A Lovestory: come e perché integrare analisi quantitative e qualitative

Come ottenere informazioni sul comportamento dei tuoi clienti online? È sufficiente raccogliere dati quantitativi attraverso strumenti di analytics per comprenderne il comportamento? Cosa dovresti fare come prima cosa: analisi dei dati quantitativi o raccogliere feedback dei clienti?

Nell’articolo ti presentiamo tre chiare strategie per saperne di più su come il feedback dei clienti e le analisi quantitative si possano integrare per ottenere insight di valore.

Differenti approcci all’analisi dati

I feedback qualitativi che vengono raccolti dai clienti forniscono dati attitudinali (cosa dicono le persone) mentre i dati quantitativi forniscono dati comportamentali (cosa fanno le persone). Entrambi sono necessari per ottenere una visione completa dell’esperienza del cliente.

Ecco alcuni suggerimenti su come utilizzarli insieme per ottenere una visione globale:

• Fai attenzione quando chiedi agli utenti direttamente la loro esperienza: potrebbero avere difficoltà a descrivere con precisione il loro comportamento. É sempre molto utile in questo senso chiedere al cliente di contestualizzare “temporalmente” per evitare risposte “non reali”.
• Tieni presente che le analisi incentrate sui dati quantitativi non forniscono informazioni sul motivo per cui un utente ha preso una determinata decisione.

Steve Jobs ha affermato che per avere successo devi iniziare con l’esperienza del cliente e lavorare a ritroso fino alla tecnologia. L’esperienza del cliente consiste nella comprensione delle sue esigenze e nel rispondere a tali necessità con prodotti e servizi.

Come si ottengono informazioni sui clienti? Due approcci di base sono la raccolta di feedback ponendo domande e la raccolta di dati sull’utilizzo diretto da parte dei clienti che interagiscono con i prodotti o servizi in questione.

Punti di forza e limiti delle analisi quantitative e qualitative

Entrambi gli approcci hanno i loro punti di forza e i loro limiti. Il vero potere sta nella loro combinazione!

Se interviste e sondaggi sono condotti in maniera professionale, possiamo addirittura comprendere perché i nostri clienti si comportano in un dato modo durante l’utilizzo di un prodotto/servizio.

Gli approcci tradizionali per raccogliere i feedback dei clienti come le survey sono i migliori quando vuoi approfondire prospettive e motivazioni delle persone relativamente a scenari passati, presenti e futuri: “Cosa è successo quando …?” “Che cosa ne pensi …?” E “Immagina se …”

Fare direttamente questo tipo di domande aiuta a capire il perché o le cause alla base delle loro azioni o preferenze, aspettative e obiettivi.

Ma ciò che la gente dice e ciò che fa non sempre corrisponde.

Le decisioni che i clienti prendono sono spesso istintive o subconscie piuttosto che conscie e deliberate, quindi quando viene chiesto loro di descrivere il “perché” dietro le loro azioni, si rischia spesso di ottenere un’interpretazione delle loro stesse azioni, piuttosto che la reale motivazione.

In altre parole: le persone non sempre sanno perché fanno quello che fanno.

Può anche essere difficile per le persone immaginare scenari futuri o caratteristiche del prodotto e fornire una valutazione accurata di come potrebbero interagire con loro e perché.

Per compensare queste sfide, includi un mix di domande chiuse e aperte. I sondaggi tendono naturalmente ad avere più domande chiuse rispetto alle interviste conversazionali.

I dati risultanti saranno sia strutturati che non strutturati. I dati strutturati tendono ad essere quantitativi e possono essere elaborati direttamente dal software per ricavare informazioni attraverso conteggi e altre statistiche descrittive. I dati non strutturati non hanno un formato o un’organizzazione predefinita e pertanto devono essere ulteriormente elaborati per trarre conclusioni, ad esempio attraverso un metodo strutturato come l’analisi qualitativa.

Usa Analytics per capire cosa hanno fatto i clienti e cosa potrebbero fare

Quando i clienti interagiscono con un prodotto o un servizio, lasciano dei segni. Ad esempio, quando un cliente utilizza un software, possiamo tracciare la sua navigazione attraverso le varie pagine, quanto tempo è rimasto su ciascuna pagina, quali ricerche effettua sul sito, ecc. I dati risultanti sono tipicamente strutturati.

L’obiettivo è capire cosa fanno i clienti attraverso l’analisi dei dati di utilizzo effettivi, anche se non è sempre chiaro il motivo per cui i clienti si sono comportati in un certo modo dai soli dati numerici. Diciamo, ad esempio, che un utente è rimasto su una pagina senza alcuna interazione e poi ha abbandonato il sito. È perché non sapeva cosa fare su quella pagina ed era frustrat*? O è perché era stat* interrott* da qualcosa o la batteria del portatile si è esaurita?

Poiché l’analisi riporta il comportamento dei clienti che si è già verificato, il suo focus è sul passato. Tuttavia, i dati storici possono essere utilizzati per prevedere il comportamento futuro.

Tecniche di machine learning come le catene di Markov o il Sequential Pattern Discovery che utilizzano le classi di equivalenza (SPADE) consentono la previsione dei passaggi di navigazione.

Reti neurali ricorrenti o modelli di media mobile integrata auto-regressiva stagionale consentono di prevedere eventi di serie temporali dai dati passati.

Quando feedback e analisi dati uniscono le forze

Probabilmente è ormai chiaro il motivo per cui queste due forme di analisi devono essere entrambe presenti per consentire di prendere decisioni di valore basate sull’esperienza del cliente durante il processo di progettazione del prodotto.

Esistono tre modi principali per unire questi due metodi e ottenere la massima comprensione e ogni approccio può avvantaggiare la progettazione dell’esperienza del cliente in modi diversi:

1. Eseguire simultaneamente la raccolta di feedback dei clienti e l’analisi dei dati di utilizzo.

Il vantaggio principale di questo approccio è che consente di analizzare le informazioni da entrambe le fonti di dati con particolare attenzione all’identificazione di punti in comune e discrepanze.

I punti in comune sono risultati supportati sia dal sentiment del cliente che dai dati di utilizzo; per esempio, ciò che un cliente dice di aver fatto corrisponde a ciò che ha effettivamente fatto, mentre le discrepanze sono risultati in conflitto.

Un esempio di discrepanza è quando un utente afferma in un’intervista che accede solo raramente a una determinata area del sito, ma i dati di analisi mostrano che visita quell’area abbastanza frequentemente.

L’identificazione di questo tipo di contraddizione dovrebbe informare un ciclo di feedback di follow-up per indagare ulteriormente il tema.

2. Eseguire prima l’analisi per scoprire i modelli di utilizzo.

Cosa fanno i clienti? Quali sono i loro percorsi di navigazione? Su quali pagine trascorrono il loro tempo?

La prima raccolta di questo tipo di dati consente di determinare quali modelli di utilizzo si desidera comprendere in modo più approfondito durante il processo di raccolta del feedback. Esempi di domande informate da questi modelli di utilizzo potrebbero essere: perché navigano in quel modo? L’organizzazione dell’architettura dell’informazione si adatta alle loro esigenze? Come si potrebbe migliorare?

3. Effettuare prima interviste/sondaggi per scoprire temi ricorrenti negli atteggiamenti, aspettative e obiettivi dei clienti.

Questo approccio è ottimo per determinare se le persone si comporteranno nel modo che abbiamo previsto. Per esempio, un cliente potrebbe dire che per trovare un prodotto su un sito di e-commerce, non si trova a suo agio a navigare attraverso l’alberatura proposta.

Rivedere i dati analitici sul suo utilizzo in seguito consente di verificare se l’utente effettivamente tende a scegliere il percorso non ottimale piuttosto che adottare quello nuovo, o se lui — che viene visto come un proxy per altri utenti — adotterà naturalmente il nuovo percorso col tempo.

Più angoli da cui puoi guardare i tuoi clienti hai a disposizione, meglio è. Dopotutto, se nemmeno i tuoi clienti sanno perché fanno quello che fanno, è improbabile che sarai in grado di prevedere a cosa risponderanno meglio senza eseguire una puntuale analisi dei dati.

Le metodologie suggerite nell’articolo possono essere la tua arma vincente: le hai già sperimentate? Con che risultati?