Veri Tek Başına Yeterli Mi?

Bir dashboard'a bakıyorsunuz. Doğrulama adımındaki başarısızlık oranı kırmızıyla parlıyor, sayılar net, grafikler ikna edici. İçinizden bir ses "İşte sorun burada" diyor ve bir sonraki toplantıya bu veriyle girmeye hazırlanıyorsunuz. Ama tam o anda küçük bir tereddüt: Elinizdeki bu sayı, gerçekten karar vermek için yeterli mi, yoksa sadece soruyu doğru yere koymanıza mı yarıyor?

Kısa cevap şu: Veri size sorunun nerede olduğunu söyler ama neden olduğunu söylemez. Bir adımın yüksek başarısızlık oranı, problemi adreslemenizi sağlar; fakat o adımı çözmek için kullanıcının kafasında ne olup bittiğini de anlamanız gerekir. Yani veri, hikâyenin başlangıcıdır, sonu değil.

Sayılar Nereyi Gösterir, Nereyi Göstermez?

Elinizde bir doğrulama adımı var ve başarısızlık oranı yüksek. Bu veri size çok değerli bir şey veriyor aslında: Odağı. Tüm akışı baştan sona sorgulamak yerine, kullanıcıların tam olarak hangi noktada düştüğünü biliyorsunuz. Bu, küçümsenecek bir bilgi değil; pek çok ekip bu netliğe ulaşmak için haftalar harcıyor.

Ama sayının söylediği yerde duruyor. Kullanıcı neden o adımda takılıyor? Form çok mu uzun? Hata mesajı mı anlaşılmıyor? Telefonunda klavye mi kapatıyor butonu? Veri bunların hiçbirini söylemez; sadece bir yere işaret eder ve geri çekilir.

Bu yüzden niceliksel (quantitative) veriyi tek başına okumak, bir dedektifin sadece olay yerinin koordinatlarına bakıp dosyayı kapatmasına benzer. Yer doğru, ama hikâye eksik.

Nedeni Anlamak İçin Nereye Bakılır?

Verinin gösterdiği noktayı gerçekten anlamak istiyorsanız, niteliksel (qualitative) tarafa geçmeniz gerekir. Burada devreye kullanıcı görüşmeleri, kullanılabilirlik testleri (usability testing) ve davranış gözlemi giriyor.

Bir kullanıcıya doğrulama adımını yaptırıp ekrana ne zaman, nerede tereddütle baktığını izlemek, yüzlerce satırlık veri tablosunun veremeyeceği bir bilgi sunar. "Burada ne yapacağımı anlamadım" cümlesi, %38'lik bir başarısızlık oranının arkasındaki gerçek hikâyeyi açıklayabilir.

Niceliksel ve niteliksel veriyi birbirinin alternatifi olarak değil, birbirinin tamamlayıcısı olarak düşünmek gerekir. Biri "nerede" sorusunu, diğeri "neden" sorusunu yanıtlar. İkisi olmadan karar vermek, gözlerden birini kapatıp mesafe tahmin etmeye benzer.

Tek Bir Oran Yerine Parçalara Bakmak

Veriyi yorumlamanın bir başka yolu da onu küçük parçalara ayırmaktır. Toplam başarısızlık oranı %38 olabilir, ama bu oran herkes için aynı mı?

Segmentlere ayırarak başlayabilirsiniz:

• Cihaz türüne göre: Mobilde mi yoksa masaüstünde mi daha çok düşüş var?
• İşletim sistemine göre: iOS ve Android arasında bir fark görünüyor mu?
• Kullanıcı tipine göre: Yeni müşteriler mi takılıyor, yoksa mevcut kullanıcılar mı?

Bu kırılımlar çoğu zaman ortalama bir sayının sakladığı gerçeği yüzeye çıkarır. Genel oran kabul edilebilir görünürken, belirli bir segmentte felaket boyutunda bir sorun olabilir. Veriyi parçaladıkça hikâye netleşir.

Bir başka bakılması gereken yer de teknik tarafıdır. Eğer akışta teknik hatalar varsa, frontend tarafında atılan exception'lar, API yanıt süreleri ya da hata logları sizin gözünüzden kaçan bir gerçeği barındırıyor olabilir. Kullanıcı belki de adımı tamamlayabilecek durumda ama sistem ona izin vermiyor. Bu, tasarım problemi değil altyapı problemidir ve sadece veri tablolarına bakarak bunu ayırt edemezsiniz.

Uzun Bir Formun İçinde Gezinmek

Eğer konuştuğumuz adım uzun bir formun parçasıysa, işler biraz daha incelir. Bu durumda "adımın" kendisini tek bir blok olarak değil, alt davranışlar bütünü olarak görmek gerekir.

Kullanıcı hangi alana tıklıyor, hangi alanda duraksıyor, hangi alanı boş bırakıp geri dönüyor? Form analitiği (form analytics) ve oturum kayıtları (session recordings) bu noktada işinize yarar. Çünkü uzun formlarda problem genellikle "adım" değil, adımın içindeki belirli bir alandır.

Peki Bu Veriyle Şimdi Ne Yapmalı?

Elinizde başarısızlık oranı varsa ve bunu eyleme dönüştürmek istiyorsanız, sıralı bir yol izlemek işinizi kolaylaştırır.

Önce veriyi kendi içinde parçalayın. Segmentlere ayırın, cihaz ve kullanıcı tipi kırılımlarına bakın, tek bir ortalamaya güvenmeyin. Sonra teknik tarafa bir bakış atın; hata loglarında bir desen var mı diye kontrol edin.

Ardından niteliksel tarafa geçin. Birkaç kullanıcıyla kısa görüşmeler yapın ya da o adımı izleyerek geçtikleri kullanılabilirlik testleri kurgulayın. Burada amacınız istatistiksel anlamlılık değil, neden sorusuna cevap bulmak.

Son olarak, elde ettiğiniz nedeni veriyle eşleştirin. "Yüksek başarısızlık oranı" + "kullanıcılar şu butonu fark etmiyor" denklemi, çözüme giden en sağlam zemindir. Tek başına ne sayı ne de gözlem yeterlidir; ama bir araya geldiklerinde tartışmaya kapalı bir argüman üretirler.

Bunun Pratikteki Hâli

Düşünün ki bir onboarding akışında telefon doğrulama adımında %40 başarısızlık görüyorsunuz. Veri size sorunun bu adımda olduğunu söylüyor. Bir an için "SMS gelmiyor olabilir" diye düşünüyorsunuz ve teknik ekibe gidiyorsunuz.

Loglara baktığınızda SMS'lerin sorunsuz gönderildiğini görüyorsunuz. Sonra segmentlere bakıyorsunuz: Sorun ağırlıklı olarak Android kullanıcılarında. Birkaç kullanıcıyla konuştuğunuzda fark ediyorsunuz ki Android'de SMS otomatik doldurma çalışmıyor, kullanıcılar kodu manuel girmek zorunda kalıyor ve bu süreçte zaman aşımına uğruyorlar.

İşte bu hikâye sadece veriyle ya da sadece görüşmeyle kurulamazdı. İkisi birleştiğinde ortaya gerçek bir tasarım kararı çıkıyor.

Merak Edilenler

Veri olmadan da iyi tasarım yapılabilir mi?

Yapılabilir ama doğrulanamaz. Veri olmadan sezginize ve deneyiminize güvenirsiniz; bu bazen işe yarar. Ancak ekip içinde tartışma çıktığında ya da öncelik belirlemeniz gerektiğinde, veri konuşmayı çok daha sağlıklı hâle getirir.

Niceliksel veri mi daha önemli, niteliksel veri mi?

İkisi farklı sorulara cevap verir. Niceliksel veri "ne kadar" ve "nerede", niteliksel veri "neden" sorusuna odaklanır. Hangisinin daha önemli olduğunu sormak yerine, hangisinin eksik olduğunu sormak daha doğrudur.

Kaç kullanıcıyla görüşmek yeterli olur?

Kullanılabilirlik araştırmalarında genelde 5-8 kullanıcının çoğu sorunu ortaya çıkardığı söylenir. Amacınız istatistiksel kanıt toplamak değil, davranışın arkasındaki mantığı görmek olduğu için bu sayı çoğu durumda yeterlidir.

Veri yanıltıcı olabilir mi?

Evet. Yanlış segmentleme, eksik kırılım veya bağlamından koparılmış bir oran sizi tamamen yanlış bir yöne sürükleyebilir. Bu yüzden veriyi yorumlarken onu sorgulamak, ham hâliyle kabul etmekten her zaman daha güvenlidir.

Sayının Bittiği Yerde Tasarım Başlar

Veri size pusula verir ama haritayı çizmez. Doğrulama adımındaki başarısızlık oranı, bir tasarımcının önündeki en değerli ipuçlarından biridir; çünkü dikkati doğru yere yöneltir. Ama o ipucunu çözüme dönüştürmek için kullanıcının zihnine bir kapı açmanız gerekir.

İyi tasarımcılar sadece veriyi okuyan değil, verinin arkasındaki insanı görmeye çalışan kişilerdir. Sayı bir başlangıç noktasıdır; gerçek iş, o noktadan sonra başlar.