O que prestar atenção ao trabalhar com dados quantitativos
Parte 3: Guia para transformar métricas e comentários de usuários em descobertas de pesquisa
Um dos maiores aliados das pesquisas de UX são as métricas de times que trabalham diretamente em contato com clientes, como CX, CS e Growth.
Essas métricas, principalmente as que (além da nota) coletam comentários de usuários sobre a experiência, são importantes fontes de dados para UX Research.
Alguns exemplos de fontes desses dados: as pesquisas de NPS, Chamados no atendimento (call center, chat, redes sociais, Reclame Aqui) e Revisões das lojas de aplicativos.
Nos textos anteriores dessa série, vimos como transformar uma grande quantidade de dados em informações inteligíveis e também como analisar essas informações e transformá-las em descobertas de pesquisa.
Agora vamos falar um pouco mais sobre como analisar dados quantitativos.
Nessa série estou usando como case as avaliações da loja de aplicativos, mas o mesmo trabalho pode ser feito com uma base de NPS, CSAT, contatos com o time de atendimento, pesquisa pós Churn e por aí vai.
#1 Contexto
Entender o contexto te ajuda a fazer uma leitura mais precisa dos dados e entender fatores que podem influenciar ou gerar algum tipo de viés.
Alguns exemplos do que observar sobre contexto de coleta dos dados:
- Período analisado: qual foi a data de início e fim de coleta dos dados?
- Sazonalidade: existe algum fator de tempo que pode influenciar esses dados? Quantas e quais versões do sistema (ou serviço) foram lançadas nesse período? O que mudou em cada uma delas?
- Perfil de amostra: qual foi o perfil dos participantes? O quanto essa amostra representa da população inteira? Qual é o grau de confiança? Quais sistemas operacionais estão sendo considerados na análise?
- Gatilho (ou evento) de envio: qual é o evento que desencadeia o envio dessa pesquisa? Em que momento da jornada ele está?
Por exemplo: uma pesquisa sobre a experiência com um serviço feita antes da conclusão do serviço pode não trazer informações sobre todos os pontos da jornada.
- Nota dos concorrentes ou objetivo: sua empresa tem uma referência para comparar esses números? Qual é a nota da concorrência? Qual é o valor de referência considerado ideal pelo mercado?
#2 Números macro
Números macro (Big numbers) são valores que te dão uma visão rápida da situação atual. Olhar esses números te ajuda a entender por onde começar e quais informações você pode se aprofundar.
Aqui, por exemplo, temos 3 valores macro, um deles é a quantidade Ratings (somente a nota), a quantidade de Reviews (nota + comentário) e a nota média (4.1 estrelas).
#3 Tendência
O que está acontecendo com os valores: estão subindo? Descendo? Aumentando? Diminuindo? Estão se mantendo?
A tendência te mostra para onde os dados estão indo, geralmente isso está associado a comportamento: usuários começaram ou pararam de fazer algo.
No gráfico abaixo, por exemplo, vemos que a média de nota está estável no período analisado.
Por exemplo: você lançou uma nova versão do aplicativo e de repente as notas de revisão começam a cair. Essa queda pode indicar que os usuários tiveram uma percepção negativa das mudanças.
#4 Padrões
Padrões te ajudam a entender o comportamento em geral e identificar mudanças. Auxílios visuais, como cores e formas nos gráficos têm como objetivo te ajudar nesse trabalho.
Nesse exemplo, ao olhar o padrão de predominância de avaliações positivas (barras verdes), fica claro que houve uma mudança à partir da semana de 24 de agosto.
#5 Proporções
Olhar a representatividade de um determinado item no grupo te ajuda a entender a importância e priorizar itens em sua análise.
Nesse exemplo, olhar a proporção de cada sentimento e quantidade de estrelas me ajudar a ter uma visualização rápida sobre como está a percepção de meus usuários.
Há uma grande quantidade de notas 1 e notas 5. Enquanto a proporção de notas intermediárias é menor. Nesse caso, tratando os problemas que causam nota 1 é bem provável que a média aumente bastante.
No caso das revisões do aplicativo, eu poderia usar os comentários para entender quais são esses problemas.
Concluindo
Trabalhar com informações quantitativas é mais fácil do que parece. A maioria das ferramentas já trata os dados, criando gráficos e utilizando cores e formas para facilitar a visualização. Assim, o seu trabalho passa a ser interpretar esses dados. E pra isso, é importante observar (entre outras coisas) os seguintes itens:
- Contexto: período analisado, sazonalidade, perfil de amostra, gatilho (ou evento) de envio, nota dos concorrentes ou objetivo
- Números macro
- Tendência
- Padrões
- Proporções
Tem mais alguma dica para análise de dados? Deixe sua contribuição nos comentários :)
Obrigada por ler até aqui! Esse texto foi escrito especialmente para o Ladies That UX BR, um movimento que se propõe a melhorar a participação feminina no mercado como um todo.
Se você é mulher e quer compartilhar conhecimento, submeta seu texto para o LTUX também :)
Algumas palavras que você pode querer entender:
Customer Experience ou Experiência do Cliente (CX) é um conjunto de interações que ocorrem entre a sua empresa e o seu cliente.
Customer Success (CS) é a área responsável por garantir as entregas das experiências no dia a dia dos clientes. CS não participa diretamente do processo de venda (renovação ou upsell) e usa dados para prever proativamente e evitar algumas dificuldades que os clientes podem ter ao usar o seu produto.
Churn: também conhecido como churn rate, é um indicador que mede a taxa de cancelamento dos clientes.
Growth ou Growth haking é um conjunto de técnicas de marketing digital que fazem seu produto/serviço seja visto online, ganhe audiência, seguidores, venda mais etc. A grande diferença entre o marketing tradicional e o growth hacking está no foco das ações. O marketing é amplo e pode ser trabalhado de diversas formas, já o growth hacking é algo focado em crescimento (usuários, vendas, assinaturas, acessos etc).
