Carmel Hassan Tecnología, Diseño y Sociedad

Opensouthcode: resultados de la encuesta y datos de la experiencia

O

El pasado 1 de Junio mi colega Miguel Torres y yo hicimos una presentación en el evento sobre software libre Opensouthcode y hablamos sobre cómo podíamos analizar la Experiencia de Usuario (UX) con Javascript (JS). Durante nuestra charla presentamos un modelo con el que tomar métricas automáticas de usabilidad para poder conocer mejor a las personas que interactúan con nuestros productos digitales construidos con tecnologías web.

Al final de la presentación hicimos una demostración de cómo podía aplicarse a un caso real y para ellos utilizamos como excusa una encuesta que habíamos lanzado semanas antes. La encuesta no serviría más que a la presentación, sin embargo, ya que un buen número de personas se molestaron en contestarla, es nuestro deber compartir la información que recogimos.

Es importante aclarar que la forma en la que almacenamos los datos fue un poco peculiar, y por peculiar me refiero a que usamos el mismo Google Analytics, un servicio en principio destinado a analítica web. En cualquier caso, aquí están los resultados.

Resultados de la encuesta

La encuesta, lanzada el 10 de mayo de 2018 y activa hasta la fecha ha recibido 77 respuestas, y se dividió en tres pasos:

  1. Preguntas descriptivas sobre la persona.
  2. Preguntas sobre la profesión.
  3. Preguntas sobre los intereses.

Sólo el segundo de ellos era opcional y podían saltárselo, pero en todos ellos, todos los campos eran obligatorios. Éste hecho ha podido afectar a algunos datos ya que para ciertos perfiles había preguntas irrelevantes, por ejemplo diseñadora/es que no utilizan o no tienen preferencia por ninguna base de datos en concreto.

Sobre ti

“Sólo algunos datos, los que mejor te describan 👽”.

Hombres63.13%
Mujeres32.89%
No binarias2.63%
Prefieren no decirlo1.32%
Entre 16-25 años6.49%
Entre 26-35 años58.44%
Entre 36-45 años33.77%
Entre 46-55 años1.30%
Málaga62.35%
Madrid14.29%
Granada9.09%
Sevilla3.90%
Otras ciudades13.37%

Nota: La respuesta a esta pregunta era un campo de texto libre y hemos recibido hasta 20 respuestas diferentes. Los datos que aquí se muestran son la interpretación de dichas respuestas, por ejemplo malaga, MALAGA, Malaga o Fuengirola se han agrupado en la misma ciudad: Málaga.

 

Profesión

“Nos interesa saber a qué te dedicas 🤓”.

Fullstack Developer28.57%
Backend Developer18.18%
Designer11.69%
Frontend Developer11.69%
Manager9.09%
DevOps6.49%
Otros perfiles14.29%

Menos de 2 años5.19%
Entre 2 y 5 años24.68%
Entre 6 y 12 años11.69%
Entre 12 y 18 años22.08%
Más de 18 años6.49%

Formación Profesional16.88%
Diplomatura, Ingeniería Técnica o Grado28.96%
Licenciatura, Ingeniería o Máster44.16%

Menos de 16K5.19%
Entre 16K y 19K6.49%
Entre 20K y 29K24.68%
Entre 30K y 39K33.77%
Entre 40K y 50K15.58%
Más de 50K11.69%
No2.60%

16K = 16.000 euros brutos anuales

Como los datos relacionados con el rango salarial son los que más interés generaron, haremos un poco más de análisis. Para ellos he creado varios segmentos en Google Analytics que agrupen personas en base a su género (hombres y mujeres principalmente) y su perfil (desarrolladores fullstack/backend y frontend/diseñador).

Llama especial atención la relación de porcentajes en los rangos centrales, donde la mayoría de mujeres (36%) se encuentran cobrando entre 20 y 29 mil euros brutos anuales en comparación con un 24,6% de los hombres, y vemos que en el siguiente escalón salarial éste porcentaje se invierte.

En el caso del perfil profesional, vemos que los perfiles que se dedican al diseño y desarrollo frontend se distribuyen en rango salariales de una forma más equilibrada que los perfiles backend o fullstack, que tienden a acumularse en su mayoría en rangos entre los 20 y 39 mil euros brutos anuales.

Intereses

“Y ahora lo que de verdad importa ¿eres Mac o eres PC? 🙊”.

Javascript15.92%
HTML/CSS15.32%
SQL13.81%
Python11.71%
Java11.71%
PHP9.91%
Others21.62%

MySQL25.43%
PostgreSQL16.18%
Elasticsearch10.40%
MongoDB9.25%
SQLServer9.25%
Others29.42%

Node21.47%
Django17.79%
Angular17.79%
React11.04%
Spring8.59%
Others23.32%

Por último preguntábamos a la audiencia sobre el nombre favorito para una posible librería en Javascript y el ganador es simplemente el gran Chimo Bayo: diabloJS, extasiJS y huhaJS lideran el ránking 🙂

Datos sobre la UX

Cuando lanzamos la encuesta avisamos de que ésta era un ‘experimento’, el diseño de la misma estaba destinado no sólo a descubrir la información de quien contestaba sino también a conocer cómo lo hacía. Para ello decidimos usar nuestra librería huha.js y empezar a analizar ciertos comportamientos durante la interacción.

Definimos cuatro tipos de tareas diferentes: una para cada uno de los pasos y otra que cubriría la encuesta en su totalidad (desde el primer hasta el último paso).

task performance opensouthcode survey

Audiencia

De las propias respuestas de la encuesta podemos saber cómo se define la audiencia que ha contestado a la misma:

  • Personas que se identifican como Hombres o Mujeres en su mayoría.
  • Personas con edades comprendidas entre los 26 y 45 años.
  • Personas residentes en Andalucía y Madrid principalmente.
  • Perfil técnico alto con conocimientos de programación, con una experiencia laboral entre 6 y 18 años y nivel de estudios medio-alto.

Tasa de abandonos

La tasa de abandonos de la encuesta en general es de un 48.5%, quiere decir que sólo una de cada dos personas que llegaron a la encuesta, la terminaron totalmente. Sin embargo vemos que para cada uno de los pasos a penas un 10% de las personas decidieron no terminarlo una vez iniciado.

Tiempos

De acuerdo a la implementación de la librería, los datos relativos al tiempo de ejecución de las tareas son enviado como Tiempos de Usuario (dentro de Comportamiento > Velocidad del sitio).

Aquí también podemos comprobar la tasa de abandonos y los tiempos relativos a la misma.

¿Se dedica mucho o poco tiempo cuando se abandona una tarea? En el primer paso vemos que hay una diferencia considerable entre el tiempo medio en abandonar la tarea (menos de 6 segundos) y el tiempo en completarla (65 segundos). Esto puede ser porque los usuarios que iniciaron la tarea tendrían la intención de explorar y no de llevarla a cabo.

Sin embargo, en el segundo paso encontramos una situación totalmente diferente: en abandonos el tiempo miedo asciende a unos 24 minutos respecto a los 5 min. aproximadamente que han tardado quienes la completaron. ¿Qué ha ocurrido en el paso 2? ¿Es posible que exista un número de errores elevado que haga que los usuarios decidieran abandonar tras muchos intentos?

Errores y eficiencia

Los datos sobre los errores y el esfuerzo son enviados como simples eventos cuya categoría es el nombre del paso, la acción es el resultado (completado o abandonado) y la etiqueta es la métrica. Como valor del evento estamos viendo el contador de errores o esfuerzo en cada caso.

Si observamos el valor medio de los errores del paso 2 nos encontramos con un 0.36 frente a un 0.05 cuando se completa con éxito. Algo que no sucede en el resto de paso. Efectivamente podríamos sospechar que está relacionado la tasa de abandonos, el tiempo en tarea y el número de errores en este paso. Debemos tener en cuenta que el paso dos era el único opcional y el que además preguntaba por datos personales/profesionales. Además, el enlace de ‘saltar’ no estaba en un sitio muy visible. Ésto podría indicarnos la necesidad de mejora del diseño en este paso.

Respecto al esfuerzo, es significativo el paso 3 ya que es además el que más número de opciones seleccionables por los usuarios ofrecía.

Conclusiones

Evidentemente, los datos obtenidos en esta encuesta no son determinantes para definir si ha sido un éxito o un fracaso, sino que nos ayudan a conocer mejor el comportamiento ‘estándar’ de los usuarios (o de ciertos grupos de usuarios). ¿Podríamos afinar más los resultados segmentando por rol profesional, edad o género? En mi opinión si no existe un precedente en el que alguna de estas características pueda hacer sospechar que esté relacionada con la capacidad de una persona para realizar una tarea con éxito o no, deberíamos centrarnos en valores agregados y buscar otros patrones que puedan relacionar grupos de usuarios como: las personas más lentas, las más rápidas, las que más errores cometieron, etc.

Por otra parte, estos datos podrían darnos un marco de referencia a la hora de lanzar tests A/B formulando alguna hipótesis: los usuarios que se saltaron el paso 2 tienen una tasa de abandonos más baja ¿podemos probarlo? Incluso cuando no dan respuesta a todas las preguntas, ayudan a formular las preguntas más relevantes, a saber dónde y cuándo nos tenemos que preguntar el porqué.

Como vemos, hay mucho más que la tasa de conversión de objetivos cuando hablamos de analítica web. En el futuro iré incluyendo más ejemplos de cómo podemos aplicar éste modelo de trabajo para analizar la experiencia de usuario más allá de Google Analytics.

I’m UX/Product Designer at Ebury. I have a caotic side project called Cinefilica and founded the most interesting tech community in Málaga Yes We Tech.

Comentar

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Carmel Hassan Tecnología, Diseño y Sociedad

Entradas recientes

Comentarios recientes

¡Suscríbete!

Introduce tu correo electrónico para suscribirte a este blog y recibir notificaciones de nuevas historias.

Categorías

Meta