Die Bestimmung Verursachung mit Customer Analytics

Während allein Korrelation Kausalität ist nicht, gibt es Möglichkeiten, Kausalität zwischen Kunden Variablen zu ermitteln und anzuzeigen. Die Menge des Glaubens Sie in den Ansprüchen der Verursachung hängt von der Methode haben kann verwendet, um die Daten zu sammeln. Während Sie vielleicht denken, dass eine neue Web-Seite Design in mehr Seitenaufrufe geführt, könnte es sein, dass Seitenaufrufe bereits sein zunahmen.

Sie können alle fünf Methoden verwenden, um Behauptungen über Verursachung machen, von der stärksten beginnt und verläuft durch das schwächste.

Randomisierte experimentelle Studie

Randomly Teilnehmer an verschiedenen Design-Behandlungen und / oder einer Kontrolle in einer Forschungsstudie Zuordnung ist ein experimentelles Design. Zum Beispiel, wenn Sie das Beste an einem Check-out-Seite würden verstehen, welche Design-Kunden wissen wollten, können Sie drei verschiedene Designs zu erstellen:

• Die abhängige Variable könnte etwas wie

• Die Genauigkeit bei der Beantwortung von Fragen

• Schwierigkeiten beim Check-out

• Das Vertrauen in die Check-out

• Zeit zu überprüfen,

Die unabhängige Variable ist das Design - mit drei Variationen.

Das Markenzeichen der experimentellen Forschung wird die Teilnehmer auf verschiedene Behandlungen zufällig zuweisen. Sie identifizieren das Design, die richtig ausgewählte Benutzer und waren sehr zuversichtlich, sich mit ihrer Auswahl zu treffen.

Es gibt alle Arten von Variablen Sie können nicht kontrollieren - oder sind sich nicht bewusst -, dass die Ergebnisse auswirken könnte. Aber nach dem Zufallsprinzip die Teilnehmer unterschiedliche Designs oder Behandlungsbedingungen zuweisen, verteilen Sie diese Belästigung Variablen gleichmäßig über Designs. Dadurch erhöht sich die interne Validität und Verallgemeinerbarkeit der Ergebnisse.

Als ein weiteres Beispiel Forscher in Europa ein Experiment durchgeführt, in dem sie sowohl die Brauchbarkeit und visuelle Attraktivität eines Online-E-Commerce-Website manipuliert. Sie nahmen im Wesentlichen eine Website, machte die Navigation intuitiv oder nicht intuitiv und verändert dann die Farben und den Kontrast ansprechend oder unattraktiv.

Sie fanden heraus, dass die Kunden mehr nutzbare Webseiten attraktiver finden. Die Forscher stellten fest, dass eine bessere Bedienbarkeit erhöht Meinungen über Attraktivität. Ihre Schlussfolgerung ist gut begründet, weil sie eine randomisierte experimentelle Design verwendet.

Experimente (mit der Randomisierung) liefern die stärksten Kontrollen gegen Fremd Variablen und die höchsten Niveaus der internen Validität liefern. Diese erzeugen die stärksten Arten von Forschungsergebnissen. Aber was passiert, wenn man nicht zufällig können die Teilnehmer vergeben?

Quasi-experimentelle Design

Wenn Sie verschiedene Bedingungen testen wollen, aber man kann nicht zufällig zuweisen Teilnehmer an die unterschiedlichen Bedingungen, dann ist die Studie quasi-experimentelle. Zum Beispiel möchten Sie vielleicht wissen, ob die Kunden die Beta-Version eines Software-Produkts mehr verwendbar als eine vorhandene Version finden. Die Kunden von Beta-Software in der Regel freiwillig die Software während der Beta-Testperiode zu verwenden.

Diese Selbstselektion (nicht zufällig) Zuordnung stellt eine potentielle Quelle der Voreingenommenheit in den Ergebnissen. Es hat eine höhere externe Validität, da diese Gruppen natürlich segmentiert sind, aber eine geringere interne Zuverlässigkeit.

Wenn Sie Einstellungen der Benutzerfreundlichkeit vergleichen (sagen wir vom SUS oder SUPR-Q) aus den Beta-Software Kunden zu den bestehenden Version Kunden und einen Unterschied finden, könnte der Unterschied in der Art von Menschen aufgrund von Unterschieden sein, die Software und nicht mit tatsächlichen Unterschiede in der Haltung. Diese Art von Problem ist, verwirrende und macht die quasi-experimentellen Design-Typ weniger intern gültig ist als die experimentellen Bedingungen.

Die Schwäche mit quasi-experimentellen Studien ist, dass man nie so sicher sein kann, wie Sie mit der Randomisierung, dass jede Steigerung des Umsatzes auf die Variable zurückzuführen ist (in diesem Fall, Vertrieb) oder andere Belästigungen Variablen (in diesem Fall nur Unterschiede zwischen den Märkten).

Correlational Studie

EIN correlational Studie, wie der Name schon sagt, ist, wenn man sich die Beziehung zwischen zwei Variablen suchen und die Korrelation berichten. Zum Beispiel ist die Beziehung zwischen Benutzerfreundlichkeit des Produkts und die Wahrscheinlichkeit zu empfehlen eine starke positive Korrelation (dh Leichtigkeit ist stark im Zusammenhang mit, und sagt voraus, wahrscheinlich viel von warum die Nutzer tun und nicht zu empfehlen Produkte).

Während Korrelationsstudien wertvolle Ergebnisse liefern, sie haben keine Randomisierung und die unabhängigen Variablen nicht manipuliert werden, die die interne Validität der Ergebnisse verringert und schwächt den Fall für den Kausalzusammenhang.

Das nächste Mal, wenn Sie hören, dass ein Kunde metrisch eine andere Metrik verursacht, schauen zu erkennen, wie das bestimmt wurde. Die Chancen stehen gut es wurde entweder mit einer Korrelationsstudie oder einer quasi-experimentellen Design getan. Das bedeutet nicht, eine Variable nicht verursacht another- es bedeutet nur, Sie nicht so sicher sein kann.

Einzel Themen Studie

Es ist oft der Fall, dass der Zugang zu den Kunden immer extrem schwierig ist. Zum Beispiel könnten Sie interessiert sein, ob eine neue Schnittstelle zu einem PET-Scanner reduziert die Zeit, die Radiologen die Teilnahme an einer Einstellung auf dem Scanner einzustellen.

Wenn Sie Zugang zu einem dieser Kunden hatte, konnte man sie fragen, um eine Aufgabe auf der bestehenden Software-Version dreimal ausführen, aufzeichnen, wie lange es dauerte, zu vervollständigen, haben sie die gleiche Aufgabe dreimal auf die neue Software versuchen, und schließlich, haben sie es wieder dreimal auf die alte Version versuchen. Die Abbildung zeigt, wie diese Daten auf einem Scatterplot aussieht.

Diese Art der Ein-Fach-Studie verwendet, was eine ABA-Bedingung genannt wird (wobei A die vorhandene Software und B ist die neue Software). Die wiederholten Versuche helfen, die Stabilität in den Maßnahmen festgelegt werden und die interne Validität der Feststellung zu erhöhen (so viel wie Sie aus einem einzigen Thema können).

Die offensichtliche Einschränkung mit dem Ein-Fach-Design ist Verallgemeinerungs. Alles, was Sie wissen, ist, dass, wenn Sie eine unabhängige Variable (die Software), Task-Zeit geht nach unten für einen Benutzer zu manipulieren. Es könnte eine Reihe von Variablen, die Sie gerade nicht für die Bilanzierung. Aus diesem Grund sind Ein-Fach-Designs nicht sehr oft in der Kundenforschung.

Sie können tatsächlich mehr als ein Teilnehmer in einem Ein-Fach-Design zu verwenden (beispielsweise zwei oder drei Radiologen) und verwenden die gleiche Technik, um das Muster zu etablieren. Um anspruchsvollere in Ihrer Analyse können Sie auch Zeitreihenanalyse zu prüfen, Trends im Laufe der Zeit und durch eine Bedingung für jeden Benutzer oder die Daten in Aggregat verwenden.

Anecdotes

Leider sind viele Geschäftsentscheidungen auf Basis von Meinung oder Hören von einer Gesangs Kunden oder Vertriebsmitarbeiter gemacht. Während eine gute Geschichte einer erfolgreichen Produktstrategie emotional überzeugend sein kann, trägt es wenig Gewicht, wenn Kausalität herzustellen.