כיצד להשתמש ב- Data Analytics כדי לשפר את השימושיות בבדיקת תוצאות

מדוע Analytics הופך את השימושיות לבדיקות

בדיקות שימושיות כבר זמן רב עמוד השדרה של עיצוב ממוקד משתמשים, אבל ערבובו עם ניתוח נתונים לוקח את התרגול מנחשים דיוק. במקום להסתמך רק על מה המשתתפים בבדיקה אומרים או מה מנחה צופה, ניתוח מביא מספרים קשים: שבו משתמשים לוחצים, כמה זמן הם מהססים, אשר נתיבים הם נוטשים, ומה שגיאות חוזרים על זה הופך בדיקות גלם לתוך תובנות ניתנות פעולה כי הם להפחית ישירות חיכוך ושיפור שיעורי המרה.

כאשר צוותים משלבים בדיקות רגישות מסורתיות עם ניתוח נתונים, הם חושפים דפוסים שעשויים להישאר חבויים אחרת.לדוגמה, חמישה משתתפים במבחן עלולים להיאבק עם זרימת בדיקת מידע, אך ניתוח יכול לחשוף כי FLT:080% מהמשתמשים הבאים נותרו חבויים בדגימה גדולה יותר אף פעם לא להגיע לשלב הסופי.

הבנת Analytics נתונים בקונטקסט של בדיקות שימושיות

ניתוח נתונים בבדיקת שימושיות הוא התהליך השיטתי של לכידת, עיבוד, ופרש נתונים התנהגותיים וביצועים במהלך בדיקות המשתמש.זה הולך מעבר סקרים פשוטים או ראיונות לאחר-מבחן.זה כולל מעקב אחר כל אינטראקציה שמשתתף עושה בתוך ממשק - תנועות שימוש, עומק גליל, זמן על משימה, קודים שגיאה, ואפילו מעקב עין אם הוא זמין.

בדיקות מסורתיות של שימושיות מניבות לעתים קרובות תצפיות איכותיות: "משתמשים נראו מבולבלים מהניווט" או "הם נאבקים למצוא את הבר החיפוש" (אנליזה של נתונים מוסיפה שכבה כמותית: "זמן ממוצע לאתר את הבר החיפוש היה 12 שניות, עם שיעור כשל של 30% על הניסיון הראשון." שילוב זה של FLT:0qualitativeהקשר בין 1LT:1 ו-FLT2: עדות אנטי-qualizing מאפשר לתקן את התדירות גבוהה יותר מאשר לתדירות גבוהה יותר מאשר ל- 3.

הרחבת ה-Scope: ממעבדה כדי לחיות נתונים

בעוד בדיקות שימושיות מבוקרות במעבדה לייצר נתונים נקיים, כלי ניתוח מודרניים מאפשרים לך לאסוף נתונים התנהגותיים מסביבות ייצור חיים, זה נקרא לעתים קרובות בדיקות שימושיות לחיות, שבו אתה מנתח אינטראקציות משתמש אמיתי ללא מתווך. כלים כמו Hotjar, FullStory, ו- Microsoft Clarity מתעד באופן אוטומטי כל קליק וגל באתר שלך חי.התרון הוא עצום: אתה יכול לזהות בעיות של אלפי משתמשים במקום רק קומץ, או ניסיון של שימוש קבוע, כדי למנוע פילטרים של שימוש, או שימוש, למעשה, או שימוש קבוע, או שימוש בפרוטוקולים, או שימוש קבוע, או שימוש בפרוטוקולים, למעשה, כדי למנוע שימוש קבוע, כדי למנוע פילטרים, כדי להתמקד בפרוטוקולים.

לדוגמה, חברת SaaS הפועלת במבחן בטא יכולה לאפשר להקליט במצגת חדשה של לוח נתונים.על ידי ניתוח 500 מפגשים רשומים, נקודות הצוות ש-40% מהמשתמשים ללחוץ על אלמנט לא אינטראקטיבי, מצפה לפתוח מודולל.איש לא הזכיר את התסכול בסקרים שלאחר מבחן.האנליסט נתונים על פני פער אמיתי של יכולת מדידה אחרת נשאר בלתי נראה.

סוגים של נתונים שנאספו במהלך בדיקות שימושיות

כדי ליישם ניתוח נתונים ביעילות, עליך לדעת אילו סוגים של נתונים זמינים וכיצד לפרש כל אחד מהם. להלן שלוש קטגוריות עיקריות עם דוגמאות של איך הם לשפר את קבלת ההחלטות.

נתונים של ביצועים

• שיעור ההשתתפות של LT:0 (Task Completion Rate: FLT:1)% של משתמשים שסיימו בהצלחה משימה. A rate מתחת 70% בדרך כלל מציין פגם עיצוב רציני.
• (ב) ב-[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]
• (FLT:0)Error Rate: 1 כיצד משתמשים עושים טעויות, כגון כניסה לנתונים לא חוקיים או פגיעה בלחצנים שגויים.
• (FLT:0)Click Count:FLT:1 מספר אינטראקציות לפני ההצלחה.קליקים נוספים פירושים כי משתמשים הם צד ולא ניווט.

נתונים התנהגותיים Qualitative Behavioral Data

• (FLT:0) תחשוב-אלעוד פרידג'ס: משתמשים מדברים את מחשבותיהם בזמן אמת, טקסט הכרייה אלה יכול לזהות מילות מפתח חוזרות כמו "מפורש", "שם," או "מחלוקת".
• (FLT:0) תוצאות סקר של post-Test:FIRLT:1 , System Usability Scale (SUS) ו- Net Advanceer Score (NPS) נותנים קריטריונים סטנדרטיים.עקוב אחר בדיקות אלה על מנת למדוד שיפורים.
• (ב) תצפיות על שפת הגוף:0 (FLT:1 ) הערות על שפת הגוף, היסוס או נאנחות מילוליות.בעוד סובייקטיבי, ניתן לקודש תצפיות אלה לנושאים וניתוק צלב עם נתונים כמותיים.

מידע אינטראקציה (התנהגותי Analytics)

• התנועה של מוזה והאב: FLT:1 (Indicates), שבו משתמשים מצפים לאינטראקציה.הובר על אלמנט לא קליקים מציע התאמה בין עיצוב חזותי ופונקציונליות.
• (FLT:0) Scroll Depthir: 1FLT מודד כמה רחוק למטה דף משתמשים לגלול לפני עצירה.
• (FLT:0Click Maps / Heatmaps:FearLT:1 ייצוג חזותי של קליקים וטיפים. Helps לזהות כתמים חמים (בעיקר אזורים מלחיצה) ואזורים קרים (משתמשים להתעלם).
• (ב) ⁇ :0 [ה]מ-הסברים: [ה]] ,[דרוש מקור]], [ה] [15], ופעמים על כל שדה, חשפו כי שדות יוצרים נטישה.

החלת Analytics נתונים כדי לשפר את השימושיות בדיקה

איסוף נתונים הוא רק חצי הקרב.הערך האמיתי מגיע מניתוח שיטתי שמוביל לשינויים בעיצוב. להלן מסגרת שלב-שלבית לשימוש בניתוח נתונים לשיפור תוצאות בדיקת שימושיות, בין אם אתה בודק אב-טיפוס, שחרור בטא, או מוצר חי.

Define Measurable Success קריטריה לפני בדיקות

לפני שאתה מפעיל מבחן יחיד, להחליט אילו מדדים יגדירו הצלחה במקום מטרות מעורפלות כמו "להפוך את הדף לקל יותר לשימוש", להציב מטרות ספציפיות: "לחנך זמן בדיקה ממוצע מ-90 שניות עד 45 שניות" או "לבטל את שיעור השלמת המשימות מ 60% עד 85%".

השתמש בנתונים היסטוריים מפלטפורמות ניתוח (Google Analytics, Mixpanel, או Amplitude) כדי להגדיר קווי בסיס מציאותיים.עבור תכונה חדשה ללא היסטוריה, להפעיל מבחן טייס קטן (5-10 משתמשים) ולהשתמש בנתונים כמדד ראשוני.

2.שלב הקלטת מצגת אוטומטית עם מצגת ידנית

כלי הקלטה של סשן ללכוד באופן אוטומטי כל אינטראקציה.עם זאת, הקלטות גולמיות הן מכריעות - מבחן של 30 דקות יוצר אלפי אירועים. השתמש בניתוח כדי לסנן לרגעים קריטיים: דפים שבהם משתמשים עצרו במשך יותר מחמש שניות, שבהם שגיאות התרחשו, או היכן שהדרך ניווט מחוספס מהזרם הצפוי.לאחר מכן לצפות בקליפים ספציפיים עם הצוות שלך. גישה היברידית זו (מסנן אנטי-שלילית ואחריו בדיקה איכותית) חוסכים את השעות וההשפעה הכי הרבה יותר.

לדוגמה, ייתכן שתגדיר מסנן ב-Hotjar כדי להציג רק מפגשים שבהם האירוע "טרור פילד zipcode" ירה.על ידי צפייה בעשרה מפגשים כאלה, תגלו כי שדה קוד הzip אינו מקבל את התבנית "12345-6789" למרות שהמשתמש מצפה לכך.התבנה יחידה זו מניעה תיקון אימות מהיר.

3. בנה את Funnel Analysis into Test Design

פטריות אינן רק אופטימיזציה המרה - הן חזקות לבדיקה של שימושיות.מפות את הנתיב האידיאלי שבו משתמש צריך לקחת במהלך תרחיש מבחן (למשל, להירשם) להוסיף פריט קופה לאשר) ולאחר מכן לכל צעד עם אירוע.לאחר הפעלת הבדיקה, ליצור דו"ח כינור הגדול ביותר בין השלבים הוא הבעיה העליונה שלך.

במבחן שימושיות מתון, אתה יכול גם להשתמש בלוחדיונים של פטריות לחיות כדי לראות בזמן אמת שבו המשתתפים נאבקים.זה מאפשר למארגן לחקור עמוק יותר במהלך הפגישה: "אני מבחין שהפסקתם בדף המשלוח.מה היית מצפה לראות?", השילוב של נתונים המבוססים על ניתוח נתונים והמשך מעקב איכותי הוא יעיל מאוד.

השתמש ב-Hickmaps כדי Overlay Test Data

כאשר הפעלת בדיקות לא מתוזמנות עם מדגם גדול (10-30 משתמשים), מפות חום הופכות בלתי מהימנות. צור מפת חום של כל הקליקים במהלך משימה מסוימת.אם משתמשים לוחצים באופן עקבי על אלמנט לא אינטראקטיבי, אזור זה צריך שינוי עיצוב - או להפוך אותו לקליק או להוסיף רמז חזותי שהוא סטטי.

נפילה נפוצה היא טיפול במפת חום כהוכחה סופית.הם הם כיוון, לא כולל.תמיד לשלב את ממצאי מפת החום עם הקלטות של ישיבות כדי להבין מדוע משתמשים לחצו על איפה הם עשו.האם הם לא קראו את התווית?האם הכפתור קטן מדי? הניתוח מספק את מה; המצגת מספקת את הסיבה.

5.העברה Quantitative Metrics with User Feedback

אחת הטעויות הגדולות ביותר בבדיקת שימושיות מבוססת נתונים היא להסתמך רק על מספרים והתעלמות מהפידבק מילולי.המספרים מספרים לכם ש-50% מהמשתמשים נטשו את הטופס; המשוב אומר לכם שהלחיצת כפתור "ההמשך" נראית אפורה ולא פעילה.תמיד תלת-משמעית. השתמש בכלי כמו Lookback, מתעדת גם את המסך וגם את השמע של המשתתף, ולאחר מכן ליישם ניתוח רגשות או לתייג ידני לתגובות אינטראקציה רגשית בנקודות ספציפיות.

לדוגמה, ייתכן שתראה ב-Google Analytics כי כפתור "Add to Cart" יש קצב לחץ גבוה אבל תוספת עגבת נמוכה השלמת.הקצאת קרוס-ההיקף עם הקלטות הפעלה.אתה מגלה כי לחיצה על הכפתור פותחת את העגלה, אבל האנימציה כל כך מהירה שמשתמשים לא רואים אותה ולחץ שוב, הסרת הפריט.המידע לבדו לא יסביר את הבעיה; השכבה האיכותית מגלה את האנימציה.

אסטרטגיות מפתח עבור Integrating Data Analytics לתוך זרימת העבודה שלך

כדי לשפר באופן עקבי את התוצאות, אתה צריך יותר מניתוח חד פעמי. Embed Analytics לתוך כל מחזור החיים של שימושיות שלך.אסטרטגיות להלן הוכחו בארגונים כי להעביר מוצרים ידידותיים למשתמש במהירות.

התחל עם Hypothesis, לא שאלה

במקום לשאול: "מה לא בסדר עם דף זה?", יש השערה מסוימת: "אנו מאמינים כי צמצום מספר שדות הטופס משמונה עד ארבע יקטין את נטישה ב-20%", ואז לעצב מבחן עם קבוצות שליטה וגרסאות. השתמש בניתוח כדי למדוד את ההבדל.גישה מדעית זו מונעת בדיקה יתר על המידה ומתמקדת משאבים על שינויים בהשפעה גבוהה.

שימוש ב-Exment to Uncover Hidden Patterns

ניתוח מבוזר יכול להסתיר הבדלים מכריעים.קצב השלמת משימה של 75% הכולל עשוי להישמע מקובל, אבל כאשר אתה מקטע על ידי סוג משתמש (חדש לעומת החזרה, נייד לעומת שולחן העבודה, מומחה לעומת צומת), המספרים יכולים לחשוף פערים כוכבים. משתמשים חדשים עשויים להיות שיעור השלמת 40% בעוד משתמשים מומחים פגעו ב-95%.זה אומר לך את הממשק רזה מדי על ידע קודם.

עדיפות לבעיות על ידי השפעה ותדירות

ניתוח נתונים נותן לך את תדירות של כל בעיה של שימושיות.לא כל בעיה ראוי לתשומת לב מיידית. השתמש במערכת ניקוד פשוטה: להכפיל את מספר המשתמשים המושפעים בחומרה של ההשפעה (min, מתון, קריטי) לדוגמה, שגיאה קריטית שחוסמת בדיקת עבור 2% של משתמשים עשוי להיות פחות דחוף מאשר בלבול מתון המשפיע על 60% של משתמשים.

עיצובים המבוססים על נתונים, ולאחר מכן לבדוק שוב

שינויים מונעים על ידי Analytics הם השערות עצמם.לאחר יישום תיקון (למשל, העברת כפתור, לפשט תווית, הוספת ערכת כלי), להפעיל סבב נוסף של בדיקות שימושיות ולהשוות את המדדים החדשים לקו הבסיס שלך.אם השיפור הוא משמעותי סטטיסטית, לתעד את השינוי ולעבור לעדיפות הבאה.אם לא לחפור עמוק יותר לנתונים: אולי לפתור בעיה אחת אלא הציגה את זה עוד תרגול, לתקן את זה שוב, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה שוב, לתקן את זה, לנתח את הבוגר, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה שוב, לתקן את זה, לתקן את זה, לתקן את זה יותר, לתקן את זה, לתקן את זה שוב, לתקן את העדיפות גבוהה יותר, לתקן את זה, לתקן את זה, לתקן את זה שוב, לתקן את זה, לתקן את זה שוב, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה, לתקן את זה,

לאמן את הצוות שלך לקרוא ולפעול על Analytics

כלי ניתוח נתונים הם רק טובים כמו האנשים מפרשים אותם. להשקיע הכשרה עבור מעצבים, מנהלי מוצר, ומפתחים על מושגים אנליטיים בסיסיים: ניתוח פטריה, משמעות סטטיסטית, פלחציה ופירוש חום.ללא אוריינות משותפת זו, אתה מסכן נתונים להתעלם או לא מפרש.ברח סדנאות רבעון שבו הצוות מבצע מבחן של יכולת חיים ולאחר מכן מנתח באופן קולקטיבי את הפלטי הנתונים.

כלי ל- Data Analytics ב- Usability Testing

הנוף הכלי התבגר באופן משמעותי.למטה הוא רשימה מחוספסת של כלים שעובדים טוב עבור שלבים שונים של בדיקות שימושיות, מ משוב אבטיפוס ועד ניטור הייצור.שום כלים אלה אינם מחליפים אנליסט מיומן, אבל הם במהירות דרמטית איסוף נתונים ודמיון.

Hotjar - Best All-in-One for Prototypes and Live Sites

Hotjar מספק מפות חום, הקלטות, סקרים, משוב widgets.זה שימושי במיוחד עבור בדיקות שימושיות לא מתווות, כי אתה יכול להגדיר קישור לאסוף הקלטות ללא מנחה.כלי מפת החום מצטבר קליקים ומגילות על כל דף, בעוד המצגת להקליט הפגישה מאפשר לך לשחזר את מסעות משתמשים בודדים.

FullStory - Advanced Session Replay and Analytics

מלאוסופי מתעד כל אינטראקציה באתר שלך ועושה כל אלמנט חיפוש.גילוי "לחץ החץ" לבדו שווה את ההשקעה.אתה יכול לחפש מפגשים שבהם משתמשים לחצו על בחירת CSS ספציפית, ולאחר מכן לצפות בדיוק מה קרה לפני ואחרי. FullStory גם מספק ניתוח "המשימה" - חלק מהעמוד שמשתמשים מעולם לא לחץ על - אשר יכול להצביע על תוכן מוסתר או להתעלם ממנו באופן אוטומטי מנוע ניתוח יכול לזהות אותות "לחמניות" (rebleing" באמצעות סימני תגובה) או "ב" (repeting" (retintices) או "בשעות הפעלה) או "בקיצור" (reping" (repretice) או "בשעות הפעלה ידנית) או "בקיצור של בעיות הפעלה) או "במהירות" (reping" (retice) או "ללא לחץ) או "לא קליקים) או" (retice) או "עדינים" (repping" (repping" (repping) באופן ידני) ללא לחץ) או "עד כמה שעות הפעלה מחדש של הודעות הפעלה) או "עד כמה שעות הפעלה מחדש של בעיות הפעלה מחדש של בעיות הפעלה) או "עד כמה שעות הפעלה) או "מעקביות" (לחתוך" (לחתוך שימוש) או "לא קל

Google Analytics - בסיס התנהגות חופשי

בעוד לא כלי בדיקות שימושיות ייעודי, Google Analytics מספק נתונים בלתי חוקיים עבור הגדרת בסיסים ומדידה את ההשפעה של שיפורים שימושיות. השתמש התנהגותי Flow כדי לראות את הנתיב שמשתמשים לעקוב דרך האתר שלך, ולהגדיר מטרות לעקוב אחר מאקרו-conversions (כמו טפסים או רכישות) כ Proxy עבור יכולת תקשורת איכותית.

ביצים משוגעות - פשוט ויזואליות

ביצה מטורפת מתמקדת במפת חום, מפות גלילה, ודיווחים פוליניים (נתוני לחיצה קודים בצבע) קל להגדיר ואידיאל עבור קבוצות שרוצים משוב חזותי מהיר על דף אחד, כגון דף נחיתה או צ'ק זרימה. הדו"ח ה- פיראטיות מאפשר לך לראות בדיוק היכן שקטעי משתמשים שונים לחץ, אשר שימושי עבור השוואת התנהגות חדשה לעומת חזרה.

מבט לאחור - מודגן ו unmoderated עם Integrated Analytics

מבט לאחור משלב בדיקות שימושיות מתונות עם הקלטה וכמה תכונות ניתוח.You יכול להפעיל מבחן מתון ויש להם את מבט לאחור לזהות באופן אוטומטי ואת רגעי תג שבו המשתתף מהסס או לוחץ במהירות. במהלך הפגישה, אתה יכול להוסיף הערות זמן-stamped.לאחר מכן, Lookback יוצר גולת הכותרת עם הרגעים המעניינים ביותר על נתונים.

Microsoft Clarity - Free with Heatmaps and Recordings

אם התקציב הוא מעצור, Microsoft Clarity מציעה מפות חום בלתי מוגבלות והקלטות ישיבה בחינם.זה כולל תכונות כמו מפות לחיצה, מפות לגלול ו-"דיק דק" מעקב. קלייריות גם משטח "קליקים טרה" ו"קפיצים מהירים" (משתמשים שעוזבים במהירות את הדף). בעוד שהממשק פחות מלוטש ממתחרים, איכות הנתונים היא מוצקה, וחוסר של לוח זמנים אידיאלי עבור מחקרים לא אחידים זה הופך את זה מאפשר לנוה גדול עבור מחקרים בלתי חסכוני יותר.

מלכודות נפוצות להימנע בעת שימוש ב- Analytics בבדיקת שימושיות

ניתוח נתונים הוא חזק, אבל מטעה זה יכול להוביל למסקנות שגויות.כאן שגיאות שאפילו קבוצות מנוסים לעשות, וכיצד להימנע מהם.

התעלמות מהחשיבות הסטטיסטית

גדלים מדגם קטן יכולים לייצר מגמות מטעות.אם אתה רואה 10% ירידה במנהרה המבוססת על 20 משתמשים בלבד, זה יכול להיות רעש.תמיד חישוב מרווחי ביטחון או להשתמש במסגרות A / B הדוחות משמעות.עבור בדיקות שימושיות, מדגם של לפחות 30 משתמשים לקטע נותן לך מספיק נתונים עבור מדדים אמינים כמו שיעור השלמת משימות (עם שולי של 10%).

ביקורת על One Metric

שיעור השלמת משימות עשוי להיות גבוה, אבל זמן על משימה יכול להיות abysmal. Or קליקים יכול להיות נמוך, אבל ציוני שביעות רצון הם עניים. השתמש ציון מאוזן של מדדים (שלב, יעילות, קצב שגיאות, שביעות רצון) כדי לקבל תמונה מלאה.אם אחד מדד משתפר בעוד השני מחמיר, לחקור מדוע. a redesign כי להאיץ את בדיקת תוצאות אך גורם גבוה יותר נטיעת הוא לא רווח.

גינוי עם קווקז

מפת חום עשויה להראות כי משתמשים לוחצים על תמונה מסוימת לעתים קרובות, מה שמוביל אותך לחשוב שהיא מרתקת, אבל אולי הם לוחצים כי הם מצפים שזה יהיה כפתור, ואז הם מתוסכלים תמיד עם הקלטות או משוב של משתמשים.

התעלמות מהאפקט המחליף

במבחנים מתונים, נוכחותו של מנחה יכולה להשפיע על התנהגות - משתמשים עשויים לפעול בזהירות רבה יותר או לנסות לרצות את המנטרן.כאשר מסתמכים על נתונים כמותיים מהמפגשים האלה, השוו זאת עם נתונים לא מתוחכמים (remote) מדגימות גדולות יותר.אם זמן המשימה המתון הוא חצי מהזמן הלא מתועש, משתמשים עשויים להיות ממהרים בגלל שיקול דעת נתפס כי לתוך הניתוח שלך.

מסקנה: ביצוע שימוש בנתונים-Drivenability Testing a Habit

הגדלת ניתוח נתונים לבדיקות שימושיות אינה דורשת תקציב מסיבי או צוות מדעי נתונים ייעודי.התחל קטן: בחירת מדד אחד (למשל, שיעור השלמת משימה) וכלי אחד (למשל, Hotjar או Clarity) עבור הבדיקה הבאה שלך. לאסוף נתונים בסיס, לנתח את התוצאות, לעשות שינוי עיצוב יחיד, ולקבוע את ההבדל עד שהוא הופך לטבע שני.

כאשר אתה בונה ביטחון, שכבה בטכניקות מתקדמות יותר: ניתוח פטריית, פלח ו- A / B בדיקות של שיפורים שימושיות.התוצאה היא לולאה משוב שבו כל החלטה עיצובית מגובה על ידי התנהגות משתמש אמיתית, לא רק אינטואיציה.צוותים אשר מאמצים את מוצרי הגישה הזו אונייה כי הם קל יותר לשימוש, לייצר פחות כרטיסים תמיכה, ומניעה של ניתוחי המרה גבוהים יותר.

לקריאה נוספת על שילוב שיטות כמותיות למחקר משתמשים, ראה את ה-FLT:0) Nielsen Norman Group מדריך של קבוצת נורמן (Nielsen Norman Group) 1:1 על שיטות שימושיות כמותיות (הלימודים) כדי ללמוד עוד על ניתוח Replay Replayation:2 FullStory blog on Usability Testing with Session ReplayFLT 3: and for a Step-by-by of funnel Analysis for UX for UX, Checks: 2.