UX research and behavioral data

Questa lezione viaggia sul binario ml-tabellare: ogni ragionamento si appoggia a righe e colonne, con cause, evidenze e verifiche che restano incolonnate dall’inizio alla fine. Il nostro obiettivo è capire perché gli utenti abbandonano, facendo parlare tra loro i numeri del funnel e l’osservazione diretta delle persone.

Un’idea in poche parole

La UX research unita ai dati comportamentali spiega perché gli utenti abbandonano collegando funnel misurati e osservazione diretta.

Come mettere in fila il lavoro

1. Definisci obiettivo, funnel di eventi e drop-off critico da spiegare.
2. Quantifica conversione e abbandono per step con baseline storica.
3. Formula ipotesi su comprensione, fiducia, aspettativa e usabilità.
4. Osserva utenti reali sullo step critico con test e interviste mirate.
5. Codifica le cause e valida ciascuna con segmento e controprova quantitativa.
6. Traduci la causa vincente in intervento con metrica e monitoraggio.

Dal funnel all’ipotesi con dati reali

The funnel è la sequenza di eventi verso un obiettivo. I tassi tra step indicano la falla maggiore. In SaaS B2B il flusso tipico è user_signed_up, poi project_created, poi teammate_invited, poi task_assigned.

WITH event_stream AS (
  SELECT * FROM (VALUES
    (1, 'user_signed_up', '2023-10-01 10:00:00', 1),
    (1, 'project_created', '2023-10-01 10:05:00', 2),
    (1, 'teammate_invited', '2023-10-01 10:15:00', 3),
    (2, 'user_signed_up', '2023-10-01 11:00:00', 1),
    (2, 'project_created', '2023-10-01 11:02:00', 2),
    (3, 'user_signed_up', '2023-10-02 09:00:00', 1),
    (4, 'user_signed_up', '2023-10-02 09:30:00', 1),
    (4, 'project_created', '2023-10-02 09:35:00', 2),
    (4, 'teammate_invited', '2023-10-02 09:40:00', 3),
    (4, 'task_assigned', '2023-10-02 09:42:00', 4)
  ) AS t(user_id, event_name, event_timestamp, step_order)
),
funnel_steps AS (
  SELECT
    step_order,
    event_name,
    COUNT(DISTINCT user_id) AS user_count
  FROM event_stream
  GROUP BY 1, 2
)
SELECT
  event_name,
  user_count,
  LAG(user_count, 1, user_count) OVER (ORDER BY step_order) AS previous_step_users,
  ROUND(user_count * 100.0 / LAG(user_count, 1, user_count) OVER (ORDER BY step_order), 1) AS conversion_from_previous_pct,
  100.0 - ROUND(user_count * 100.0 / LAG(user_count, 1, user_count) OVER (ORDER BY step_order), 1) AS dropoff_pct
FROM funnel_steps
ORDER BY step_order;

Se la query mostra un abbandono del 65 percento tra project_created e teammate_invited, il segnale è quantitativo e la causa va accertata con ricerca mirata. È questo il punto d’equilibrio della lezione: l’analisi quantitativa risponde a cosa accade e quanto spesso, quella qualitativa indaga il perché. In pratica, il funnel dice dove guardare e l’osservazione decide cosa sistemare.

Verdetto: il funnel dice dove guardare e l’osservazione diretta decide cosa sistemare: quantitativo e qualitativo non sono alternativi, si usano in sequenza sulla stessa falla.

Fiducia e sovraccarico come cause reali

Spotify affronta la paralisi da catalogo enorme con due evidenze parallele. I dati legano la ricerca senza ascolto a un abbandono più alto. La ricerca, dal canto suo, mostra un bisogno di guida e non solo di catalogo. Da qui nascono Discover Weekly e Daily Mixes, che uniscono algoritmi e insight UX per alzare retention e scoperta. La lezione resta tabellare: segmento, comportamento e outcome prima e dopo l’intervento.

Riferimenti: Sauro e Lewis Quantifying the User Experience Morgan Kaufmann 2016 e Rohrer When to Use Which User-Experience Research Methods Nielsen Norman Group 2014.

Airbnb: quando le foto fanno la differenza

Nel 2009 Airbnb vede un drop-off marcato sulla pagina annuncio e capisce con ricerca qualitativa che le foto amatoriali alimentano la sfiducia verso case di sconosciuti. I fondatori vanno a scattare foto professionali di persona e le prenotazioni raddoppiano o triplicano nei casi trattati. Da qui nasce il programma di fotografi gratuiti per host, con profili dettagliati, recensioni a doppio cieco e messaggistica interna. La catena resta tabellare: segnale quantitativo, causa qualitativa e validazione su prenotazioni prima di scalare.

Domande per controllare quanto hai imparato

1. Quale step del funnel concentra l’abbandono maggiore?
2. Quale ipotesi su fiducia o comprensione spiega il drop-off?
3. Quale osservazione valida la causa prima di intervenire?
4. Quale metrica conferma che l’intervento ha funzionato?