Análise de Dados em UX Research

A análise de dados é uma etapa fundamental no processo de UX Research. Continue a leitura e descubra como efetuá-la!
Análise de Dados em UX Research

Efetuar pesquisas em UX Design é uma etapa fundamental para o desenvolvimento de qualquer tipo de projeto.

Mais do que apenas entrevistar usuários, o processo de pesquisa trata de analisar os dados coletados e transformá-los em informações de valor para a tomada de decisão.

Nesse processo estão envolvidas etapas como organização, exploração e categorização dos dados; identificação de insights; e uma abordagem chamada análise temática que ajuda a analisar dados qualitativos — não se preocupe porque abordaremos o passo a passo mais adiante.

Portanto, tenha em mente que em qualquer processo de pesquisa, um dos trabalhos mais importantes do pesquisador é efetuar a análise dos dados coletados.

Por que analisar os dados?

Tomar decisões baseadas somente em dados crus é um grande erro para qualquer projeto — seja de UX Design ou não.

No melhor dos casos, não analisar os dados de pesquisa vai fazer com que o time não forneça uma solução completa e adequada para o usuário. No pior dos casos, essa abordagem pode fazer com que a equipe resolva o problema errado, ou até mesmo inexistente.

Portanto, interpretar e analisar é um processo fundamental para direcionar o projeto para o caminho correto, levando em consideração as reais necessidades do usuário e criando insights para desenvolver melhores soluções.

Um exemplo muito comum de falta de análise é a apresentação simples de números estatísticos como: 60% dos usuários abandonam o aplicativo na página de finalização de compra.

Em uma ação impulsiva, a decisão para essa estatística pode ser o redesign de formulários ou da página inteira de check-out. Mas, na verdade, o problema de abandono do aplicativo pode estar relacionado com os métodos e formas de pagamento.

Nesse caso, o redesign da página não vai solucionar o problema que o usuário encontra e a tomada de decisão que foi feita só vai gerar prejuízos para o projeto.

Por isso que a análise dos dados é importante, para evitar que decisões incorretas prejudiquem o projeto e o desenvolvimento do produto.

Dica de Leitura: Redesign – Você Tem Certeza?

Não deixe a análise de dados para o final

Se você ainda está começando na área de pesquisa, ou nunca efetuou uma pesquisa até agora, talvez a primeira impressão que tenha é que devemos deixar a análise para quando tivermos todos os dados coletados.

No entanto, essa estratégia não é muito indicada porque no final do processo você pode ter uma quantidade muito grande de dados; e lembrar das pequenas nuances e observações que foram feitas ao longo da pesquisa pode não ser possível.

Portanto, ideal é que você esteja sempre analisando os dados que estão sendo coletados.

Ao final de cada entrevista, por exemplo, reserve alguns minutos para colocar as ideias no lugar e fazer anotações. Além disso, anote observações durante as entrevistas também. Caso deixe para depois, esses insights podem acabar se perdendo.

Com isso, a análise final se torna muito mais organizada e fácil de ser realizada.

Como efetuar análises durante as entrevistas?

Enquanto estiver entrevistando ou aplicando um teste, é importante que você anote observações e interpretações das respostas e comportamentos do usuário.

Nesse sentido, é muito indicado que as entrevistas sejam feitas pelo menos com uma dupla de pesquisadores. Dessa forma, enquanto uma pessoa faz a entrevista, a outra anota as observações.

Essa análise prévia durante as pesquisas vai facilitar a análise final, uma vez que não será necessário fazer um esforço para lembrar de todas as questões que foram pensadas e observadas no momento da entrevista.

E depois das entrevistas?

Depois das entrevistas, é importante separar um tempo para sintetizar e organizar os dados e observações que foram coletadas durante o processo.

Coloque todas as observações em um mural ou num quadro; e categorize cada uma delas, identificando pontos de contato e ligações.

Em seguida, junte o time para discutir sobre as observações e resultados, procurando por insights relevantes.

Essas prévias de resultados e insights serão essenciais para compor a análise final da etapa de pesquisa, a qual se assemelha bastante com esse processo de análise intermediário e que vamos detalhar no próximo tópico.

Como efetuar a análise de dados da sua pesquisa?

Como mencionado, analisar é o processo de transformar os dados crus em informação relevante para tomadas de decisão mais assertivas.

Dessa forma, após coletar todos os dados, é importante entender quais métodos e passos podem ser utilizados para que se consiga bons resultados através da sua análise.

Existem, basicamente, 5 passos fundamentais para efetuar uma análise de dados, são eles:

  • Definição dos objetivos da análise;
  • Organização;
  • Exploração;
  • Categorização;
  • Identificação dos resultados e insights.

Definição dos objetivos

Os objetivos da análise estão bastante relacionados com o objetivo da pesquisa em si.

Nesse sentido, é importante ter em mente os motivos que despertaram a necessidade de se conduzir uma pesquisa. Essas razões podem ser as mais variadas, como:

  • Quais são as necessidades do usuário?
  • Qual o perfil mais propenso a utilizar meu produto?
  • Em qual parte da interface há maior taxa de rejeição e por quê?
  • Quais melhorias fazer para aumentar a taxa de conversão?
  • Como tornar meu produto mais atrativo do que a concorrência?

Com essas questões em mente, fica fácil entender qual o direcionamento deve ser proposto à analise dos dados.

Sem um objetivo definido, a análise — e a própria pesquisa — se torna vazia e acaba não tendo uma utilidade real para o projeto.

Portanto, o primeiro passo para a análise de dados é alinhar quais são os objetivos e quais perguntas precisam de resposta.

Organização dos dados

Em quase todas as pesquisas — para não dizer realmente em todas — você vai coletar diversos tipos de dados, inclusive aqueles que não ajudam a atingir os seus objetivos.

Por isso, é importante organizar e fazer esse filtro inicial sobre os dados que foram coletados e descartar qualquer tipo de informação irrelevante para a análise.

Além disso, é importante dispor os dados de forma que seja fácil encontrá-los e saber rapidamente do que tratam.

Por exemplo, se você conduziu uma pesquisa para entender onde há maior taxa de rejeição, você pode separar e organizar os dados de acordo com cada página da sua interface.

Dessa forma, você terá fácil acesso a todos os dados referentes à página inicial ou a de check-out, por exemplo.

A organização é fundamental para poupar tempo e diminuir as chances de erros na análise dos dados.

Dica de Leitura: Documentação De Projetos: Como Criar Documentos Em UX Design?

Exploração dos dados

Explorar os dados talvez seja a etapa que mais necessita de esforço intelectual em todo o processo de pesquisa.

A ideia é estudar as respostas dos usuários e identificar palavras, ideias ou expressões que aparecem com mais frequência e que colaborem com os objetivos da análise e da pesquisa.

No entanto, não se prenda apenas a procurar palavras parecidas ou que se repetem. É importante também interpretar certas expressões e entender o que elas significam, dado o contexto no qual o usuário está inserido.

As pessoas são diferentes e grupos de pessoas se comunicam de forma diferente. Portanto, entender que expressões diferentes possuem o mesmo significado, dependendo do grupo que está respondendo, é fundamental para a sua análise.

Nesse sentido, evite reescrever a resposta dos usuários com as suas próprias palavras. Transcreva-as de forma literal, porque qualquer alteração pode significar a perda de uma expressão importante para os resultados da pesquisa.

Categorização

Após explorar os dados da pesquisa, chegou o momento de criar categorias para alocar as respostas coletadas, de acordo com o que foi identificado na fase de exploração.

A categorização faz com que você consiga identificar quais os assuntos prioritários que necessitam de ações mais rapidamente.

Por exemplo, se você identificou e criou uma categoria chamada "Performance da interface" e percebeu que mais da metade das respostas diz respeito a essa categoria, provavelmente quer dizer que há algum problema latente na performance do seu produto e isso deve ser visto prioritariamente.

Nesse sentido, a categorização é uma forma de organização, mas de uma maneira mais focada na identificação dos problemas a serem resolvidos.

Identificação dos resultados e insights

Resultados e insights são palavras com significados diferentes, mas que incorretamente são utilizadas como sinônimos.

Os resultados se referem aos fatos que foram encontrados, explorados e categorizados pela pesquisa. Por outro lado, os insights dizem respeito à compreensão das causas que culminaram nesses resultados.

Essa diferença acontece porque as respostas dos usuários nem sempre induzem diretamente à causa do problema. Mesmo porque o usuário nem consegue identificá-la realmente, em muitos casos.

Portanto, o processo de análise de dados requer, além dos resultados, que você discuta com seu time quais são os insights e como eles estão relacionados com os objetivos da pesquisa.

Nesse sentido, promova workshops para discutir, com base nas categorias e nos resultados, quais são os possíveis insights para os problemas identificados.

Faça mais de um turno de discussão, para poder ter certeza de que os insights identificados são realmente os mais adequados e que fazem sentido.

Entre um turno de discussão e outro, se possível, faça uma pausa para arejar os pensamentos. Partir para um novo turno com a cabeça mais fresca pode proporcionar mais clareza para a discussão.

Dica de Leitura: Brainstorming: Técnicas Para Destravar Suas Ideias

Pesquisas diferentes, análises diferentes

O passo a passo descrito na seção anterior é um processo generalizado e padronizado que funciona para qualquer tipo de pesquisa, seja ela qualitativa ou quantitativa.

No entanto, cada um desses tipos de pesquisa tem as suas particularidades e devemos lembrar de questões importantes ao trabalhar com elas.

Análise de dados na pesquisa quantitativa

A pesquisa quantitativa é aquela na qual é utilizada a linguagem numérica e matemática para descrever seus resultados. Ou seja, como o nome sugere, é o tipo de pesquisa que conseguimos quantificar o que está sendo analisado.

Nesse sentido, a pesquisa quantitativa é mais objetiva e trabalha com variáveis como:

  • taxa de sucesso ou de falha de uma tarefa na interface;
  • tempo que o usuário leva para efetuar certa tarefa;
  • qual a taxa de rejeição da interface ou de uma parte dela;
  • qual o perfil demográfico dos usuários.

Dessa forma, com a análise da pesquisa quantitativa, você consegue entender como as pessoas utilizam o produto/interface e se sua usabilidade está em um patamar adequado.

Além disso, a análise de dados da pesquisa quantitativa proporciona informações sobre quem é o usuário e em qual contexto ele está inserido, por meio das informações demográficas coletadas.

Análise de dados na pesquisa qualitativa

A pesquisa qualitativa tem um caráter mais subjetivo e de mais difícil interpretação.

Ao contrário da quantitativa, a análise de dados da pesquisa qualitativa não proporciona resultados matemáticos e numéricos. As respostas para as perguntas são mais extensas e precisam de mais atenção e estudo para serem interpretadas.

Não há uma maneira única de se analisar dados qualitativos, mas ao fazê-lo tenha em mente algumas questões como:

  • do que os usuários mais gostaram na interface?
  • do que eles menos gostaram?
  • quais funções possuem mais valores para eles?
  • por que alguns usuários reagem de forma diferente de outros?
  • em qual momento os usuários expressam uma resposta emocional?
  • os usuários ficaram satisfeitos com a utilidade da interface? Por que?

Nesse sentido, a análise de dados qualitativa trará resultados e insights mais profundos com relação à experiência do usuário na interface.

Tendo em vista os diferentes tipos de resultados de análises quantitativas e qualitativas, é importante ressaltar que o processo de UX Research deve contemplar os dois tipos de pesquisa.

Com as diferentes abordagens, a análise de dados quantitativa e qualitativa se complementam e proporcionam mais robustez para a sua pesquisa como um todo.

Análise de dados Temática

Como vimos, dois passos importantes da análise de dados é a sua organização e categorização.

Em um primeiro momento, pode parecer simples efetuar essas ações, mas dependendo da quantidade de dados, do tempo disponível e da sua experiência, esses passos podem acabar sendo um pouco mais complexos.

Nesse sentido, um método eficiente que pode ajudar a quebrar e explorar dados qualitativos é a Análise Temática (Thematic Analysis).

Temas e Códigos

A Análise de dados Temática tem sua base na identificação de temas através de códigos.

Nesse sentido, segundo a Nielsen Norman Group, temos que:

  • Temas: são a descrição de uma crença, prática, necessidade ou outro fenômeno que é descoberto através dos dados;
  • Códigos: são uma palavra ou frase que funcionam como rótulo para um segmento de texto.

Os códigos funcionam como uma palavra-chave ou uma hashtag.

No processo de análise temática os códigos também possuem uma descrição para que o pesquisador consiga entender se tal parte de texto está de acordo com certo código ou não.

Ainda, os códigos podem ser divididos em descritivos ou interpretativos:

  • Códigos descritivos descrevem exatamente sobre a que se referem os dados;
  • Códigos interpretativos dependem da visão e leitura analítica do pesquisador.

Ter em mente essas definições básicas é importante para conseguir implementar a análise de dados temática conforme o passo a passo a seguir.

Dica de Leitura: Outcomes e Outputs – É Importante Entender a Diferença

Como conduzir a Análise Temática?

São 6 os passos para que você conduza a Análise Temática:

  1. Reunir todos os dados;
  2. Ler os dados do início ao fim;
  3. Primeira codificação dos textos;
  4. Criar novos códigos que representem os possíveis temas;
  5. Descansar;
  6. Avaliar os temas propostos.

1) Reunir todos os dados

Junte todos os seus dados crus, resultantes das suas entrevistas, questionários e outros métodos utilizados na pesquisa.

Transcreva os áudios e vídeos para que você tenha todo material em formato de texto, para facilitar todo o processo.

2) Ler os dados do início ao fim

Antes de começar a organizar e analisar, é importante que você e toda a sua equipe estejam familiarizados com os dados.

Nesse sentido, promova workshops que envolvam a leitura de todos os dados por todos da sua equipe.

Durante os workshops, peça para que as pessoas grifem tudo o que julgarem ser importante para as análises.

Uma técnica interessante para esse workshop de leitura é não fornecer todos os dados para todos da equipe de uma só vez. Faça com que cada membro leia uma parte, grife os pontos importantes e passe esse mesmo material para o próximo colega. Dessa forma, ao final, você terá um único material consolidado com todos os highlights destacados por todos da equipe.

3) Primeira codificação dos textos

Codificar os textos é a etapa de categorizar as partes destacadas feitas no passo anterior. Dessa forma, conseguimos agrupar as respostas que possuem o mesmo código para conseguir analisar com mais propriedade.

Existem duas maneiras de se codificar os textos: durante a fase de leitura dos dados ou posterior a essa mesma fase.

Codificar os textos durante a fase de leitura significa criar os códigos quando encontrar uma palavra, sentença ou expressão que julgue ser importante e que poderia encabeçar uma categoria.

Nesse sentido, é importante criar em paralelo uma lista com esses códigos para evitar que outras pessoas criem outros similares ou que se sobreponham. Ao final da fase de leitura, você também terá tudo categorizado e pronto para a próxima etapa.

Por outro lado, codificar após a leitura significa juntar os destaques dos textos que são similares e criar o código a partir desse agrupamento. É quase que a ordem inversa da codificação durante a leitura. Enquanto em uma técnica você cria um código para agrupar, em outra você agrupa para codificar.

4) Criar novos códigos que representem os possíveis temas

A primeira codificação foi apenas um filtro inicial.

Neste próximo passo, a ideia é analisar e encontrar códigos que se relacionam entre si e verificar se você consegue encontrar temas subjacentes a eles.

Com isso, você irá substituir os códigos criados no passo anterior ou até criar novos códigos que melhor compreendem as respostas e que considerem temas relevantes.

Nesse sentido, ao efetuar essa análise, tenha em mente questões como:

  • esses códigos estão relacionados?
  • os códigos estão em linha com os objetivos da minha pesquisa?

Ao final dessa etapa, você deve ter em mãos os códigos finais e a proposta de temas aos quais eles pertencem.

5) Descansar

O trabalho da análise de dados temática envolve bastante carga intelectual. E depois de algum tempo lendo, revendo e criando códigos, é importante tirar um tempo para descanso, se possível.

Refrescar a mente é importante para eliminar alguns vícios do trabalho repetitivo e permite efetuar as análises com um olhar mais fresco.

6) Avaliar os temas propostos

Na última etapa, a proposta é revisar e criticar os códigos e temas propostos. Aqui, é importante envolver mais pessoas do time — caso ainda não as tenha envolvido.

A ideia é promover uma análise minuciosa para entender se os temas criados a partir dos códigos realmente fazem sentido, se estão alinhados com a proposta da pesquisa e se não há nenhuma interpretação incorreta sobre os resultados da pesquisa.

Essa etapa é fundamental para retirar qualquer tipo de viés que possa existir sobre as interpretações individuais das respostas.

Ao final da análise de dados temática você deve possuir dados organizados em temas, que possibilitam a identificação de insights para tomar decisões que vão melhorar a interface e a experiência de seus usuários.

Dica de Leitura: Viés Cognitivo – Como Ser Imparcial Em Seus Projetos de UX?

Análise de dados e resultados contraditórios

Um processo de UX Research envolve diferentes tipos de pesquisa e metodologias para obter diversas visões sobre a performance, aceitação e usabilidade de um produto, por exemplo.

Utilizar diversas metodologias é uma excelente estratégia para que se tenha confirmações — ou não — de diferentes pontos de vista.

O resultado se torna interessante quando todas as metodologias de pesquisa apontam para uma descoberta em comum. Mas o que devemos fazer quando os resultados de diversas metodologias acabam sendo contraditórios?

A NN/g nos dá um caso interessante sobre resultados de pesquisas contraditórios:

Uma empresa desenvolveu uma nova versão de um produto utilizado pelos seus funcionários. Ao efetuar uma pesquisa quantitativa, a equipe do projeto identificou que houve um aumento da produtividade por conta da utilização da nova versão da interface.

No entanto, quando efetuaram uma pesquisa qualitativa, para coletar as percepções dos usuários, encontraram que os funcionários não estavam satisfeitos com esse novo produto.

Ora, que resultado contraditório, não? Ao mesmo tempo que foi comprovado que a nova interface traz mais produtividade para o usuário, ele mesmo diz que não gostou dessa mudança.

Antes de bater o martelo e acreditar que as duas respostas são incompatíveis, é importante em primeiro lugar verificar se não houve algum erro durante a pesquisa e coleta de dados.

Verifique a metodologia

Em casos de contradição, o primeiro passo é rever o que foi feito para entender se houve algum erro durante o processo.

Como a pesquisa envolve seres humanos, alguns erros podem ocorrer e isso é até esperado. No entanto, é sempre importante revisar as etapas, as descobertas e os resultados para garantir que não há nenhuma inconsistência.

Dessa forma, para verificar as contradições, verifique as metodologias utilizadas e revise as possíveis variáveis que podem conter inconsistências:

  • Participantes: os mesmos participantes responderam as pesquisas qualitativas e quantitativas? Grupos diferentes podem proporcionar resultados diferentes para as mesmas perguntas;
  • Tarefas: as tarefas estão consistentes e os participantes da pesquisa qualitativa e quantitativa tiveram o mesmo tempo de exposição e treino prévio para conhecer a interface nova?
  • Logística: o local onde foram feitas as pesquisas emula o local de trabalho dos usuários? Se funcionários de chão de fábrica efetuarem tarefas em lugar mais tranquilo, talvez a produtividade seja maior nos testes;
  • Análise dos dados: existe significância estatística dos resultados analisados? A diferença de performance entre as duas versões foi realmente significativa?

Se não houver erros na metodologia

Então, talvez seja o caso de efetuar uma nova pesquisa, com o objetivo de entender por que esses usuários não estão satisfeitos com o produto, apesar da sua produtividade ter aumentado comprovadamente.

No exemplo utilizado, podemos acabar descobrindo duas possibilidades, como resultado de uma nova rodada de pesquisa:

  • A produtividade individual pode não ser percebida como impactante: o usuário pode não perceber que uma pequena alteração em sua produtividade pode proporcionar grandes ganhos para a empresa. Essa falta de percepção pode ser um dos motivos das pessoas rejeitarem o novo produto, porque não sentiram uma diferença significativa em seus processos;
  • As pessoas não gostam de mudança: é muito difícil implementar uma grande mudança sem que haja alguma aversão a ela. Pode ser que as pessoas simplesmente estejam com medo da nova interface e por isso responderam que não gostaram dela.

Faz parte do trabalho de pesquisa encontrar resultados conflitantes e contraditórios. Nesses casos é importante investigar e, se for o caso, efetuar mais uma pesquisa para entender os motivos das diferenças.

Quais os insights e as recomendações?

O produto final da análise de dados da sua UX Research deve ser a apresentação de insights e a recomendação de ações para solucionar os problemas encontrados.

O insight é uma descrição do que foi aprendido com a pesquisa, com base nos temas e categorias encontrados, que vai dar suporte para o desenvolvimento de soluções para os problemas que iniciaram o processo de pesquisa.

Portanto, os insights são encontrados a partir da análise de dados e não são os resultados das pesquisas. Dizer que 60% dos usuários abandonam a página de check-out não é um insight.

Nesse caso, o insight poderia ser algo como: os usuários se sentem desconfortáveis com as poucas formas e métodos de pagamento fornecidas pela plataforma e, como essas informações só são disponibilizadas na página de check-out, a taxa de abandono nessa interface se torna mais elevada.

Adicionalmente aos insights, é importante que a pesquisa forneça recomendações e sugestões de ação para resolver os problemas identificados.

Do ponto de vista dos stakeholders envolvidos no projeto, pode ser um pouco frustrante receber toda a informação da pesquisa sem que haja uma recomendação de próximos passos.

Portanto, faça uma reunião com a sua equipe, apresente os resultados e o insights e discutam quais são as possíveis decisões que resolveriam o problema. Apresente as recomendações para os interessados e esteja preparado para o feedback.

Com esse texto, esperamos que tenha ficado clara a importância da análise de dados no processo de pesquisa e como ela pode ser conduzida de forma a entregar bons resultado, insights e recomendações!

Se você gostou desse conteúdo não se esqueça de clicar em curtir e compartilhar! Esse pequeno gesto ajuda bastante no nosso trabalho! Fique à vontade para continuar navegando aqui e, caso queira receber nossos conteúdos por email, inscreva-se na nossa newsletter!

Compartilhe
Compartilhar no facebook
Compartilhar no twitter
Compartilhar no linkedin
Compartilhar no whatsapp
Compartilhar no telegram

Cursos

Temos orgulho de ter todo mês novos alunos contratados em países como Brasil, Irlanda, Portugal, Áustria, Nova Zelândia e Canadá.
Faça parte da comunidade Aela no Telegram!
Receba nossos conteúdos e notícias em primeira mão