Determinar a causalidade com a análise de clientes

Video: Mapa de empatía: entiende a tu cliente objetivo ideal

Embora a correlação por si só não é causalidade, existem maneiras de determinar e mostrar causalidade entre as variáveis ​​dos clientes. A quantidade de fé que você pode ter em reivindicações de causalidade depende do método utilizado para coletar os dados. Enquanto você pode pensar que uma nova página web design resultou em mais page views, pode ser que visualizações de páginas já foram aumentando.

Você pode usar qualquer um dos cinco métodos para fazer alegações sobre a causalidade, a partir do mais forte e procedendo através do mais fraco.

estudo experimental aleatorizado

Aleatoriamente atribuindo participantes para diferentes tratamentos concepção e / ou um controlo de um estudo de pesquisa é um desenho experimental. Por exemplo, se você queria saber quais os clientes de design iria entender a mais em uma página de check-out, você pode criar três desenhos diferentes:

  • A variável dependente poderia ser algo como

  • Precisão em responder às perguntas

  • Dificuldade em verificar se

  • Confiança em verificar se

  • Tempo para verificar

  • A variável independente é o design - com três variações.

  • A característica principal da pesquisa experimental está a atribuir aleatoriamente participantes para diferentes tratamentos. Você identificar o projeto que usuários selecionados corretamente e foram mais confiantes no uso de fazer sua seleção.

    Há todos os tipos de variáveis ​​que você não pode controlar para - ou desconhecem - que poderiam afetar os resultados. Mas, atribuindo aleatoriamente os participantes a diferentes desenhos ou condições de tratamento, você espalhar essas variáveis ​​incômodo uniformemente entre projetos. Isso aumenta a validade interna e generalização dos resultados.

    Como outro exemplo, os investigadores na Europa conduzido um experimento no qual eles manipularam tanto a usabilidade e apelo visual de um site de comércio eletrônico online. Eles essencialmente tomou um site, fez a navegação intuitiva ou não intuitivo, e em seguida, mudou as cores e contraste para ser atraente ou pouco atraente.

    Eles descobriram que os clientes encontrar sites mais utilizáveis ​​mais atraente. Os pesquisadores concluíram que uma melhor usabilidade aumenta opiniões sobre atratividade. Sua conclusão está bem fundamentada porque eles usaram um delineamento experimental inteiramente casualizado.

    Experimentos (com atribuição aleatória) fornecem os controles mais fortes contra a variáveis ​​externas e fornecer os mais altos níveis de validade interna. Estes geram mais fortes tipos de resultados de pesquisa. Mas o que acontece se você não pode atribuir aleatoriamente os participantes?

    Concepção quase experimental



    Se você quiser testar diferentes condições, mas você não pode atribuir aleatoriamente os participantes para as diferentes condições, então o estudo é quasi-experimental. Por exemplo, você pode querer saber se os clientes encontrar a versão beta de um produto de software mais útil do que uma versão existente. Os clientes de software beta normalmente voluntários para usar o software durante o período de beta-teste.

    Esta auto-selecção (não aleatória) atribuição introduz uma fonte potencial de polarização para os resultados. Tem maior validade externa porque estes grupos são naturalmente segmentado, mas tem menor fiabilidade interno.

    Quando se comparam as atitudes de usabilidade (dizer do SUS ou SUPR-Q) dos clientes de software beta para os clientes versão existente e encontrar uma diferença, a diferença pode ser devido a diferenças no tipo de pessoas que usam o software e as diferenças não reais na atitude. Este tipo de problema é de confusão e faz o tipo de design quasi-experimental menos internamente válida do que a condição experimental.

    A fraqueza com estudos quasi-experimental é que você nunca pode ser tão certo como você pode com atribuição aleatória que qualquer aumento nas vendas é atribuído à variável (neste caso, as vendas) ou a outras variáveis ​​incômodo (neste caso, apenas diferenças entre os mercados).

    estudo correlacional

    UMA Estudo de correlação, como o nome sugere, é quando você olha para a relação entre duas variáveis ​​e relatar a correlação. Por exemplo, a relação entre a usabilidade do produto e probabilidade de recomendar uma forte correlação positiva (ou seja, a facilidade está fortemente associada com, e provavelmente prevê, grande parte por que os usuários fazem e não recomendar produtos).

    Enquanto estudos correlacionais fornecer resultados valiosos, eles não têm atribuição aleatória e as variáveis ​​independentes não são manipuladas, o que diminui a validade interna dos resultados e enfraquece o caso de causalidade.

    A próxima vez que você ouvir que uma métrica cliente faz com que outra métrica, procure identificar como que foi determinado. As possibilidades são ele foi feito com qualquer um estudo de correlação ou um desenho quase experimental. Isso não significa que uma variável não causa outro- significa apenas que você não pode ser tão confiante.

    Estudo-sujeitos individuais

    É frequentemente o caso que a obtenção de acesso aos clientes é extremamente difícil. Por exemplo, você poderia estar interessado em saber se uma nova interface para um scanner PET reduz o tempo que leva assistir radiologistas para ajustar uma configuração no scanner.

    Se você tivesse acesso a um desses clientes, você poderia pedir a ela para executar uma tarefa na versão do software existente três vezes, ficha quanto tempo levou para ser concluído, tê-la tentar a mesma tarefa por três vezes sobre o novo software e, finalmente, tê-la tentar fazê-lo novamente três vezes na versão antiga. A figura mostra como esses dados olha para um gráfico de dispersão.

    Este tipo de estudo de caso único usa o que é chamado uma condição ABA (onde A é o software existente e B é o novo software). Os ensaios repetidos ajudar a estabelecer a estabilidade nas medidas e aumentar a validade interna do achado (tanto quanto é possível a partir de um único assunto).

    A limitação óbvia com o design único assunto é generalização. Tudo o que sei é que quando você manipular uma variável independente (o software), o tempo tarefa vai para baixo por um usuário. Poderia haver uma série de variáveis ​​que você não está representando. Por esta razão, designs únicos-sujeito não são usados ​​com muita frequência na pesquisa do cliente.

    Video: Como Despertar Desejo No Seu Cliente Em 4 Passos (Direto do Aeroporto)

    Você pode realmente usar mais de um participante em um design único assunto (por exemplo, dois ou três radiologistas) e usar a mesma técnica para estabelecer o padrão. Para ser mais sofisticados em sua análise, você também pode usar análise de séries temporais para examinar as tendências ao longo do tempo e por condição para cada usuário ou os dados agregados.

    anedotas

    Infelizmente, muitas decisões empresariais são tomadas com base na opinião ou audição de um cliente ou vendas vocal rep. Enquanto uma boa história de uma estratégia de produto de sucesso pode ser convincente emocionalmente, ele tem pouco peso ao estabelecer causalidade.


    Publicações relacionadas