Как фидбек помог новой команде 36,6 быстрее узнать о проблемах продукта

Когда я только пришел сюда в компанию, много чего не знал. Знал только, что мне сказало моё будущее руководство. О проектах компании, что происходит, чем отличаются аудитории, что придётся делать и так далее. И когда я пришёл сюда, получил доступы к системам веб-аналитики и посмотрел в них, понял, что там толком ничего не было настроено.

Было непонимание, что здесь происходит, почему так, и системы веб-аналитики не давали ответа. И тогда, собственно, по опыту своего прошлого места работы («Аскона» – прим. UX Feedback), я обратился к вам. Получается, что мы подключили UX Feedback где-то через неделю после того, как я пришёл в компанию. По сути, это было моё первое действие на новом месте работы, которые было заточено на понимание сути происходящего на проектах.

Я знал, что будет фидбек, как и на прошлом месте работы. Но не ожидал, что его будет столько. Самое классное, что здесь фидбек собирается ещё быстрее, потому что количество заказов выше, чем было у меня раньше. Буквально за один день я понял 90% проблем пользователей. Конечно, не всё сразу было понятно, потому что надо было глубоко разобраться в архитектуре сайтов, в логике – почему именно такие шаги они сделали. Но я увидел «боли» пользователей, что их огромное количество, и это даже обрадовало, потому что я увидел в этом точки роста.

Я считаю, что это отличное решение, и подходы могут быть разные. Сначала может быть фидбек, а потом анализ на его основе – залезть в Google Analytics и там «поковырять», постараться найти то, о чём пишут пользователи, строить гипотезы и исправлять ситуацию. Либо может быть наоборот. Мы видим что-то непонятное в системах аналитики, у нас есть какая-то гипотеза, и первое, что можно сделать, – это сразу задать правильный вопрос на нужном участке пользовательского пути.

У нас весь фидбек кластеризуется – разбивается по тематикам. Например, «Чекаут». И «Чекаут» может разбиться ещё на подразделы, например, «Проблема с вводом e-mail», «Проблема с поиском адреса» и так далее. Каждый отзыв тегируется, и после этого по тегам мы фильтруем и смотрим, где больше всего проблем у пользователей. И сервис сразу же даёт наводку, подсказывает мета-данные: мы видим, на каких устройствах, разрешениях экранов, браузерах всплывает эта ошибка. Плюс ещё связка с Яндекс.Метрикой.

После этого приоритезируем проблемы, смотрим, на каком этапе нам важнее выполнить задачу – сколько негативных отзывов по конкретному багу. Исходя из этого дальше мы уже и ставим задачи в работу.

Если у нас есть какие-то серьёзные проблемы, которые срезают конверсию, то они очень общительные. Если мы говорим про крупные бренды, у которых есть ядро постоянной лояльной аудитории, которые закрывают глаза на многие «косяки» и всё равно продолжают у них покупать, тогда пользователи обязательно пишут. И зачастую пишут и положительные отзывы. У нас даже есть один стихами.

Есть, конечно. Сотрудники колл-центра постоянно работают с нашими клиентами, и от них можно получить кучу полезной информации. Но нужно понимать, что, поскольку ты получаешь данные не из первых уст, они всё-таки могут доходить до тебя несколько искаженными. Например, женщина из колл-центра с невысокой зарплатой может проецировать своё отношение к покупке лекарств на клиентов. И ей кажется, что все, как и она, готовы ради пусть даже и небольшой экономии ехать за лекарствами на другой конец города. Потому что в местной аптеке скидка. Но на самом деле, у нас таких клиентов очень мало, и в целом ситуация кардинально другая.