Análisis de Usabilidad: Estrategias para Interpretar y Priorizar Datos de Forma Eficiente

Autores: Panagiotis Germanakos y Ludwig Fichte

Como aperitivo, echa un vistazo a nuestro genial video para una historia visual. ¡Disfruta!

Has regresado de largas sesiones de prueba de usabilidad. Lograste visitar 2 clientes y validar tu aplicación nativa con 9 usuarios finales. Todo salió bien y tus folletos están llenos de notas. Sin embargo, siempre queda la pregunta persistente: ¿qué hacer a continuación? ¿Cómo deberías analizar los datos y sacarles el mejor provecho?

Esta podría ser una experiencia típica de un equipo de producto durante la evaluación de usabilidad de una solución, que inicialmente tiene lugar durante la fase de diseño del proceso de desarrollo liderado por el diseño. Intentar evaluar la usabilidad de un producto implica una serie de actividades, que van desde las preparatorias como la composición de guiones de usabilidad y programación de visitas de clientes en el sitio (o remotas), hasta la ejecución real que incluye observación, medición e identificación del comportamiento de los usuarios finales mientras interactúan con la interfaz de usuario, los diseños visuales y las funcionalidades del producto. Todas estas actividades generan datos cualitativos y cuantitativos (capturados de manera explícita o implícita) que deben ser analizados e interpretados de manera colaborativa. El objetivo principal del análisis es comprender los desafíos de interacción, los escenarios complicados, las necesidades o deseos que mejorarían la usabilidad y la experiencia del usuario de la solución.

Sin embargo, recopilar, analizar, clasificar y dar sentido a la información recopilada es una tarea que consume mucho tiempo y requiere mucho esfuerzo. Los datos suelen ser no estructurados, incompletos, inexactos y recopilados en varios formatos, creando una situación abrumadora para un equipo. Los conjuntos de datos que contienen información cualitativa presentan una incertidumbre inherente y una vaguedad. La posibilidad de obtener diferentes entendimientos, explicaciones o interpretaciones es alta, ya que estos conjuntos de datos cualitativos no se pueden reducir fácilmente a números y generalmente expresan opiniones, experiencias, sentimientos y valores. A menudo, no está claro qué considerar y cómo iniciar un análisis de datos, convirtiendo la emoción inicial de los equipos en melancolía por no saber cómo proceder.

Para mí, Ludwig, en docenas de estudios y habiendo probado con cientos de usuarios, seguía recibiendo las mismas preguntas una y otra vez: ¿Tienes alguna plantilla que podamos usar para analizar nuestros datos de manera más exhaustiva? ¿Cómo podemos ahorrar tiempo? ¿Cómo evitamos perder demasiados datos? ¿Cómo podemos priorizar nuestros hallazgos? ¿Cómo podemos comparar nuestros hallazgos con estudios anteriores o futuros? Como investigador de usuarios, a lo largo de los años lo intenté todo, yendo rápido y sucio centrándome solo en un puñado de ideas principales, usando notas adhesivas en carteles impresos de las pantallas probadas y creando muchas hojas de cálculo, tratando de resumir manualmente los hallazgos. Después de todo, el dilema era obvio, podía ahorrar tiempo, arriesgando perder resultados importantes, o ser minucioso, arriesgando que mi equipo no tuviera suficiente tiempo para esperar los resultados. Ninguna de las dos opciones me parecía aceptable. Mi investigación en la web no tuvo éxito, hablar con otros profesionales de UX desde agencias hasta grandes corporaciones tampoco tuvo éxito. Parece que todos prefieren analizar manual y solo semi-estructuralmente sus estudios de prueba de usabilidad a pesar de que definitivamente existía la demanda de un enfoque más guiado.

En cuanto a mí, Panagiotis, la situación era bastante similar. Es un desafío que ha estado dando vueltas en mi cabeza desde siempre, pero se ha vuelto más claro en los últimos 5 años. El advenimiento de la tecnología ha facilitado la recopilación de varios tipos de datos durante los estudios de usabilidad, pero, para mí, siempre hubo un vacío, no poder descubrir los detalles de la información que estos datos esconden en un marco de tiempo aceptable que sea útil para todos: para que los equipos de productos prioricen sus decisiones y elementos del backlog, los diseñadores de UX desarrollen con precisión interacciones y diseños visuales, o la gerencia para documentación y reportes más estructurados. Pero, lo más importante, es injusto para todos los esfuerzos que los equipos de productos invierten en la preparación y recopilación de datos, no tener una forma de revelar el resultado correspondiente que los datos dictan, para adquirir un resultado que se merecen. A lo largo de los años, he probado muchos métodos y creado procesos y hojas de cálculo ad-hoc cumpliendo con las diversas situaciones de proyecto y requisitos de análisis de datos, pero siempre faltaba algo. Algo que no podía encontrar en investigaciones de mercado secundarias o en discusiones con profesionales de UX, colegas internos o externos. Estábamos intercambiando ideas útiles y experiencias únicas, pero cada