Digitaalisten palveluiden onnistumista ei mitata enää vain sillä, toimiiko sovellus ilman virheitä. Tärkeämpää on, miten käyttäjä kokee sovelluksen käytön. Tässä astuu mukaan käyttöliittymäanalytiikka, joka auttaa kehittäjiä ymmärtämään, mitä käyttäjät oikeasti tekevät sovelluksessa ja miten käyttökokemusta voidaan parantaa.
Tämä artikkeli pohjautuu Rasmus Säämäsen opinnäytetyöhön Käyttöliittymäanalytiikka, jonka ohjasi Anna-Kaisa Saari. Opinnäytetyön tavoitteena oli kehittää käyttöliittymäanalytiikkaan perustuva ratkaisu Pandian kehittämään Kenno-ohjelmistoon. Kenno on kiinteistöalan toiminnanohjausjärjestelmä, jota käytetään esimerkiksi vuokra-asuntojen hallinnointiin.
Käyttöliittymäanalytiikka
Käyttöliittymäanalytiikka tarkoittaa menetelmiä ja työkaluja, joilla mitataan ja arvioidaan käyttäjien vuorovaikutusta digitaalisten järjestelmien, kuten verkkosivustojen ja mobiilisovellusten, kanssa. Sen päätavoitteena on parantaa käyttäjäkokemusta ja optimoida käyttöliittymä vastaamaan paremmin käyttäjien tarpeita (Nielsen, 1993). Analytiikka voi sisältää esimerkiksi sivulatausten, käyttäjäpolkujen, lomakkeiden täyttämisen ja käyttäjäsegmenttien seurantaa.
Hyödyntämällä käyttöliittymäanalytiikkaa organisaatiot saavat objektiivista tietoa siitä, miten käyttäjät toimivat järjestelmässä. Tämä mahdollistaa datalähtöiset kehityspäätökset, kun taas ilman analytiikkaa suunnittelu nojaa helposti oletuksiin. Analytiikka auttaa tunnistamaan käyttöliittymän pullonkaulat, parantamaan käyttäjäpolkuja ja lisäämään konversioita – eli esimerkiksi ostoksia tai rekisteröitymisiä (Spool, 1998).
Käyttöliittymäanalytiikka on parhaimmillaan jatkuva ja iteratiivinen prosessi. Se alkaa käyttäjädatan keruulla, jatkuu analyysilla ja oivallusten tunnistamisella, ja johtaa lopulta konkreettisiin parannustoimiin käyttöliittymässä. Tätä sykliä havainnollistaa Kuva 1, jossa esitellään käyttöliittymäanalytiikan jatkuvan kehityksen eri vaiheet.
Avoimen lähdekoodin seurantatyökalut
Käyttöliittymäanalytiikan toteuttamiseen on tarjolla useita erilaisia työkaluja ja teknologioita, joiden avulla organisaatiot voivat kerätä, analysoida ja visualisoida tietoa käyttäjäkokemuksesta digitaalisissa palveluissaan. Näiden työkalujen avulla on mahdollista arvioida esimerkiksi sitä, miten käyttäjät navigoivat sivustolla, mitä sisältöä he tarkastelevat, missä he kohtaavat haasteita ja miten he reagoivat käyttöliittymän eri elementteihin, kuten painikkeisiin tai lomakkeisiin. Sopivien työkalujen valinta riippuu organisaation tarpeista, sillä eri ratkaisut tarjoavat erilaisia toiminnallisuuksia ja analyysimahdollisuuksia.
Tässä työssä käyttöliittymäanalytiikkaa toteutettiin kahden avoimen lähdekoodin ohjelmiston, Matomon ja Grafanan, avulla. Tarkoituksena oli rakentaa kokonaisuus, joka tuottaa ymmärrettävää ja käyttökelpoista tietoa ohjelmiston käytöstä sekä tukee ohjelmiston jatkokehitystä.
Matomo on avoimen lähdekoodin verkkosivustoanalytiikkaan suunniteltu työkalu, jonka avulla organisaatiot voivat seurata muun muassa kävijäliikennettä, käyttäjäpolkuja ja käyttöliittymän suorituskykyä. Se tarjoaa selkeän graafisen käyttöliittymän, josta voidaan tarkastella reaaliaikaista dataa sekä yksittäisten käyttäjien toimintaa (Matomo, n.d.-a). Lisäksi Matomo mahdollistaa sivukohtaisten suorituskykytietojen analysoinnin ja näiden tietojen esittämisen visuaalisina raportteina, mikä tukee käyttöliittymän ja käyttäjäkokemuksen kehittämistä (Matomo, n.d.-b).
Grafana puolestaan on monipuolinen avoimen lähdekoodin visualisointialusta, joka on suunniteltu erityisesti suurten tietomassojen reaaliaikaiseen tarkasteluun ja valvontaan (Grafana Labs, n.d.-a). Se mahdollistaa datan yhdistämisen useista eri lähteistä, kuten SQL- ja NoSQL-tietokannoista, lokitiedostoista sekä pilvipalveluista. Grafanan avulla data voidaan esittää visuaalisesti monipuolisissa taulukoissa, kaavioissa ja graafeissa, mikä tekee siitä tehokkaan työkalun käyttöliittymäanalytiikan visuaaliseen raportointiin (Grafana Labs, n.d.-b).
Seuranta ilman yksityisyysriskejä
Tietosuojan merkitys on korostunut viime vuosina, ja se otettiin huomioon jo ratkaisun suunnitteluvaiheessa. Matomo tarjoaa GDPR-yhteensopivan tavan seurata käyttäjiä anonyymisti. Silti oli tärkeää huomioida erikoistilanteet, kuten URL-osoitteet, joissa saattaa näkyä henkilön nimiä. Nämä suodatettiin automaattisesti pois ennen tiedon lähettämistä analytiikkaan. Lisäksi tietoa ei lähetetty jokaisesta käyttäjän toiminnosta erikseen, jotta järjestelmä ei kuormitu liikaa. Tapahtumat niputettiin ja lähetettiin Matomoon 2,5 sekunnin välein. Tämä mahdollisti sekä kevyen järjestelmän että tarkat seurantatulokset.
Havainnollistaminen Grafanan avulla
Kerätyt tiedot siirtyivät Matomosta Grafanaan, jossa ne visualisoitiin erilaisiksi näkymiksi. Yksi näkymä näyttää istuntojen keston, kuinka pitkään käyttäjät viipyvät sovelluksessa, ja missä vaiheessa he mahdollisesti poistuvat. Tällaiset havainnot auttavat kehitystiimiä arvioimaan, mitkä osat sovelluksesta toimivat hyvin ja missä olisi parantamisen varaa. Jos vaikka huomataan, että tietyn lomakkeen täyttämiseen kuluu paljon aikaa, voi se olla merkki siitä, että käyttöliittymä kaipaa selkeyttämistä.
Kuvassa 2 on esitetty kerätyn datan pohjalta visualisointi käyttöjärjestelmien jakaumasta. Kuvassa näkyy, että suurin osa käyttäjistä käyttää Windows-käyttöjärjestelmää. Tämä tieto auttaa kehitystiimiä keskittämään testauksen ja optimoinnin yleisimmin käytetylle alustalle, mikä parantaa sovelluksen luotettavuutta ja suorituskykyä valtaosalle käyttäjistä.
Dataa päätöksenteon tueksi
Analytiikkaratkaisun käyttöönotto loi Pandialle pohjan siirtyä datalähtöiseen käyttöliittymäkehitykseen. Ratkaisun avulla kehityspäätökset voidaan tehdä tiedon, ei arvailujen perusteella. Tuloksena on paitsi parempi ohjelmisto myös tyytyväisemmät käyttäjät.
Tulevaisuudessa ratkaisua voidaan laajentaa tuotantoympäristöön ja syventää esimerkiksi tapahtumakohtaista seurantaa entisestään. Opinnäytetyön myötä on nyt olemassa selkeä ja toimiva malli, jolla käyttöliittymäanalytiikka saadaan osaksi ohjelmistokehityksen arkea, ilman että käyttäjän yksityisyys vaarantuu.
