در اهمیتِ داده‌محور بودن: یو ایکس رایتینگ داده محور چیست؟

مدتی قبل فردی از من برای افزودن یک عنصر به بسته‌بندی عطر مشورت خواست. از او پرسیدم «چرا می‌خواهی این عنصر استفاده کنی؟ منظورم این است که کارکردش چیست و چه ارزشی به محصول اضافه می‌کند؟» جواب داد «چون محصول ما را بیشتر برای هدیه می‌خرند، این عنصر می‌تواند حس‌انگیز باشد.» خواستم بدانم آیا پشت این حرفش دادۀ قابل‌تکیه‌ای وجود دارد؟ جوابش منفی بود: «نه، فقط یک حس‌ه».

مثل هر کار دیگری، طراحی محتوای تجربۀ کاربر هم به داده‌ها متکی‌ست. شخصاً شهود را دوست دارم ولی وقتی پای یواکس رایتینگ وسط باشد، فقط زمانی مسئولیتِ کارم را می‌پذیرم که فرایند طراحی و یو ایکس رایتینگ داده محور باشد.

یو ایکس رایتینگ داده‌محور چیست؟

تا امروز در پروژه‌های متنوعی به‌عنوان طراح محتوای تجربۀ کاربر مشارکت داشته‌ام. تقریباً در همگی آن‌ها به جملاتی مثل «این خوب نیست»، «به‌نظرم قبلی بهتره»، «حس می‌کنم این کلمه…» و… برخورده‌ام. اوایل کمی بی‌ملاحظه بودم و خیلی چکشی برخورد می‌کردم و می‌گفتم: «دلیل بیاور». رفته‌رفته متوجه شدم نمی‌توانم از همه (از جمله مدیرمحصول، برنامه‌نویس و حتی طراح تجربه) توقعِ استدلال منطقیِ مکتوب داشته باشم. چرا؟ چون مهارتِ بیان مقصود به‌صورت مکتوب یک مهارت همگانی نیست. بنابراین روش دیگری را پیش گرفتم:

توضیح دادن و بیان استدلال (به‌شکل مکتوب) رفتار بالغانه‌تری بود. سعی می‌کردم دلایل منطقی‌ام را توضیح بدهم تا مخاطبم علاوه بر درکِ دلیل و حلّاجی‌کردنش، در مقابل با همان شیوه صحبت کند. وقتی دیدم این روش هم مخاطبم را مجبور به نوشتن می‌کند و نوشته‌ها خیلی پرت هستند، جلساتِ کوتاهِ ۱۰-۵ دقیقه‌ای را جایگزینش کردم. در این نوع از جلسه‌ها منطقم را توضیح می‌دادم و می‌پرسیدم «آیا نتیجۀ تست یا دادۀ دیگری هست که به‌کمکش نظرم را رد کنید؟»

نتیجۀ این رفتار، تأکید بر داده‌ها و اعتباربخشی به یو ایکس رایتینگ داده‌محور بود. حتی اگر در جایی می‌دیدم نتیجۀ گفتگوی ما به یک حکمِ اطمینان‌بخش نمی‌رسد، از همکارانم می‌خواستم امکان آزمون آ/ب را فراهم کنند.

تا اینجای کار، به سه بازوی یو ایکس رایتینگ داده‌محور اشاره کردم:

1. آزمون کاربردپذیری
2. آزمون آ/ب/پ/ت/ث/…
3. بیان منطق و بررسی استدلال‌ها

قبل از اینکه به هر یک از این سه بازو بپردازم، بهتر است کمی عقب‌تر برویم و دربارۀ داده‌ها در طراحی محتوای تجربۀ کاربر حرف بزنیم.

داده‌ها در تجربه‌نویسی: چه چیزی معتبر است؟

داده‌محوری عنوان دهن‌پرکنی‌ست و یو ایکس رایتینگ داده‌محور هم به‌نظر تعبیر شیکی‌ست. منتها وقتی از یک کلمه یا تعبیر بهره می‌بریم، باید ماهیت و معنایش را به‌درستی بشناسیم. به چه چیزهایی می‌گوییم داده و اصلاً چطور از آن‌ها در تجربه‌نویسی بهره می‌بریم؟

داده‌های مشترک

اطلاع‌افزارها (آرتی فکت) و هر چیزی که در فرایند طراحی محصول به‌عنوان داده‌های استخراج‌شده (مثلاً Heatmap) یا گردآوری‌شده (مثلاً نتیجۀ نظرسنجی یا آزمون کاربردپذیری) مبنای کار طراحان و مدیران محصول قرار می‌گیرد، داده‌های مشترکی هستند که تجربه‌نویس هم به آن‌ها تکیه می‌کند.

برخی از منابع داده‌های مشترک:

• تست کاربردپذیری
• هیت‌مپ
• نرخ تبدیل
• تست A/B
• تحقیقات کاربر
• نظرسنجی
• تحقیقات بازار
• کاربرنما (Persona)

چرا این منابع در یو ایکس رایتینگ داده‌محور مؤثر هستند؟

محتوای تجربۀ کاربر نقشِ «زبان محصول» را بازی می‌کند. برای اثرگذاری مطلوب، باید پاسخ پرسش‌هایی مثل:

• مخاطب کیست؟
• مطلوب‌ها و گرایش‌های کاربر چیست؟
• گسترۀ فعالیت ما چقدر است؟
• هدف ما چیست؟
• گفتن چه چیزی لازم و چه چیزی زائد، اضافه یا اشتباه است؟
• چه چیزی بهتر کار می‌کند؟
• چه چیزی گیج‌کننده و چه چیزی هموارکننده است؟
• موانع یا محدودیت‌های کاربر چیست؟
• موانع یا محدودیت‌های فنّی، حقوقی و… ما چیست؟
• مشوّق‌ها چه هستند؟
• دلسردکننده‌ها چه هستند؟
• و…

را بدانیم. می‌توانیم برای پاسخ به همۀ این پرسش‌ها صرفاً به حس و شهود تکیه کنیم. ولی وقتی پای داده‌های قابل‌اتکا وسط می‌آید، تصمیم‌های ما مطمئن‌تر خواهد شد.

داده‌های تخصصی یا مبتنی بر دانش و تجربه

تجربۀ گذشتگان، نردبانی برای ماست. علم همیشه بر شانه‌های اندیشمندان و دانشمندانِ قبل از خود ایستاده و قد بلند کرده. در موارد بسیاری، دانشِ برآمده از تجربه یا تحقیق، داده‌های مسلّمی را به ما منتقل می‌کنند. محتوای پرمخاطبِ مراکزی مثل NNG میوۀ همین نوع از داده‌ها هستند.

ببینید متخصص گروه نیلسون-نورمن چطور روی داده‌ها تأکید می‌کند:

نوع دیگری از داده‌های مبتنی بر علم یا تجربه، قانون‌ها و اصول نگارشی هستند.

به‌عنوان مثال، زمانی که بین دو نفر در تیم طراحی برای استفاده از تعبیرِ «دسته‌ها» و «دسته‌بندی‌ها» اختلاف وجود دارد، اصول نگارشی (دستور زبان، ظرایف نوشتاری، بارمعنایی، بارِ حسی و…) به‌عنوان اطلاعاتِ قابل‌تکیه در یو ایکس رایتینگ داده‌محور به کمک‌مان می‌آیند.

یک نمونۀ دیگر از داده‌های مبتنی بر علم، تحقیق‌های روانشناختی‌ست. اینکه مخاطبان به چه جنس از کلمات یا چه نوع جمله‌بندی‌ها و ترکیب‌هایی واکنش مثبت نشان می‌دهند یا چه ساختارهای نوشتاری‌ای را با دقت بهتری می‌خوانند از جمله داده‌هایی‌ست که یک تجربه‌نویس باید آن‌ها را در فرایند یوایکس رایتینگ داده‌محور به کار بگیرد.

مثالی برای داده‌های مبتنی بر تحقیق و علم

تحقیقاتی که Software Advice آن را منتشر کرده، تا امروز مبنای مقالات مختلفی قرار گرفته. این تحقیق می‌گوید بیشینۀ مشتریان (۷۸٪) در برابر ردشدن درخواست‌شان با لحنی صمیمی احساس رضایت دارند و در مقابل، اگر درخواست مشتریان با لحنِ رسمی پذیرفته شود، فقط ۳۵٪ از آن‌ها احساس رضایت می‌کنند.

خب، حالا بیایید به سه بازویی بپردازیم که در طراحی محتوای تجربه کاربر به‌شیوۀ مبتنی بر داده به کار می‌آیند:

۱. آزمون کاربردپذیری در یو ایکس رایتینگ داده محور

این توصیۀ هوشنگ گلشیری در بسیاری اوقات به من کمک کرده است:

برای آنکه بفهمید داستان‌تان چطور شده، آن را بلند برای خودتان بخوانید.

نقل به‌مضمون از هوشنگ گلشیری

اگرچه محتوای تجربه کاربر داستان نیست، ولی نوعی نوشته است. زمانی که به‌صورت انفرادی کار می‌کنیم و به‌نظرمان می‌رسد که نوشته‌مان بی‌عیب‌ونقص و گویاست، ممکن است یک مرورِ دوباره نظرمان را عوض کند.

بازخوانی یک قدم عقب‌تر از «آزمایش» است. من ترجیح می‌دهم مخاطبانِ محتوای تجربۀ کاربر را موقعِ بهره‌گیری از محصول ببینم و بفهمم با نوشته‌ها چطور ارتباط برقرار می‌کنند. آیا نوشته‌ها بدون اصطکاکِ بیهوده راهنمایی‌شان کرده؟ احیاناً جمله یا کلمه‌ای بوده که فهمیدنش برایشان سخت باشد؟ گیج نشده‌اند؟ مجبور نشده‌اند جمله‌ای را دو بار بخوانند تا بفهمند؟ ایراد کجاست؟ از نوشته و کلمات یا مسیر+کلمات (محتوا و بستر محتوا)؟

جواب این پرسش‌ها به من کمک می‌کند تا محتوای تجربه کاربر را در فضایی غیرشخصی و نزدیک به واقعیت ارزیابی کنم و ایرادهای ظریف را کشف و رفع کنم.

چطور به پاسخ می‌رسیم؟ یکی از قابل‌اتکاترین روش‌ها انجام آزمون کاربردپذیری است. (بیشتر بدانید: چطور محتوای تجربه کاربر را در تست کاربردپذیری ارزیابی کنیم؟)

علاوه بر این‌ها، ترفندها و فرمول‌های موفق هم می‌توانند نوعی داده تلقی شوند؛ به‌شرطی که در زمانِ الهام‌گیری از آن‌ها، به متغیرهایی مثل تفاوت‌های فرهنگی و زبانی و موضوعی توجه کنیم. متأسفانه در بسیاری از اوقات، افراد تصوّر می‌کنند می‌توانند الگوهای موفق مبتنی بر زبان انگلیسی را در یوایکس رایتینگ فارسی هم پیاده‌سازی کنند.

۲. آزمون گزینه‌ها یا A/B/C/D/… Test

من از دودل‌بودن بی‌اطمینانی خوشم نمی‌آید. حتی وقتی زیادی دودل هستم، فوراً سعی می‌کنم تصمیم بگیرم و به‌قولِ سعدی «به راه بادیه رفتن به از نشستن باطل…» عمل کنم. با این حال در برخی از اوقات، نمی‌توانم ادعا کنم بین دو یا چند گزینه، کدامیکی بهتر کار می‌کنند. این تردید بیشتر زمانی گریبانگیرم می‌شود که می‌خواهیم چیزی تازه را در محصول امتحان کنیم.

در این مواقع آزمایشِ همگی گزینه‌های از صافی گذشته، راهگشاست. نتیجه به ما می‌گوید که چه چیزی بهتر کار می‌کند. از یاد نبریم که نتیجۀ چنین آزمایشی قرار نیست به ما بگوید چه چیزی درست و چه چیزی نادرست است. بنابراین باید گزینه‌ها را از صافیِ عقل و شهود و داده‌ها بگذرانیم و بعد با بهره‌گیری از آزمون آ/ب میزان موفقیت هر کدام را بسنجیم.

این کاری‌ست که تیم طراحی محصول کمپانی‌های بزرگ انجام می‌دهد. پوریا خواصی (مدیرمحصول در Booking) در این باره برایمان گفته:

۳. استدلال کردن

آزمون‌ها فرایندهای برنامه‌ریزی‌شده‌ای می‌طلبند. در بسیاری از اوقات،‌ با آن فرایندها فاصله داریم یا می‌توانیم با تکیه بر شواهد، مستندات (مثل گزارش‌های واحدهای پشتیبانی یا تجربۀ مشتری یا هیت‌مپ) و استدلال‌های مبتنی بر قانون‌های تجربه کاربر و اصول نگارش، به گفتگوی استدلالی بپردازیم و با هم نتیجه بگیریم.

طبیعتاً استدلال باید روی مستنداتِ کافی و دلایل منطقی استوار باشد، وگرنه به جروبحث یا تحمیل عقیده منجر می‌شود.

منافعی که یو ایکس رایتینگ مبتنی بر داده دارد

اگر بدانیم چرا داده‌ها را جمع‌آوری یا بررسی می‌کنیم، آن‌وقت می‌فهمیم چطور و در کجا از آن‌ها استفاده کنیم. من شروع کردن با سؤال را خیلی دوست دارم. به‌نظرم طراحی محتوای تجربه کاربر هم نوعی «شروع با سؤال» است که در نهایت می‌توان به آن «یو ایکس رایتینگ مبتنی بر داده» گفت.

یوایکس رایتینگ داده‌محور یعنی بدانیم چه کار می‌کنیم و بتوانیم از کارمان دفاع کنیم و مسئولیتِ محتوای طراحی‌شده را بپذیریم.

یک طراح محتوای داده‌محور، از آنجایی که پرسشگر و استدلال‌گر است، می‌تواند در فرایندهای طراحی هم به بهبود بستر محتوا کمک کند.

عبور از تصمیم‌سازی‌های شهودی و حسی هزینه‌های نامرئی را کاهش می‌دهد و به بهبود نرخ تبدیل و افزایش کارایی محصول کمک می‌کند.