5 saker du måste göra för att skapa bättre hypoteser

Rebecca Dumont

Går ni på magkänsla och egna åsikter som grund för förbättringar eller A/B-test på er site? Ger det sällan det resultat som ni hoppats på? Då är ni inte ensamma!

Att kontinuerligt A/B-testa eller göra förändringar på siten är något som många företag gör idag med förhoppningen om att förbättra upplevelsen och öka konverteringen.

När vi jobbar med olika företag ser vi ofta liknande problem. Ur ett tekniskt perspektiv har det blivit ganska enkelt att göra A/B-tester eller förändringar på siter, och A/B-tester kan därför göras löpande. Det är såklart positivt, men resultaten lever sällan upp till förväntningarna. En av de vanligaste anledningarna till det är att hypotesen som A/B-testas är baserad på åsikter eller magkänsla. Om inte hypotesen är baserad på data från företagets specifika kunder så kommer generellt sett inte resultaten heller skapa en förbättrad kundupplevelse för just dessa kunder. Förhoppningen om att få snabba resultat gör att det ofta blir väldigt svaga resultat, vilket främst beror på att det viktiga förarbetet blivit nedprioriterat.

Problemet med att prioritera bort förarbetet är att det oftast leder till slutsatser på felaktiga grunder, vilket är slöseri med både tid och pengar. Man kan exempelvis komma fram till att det inte går att förbättra en viss sida eller ett flöde mer, vilket sällan stämmer.

Skillnaden mellan en hypotes och idé är att man vet var en hypotes kommer ifrån, den definierar en lösning, och leder till ett resultat.

Nedan följer 5 saker du måste göra för att skapa bättre hypoteser, och få värdefulla insikter till ökad konvertering.

1. Inse att era besökare inte utför medvetna, rationella handlingar

Det här måste man påminna sig om hela tiden, för det är lätt hänt att falla tillbaka på egna idéer till förbättringar. Tänk på att starta hypotesen objektivt utifrån ett blankt papper – anta att du inte vet någonting om varför dina användare beter sig som de gör.

Många företag tänker inifrån och ut när det kommer till innehåll på sin site. De för rationella resonemang kring hur användaren borde navigera. Men användare gör sällan det mest rationella! De allra flesta är emotionellt styrda och tar snabba omedvetna beslut. Det är dels på grund av att det är så vår hjärna fungerar, men det handlar också ofta om vilken situation användaren befinner sig i när de besöker en site. Det kan vara så att de gör något annat samtidigt som de besöker er site, eller har störningsmoment omkring sig. Då finns det inte tid att utforska och leta runt efter det man söker!

It turns out that just under half the time, 46.9% to be exact, people are doing what’s called ’mind wandering’. They are not focused on the outside world or the task at hand, they are looking into their own thoughts.

– från en studie av Daniel Gilbert & Matthew Killingsworth

Det är därför nästan omöjligt att resonera sig till en lösning, eftersom det förmodligen inte ligger en rationell handling bakom. När man inser att vi alla går på autopilot, d.v.s. att användare tar irrationella beslut, så har man kommit en bra bit på vägen för att skapa bättre hypoteser.

2. Investera tid i förarbetet

Det är en utmärkt idé att testa en hypotes genom ett A/B-test, men för att dra datadrivna slutsatser från ett A/B-test behövs som tidigare nämnt mer fokus på förarbetet. Förarbetet är viktigt om man vill undvika att basera hypotesen på magkänsla eller något som man fått tips om. Detta kan upplevas som att det tar mer tid, men i total input versus output kommer man att tjäna in detta flera gånger om. Det viktigaste är att det i slutändan bidrar till ökad konvertering och förbättrad kundupplevelse baserat på kunders beteende.

Detta kan upplevas som att det tar mer tid, men i total input versus output kommer man att tjäna in detta flera gånger om.

3. Använd både kvantitativa och kvalitativa data för en stark hypotes.

Ta först och främst reda på vilken sida eller vilket flöde på siten som har störst problem. Börja med att kolla upp data i befintliga verktyg som ni har tillgång till – helst både ett webbanalys-verktyg (exempelvis Google Analytics eller Adobe Analytics) och ett heatmap-verktyg (ex. Hotjar eller Crazyegg) som kan hjälpa till att svara på vad som konverterar dåligt på siten.

Ett heatmap-verktyg visar hur användare rör sig på siten – både hur de klickar och scrollar. Det är ett superbra komplement till webbanalys-verktygen, eftersom det kan hjälpa till att avgöra vilken data man ska titta på och var man bör sätta upp tracking framöver. Men denna data svarar inte på varför användare har ett visst beteende.

Läs mer om att analysera data i Hotjar här.

För att svara på frågan om varför krävs en mer kvalitativ metod än ett heatmap-verktyg. För att få fram kvalitativa data använder vi på Conversionista oss av användningstester. Metoden är väldigt värdefull för att skapa insikter i motivation, åsikter och behov. Jämfört med A/B-tester är detta något som färre företag gör. Det kan vara svårare att se det som välinvesterad tid eftersom det inte är lika svart eller vitt som ett A/B-test.

Ett vanligt förekommande problem är att produktutveckling ofta TROR sig veta mer om sina användare än vad det faktiskt gör:

80% of companies say they are customer-centric but only 8% of their customers agree. User research
is no touchy feely sh*t, it is big business.

–  Els Aerts, Conversion Jam 2018

Låt oss ta ett exempel:
Ett e-handelsföretag har sett i sin kvantitativa data (t.ex. Google Analytics) att väldigt få klickar på deras “köpknapp”. De har tidigare testat olika texter på knappen, men inget förändrar konverteringen till det bättre.

Den kvantitativa datan svarar på frågorna om var och vad problemet är, men för att ta reda på varför användarna inte klickar på deras köpknapp krävs kvalitativ data. Det här är ett perfekt tillfälle att göra användningstester och få insikter, eftersom man kan få reda på varför besökaren inte klickar på köpknappen. Ett klassiskt misstag är att texten på knappen inte är anpassad efter användarens språk utan är av mer intern karaktär. Baserat på kvalitativ data från användningstesterna kan företaget sedan skapa en datadriven hypotes som de kan A/B-testa.

(Läs mer om användningstester här)

4. Zooma ut – vad är det ni egentligen vill ta reda på om era användare?

Det är lätt att fastna i detaljerna som i exemplet ovan med text på en knapp. Ibland kan det vara en så liten förändring som behövs för att förenkla för användarna, men ofta är det ett helt annat problem. Då är det viktigt att man lyfter blicken för att se till den övergripande användarupplevelsen för ett specifikt flöde eller en sida.

Låt oss ta ett exempel där det kan bli väldigt fel
Ett annat e-handelsföretag tror att det handlar om texten på en köpknapp, men i själva verket förstår inte besökarna produkten eller syftet med sidan alls och ger upp. Eftersom besökarna inte förstår produkten blir de inte intresserade av att ta någon action – oavsett vilken text som står på köpknappen. Företaget gör flera A/B-tester men ger till slut upp och nöjer sig med en låg konvertering för den sidan och satsar på något annat som de tror att besökarna är mer intresserade av. E-handelsföretaget har då lagt en hel del tid på något som inte gett några resultat eller nya insikter om användarnas behov. Det är en av riskerna när det inte görs en datadriven hypotes som grundar sig i både kvalitativ och kvantitativ data.

I detta exempel skulle ett användningstest med användarna kunna ge mycket värdefull information. Användarna skulle då kunna svara på följande frågor:

  • Vad förväntar du dig när du klickar på denna knapp?
  • Vad är ditt mål på denna sidan?
  • Är det något som känns svårt?
  • Vad tar ditt fokus?
  • Förstår du vad sidan handlar om?
  • Saknar du något på denna sida?
  • Vad jämför du med?

I ett användningstest får man inte bara svaren på frågorna som ställts under testet, utan även användarens reaktioner när de navigerar på sidan. Om vi tittar på deras beteende och ansiktsuttryck, och läser av hur de navigerar på siten kan vi få väldigt värdefulla insikter som vi sedan kan skapa en datadriven hypotes ifrån. På Conversionista använder vi dessutom eyetracking som komplement till vad personen som testar berättar under intervjun, men det ersätter såklart inte frågorna.

5. Skapa datadrivna hypoteser redan från research-stadiet av en ny digital produkt

Det är viktigt att förstå att datadrivna hypoteser även kan skapas och testas under utvecklingen av en digital produkt. Innan en digital produkt är lanserad är det svårt att få fram kvantitativ data, men det går däremot utmärkt att ta fram kvalitativ data genom att göra användningstester på prototyper. Genom att göra löpande användningstester i ett tidigt skede av utvecklingen blir det en mycket mer användarvänlig upplevelse med högre konvertering när produkten väl lanseras.

Utforskande – Vad borde vi egentligen göra?
Formativ – Är vi på väg åt rätt håll?
Summativ – Fungerade det?

Det du behöver göra är att definiera i vilket stadie din produktutveckling befinner sig, för att bestämma vilket angreppssätt som passar er. Hypoteser går att använda till mer än bara A/B-tester, använd det även för att strukturera din research. Oavsett vilket stadie ni är i så ökar ni era möjligheter att förbättra användarupplevelsen på er site om ni lär er bli riktigt vassa på att utföra ett användningstest. Här kan du lära dig hur man blir en bättre testledare.

Lycka till med skapandet av starka hypoteser!

För att säkerställa att ni har gjort en stark hypotes kan ni alltid använda vår ”hypothesis creator”.

Läs även

Gå in i det nya decenniet med Atomic Research

Gå in i det nya decenniet med Atomic Research

Av Johanna Norberg & Magdalena Sjöstrand 8 januari, 2020

Conversionista – nu i familj om fem bolag 🙌

Conversionista – nu i familj om fem bolag 🙌

Av Malin Holmberg 4 december, 2019

Allt du behöver veta om Atomic Research

Allt du behöver veta om Atomic Research

Av Johanna Norberg & Magdalena Sjöstrand 5 november, 2019