منبع: بنیاد طراحی تعامل (IxDF) · بازنویسی آزاد: سپنتا پویا · مرداد ۱۴۰۵ · زمان مطالعه: حدود ۱۱ دقیقه

سنجه‌های تجربهٔ کاربری (UX Metrics) چیست؟

💡 این متن «بازنویسی آزاد» است: ایده‌ها و مفاهیم مطلب اصلی با نگارش کاملاً مستقل فارسی و مثال‌های تازه بازگو شده‌اند و ترجمهٔ کلمه‌به‌کلمه نیست. بخش‌های افزودهٔ مترجم در جعبهٔ منبع مشخص شده‌اند.

هر تیم طراحی دیر یا زود به این جمله می‌رسد: «باید بتوانیم نشان بدهیم کارمان اثر دارد.» و بلافاصله بعدش، یک داشبورد پر از عدد ساخته می‌شود که هیچ‌کس واقعاً بر اساسش تصمیمی نمی‌گیرد.

مسئله این نیست که اندازه‌گیری بد است. مسئله این است که عدد بدون پرسش، تزئین است. سنجه وقتی ارزش دارد که از قبل بدانید اگر بالا رفت چه می‌کنید و اگر پایین آمد چه می‌کنید؛ اگر جواب هر دو یکی است، آن عدد را لازم ندارید.

در ادامه اول سه خانوادهٔ اصلی سنجه‌ها، بعد چارچوبی برای انتخابشان، بعد معنای دقیق سه سنجهٔ پرکاربرد، و در پایان دو بحثی که منبع اصلی سراغشان نرفته: جاهایی که عدد فعالانه گمراه می‌کند، و اینکه اندازه‌گیری در بازار ایران چه تفاوت‌هایی دارد.

سه خانوادهٔ سنجه

سنجه‌های تجربهٔ کاربری معمولاً در سه دسته جا می‌گیرند، و مهم‌ترین نکته این است که هر دسته به پرسش متفاوتی جواب می‌دهد. خلط‌کردنشان همان جایی است که بحث‌های بی‌پایان در جلسه از آن شروع می‌شود:

• - رفتاری: کاربر چه کرد؟ نرخ موفقیت در انجام کار، زمان انجام کار، نرخ خطا، اینکه از پیمایش استفاده کرد یا جست‌وجو. این‌ها را از رفتار واقعی می‌گیرید، نه از حرف کاربر.
• - نگرشی: کاربر چه حسی داشت؟ SUS، NPS، CSAT. این‌ها را می‌پرسید.
• - کسب‌وکاری: برای سازمان چه اتفاقی افتاد؟ نرخ تبدیل، نرخ نگه‌داشت، میانگین ارزش سفارش.

و قاعده‌ای که کار را ساده می‌کند: هیچ‌کدام جای دیگری را نمی‌گیرد. کاربر می‌تواند کار را با موفقیت تمام کند و از آن متنفر باشد؛ می‌تواند از محصول تعریف کند و هرگز برنگردد؛ نرخ تبدیل می‌تواند بالا برود چون دکمهٔ لغو را پنهان کرده‌اید. اگر فقط یک خانواده را می‌بینید، دارید یک‌سوم تصویر را می‌بینید.

از هدف تا سنجه: چارچوب HEART

شناخته‌شده‌ترین چارچوب این حوزه، HEART است که در گوگل ساخته شد و پنج بعد را پیشنهاد می‌کند: خشنودی، درگیری، پذیرش، نگه‌داشت و موفقیت در کار.

اما بخش واقعاً مفیدِ این چارچوب، آن پنج کلمه نیست؛ روشی است که همراهش می‌آید و معمولاً نقل نمی‌شود — زنجیرهٔ هدف ← نشانه ← سنجه:

• - هدف: در این بعد، موفقیت یعنی چه؟ به زبان ساده و بدون عدد. مثلاً «کاربر تازه بتواند بدون کمک اولین فاکتور را صادر کند.»
• - نشانه: اگر این اتفاق بیفتد، چه چیزی در رفتار کاربر تغییر می‌کند؟ «فاکتور اول را در همان نشست اول تمام می‌کند» یا «کمتر به پشتیبانی پیام می‌دهد.»
• - سنجه: آن نشانه را چطور عددی می‌کنید؟ «درصد کاربران تازه‌ای که در نشست اول فاکتور صادر می‌کنند.»

ارزش این ترتیب در این است که از انتها شروع نمی‌کنید. بیشتر داشبوردهای بی‌فایده از آنجا ساخته می‌شوند که کسی پرسیده «چه چیزهایی می‌توانیم اندازه بگیریم؟» — و جواب، همان چیزهایی است که ابزار تحلیلی از قبل می‌داد. پرسش درست برعکس است: موفقیت یعنی چه، و از کجا می‌فهمیم؟

‌SUS و NPS و CSAT: دقیقاً چه می‌گویند

سه سنجهٔ نگرشی پرکاربرد، که هر سه بیشتر از آنچه باید به آن‌ها استناد می‌شود:

• - SUS (مقیاس کاربردپذیری سامانه): پرسش‌نامهٔ ده‌سؤالی که John Brooke در ۱۹۸۶ ساخت. نتیجه عددی بین ۰ تا ۱۰۰ است و میانگین تاریخی‌اش حدود ۶۸ گزارش شده. یک تصحیح مهم: این عدد درصد نیست و صدک هم نیست؛ فقط یک نمره روی مقیاسی است که ۰ تا ۱۰۰ چیده شده. SUS برابر ۷۰ یعنی «کمی بالاتر از میانگین»، نه «۷۰ درصد کاربران راضی‌اند».
• - NPS (نمرهٔ خالص ترویج‌کنندگان): یک پرسش — «چقدر احتمال دارد ما را به دیگری معرفی کنید؟» — روی مقیاس ۰ تا ۱۰، که Fred Reichheld در ۲۰۰۳ معرفی کرد. نتیجه بین ۱۰۰- تا ۱۰۰+ است.
• - CSAT (رضایت مشتری): پرسش مستقیم رضایت، معمولاً روی مقیاس پنج‌تایی. ساده است و به همین دلیل برای سنجش یک تعامل مشخص — مثلاً بعد از یک تماس پشتیبانی — بهتر از دو تای دیگر کار می‌کند.

و نکتهٔ عملی دربارهٔ سنجه‌های رفتاری که کمتر گفته می‌شود: برای زمان انجام کار، میانگین حسابی تقریباً همیشه انتخاب غلطی است. توزیع زمان‌ها دم‌دار است — چند کاربر گیرافتاده، میانگین را بالا می‌کشند. میانه یا میانگین هندسی تصویر صادق‌تری می‌دهد. همین‌طور «موفقیت» را دوحالتی نبینید؛ کاربری که کار را تمام کرد ولی سه بار برگشت، حالت سومی است که در نرخ موفقیت گم می‌شود.

کجا عدد گمراه می‌کند

این بخش افزودهٔ مترجم است. سنجه‌ها فقط «ناکافی» نیستند؛ در شرایط مشخصی فعالانه شما را به سمت تصمیم بد هل می‌دهند:

• - میانگین، دو جمعیت متفاوت را پنهان می‌کند. رضایت میانگین ۳ از ۵ می‌تواند یعنی «همه نسبتاً بی‌تفاوت‌اند» یا یعنی «نیمی عاشق‌اند و نیمی متنفر» — و این دو وضعیت دو کار کاملاً متفاوت می‌طلبند. همیشه توزیع را ببینید، نه فقط میانگین را.
• - سنجه‌ای که هدف شود، از سنجه‌بودن می‌افتد. وقتی نرخ تبدیل به هدف تیم تبدیل می‌شود، راه‌های زیادی برای بالا بردنش پیدا می‌شود که هیچ‌کدام تجربه را بهتر نمی‌کنند: پنهان‌کردن گزینهٔ لغو، پیش‌فرض‌های تیک‌خورده، فوریت ساختگی. این دقیقاً همان چیزی است که در الگوهای فریبنده از آن حرف زدیم — و معمولاً از بدجنسی شروع نمی‌شود، از فشار یک عدد شروع می‌شود.
• - عدد سبز، حس امنیت کاذب می‌دهد. داشبوردی که همه‌چیزش سبز است معمولاً یعنی سنجه‌ها را طوری چیده‌اید که خبر بد نمی‌دهند. سنجهٔ خوب باید بتواند شما را ناراحت کند.
• - سنجهٔ نگرشی، آدم‌های حاضر را می‌سنجد. کسی که رفته، نظرسنجی را پر نمی‌کند. رضایت بالا در کنار ریزش بالا تناقض نیست؛ نشانهٔ همین سوگیری است.
• - یک عدد برای همهٔ فرهنگ‌ها. معیارهای این حوزه از بازارهایی می‌آیند که نه ترکیب کاربرشان مثل ماست و نه عادت پاسخ‌دادنشان؛ بخش بعدی دربارهٔ همین است.

و یک آزمون ساده برای هر سنجه‌ای که به داشبورد اضافه می‌کنید: اگر این عدد ۱۰ درصد بدتر شود، فردا چه کار متفاوتی می‌کنیم؟ اگر جوابی ندارید، آن عدد گزارش است نه سنجه.

اندازه‌گیری در بازار ایران

این بخش هم افزودهٔ مترجم است. اعداد مرجعی که در منابع انگلیسی نقل می‌شوند — میانگین SUS برابر ۶۸، نرخ موفقیت حدود ۷۸ درصد — از نمونه‌هایی به دست آمده‌اند که هیچ‌کدام شبیه کاربران ما نیستند. چند تفاوت که در عمل اهمیت دارند:

• - معیار محلی وجود ندارد. SUS برابر ۷۲ در محصول شما یعنی چه؟ در مقایسه با میانگین جهانی کمی بهتر است؛ اما اینکه نسبت به رقیب ایرانی‌تان چطور است، هیچ‌جا ثبت نشده. نتیجهٔ عملی: عدد را با خودتان مقایسه کنید، نه با معیار خارجی. اندازه‌گیری قبل و بعد از تغییر، از هر مقایسهٔ بین‌المللی معنادارتر است.
• - ترجمهٔ پرسش‌نامه، اعتبارش را تضمین نمی‌کند. SUS عمداً چند سؤال منفی دارد تا پاسخ‌دادن ماشینی را بشکند. اگر ترجمهٔ فارسی این جهت‌ها را حفظ نکند یا جمله‌ها را نرم کند، ساختار پرسش‌نامه به‌هم می‌ریزد و نمره دیگر با نمرهٔ اصلی قابل مقایسه نیست.
• - سوگیری تعارف. در پیمایش‌های فارسی، پاسخ‌دهنده تمایل دارد نمرهٔ بالاتر بدهد — به‌ویژه وقتی پرسشگر حاضر است یا نظرسنجی از طرف خود شرکت می‌آید. این تورم را می‌شود کم کرد: نظرسنجی را بی‌نام کنید، فاصله بگذارید میان تیم محصول و پرسشگر، و به‌جای «چقدر راضی بودید؟» بپرسید «کجا گیر کردید؟».
• - NPS در بافت ما ضعیف‌تر هم هست. این سنجه بر پایهٔ «توصیه به دیگران» بنا شده و در بازارهایی که توصیهٔ شفاهی الگوی متفاوتی دارد، سیگنال ضعیف‌تری می‌دهد. برای بیشتر محصولات ایرانی، نرخ بازگشت واقعی کاربر خبر بیشتری می‌دهد تا نمرهٔ تمایل به توصیه.
• - نمونهٔ کوچک، عدد بزرگ‌نما. با ۱۲ کاربر، تفاوت ۵ واحدی در SUS عملاً نویز است. اگر نمونه کوچک است — که در بیشتر تیم‌ها هست — عدد را به‌عنوان جهت گزارش کنید نه به‌عنوان اندازه، و کنارش از آزمون کاربردپذیری کیفی استفاده کنید که با پنج کاربر هم چیز می‌گوید.

جمع‌بندی

• - سنجه بدون پرسش، تزئین است. اگر بالا و پایین رفتنش تصمیم شما را عوض نمی‌کند، لازمش ندارید.
• - سه خانواده — رفتاری (چه کرد)، نگرشی (چه حسی داشت)، کسب‌وکاری (برای سازمان چه شد) — جای هم را نمی‌گیرند.
• - ارزش HEART در پنج کلمه‌اش نیست، در زنجیرهٔ هدف ← نشانه ← سنجه است. از هدف شروع کنید، نه از آنچه ابزار تحلیلی می‌دهد.
• - SUS برابر ۶۸ میانگین است، اما ۶۸ نه درصد است و نه صدک؛ فقط یک نمره روی مقیاس ۰ تا ۱۰۰.
• - برای زمان انجام کار میانه یا میانگین هندسی بگیرید، نه میانگین حسابی؛ و موفقیت را دوحالتی نبینید.
• - میانگین دو جمعیت متضاد را پنهان می‌کند، سنجه‌ای که هدف شود فاسد می‌شود، و نظرسنجی فقط کسانی را می‌سنجد که هنوز مانده‌اند.
• - در ایران معیار محلی وجود ندارد: عدد را با خودتان بسنجید، مراقب سوگیری تعارف و اعتبار ترجمهٔ پرسش‌نامه باشید، و با نمونهٔ کوچک عدد را جهت بدانید نه اندازه.