5 ting du må gjøre for å lage bedre hypoteser

Rebecca Dumont

Stoler du på magefølelse og egne meninger som grunnlag for forbedring eller A/B-testing på nettstedet ditt? Gir det sjelden resultatene du håpet på? Da er du ikke alene!

Å A/B-teste kontinuerlig eller gjøre endringer på nettstedet er noe mange bedrifter gjør i dag med håp om å forbedre opplevelsen og øke konverteringen.

Når vi jobber med ulike bedrifter, ser vi ofte lignende problemer. Fra et teknisk perspektiv har det blitt ganske enkelt å gjøre A/B-tester eller endringer på nettsteder, og A/B-teser kan derfor gjøres fortløpende. Det er selvfølgelig positivt, men resultatene lever sjelden opp til forventningene. En av de vanligste grunnene til det er at hypotesen som A/B-testes er basert på meninger eller magefølelse. Med mindre hypotesen er basert på data fra bedriftens spesifikke kunder, så vil normalt ikke resultatene skape en forbedret kundeopplevelse for akkurat disse kundene. Håpet om raske resultater gjør at det ofte blir veldige svake resultater, noe som først og fremst kommer av at det viktige forarbeidet har blitt nedprioritert.

Problemet med å prioritere bort forarbeidet er at det som regel fører til feilaktige konklusjoner, noe som er sløseri med både tid og penger. Man kan for eksempel komme frem til at det ikke er mulig å forbedre en bestemt side eller flyt mer, noe som sjelden stemmer.

Forskjellen mellom en hypotese og en idé er at man vet hvor en hypotese kommer fra, den definerer en løsning og fører til et resultat.

Under følger 5 ting du må gjøre for å lage bedre hypoteser, og få verdifull innsikt for økt konvertering.

1. Innse at de besøkende ikke utfører bevisste, rasjonelle handlinger

Dette må man minne seg selv på hele tiden, siden det er lett å falle tilbake på egne idéer til forbedringer. Husk å starte hypotesen objektivt ut fra et blankt papir – anta at du ikke vet noe om hvorfor de besøkende oppfører seg som de gjør.

Mange bedrifter tenker innenfra og ut når det kommer til innhold på sitt nettsted. De følger rasjonelle resonnementer for hvordan brukeren burde navigere. Men brukeren gjør sjelden det mest rasjonelle! De aller fleste er følelsesmessig styrt og tar raske, ubevisste beslutninger. Det er delvis fordi det er slik hjernen vår fungerer, men det handler også ofte om hvilken situasjon brukerne er i når de besøker et nettsted. Det kan hende at de gjør noe annet samtidig som de besøker et nettsted, eller har forstyrrelsesmomenter rundt seg. Da er det ikke tid til å utforske og lete rundt etter det man søker.

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.

– fra en studie av Daniel Gilbert & Matthew Killingsworth

Det er derfor nesten umulig å resonnere seg frem til en løsning, ettersom det sannsynligvis ikke ligger en rasjonell handling bak. Når man innser at vi alle går på autopilot, d.v.s. at brukerne tar irrasjonelle avgjørelser, så har man kommet et godt steg på veien mot å lage bedre hypoteser.

2. Invester tid i forberedelsene

Det er en utmerket idé å teste en hypotese gjennom en A/B-test, men for å trekke datadrevne konklusjoner fra en A/B-test må man som nevnt tidligere ha mer fokus på forberedelsene. Forarbeidet er viktig hvis man vil unngå å basere hypotesen på magefølelse eller noe man har fått tips om.

Dette kan oppleves som mer tidskrevende, men i total input versus output kommer man til å tjene inn dette med god margin. Det viktigste er at det til slutt bidrar til økt konvertering og forbedret kundeopplevelse basert på kunders atferd.

Dette kan oppleves som mer tidskrevende, men i total input versus output kommer man til å tjene inn dette med god margin.

3. Bruk både kvantitative og kvalitative data for en sterk hypotese

Finn først og fremst ut hvilken side eller hvilken flyt på nettstedet som har det største problemet. Start med å se på data i eksisterende verktøy du har tilgang til – helst både ett webanalyse-verktøy (for eksempel Google Analytics eller Adobe Analytics) og ett heatmap-verktøy (for eksempel Hotjaer eller Crazyegg) som kan hjelpe til med å svare på hva som konverterer dårlig på nettstedet.

Et heatmap-verktøy viser hvordan brukerne beveger seg rundt på nettstedet – både hvordan de klikker og scroller. Det er et superbra supplement til webanalyse-verktøyet, ettersom det kan hjelpe til med å avgjøre hvilke data man skal se på og hvor man bør sette opp tracking fremover. Men disse dataene svarer ikke på hvorfor brukerne oppfører seg på en bestemt måte.

Les mer om å analysere data i Hotjar her.

For å svare på spørsmålet om hvorfor det kreves en mer kvalitativ metode enn et heatmap-verktøy. For å få frem kvalitative data bruker vi på Conversionista brukstester. Metoden er veldig verdifull når man ønsker innblikk i motivasjon, meninger og behov. Sammenlignet med A/B-tester er dette noe langt færre bedrifter gjør. Det kan være vanskeligere å se det som velinvestert tid ettersom det ikke er like svart eller hvitt som en A/B-test.

Et vanlig problem er at produktutvikling ofte MENER at de vet mer om brukerne sine enn de faktisk gjør:

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

La oss ta et eksempel:

Et netthandelsfirma har sett i sine kvantitative data (f.eks. Google Analytics) at svært få klikker på «kjøpknappen» deres. De har tidligere testet ulike tekster på knappen, men ingenting endrer konverteringen til det bedre.

De kvantitative dataene svarer på spørsmålene om hvor og hva problemet er, men for å finne ut hvorfor brukerne ikke klikker på kjøpknappen kreves kvalitative data. Dette er en perfekt anledning til å utføre brukstester, ettersom man kan få greie på hvorfor besøkeren ikke klikker på kjøpknappen. En klassisk feil er at teksten på knappen ikke er tilpasset brukerens språk, men er av en mer intern karakter. Basert på kvalitative data fra brukstester kan firmaet lage en datadreven hypotese som kan A/B-testes.

(Les mer om brukstester her)

4. Zoom ut – hva er det egentlig dere vil finne ut om brukerne deres?

Det er lett å sette seg fast i detaljene som i eksempelet over med tekst på en knapp. Iblant kan det være en så liten endring som trengs for å forenkle for brukerne, men <strong>ofte er det et helt annet problem</strong>. Da er det viktig at man løfter blikket for å sikre den generelle brukeropplevelsen for en spesifikk flyt eller en side.

La oss ta et eksempel hvor det kan bli veldig feil:

Et annet netthandelsfirma tror at det dreier seg om teksten på en kjøpknapp, men i virkeligheten forstår ikke de besøkende selve produktet eller formålet med siden i det hele tatt – og gir opp. Ettersom de besøkende ikke forstår produktet, vil de ikke være interessert i å gjøre noe – uansett hvilken tekst som står på kjøpknappen. Firmaet gjør flere A/B-tester, men gir til slutt opp og nøyer seg med en lav konvertering for den siden – og satser på noe annet som de tror de besøkende har mer interesse av. Netthandelsfirmaet har da brukt mye tid på noe som ikke ga resultater eller ny innsikt i brukernes behov. Det er en av risikoene når det ikke lages en datadreven hypotese basert på både kvalitative og kvantitative data.

I dette eksempelet ville en brukstest med brukerne gitt mye verdifull informasjon. Brukerne kunne svart på følgende spørsmål:

  • Hva forventer du når du klikker på denne knappen?
  • Hva er målet ditt på denne siden?
  • Er det noe som er vanskelig?
  • Hva tar fokuset ditt?
  • Forstår du hva siden handler om?
  • Savner du noe på denne siden?
  • Hva sammenligner du med?

I en brukstest får man ikke bare svar på spørsmålene som stilles underveis, men også brukerens reaksjoner når de navigerer på siden. Hvis vi ser på oppførselen og ansiktsuttrykkene deres, og leser av hvordan de navigere på siden, kan vi få veldig verdifull kunnskap som vi siden kan bruke for å lage en datadreven hypotese. På Conversionista bruker vi dessuten eye-tracking som et supplement til det testpersonen forteller under intervjuet, men det erstatter såklart ikke spørsmålene.

5. Lage datadrevne hypoteser allerede på research-stadiet til et nytt digitalt produkt

Det er viktig å forstå at datadrevne hypoteser også kan opprettes og testes under utviklingen av et digitalt produkt. Før et digitalt produkt lanseres er det vanskelig å få frem kvantitative data, men det går imidlertid utmerket å produsere kvalitative data ved å gjøre brukstester på prototyper. Ved å gjennomføre kontinuerlige brukstester på et tidlig stadium av utviklingen, blir det en mye mer brukervennlig opplevelse med høyere konvertering når produktet lanseres.

Utforskende – Hva burde vi egentlig gjøre?

Formativ – Er vi på vei i riktig retning?

Summativ – Fungerte det?

Det du trenger å gjøre, er å definere hvilket stadium produktutviklingen din er i, for å bestemme riktig tilnærming. Hypoteser kan brukes til mer enn bare A/B-ester, bruk dem til å strukturere forskningen din. Uansett hvilket stadium du befinner deg på, øker du sjansene dine til å bedre brukeropplevelsen på nettstedet ditt hvis du lærer deg å bli skjerpet på å utføre brukstester. Her kan du lære deg hvordan man blir en bedre testleder.

Lykke til med å lage solide hypoteser!

Lycka till med skapandet av starka hypoteser!

For å forsikre deg om at du har laget en sterk hypotese, kan du bruke vår ”hypothesis creator”.

Se også disse blogginnleggene

Gå inn i det nye tiåret med Atomic Research

Gå inn i det nye tiåret med Atomic Research

By Johanna Norberg & Magdalena Sjöstrand 9 januar, 2020

Alt du trenger å vite om Atomic Research

Alt du trenger å vite om Atomic Research

By Johanna Norberg & Magdalena Sjöstrand 4 desember, 2019