Этот этап также учитывает бизнес-логику. Пользователь может хотеть бесплатную доставку, но анализ покажет, что это угрожает прибыльности. Тогда команда ищет компромисс – например, бесплатную доставку для заказов от 5000 рублей. Это как в ресторане: клиент хочет дешевый обед, но шеф предлагает скидку при условии, что он добавит салат в меню.
Иногда SWOT дает неожиданные идеи. Например, пользователь жалуется на медленную загрузку страницы – слабость. Но анализ показывает, что это шанс: если ускорить загрузку, можно добавить анимацию, которая улучшит впечатление. Это похоже на ремонт квартиры: вместо того чтобы заклеивать трещины в стене, вы решаете переклеить обои, что превратит недостаток в преимущество.
Давайте перейдем к третьему этапу эмпатии, который называется «affinity-диаграмма». Этот шаг позволяет собрать все данные, собранные на предыдущих этапах, и превратить их в структурированную систему. Здесь мы работаем уже не с отдельными экранами или шагами, а с целым пользовательским флоу. Например, если вы изучали процесс оплаты товара, теперь анализируете его целиком: от открытия корзины до завершения заказа.
Этот этап делится на четыре ключевые категории. Первая – «полезность»: как пользователь оценивает, насколько каждый этап флоу помогает ему достичь цели. Вторая – «начало работы»: насколько легко пользователь понимает, с чего начать и как взаимодействовать с интерфейсом. Третья – «преподнесение»: дизайн, шрифты, цвета, которые могут влиять на восприятие. Четвертая – «замешательство»: моменты, где пользователь теряется, например, не видит кнопку «оплата» или не понимает, зачем вводить промокод.
Каждый участник описывает эти четыре аспекта для всего флоу. Представьте, что вы тестировали процесс добавления товара в корзину и оплаты. Пользователь может написать: «Полезность высокая – я быстро нашел товар, но в конце флоу возникло замешательство из-за непонятной кнопки». Такие комментарии собираются в цифровых инструментах, например, в Miro или Excel. В Excel можно создать таблицу, где каждый пользователь – столбец, а строки соответствуют четырем категориям. Это похоже на школьную доску, где каждый ученик пишет свои мысли, а учитель группирует их по темам.
Инструменты искусственного интеллекта, такие как анализ текстов в сервисах вроде MonkeyLearn, могут автоматически выявить повторяющиеся слова или фразы. Это экономит время: вместо того чтобы просматривать сотни карточек вручную, система покажет, что 70% участников жалуются на дизайн кнопки.
Важно, чтобы анализ охватывал весь флоу, а не отдельные части. Например, пользователь может считать начало работы удобным, но в конце возникнуть проблемы, которые уничтожают весь опыт. Это как в путешествии: красивый отель не компенсирует плохой перелет, если вы прилетели уставшими.
После этого этапа команда получает четкую картину: где флоу сильнее, где слабее, и какие моменты требуют изменения. Например, если в категории «преподнесение» часто встречаются замечания о мелком шрифте, это повод пересмотреть дизайн. А если в «полезности» все хорошо, но в «замешательстве» – проблемы, значит, нужно упростить конечные шаги.
Этот этап также помогает предвидеть будущие ошибки. Если пользователи указывают на сложность ввода промокода, а в SWOT-анализе выяснилось, что это технически сложно реализовать, команда может предложить альтернативу, например, автоматическое применение скидки для новых клиентов.
