.

• Триггер: Инициирует действие
• Правила: Что происходит при взаимодействии
• Обратная связь: Как вы узнаете, что происходит
• Петли и режимы: Что происходит дальше

Теперь вы осознали важность микровзаимодействий, еще важнее знать, что микромоменты могут быть разработаны для убеждения поведения пользователя. Что произойдет, если пользователь сочтет уведомления раздражающими? Он зайдет в настройки приложения и отключит звук уведомлений навсегда. Это будет ужасное изменение для вас! Чтобы узнать, какие «триггеры» эффективно мотивируют пользователя совершить желаемое действие, необходимо углубиться в науку убеждения.

Использование убеждающих технологий для массового внедрения

Сколько раз вы открывали Facebook, когда хотели поделиться с близкими людьми новостями о своей жизни, вдохновиться интересными новостями или развлечься историями людей? Когда вы прокручиваете ленту новостей, испытываете ли вы каскад эмоций, которые колеблются между восторгом и разочарованием? Заставляют ли вас комментировать, ставить лайк или делиться информацией? Это технология убеждения в действии. Убеждающая технология была впервые представлена Би Джей Фоггом, основателем Стэнфордской лаборатории убеждающих технологий и частью команды, которая работала над ранними программами убеждения пользователей Facebook. В двух словах, убеждающие технологии часто разрабатываются с намерением изменить отношение или поведение пользователя. Этот процесс легко масштабируется с помощью автоматизированных систем, которые адаптируются к изменению поведения пользователей в режиме реального времени. Работая над ранними программами Facebook по привлечению пользователей, Би Джей Фогг разработал концепцию «массового межличностного убеждения» (MIP). Ключевым компонентом концепции MIP Фогга является предоставление пользователям «убеждающего опыта», где конечной целью убеждающей технологии является изменение отношения или поведения. Таким образом, просто развлекать или информировать пользователей недостаточно; цель разработки — заставить их измениться. В случае с Facebook изменение поведения в первую очередь обусловлено социальным влиянием, таким как подчинение, заискивание, групповая динамика и так далее. Здесь ключевую роль играет использование психологических знаний о поведении человека.

Как разработать адаптивное убеждение

Помимо стимулирования массового принятия, истинная сила убеждающей технологии заключается в вовлечении на микроуровне. Разработка продукта для адаптивного убеждения сводится к двум вещам:

• Собирайте нужные данные о пользователе в микромоменты на протяжении всего жизненного цикла пользователя
• Используйте метрики для принятия решений и проектируйте систему, которая адаптируется к микро-взаимодействиям

Именно в этом и заключается UX, ориентированный на данные: Пусть говорят цифры, а не эстетические суждения или чувства дизайна. Собирайте правильные данные и оптимизируйте их по важным показателям.

Сбор данных о взаимодействии на микроуровне

Джек Уэлш, бывший генеральный директор General Electric, знаменито сказал, что существует только два конкурентных преимущества. Первое — «узнавать больше о своих клиентах быстрее, чем конкуренты». Второе — «превращать то, что вы узнаете о клиентах, в действия быстрее, чем конкуренты». Учитывая, что к 2020 году на каждого человека на Земле будет приходиться 45 зеттабайт (40 триллионов гигабайт) данных, способность превращать эти необработанные данные в действенные идеи станет главным конкурентным преимуществом. Facebook является первым примером использования пользовательских данных для создания убедительного опыта. Команда специалистов по науке о данных в Facebook собирает и анализирует огромное количество поведенческих данных, как академическую головоломку, выявляя закономерности поведения людей, проводя корреляции между действиями и предсказывая, чего люди хотят и чего не хотят. Например, команда data science опубликовала исследование о том, что побуждает новичков Facebook вносить свой вклад. Изучив эффективность нескольких механизмов поощрения вклада, таких как социальное обучение и обратная связь, команда смогла разработать рекомендации по дизайну платформы, более дружелюбной к новичкам, подкрепленные данными. В другом примере Facebook изучил наиболее часто проигрываемые песни в День святого Валентина и сравнил песни, которые люди слушали, когда вступали в отношения, и песни, которые слушали после прекращения отношений.

Такие знания о пользователях потенциально могут помочь Facebook предоставлять правильный контент, соответствующий статусу отношений людей: если пользователь недавно стал холостяком, ему может не понравиться песня «Just the way you are» Бруно Марса. Кэмерон Марлоу, бывший руководитель отдела науки о данных в Facebook, говорит: «Наша цель не в том, чтобы изменить модель общения в обществе. Наша цель — понять ее, чтобы мы могли адаптировать нашу платформу для предоставления людям того опыта, который они хотят». «Вирусное приложение с более чем 1 миллиардом ежедневных активных пользователей способно собирать поведенческие данные на микроуровне обо всех ваших подписчиках, поставивших лайк или поделившихся, обо всех, за кем вы следите, и о каждой группе, в которой вы состоите. Его автоматизированная система — умный алгоритм — интерпретирует предпочтения пользователя и рассылает контент новостной ленты в соответствии с поведением конкретного пользователя. Би Джей Фогг представил несколько упрощенную модель того, как работает алгоритм Facebook: путем размещения триггеров HOT на пути мотивированных людей. Он утверждает, что для возникновения желаемого поведения необходимо слияние трех элементов: Мотивация, Способность и Триггер. Поскольку Facebook понимает мотивацию пользователей с помощью данных микроуровня, он способен предоставлять контент, который пользователи хотят видеть (триггер), и облегчать им действия (like, share, comment).

Другим примером использования данных микро-взаимодействия для улучшения пользовательского опыта является Netflix. Netflix — известный лидер в предоставлении индивидуальных рекомендаций на основе «профиля вкуса» пользователя — функции, которая делает возможной массовую персонализацию на основе индивидуальных предпочтений. Борис Эверс, директор по глобальным коммуникациям Netflix, однажды сказал: «существует 33 миллиона различных версий Netflix». Эти персонализированные рекомендации основаны на высоко детализированных пользовательских данных, таких как скорость завершения, содержание, просматриваемое в будние дни по сравнению с выходными, когда пользователи приостанавливают и оставляют содержание, рейтинг, поведение при просмотре, прокрутка и многое другое. Цель алгоритма рекомендаций, как указано в техническом блоге Netflix, заключается в том, чтобы «помочь пользователям найти контент для просмотра и получения удовольствия, чтобы максимизировать удовлетворенность и удержание пользователей».

Перед Netflix стоит сложная задача: у них есть от 60 до 90 секунд, чтобы убедить пользователя посмотреть что-то из 13 000 наименований, прежде чем он потеряет интерес — одна из причин, по которой все 85 миллионов пользователей Netflix из 190 стран имеют разные рекомендации. Для продукта, в котором около 75% активности пользователей определяется рекомендациями, предоставление правильного контента каждому пользователю является ключевым моментом. В Netflix одновременно работает несколько алгоритмов, которые в режиме реального времени обрабатывают данные о поведении пользователей, просмотре и поиске, оптимизируя их для различных целей. Пользовательские данные также могут служить основой для разработки продуктов. Решая, какой контент выводить на рынок, Netflix обратился к данным о своих пользователях. Иллюстрация Mindshare Руководитель отдела цифровых технологий и стратегии Норм Джонстон объясняет, как Netflix сопоставил данные о просмотрах пользователей и выяснил, что тем, кому нравится Кевин Спейси, нравится и Дэвид Финч. Поэтому Netflix решил сделать большой шаг, чтобы адаптироваться к этим предпочтениям пользователей, выпустив оригинальный сериал Netflix с Кевином Спейси в главной роли и режиссером Дэвидом Финчем — «Карточный домик». Излишне говорить, что сериал имел огромный коммерческий успех.

Что это значит для SaaS?

В то время как такие технологические гиганты, как Facebook и Netflix, могут извлечь выгоду из наличия надежной команды специалистов по анализу данных для обработки пользовательских данных, бережливые команды разработчиков программного обеспечения как услуги (SaaS) не обязательно остаются в стороне от игры с большими данными. Технологии сделали возможным для любого владельца SaaS-продукта привлекать миллионы пользователей. У нас больше инструментов и ресурсов, чем мы думаем, для сбора, анализа и принятия мер в отношении этих микромоментов. Существует два типа пользовательских данных, которые SaaS-продукты могут собирать у своих пользователей: качественные (например, демографические данные, данные о самооценке пользователей, данные массовых опросов) и количественные (поведенческие данные микроуровня, такие как регистрация пользователей, вход в приложение, продолжительность сеанса, отказ от использования, частота использования и периодичность входа). Оба типа данных представляют для нас огромную ценность, но служат разным целям. Качественные данные помогают нам сегментировать потребности пользователей на макроуровне, а сочетание этих макропоказателей с микроповеденческими данными может помочь нам определить правильный путь к убеждению.

Если говорить о наших экспериментах в Visme, приложении для создания веб-презентаций и инфографики для недизайнеров, мы сделали две вещи, чтобы проникнуть в макро- и микромоменты целевых потребителей: провели этнографические исследования с помощью пользовательских интервью и опросов, чтобы полностью понять, что нужно нашим пользователям. Основываясь на этом понимании, мы внесли микроулучшения в пользовательский интерфейс, которые отвечают их потребностям в каждой точке соприкосновения с продуктом. Например, опросы пользователей помогают нам понять, кто наши пользователи в более широком масштабе — их отрасли и должностные роли, уровень владения дизайном, функциональные потребности и боли — с большим размером выборки. Мы смогли найти очень полезные сведения, например, тот факт, что менее 25% всех пользователей заявили, что «очень хорошо разбираются в дизайне». Между тем, более 77% из них заявили, что хотели бы узнать больше об истории данных и визуальной коммуникации, но лишь немногие из них читают соответствующие блоги на ежедневной основе. Размышляя над этими данными, мы поняли несколько вещей: Нашим пользователям нужны обучающие ресурсы, но они не будут активно посещать блоги компаний или искать советы. Поэтому мы интегрировали «центр визуального обучения» нашего блога в приборную панель в виде всплывающего окна, чтобы пользователи могли в любое время обратиться за помощью по различным темам, связанным с рассказом о данных и визуальной коммуникацией, не выходя из приложения.

В дополнение к опросам пользователей мы также провели интервью с пользователями один на один, которые помогли нам понять психографические особенности наших пользователей — что их мотивирует, чем они увлечены, как они определяют успех, какова динамика их команды, типичный рабочий процесс и т.д. Результаты этих интервью были особенно полезны для вопросов, на которые не было ответов в ходе опросов, например, как эффективно сегментировать нашу базу пользователей, когда они представляют самые разные отрасли и должности: Они могут быть администраторами в некоммерческой организации, сотрудниками отдела продаж в страховой компании, самозанятыми консультантами по социальным сетям или аналитиками в университете. Мы поняли, что более эффективным способом сегментации наших пользователей являются их потребности и сценарии использования, например, цели, которые они пытаются достичь. Для одних это привлечение аудитории с помощью убедительных визуальных образов, для других — эффективная передача значимых данных для побуждения к действию. Основываясь на этих знаниях, мы разрабатываем контент, который в большей степени ориентирован на эти потребности пользователей: Не просто радовать и развлекать, а действительно использовать контент, чтобы помочь пользователям в их работе. Говоря об использовании количественных поведенческих данных, SaaS-компании могут обратиться к аналитике пользовательских данных для оптимизации коэффициента конверсии.

С помощью инструментов отслеживания поведения пользователей, таких как Mixpanel или Kissmetrics, мы можем проследить тенденции поведения нашей когорты клиентов и определить возможности для оптимизации. В Visme мы уже начали сегментировать базы пользователей и рассылать персонализированные уведомления в приложении. Вместо того чтобы видеть общие уведомления на своей приборной панели, пользователи теперь получают персонализированные уведомления, основанные на тарифных планах, в которых они участвуют, использовании приложения, типе созданного проекта и многом другом. Мы уже наблюдаем увеличение количества переходов с бесплатного на платный тарифный план после внедрения персонализированных уведомлений. Тара-Николь Нельсон (Tara-Nicholle Nelson), предыдущий менеджер по маркетингу компании Trulia, делится на Firstround: «Найдите [микромоменты] ваших клиентов и создавайте контент в ответ на них. Уточняйте конкретные моменты. Что приводит их в действие? Что они ищут? Где они находятся, когда им приходит в голову эта мысль? Например, в Trulia мы обнаружили, что когда люди получали зарплату 15 числа каждого месяца, они проверяли свои банковские счета. Увидев свои сбережения, они начинают поиск информации о среднем размере первоначального взноса. Мы смогли разработать контент, ориентированный на читателя в этот конкретный момент, и это принесло свои плоды в виде роста числа открытий электронной рассылки, просмотров записей в блоге и комментариев читателей. «