فیلمسازان هالیوود دوست دارند هوش مصنوعی را بعنوان یک عامل باهوش و تواناتر از انسانها معرفی کنند. خوشبختانه ، ما هنوز به این وضعیت نرسیده ایم – هنوز. ما هنوز به مهندسانی برای توسعه الگوریتم ها و ابزارهای نوآورانه برای بهبود تعاملات انسانی با نرم افزار و سیستم ها نیاز داریم. نگران نباشید – ما نه می توانیم با یادگیری ماشینی تجربه کاربری را حل کنیم و نه نزدیک هستیم.
یادگیری ماشینی طی سالها به بلوغ رسیده است و به ما امکان می دهد از اطلاعاتی که جمع آوری می کنیم بینش بیشتری کسب کنیم. حتی می توانیم یادگیری ماشینی را برای تغییر شغل یک طراح UX ، طراح محصول و طراح تعامل پیاده سازی کنیم.
این مقاله پنج استراتژی مختلف را در مورد چگونگی استفاده از یادگیری ماشین برای بهبود تجربه کاربر معرفی می کند.
بیایید درست در آن شیرجه برویم!
1. شخصی سازی سطح بعدی را ارائه دهید
شخصی سازی روند داغی برای سال 2020 باقی مانده است. یادگیری ماشین به شما کمک می کند شخصی سازی سطح بعدی را به مشتریان ارائه دهید.
به قول Booking.com:
شخصی سازی مبتنی بر یادگیری ماشین یک روش مقیاس پذیرتر و دقیق تر را برای دستیابی به تجربیات منحصر به فرد برای تک تک کاربران فراهم می کند. به جای تقسیم بندی کاربران با شخصی سازی مبتنی بر قانون ، به شما امکان می دهد از الگوریتم هایی برای ارائه این تجارب یک به یک استفاده کنید ، معمولاً به صورت توصیه هایی برای محصولات یا محتوا.
در اینجا لیستی از مثالهای شخصی سازی ناشی از یادگیری ماشین آورده شده است:
- ایمیل های شخصی شده براساس سابقه جستجو و خریدهای قبلی محصولات متناسب با علاقه کاربر را توصیه می کنند.
- پیشنهادات محتوا برای وبلاگها بر اساس علایق کاربر ، که باعث کاهش نرخ پرش و بهبود مدت زمان وی در وب سایت می شود.
- با ایجاد یک سیستم پاداش شخصی ، تخفیف های قابل اجرا تری را ارائه می دهید.
2. توصیه های با کیفیت بالاتر ارائه دهید
Amazon.de پیشنهادهای محصول را براساس سابقه خرید من در رابطه با دوچرخه سواری ارائه می دهد
یک کسب و کار با ارائه توصیه های با کیفیت بالاتر برنده می شود ، زیرا می تواند درآمد خود را افزایش دهد. کاربران همچنین برنده می شوند ، زیرا زمان کمتری را برای جستجوی محصولات صرف می کنند.
مطالعه ای توسط لهجه نشان می دهد که ، در سال 2018 ، 63٪ از خریداران توصیه های محصول را ترجیح می دهند. این تعداد برای هزاره ها حتی بیشتر است ، و به 69٪ طرفداران توصیه های محصول نسبت به جستجوی دستی محصولات مرتبط است.
فیلتر کردن مشارکتی یک روش پرکاربرد برای ارائه توصیه های محتوای شخصی تر است. فیلتر مشارکتی پیشنهادات محتوا را براساس کاربران با سلیقه مشابه بر اساس بررسی و خرید آنها ارائه می دهد.
به عنوان مثال ، یک دانشجو و تاجر امتیازات مشابهی را به چند رستوران داده اند. به احتمال زیاد آنها سلیقه های فردی مشابهی دارند. بنابراین ، ما می توانیم یک رستوران خاص را که تاجر با نمره “9” به دانش آموز رتبه بندی کرده است ، توصیه کنیم زیرا انتظار داریم دانش آموز رستوران را دوست داشته باشد.
3. کیفیت و سرعت خدمات مشتری بهبود یافته
به عنوان یک شرکت ، می توانید با بهبود سرعت خدمات به مشتری ، تجربه کاربر را به شدت بهبود ببخشید. Drift.comمطالعه نشان داد كه 46٪ از پاسخ دهندگان اظهار داشتند كه هنگام استفاده از chatbot انتظار دارند كه ظرف پنج ثانيه يا كمتر پاسخ دهند، 43٪ از آنها با استفاده از چت مستقيم آنلاين و 33٪ هنگام استفاده از تماس تلفني يا تصويري انتظار دارند.
به عبارت دیگر ، زمان آن فرا رسیده است که از چت ربات های مبتنی بر یادگیری ماشین استفاده کنید. علاوه بر این ، همان مطالعه نشان داد که مورد اصلی استفاده از چت بات ها پاسخ دادن به س questionsالات حساس به زمان است.
عدم پاسخ به موقع به س emergencyالات اضطراری می تواند شما را با تجربه منفی کاربر ترک کند. متأسفانه ، گاهی اوقات غیرممکن است کسی همیشه در دسترس باشد تا به فوری ترین مشکلات پاسخ دهد.
بنابراین ، می توانید از چت بات ها استفاده کنید ، زیرا آنها می توانند به سرعت از تعاملات قبلی مشتری یاد بگیرند. الگوریتم های یادگیری ماشینی می توانند الگوها و شباهت های بین تعاملات مشتری را تشخیص دهند ، به آنها این امکان را می دهد تا در آینده با سرعت بیشتری به سوالات مشابه پاسخ دهند.
علاوه بر این ، یک chatbot بسیار مقیاس پذیرتر از انسان است. هنگام انتخاب چت بات ، نقش انسانهای درگیر پاسخ به س questionsالات پیچیده ای است که چت بات نمی تواند از آنها مراقبت کند. علاوه بر این ، انسان ها می توانند چت بات را با استفاده از داده ها تغذیه کنند تا کار با س questionالات آنها بهبود یابد.
4. با تجزیه و تحلیل رفتار کاربر ، چیدمان را بهینه کنید
با اندازه گیری رفتار کاربر ، می توانیم طرح یک برنامه را بهینه کنیم.
بگذارید بگوییم می خواهیم طرح یک برنامه فاکتور را بهینه کنیم. مهمترین اقدام برای برنامه ما دکمه ایجاد فاکتور است. ما می خواهیم تعیین کنیم کاربران چقدر سریع می توانند این دکمه را پیدا کنند.
داشبورد Waveapps.com دکمه ایجاد فاکتور را در گوشه بالا سمت راست نشان می دهد
برای پاسخ به این س ،ال ، می توانیم مدت زمان نیاز کاربران به این دکمه را اندازه گیری کنیم. با اندازه گیری زمان لازم ، می توانیم دکمه هایی را که به اشتباه قرار داده شده اند تشخیص دهیم و سعی کنیم طرح خود را بهینه کنیم.
فرض کنید دکمه ایجاد فاکتور در منو مخفی است. با استفاده از یادگیری ماشین در ترکیب با داده های کاربر ، می توانیم الگوهای اقدامات کند را برای رسیدن به یک نتیجه خاص تشخیص دهیم. در مرحله بعدی ، می توانیم با قرار دادن دکمه در مکان نمایان تر یا تغییر سبک دکمه ، زمان ورود کاربر به صفحه ایجاد فاکتور را بهبود ببخشیم.
به عبارت دیگر ، ما می توانیم برای آزمایش A / B کارآمدتر از یادگیری ماشین استفاده کنیم و مدت زمان کاربران را برای جستجوی عملکردهای خاص کاهش دهیم.
علاوه بر این ، می توانید الگوهایی را مشاهده کنید که کاربران اغلب به صفحه قبلی برمی گردند. این الگو نشان می دهد که جریان خاصی نادرست است یا کاربر انتظار چیز دیگری را دارد.
به طور خلاصه ، هدف یافتن تعاملات غیر واضح است و یا برای اتمام آنها به مدت زمان زیادی نیاز است ، که اغلب بر تجربه کاربر تأثیر منفی می گذارد. علاوه بر این ، ما می خواهیم خطاهای انسانی هنگام مرور برنامه را کاهش دهیم تا تجربه یکپارچه تری از محصول ایجاد کنیم.
با این حال ، مرتباً ترتیب اجزای رابط کاربر را تغییر ندهید. یک رابط کاربری مداوم در حال پیشرفت ، کاربران را از یادگیری مکرر یک رابط کاربری جدید منصرف می کند. علاوه بر این ، ممکن است بر حفظ مشتری تأثیر منفی بگذارد.
5. تحلیل احساسات: هوش هیجانی
در آخر ، تجزیه و تحلیل احساسات می تواند تصویر واضح تری از احساسات کاربران هنگام تعامل با یک وب سایت ، محصول ، پست وبلاگ یا تبلیغات ارائه دهد. اندازه گیری احساسات انسان شامل نرم افزار تشخیص چهره است. با این حال ، می توانید از تحلیل متن برای استخراج احساسات نیز استفاده کنید. اما این استراتژی برای اندازه گیری واکنش انسان در برابر تبلیغات امکان پذیر نیست.
با قضاوت در مورد پاسخ کاربر به محتوا یا تبلیغات ، می توانید تبلیغات جذاب تری ایجاد کنید. برخی از آژانس های بازاریابی سعی می کنند تبلیغات مختلفی را برای کاربران با علایق ، سن یا دارایی دیگر انجام دهند.
به طور خلاصه ، می توانید از تحلیل احساسات برای ایجاد موارد زیر استفاده کنید:
- محتوایی که بهتر به س questionsالات کاربران پاسخ می دهد
- تبلیغاتی که علاقه کاربران را جلب می کند
- محصولاتی که نیازهای کاربران را با دقت بیشتری برطرف می کنند
یادداشتی در مورد یادگیری ماشین و تجربه کاربری
یادگیری ماشین ابزاری عالی برای بهبود جنبه های مختلف UX است. با این حال ، بدون تأیید بینش ، بینش یادگیری ماشین را اجرا نکنید. وجود فرآیند تست کاربر برای تأیید تغییرات پیشنهادی هنوز ارزشمند است.
بیایید بگوییم الگوریتم یادگیری ماشین شما نشان می دهد که م componentsلفه های UI خاص باید در مکان های مختلف قرار بگیرند یا می توانند از یک ظاهر طراحی جایگزین استفاده کنند. برای تأیید اعتبار این ایده ها و آزمایش سبک های مختلف می توانید از تست کاربر استفاده کنید.
علاوه بر این ، می توانید از آزمایش قناری برای کاهش خطر تغییر بد UI استفاده کنید. آزمایش قناری به شما امکان می دهد به روزرسانی محصول را فقط برای درصد کمی از کاربران ارائه دهید.
برای نتیجه گیری ، ما معتقدیم که یادگیری ماشین و طراحی تجربه کاربر در آینده به سمت یکدیگر رشد خواهند کرد. هنگام ادغام یادگیری ماشین و طراحی تجربه کاربر ، مزایای روشنی وجود دارد.
