Ikke tro på alt brukeren sier

Den største feilen folk gjør når de jobber med innsikt er å blindt feste lit til brukerens umiddelbare tilbakemeldinger – og stoppe der. Å ta det brukeren sier de ønsker seg for god fisk, er en enkel felle å gå i. Det er nemlig stor forskjell mellom det man ønsker og tror man vil gjøre, og det man faktisk gjør.

Det betyr ikke at folk ikke er ærlige, men vi mennesker er komplekse og våre handlinger kan være uforutsigbare. Innsiktsarbeid gjennomføres ofte i en kunstig setting, der spørsmål og idéer testes basert på hypotetiske scenarioer. Det kan være vanskelig for brukere å forestille seg hvordan de ville handlet i virkelige situasjoner. Derfor kan svarene bli hypotetiske og farget av brukerens idealbilde. Mange kan for eksempel ha et ideal om å være den personen som står opp kl 06:00 for å jogge. Men hvor mange av oss er faktisk denne idealpersonen? Sannsynligvis er det ikke så mange av oss, og vi gjør det ihvertfall sjeldnere enn vi skulle ønske. Likevel ville nok mange av oss svart “ja” hvis vi ble spurt om vi er interessert i å trene om morgenen. Det er som oftest et misforhold mellom det folk sier de vil gjøre og det de faktisk gjør.

Dette betyr ikke at intervju som metode, i tidlige faser av innsiktsarbeidet, bør unngås. De er utmerket for å få en grunnleggende forståelse av brukernes behov. Vi kan også støtte oss på en rekke Generativ AI verktøy som partner i de tidlige fasene, som vi tidligere har skrevet om her. Disse kan brukes til å innhente tilleggsinnsikt med lav investeringskostnad, slik at vi raskt kan ta valg om konseptuell retning og bevege oss dypere ned i produkt eller tjenesteutviklingen.

Innledende innsikt kan peke ut retning for det videre arbeidet med å utvikle et produkt, en tjeneste eller en strategi. Det er dette vi i Sprint kaller «minimumsnivået av innsikt». Dette er innsikten vi trenger for å komme i gang, idégenerere og å sette fart på arbeidet. Problemet oppstår når man på bakgrunn av innledende (og noen tilfeller begrenset) innsikt definerer detaljene i en løsning. Da risikerer vi å miste kontekst og kompleksiteten i brukernes hverdag, som vi vet påvirker valget og bruken av tjenester.

Tre tips for robust testing og videreutvikling av løsninger

Når vi beveger oss fra innsiktsarbeid og inn i konsept- og løsningsutvikling, fortsetter vi med testing og eksperimentering. Gjennom disse vil vi hente inn mer innsikt og læring. På denne måten er ikke innsikt bare noe vi gjør i innledende fase, men kontinuerlig gjennom prosessen. Dette er essensielt for å redusere risiko og utvikle et mer treffsikkert produkt.

I Sprint setter vi derfor opp en innsikts- og testplan, med varierte aktiviteter over tid. Gjennom årene har vi erfart at resultatet blir best hvis vi følger tre prinsipper når vi setter opp disse aktivitetene:

• Detaljeringsnivå: Skap tester som i økende grad simulerer virkeligheten
• Omfang: La brukertesting strekke seg over tid
• Variasjon: Utforsk problemstillingen gjennom forskjellige perspektiver

Vi vil nå gå igjennom hva vi legger i hver av disse prinsippene, og eksemplifisere fra tidligere prosjekter.

1. Detaljeringsnivå

Når vi har den grunnleggende innsikten på plass, begynner vi også å få en forståelse for- og antagelser om hvordan en løsning bør fungere. Disse antakelsene vil vi teste tidlig med brukere for å forstå om vi er på riktig spor eller skal forkaste idéen.

Da blir spørsmålet: «Hvordan kan vi føre brukeren nærmere den virkelige opplevelsen av løsningen, uten å lage et faktisk produkt eller en tjeneste?»

Vi løser dette ved å lage enkle eksempler eller skisser, som vi tester på brukere. I starten kan dette være en håndskisse på papir eller en pappfigur av idéen. Vi ønsker at brukeren skal gi tilbakemelding på- og samhandle med disse eksemplene. Det gir prosjektet store mengder innsikt med liten innsats. Detaljeringsnivå handler om å ha et bevisst forhold til hvor virkelighetsnær skissen eller prototypen skal være, for å kunne gi oss svar på det vi lurer på – på det stadiet av prosessen vi er på det tidspunktet.

Tidlig i et prosjekt er vi mer usikre på de grunnleggende elementene eller retningen i en løsning, og ønsker derfor mer åpne tilbakemeldinger på de overordnede tingene. Da vil bruk av mer ufullstendige skisser tillate brukere å "fylle inn hullene" og gi mer kreative tilbakemeldinger. Da lærer vi om for eksempel når og hvor de ville brukt produktet, forventninger og hvordan det passer inn i andre produkter de bruker. Det gjør at vi kan avdekke behov vi kanskje ikke var klar over.

Ettersom arbeidet skrider fremover, blir disse skissene mer forseggjorte. Vi går videre med å gjenskape elementer av en tjeneste eller et produkt i røffe, uslepne digitale skisser. Underveis lærer vi mer om hvordan løsningen fungerer, og vi finsliper skissene slik at de ligner mer og mer på hva en endelig løsning vil være. Til slutt sitter vi med en virkelighetsnær prototype. Det åpner for innsamling av data om brukernes faktiske atferd. Her vet vi av erfaring at det også kommer tilbakemeldinger på språk, brukerflyt og betalingsvilje.

En slik stegvis økning i detaljeringsnivå gir en mer komplett forståelse av brukerbehov og lar brukere gi tilbakemelding på en idé i flere stadier. Med en slik tilnærming minimeres risikoen for å agere for raskt basert på de første reaksjonene fra brukerne.

Et eksempel på hvordan vi brukte dette i et prosjekt er fra et innovasjonsløp for et industriselskap. Mandatet var å utvikle nye tjenester som gjorde livet enklere for sluttbrukeren. Med oss i denne prosessen hadde vi en referansegruppe med brukere som ga oss innspill og tilbakemeldinger på konseptene i flere omganger. Første gangen vi viste de konseptene valgte vi å lage et «konseptkort», bestående av tittelen på konseptet og nøkkelfunksjonalitet som var tenkt inkludert i løsningen. Dette tok oss mindre enn en time å sette opp digitalt. Vi hadde en hypotese om at dette ville åpne opp for tilbakemeldinger på konseptet som en helhet, men også på kostnad, funksjonalitet, kanal, osv. Gjennom testen fikk vi mange nyttige innspill på de forskjellige konseptene og fikk en pekepinn på hvilke som var mest verdifulle for brukeren. Resultatet var at vi forkastet noen konsepter, men vi skjønte også at det var vanskelig for brukeren å se hvordan det passet inn i deres liv. Til andre runde lagde vi derfor noen enkle prototyper av landingssider der vi presenterte konseptene som om de skulle vært solgt på nettsiden til selskapet. Dette gjorde vi for de konseptene vi hadde fått en indikasjon om at var verdifulle for sluttbrukeren. Selv om konseptene ikke var tenkt å leve på nettsiden ga det et mer virkelighetsnært bilde som testbrukeren kunne kjenne seg igjen i. Utfallet var flere umiddelbare tilbakemeldinger fordi brukeren i større grad skjønte hvor de skulle bruke konseptet, og vi hadde «fargelagt» konseptet med bilder og illustrasjoner.

2. Omfang

Med omfang mener vi viktigheten av å la brukeren teste over tid og gi rom for å reflektere rundt løsningen i mer realistiske brukssituasjoner. Dette fører til at tanker og meninger hos testbruker modnes. Helt konkret innebærer dette at en har flere interaksjoner med samme bruker, for eksempel i en serie med tre intervjuer eller tester.

En annen variant er å la bruker få utforske løsningen uten observatør til stede, en såkalt hjemmetest eller fjerntest. Ved å sette opp tester der observatør ikke er til stede, åpner en opp for læring om hvordan brukeren naturlig anvender produktet og hva de faktisk forstår – uten forklaring. Det vil gi data om hvordan atferd og oppfattelse av et produkt endrer seg over tid, og hvilke faktorer som påvirker dette. I tillegg vil vi lære om hvordan produktet brukes i den konteksten det er tenkt å brukes i, til forskjell fra i et møterom på et kontor.

I prosjektet for industriselskapet nevnt tidligere hadde vi med en referansegruppe av brukere gjennom konseptutviklingen. Gruppen besto av seks sluttbrukere som vi samlet i tre sesjoner, i forskjellige gruppe-konsultasjoner. Dette var verdifullt av to grunner:

1. Brukerne ble komfortable: Å være i en brukertest kan være uvanlig for noen, og vi opplevde at testdeltagerne ble mer komfortable over tid. Det ga rom for mer ærlig dialog, men også diskusjon mellom brukerne om deres hverdag og hvordan de opplevde konseptene.
2. Kjennskap til konseptene: Ettersom tiden gikk, ble de kjent med konseptene og utviklingen av disse. Dermed ble de i stand til å bli mer og mer konkrete på hva som ga verdi, og være med på å forme kjernen av konseptet.

Et annet eksempel er fra et produktutviklingsløp av middagsretter for en norsk matprodusent. Her satte vi opp hjemmetester, nettopp for å gi brukeren muligheten til å lage middagene hjemme hos seg selv. Testdeltagerne fikk utdelt produktene samt et informasjonsskriv om hvordan gi tilbakemelding. Utover dette var det ingen instruksjoner, og familiene fikk oppdage og utforske smakene i sin vanlige middagssituasjon. I denne testen lærte vi blant annet at flere testbrukere valgte å krydre med egne prefererte krydder og legge til ingredienser i ferdigrettene som de selv liker (eller hadde liggende). Dette er funn vi ikke hadde fått dersom vi hadde servert de retten i et møterom. I dette eksemplet brukte vi i tillegg Generativ AI til å generere produktbilder med forskjellig emballasje. Det gjorde at vi skapte en virkelighetsnær test, men men også fikk testet merkevare i en tidlig fase.

3. Variasjon

Sist, men ikke minst: skap variasjon. Gjennom variasjon sikrer en at løsningen granskes fra ulike vinkler. Ser vi problemet fra kun én vinkel, vil også svarene bli mer ensidige og vi har mindre sannsynlighet for å treffe bredt. Prosessen er enklere med kun én vinkel, men det fører mest sannsynlig til at en overser viktige brikker i puslespillet. Variasjonen kan være innenfor en gitt test eller eksperiment, og den kan være mellom type data en samler inn. Når en varierer innenfor en gitt test, innebærer det å la samme bruker utføre flere forskjellige typer oppgaver i samme test. Dette kan være å besvare en rekke spørsmål, oppgaver som «kortsortering» og bruk av prototyper.

En annen måte å variere på, er å supplere funnene vi får gjennom testing med andre typer data. Det kan være spørreundersøkelser med et større utvalg av brukere, markedsundersøkelser eller akademiske forskningsartikler. I mange tilfeller finnes det også kvantitativ data knyttet til kanaler, innringerlogg, kjøpemønster, frafall eller annen digital atferd som kan berike eller støtte opp under kvalitativ data. Til slutt anbefaler vi også, hvis mulig, å observere brukerne for å se om det de gjør stemmer med det de sa i samtalen. Dette vil gi et mikro- og makroperspektiv på spørsmålene en utforsker, og bidra til å se det store bildet. Kanskje man til og med avdekker behov en ikke visste eksisterte.

I et prosjekt for en møbelforhandler brukte vi en rekke data for å kontrollere resultatene fra intervjuer. Først sammenlignet vi resultatene våre med data fra forskningsartikler og Statistisk Sentralbyrå. Videre satte vi opp en funksjonell prototype for å observere brukerens adferd. Prototypen ble satt opp slik at den registrerte alle handlingene brukeren utførte i løpet av testen. Deretter lot vi brukeren teste prototypen fritt, men gjennomførte intervjuer før og etter bruk. Resultatet var at det som ble sagt i intervjuene avvek fra handlingene som ble logget i prototypen. Konklusjonen fra testen var at vi ikke hadde tatt høyde for situasjonen brukeren vanligvis befinner seg i når de bruker produktet vårt. Det var riktig at vi hadde identifisert et udekket behov hos brukerne, men hadde ikke designet og utført løsningen på en måte som ga mening for brukerne våre. Hvis vi bare hadde stolt på én datakilde, hadde vi ikke avdekket at verdiforslaget var rett, men løsningsforslaget upresist i forhold til brukernes reelle behov i deres kontekst. Dette ga oss rik data til å oppdatere løsningsforslaget vårt.

Bruk detaljeringsnivå, tid og variasjon for å bli grundig kjent med brukerne

For å oppsummere må vi ha med brukeren og deres tilbakemeldinger, ikke bare i første fase av et prosjekt, men kontinuerlig i en utviklingsprosess. Ved å ta høyde for de tre prinsippene vi har nevnt i denne artikkelen sikrer en at problemstillingen belyses fra ulike vinkler, og at brukerne har den nødvendige konteksten de trenger for å kunne gi tilbakemelding av høy kvalitet. Selvfølgelig er måten aktivitetene gjennomføres på også avgjørende for kvaliteten på dataene, men prinsippene vil sikre at en utvikler en solid forståelse av behovene en prøver å imøtekomme. I sum vil dette føre til at en unngår å falle i fellen med å tro på brukernes umiddelbare, innledende reaksjoner.

Har du spørsmål om brukertesting, innsiktsarbeid eller eksperimentering? Vi tar gjerne en uforpliktende prat.