Nach einem abgeschlossenen User Test landet der mit Mühe und vielen Stunden Arbeit erstellte Report als PDF in der Cloud und wird vergessen. Ein Szenario, das leider vielen Produkt Teams bekannt ist. Dabei enthalten diese Reports oft wertvolle Informationen, die auch für künftige Research-Projekte und  Produktentscheidungen nützlich sein können. Wenn allerdings eine neue Person an einem Produkt arbeitet, ist es für diese sehr schwer, die Erkenntnisse der bereits durchgeführten Studien zu verwenden. Das Team verliert an Wert und Wissen, weil immer wieder die gleichen Dinge gelernt werden müssen.

‍

User Research ist oft sehr spezifisch und es wird ein Kontext benötigt, um gesammelte Informationen zu verstehen und fundierte Entscheidungen zu treffen.

Beispiel: Ein Team findet heraus, dass Grün bei CTAs effektiver ist als Rot, heißt das noch lange nicht, dass die Farbe der Buttons im gesamten UI zu grün geändert werden sollte. Diese Erkenntnis ist nur für die getestete Nutzer in einem bestimmten Kontext aussagekräftig.

‍

Hier kommen Research Repositorys zum Einsatz: Sie machen Research nachvollziehbar, nahbar, greifbar und snackable. Im Idealfall für das gesamte Team und darüber hinaus.

Dabei kann für uns ein Ansatz aus dem Bereich Interaction Design hilfreich sein: Das sogenannte Atomic Design – ein Designansatz, bei dem Systeme in ihre kleinsten modularen Teile zerlegt werden. Diese „atomaren“ Teile können dann wiederverwendet und neu kombiniert werden, um neue Designs effizienter zu erstellen. Das Konzept geht auf Brad Frost zurück und ist eine Grundlage für Design Systeme.  

Was wäre, wenn wir diese Unterteilung auf gesammeltes Wissen aus der UX Research anwenden könnten? Inspiriert durch das Atomic Design übertrugen Tomer Sharon und Daniel Pidcock das Prinzip des modularen Aufbaus und entwickelten die sogenannten Atomic Research Repositorys.

‍

Die Ziele eines Atomic Research Repository

• Aufzeichnung und richtige Kategorisierung von Research
• Einfache, aber flexible Suche
• Herkunft, das Umfeld und die Grenzen der Recherche verstehen
• Muster entdecken
• Unterstützung eines evidenzbasierten Ansatz

‍

Atomic Research Repository in der Umsetzung

‍

Experiments: Das haben wir gemacht

Jede Informationsquelle wie User Tests, Umfragen, Bewertungen, soziale Medien, Analysen usw. aus denen wir unsere Fakten abgeleitet haben.

‍

Facts: Das haben wir herausgefunden

Aus Experimenten können wir Fakten ableiten. Fakten sind kurz, unvoreingenommen und bieten ausreichend Kontext, um in sich selbst verstanden zu werden. Sie enthalten keine Annahmen oder Meinungen, sondern nur das, was entdeckt wurde, oder die Meinung der Nutzer.

Zum Beispiel: 3 von 5 Nutzern haben die Beschriftung der Schaltfläche nicht verstanden.

‍

Insights: was uns zu dieser Annahme veranlasst

Ein oder mehrere Facts können miteinander verbunden werden, um einen Insight zu schaffen. Auch wenn sie aus verschiedenen Experimenten stammen. Mehrere Facts können gemeinsam einen Insight widerlegen.

Ein Beispiel: Die Sprache, die auf den Buttons verwendet wird, ist nicht eindeutig.

‍

Recommendations: Also werden wir das tun

Maßnahme, Kontext, Zielgruppe, Nutzen, Messung

Ausreichender Kontext, um selbst verstanden zu werden, verbunden mit relevanten Beweisen (dafür UND dagegen), überprüfbar und messbar, vermittelt eine Vorstellung von Relevanz und Status

Recommendations sind Ideen, wie die Insights, die aus den Facts gewonnen wurden, genutzt werden können. Je mehr Insights mit Recommendations verbunden sind, desto mehr Beweise hat man für deren Aussagekräftigkeit. Dies hilft bei der Priorisierung der Arbeit.

Ein Beispiel: Wir sollten die Schaltflächen mit Symbolen versehen.

‍

‍

Die Entscheidungssicherheit steigt mit der Anzahl der stützenden Fakten.

Einzelne Fakten aus einem Experiment können zu verzerrten Schlussfolgerungen führen. Deshalb müssen wir uns ein breiteres Bild machen, indem mehrere Experimente durchgeführt werden, die unterschiedliche Aspekte abdecken. Dabei können Erkenntnisse mit neuen Daten aus weiteren Usability Tests bewiesen oder widerlegt werden. Aus derselben Erkenntnis können auch mehrere Schlussfolgerungen gezogen werden, die später bewiesen oder widerlegt werden können.

Sobald wir zu einer Empfehlung gekommen sind, muss auch diese getestet werden.

Beispiel: Eine Erkenntnis besagt, dass die Nutzer unsere Buttons nicht verstehen. Eine Empfehlung könnte sein, den Buttons Icons hinzuzufügen. Bei einem User Test stellte sich heraus, dass Icons zum Verständnis beitragen. Jetzt wird ein A/B-Test dazu durchgeführt. Die gesammelten Daten zeigen, dass die Icons allein das Problem nicht zu beheben scheinen.

Je mehr Fakten letztlich zu einer Empfehlung führen, desto mehr kann man sich auf diesen Weg verlassen.

‍

Ein Fakt kann unterschiedlich interpretiert werden.

Ein Fakt kann auf unterschiedliche Weisen interpretiert werden und es können verschiedene Schlussfolgerungen aus einem Einzelnen Fakt den daraus generierten Insights gezogen werden. Später können weitere Fakten aus neuen Experimenten diese Schlussfolgerungen ergänzen, validieren oder entkräften.

‍

Atomic Research Repositorys funktionieren für mehrere Experimente auf einmal.

Daten können genutzt werden, um eine Empfehlung zu widerlegen, während die Erkenntnisse, die zu dieser Empfehlung geführt haben, bestehen bleiben. Tatsächlich können die Daten aus den fehlgeschlagenen Tests einige Erkenntnisse abschwächen, andere jedoch stärken - sie können beweisen, dass eine andere Erkenntnis die richtige ist.

‍

‍

‍3 Grundregeln für (Atomic) Research Repositorys:

Ein Repository ist für alle da

Jeder sollte in den Research-Prozess einbezogen werden. Jeder hat Wissen und solange es sich um eine fundierte Tatsache handelt, sollte jeder nicht nur als Consumer, sondern auch als Collaborator einbezogen werden (d.h. Vertrieb, Marketing, Management, Kundenbetreuung …).

‍

Qualität < Quantität

Natürlich funktioniert ein qualitativ kodiertes Repository besser, aber das wichtigste ist, dass kontinuierlich Facts hinzugefügt werden. Es ist besser, Research durchzuführen, selbst wenn sie nicht sofort perfekt ist, als gar keine Research zu betreiben.

‍

Daten müssen nicht geändert werden

‍Das Atomic Modell erfordert NICHT Daten in irgendeiner Weise zu (ver)ändern. Atomic Insights sind nach wie vor echte, objektive Erkenntnisse aus der Research - sie sind nur eine andere Art, die aus Studien gewonnenen Informationen zu sortieren und zu kategorisieren.

‍

‍

‍

Die Vor-und Nachteile von Atomic Research Repositorys

Vorteile

• Ermöglicht schnelle und selbstbewusste Entscheidungsfindung
• Fördert die Teamkollaboration
• Skalierbarkeit mit geringem Managementaufwand
• Ganzheitlichen Blick auf Ergebnisse
• Nachweise für und gegen ErkenntnisseReduziert persönliche Biases
• Betont die Bedeutung von Re-Testing
• Bietet ein geeignetes Framework auch für Nicht-Researcher
• Verbessert die Archivierung und Durchsuchbarkeit
• Insight Nuggets ermöglichen schnelle Informationen für Stakeholder und fördern ein gemeinsames Kundenverständnis
• Ermöglicht die Markierung von Erkenntnissen, die nicht zur ursprünglichen Fragestellung gehören
• Zeigt übergreifende Muster auf, um Wissenslücken leichter zu erkennen

‍

Nachteile

• Möglicher Verlust von Kontext: Atomic Research betont möglicherweise Erkenntnisse auf Kosten des Gesamtzusammenhangs
• Erfordert einen hohen Aufwand: Researcher müssen zusätzlich Zeit in die Kennzeichnung von Erkenntnissen investieren
• Historische Daten müssen zur Umstellung möglicherweise manuell neu angelegt und strukturiert werden
• Geringere Nützlichkeit für quantitative Research

‍

Wann solltest du Atomic Research verwenden?

• Wenn dein Unternehmen eine große Anzahl von Mitarbeitern hat, insbesondere solche, die geografisch verstreut sind
• Wenn dein Unternehmen viele Kunden hat
• Wenn das Kundenerlebnis über mehrere Kanäle vermittelt wird, einschließlich Store, Apps und persönlichen Dienstleistungen
• Je größer und komplexer dein Unternehmen oder das Kundenerlebnis, desto nützlicher sind Erkenntnisse aus Atomic Research.

‍

‍

‍

‍7 Schritte zu Atomic Research Nuggets:

1. Erstelle eine solide Taxonomie

Die Tagging-Struktur (auch Taxonomie genannt) ist ein Schlüsselelement der Atomic Research und die Grundlage für ein effektives Research-Repository.

Tags können sein:

• Verfahrensbezogen, z. B. Datum, Zeit, Quelle oder Research-Methode
• Demografisch, z. B. Alter oder Ort
• Erfahrungsorientiert, z. B. das Ausmaß oder die Häufigkeit der Beobachtung oder der emotionale Zustand der Testpersonen
• Geschäftsorientiert, z. B. der zugehörige Umsatzbereich, die Geschäftseinheit oder die Produktlinie
• Service-Design-orientiert, z. B. die Reise, Handlung, Szene, Figur oder Requisite

Deine Tags sollten dennoch Flexibilität erlauben, da sich dein Wissen und deine Ziele mit der Zeit weiterentwickeln werden.

‍

2. Führe deine Research-Aktivitäten fort

Da es sich bei Atomic Research um einen Ansatz zur Analyse und Synthese von Research-Daten handelt, musst du keine Änderungen am eigentlichen Research-Prozess vornehmen.

‍

3. Identifiziere „Single-Experience-Facts“

Sobald du deine Research-Daten gesichtet hast, beginne damit, „Single-experience-facts“ zu ermitteln. Das sind unvoreingenommene Zitate, Beobachtungen oder Statistiken, die:

• nur eine Art von Erfahrung widerspiegeln
• objektiv mit Daten untermauert sind
• keine Vermutungen über die Motivationen hinter der Erfahrung anstellen

Beispiel: 50% der Testpersonen fanden den „zum Warenkorb hinzufügen” Button nicht

‍

4. Leite Erkenntnisse aus den Fakten ab

Nachdem du nun eine Liste mit Fakten erstellt hast, kannst du die Bedeutung der Fakten interpretieren. Ein oder mehrere Fakten (aus derselben Studie oder aus früheren Studien) können miteinander verknüpft werden, um eine Erkenntnis zu gewinnen, aber je mehr Fakten du zur Unterstützung einer Erkenntnis hast, desto sicherer kannst du sein, dass sie richtig ist.

Beispiel: Die Sprache auf der Schaltfläche „In den Warenkorb“ ist unklar

‍

5. Identifiziere Möglichkeiten und Empfehlungen

Wenn du zum Beispiel festgestellt hast, dass der Text auf der Schaltfläche „In den Warenkorb“ nicht klar ist, könntest du empfehlen, mit einem anderen Text zu experimentieren oder der Schaltfläche ein Icon hinzuzufügen.

‍

6. Lege Insight Nuggets im Repository an

Damit Insight Nuggets nützlich und brauchbar sind, musst du über ein Repository verfügen, das sie unterstützt und dem Datensatz alle erforderlichen Informationen hinzufügen.

‍Achte darauf, dass du Folgendes angibst:

Was du beobachtet hast: Fügein diesem Abschnitt sowohl das „Was“ als auch das „Warum“ ein.

Beweise, die deine Beobachtung belegen: Dies kann in Form eines kurzen 30-45 Sekunden langen Videos, eines Screenshots, eines Bildes, eines Audios oder eines Textes geschehen.

Tags: Diese helfen dir in Zukunft beim Filtern und Suchen nach relevanten Nuggets.

‍

7. Teile die Erkenntnisse

Nun musst du nur noch (regelmäßig) deine Erkenntnisse mit dem Team und den Stakeholdern teilen. Hierfür eignen sich z. B. ein Research Newsletter, ein Slack Channel, Live Präsentationen usw.

All das heißt jedoch nicht, dass Berichte outdated und unnötig sind – Ganz im Gegenteil: Ein guter, übersichtlicher Bericht ist eine wertvolle und sinnvolle Ergänzung zu einem Research Repository.

‍

Du möchtest auch ein gut strukturiertes Research Repository einrichten? Lass uns in einem unverbindlichen Erstgespräch darüber sprechen, wie wir dich unterstützen können!