ماشین حساب ها و آزمون ها: انتظارات کاربر و انواع آن

ماشین حساب ها و آزمون ها، اطلاعات اشخاص را گرفته و بر اساس شرایط آنها خروجی‌های شخصی‌سازی شده ای را فراهم می‌کنند. کاربران با یک ذهنیت اکتشافی به این ابزارها نزدیک می شوند و هنگام تصمیم گیری از آنها استفاده می کنند.

تعریف ماشین حساب ها و آزمون ها

ماشین‌حساب‌ها(calculator) عموماً ابزارهای مستقلی هستند که به کاربران اجازه می‌دهند تا تعدادی ورودی‌ را برای کشف خروجی‌های حاصل دستکاری کنند. این ابزارها اغلب در یک صفحه وب تعبیه شده اند و تعداد محدودی ورودی را می پذیرند(2 الی 7 ورودی).

آزمون‌ها(quiz) معمولاً بیش از چند ورودی کاربر (بیش از 5 ورودی) را در قالب یک فرم می‌پذیرند و نتایج شخصی‌سازی می‌کنند. آنها اغلب به شکل یک ویزارد (wizard) هستند.

هم ماشین حساب ها و هم آزمون ها، به کاربران بی تجربه کمک می کنند تا تصمیمات پیچیده ای بگیرند. از آنجایی که هر دو نوع ابزار اهداف کلی یکسانی دارند، اما در ارائه رابط کاربری متفاوت هستند، این مقاله به هر دو به عنوان ماشین حساب اشاره می کند. تحقیقات ما نشان می دهد که خروجی های ماشین حساب کورکورانه به عنوان حقیقت پذیرفته نمی شوند: آنها تنها بخشی از فرآیندهای تصمیم گیری کاربران هستند.

کاربران تعهد کمی به خروجی های اولیه دارند

کاربران ابزارهای ماشین حساب را راهی برای جمع آوری اطلاعات و ساختن یک مدل ذهنی در مورد فضای مشکل می دانند. هنگامی که کاربران یک ابزار ماشین حساب را پیدا می کنند که مفید به نظر می رسد، در ابتدا اطلاعات تخمین زده شده را وارد می کنند. آنها سعی می کنند ارزش ابزار را با آزمایش کردن آن قبل از صرف تلاش برای اطمینان از دقیق بودن همه اطلاعات مشخص کنند. کاربران می دانند خروجی های اولیه تا حدودی نادرست هستند و بنابراین تعهد کمی به نتایج دارند.

کاربران نمی خواهند اطلاعات تماس را به اشتراک بگذارند

کاربران می خواهند ماشین حساب ها را بدون نیاز به تعهد به یک سازمان امتحان کنند. آنها نمی خواهند اطلاعات تماس خود را به اشتراک بگذارند یا حساب کاربری بسازند، وقتی که به طور تصادفی گزینه های خود را ارزیابی می کنند. آنها دوست دارند این تعامل ناشناس باشد زیرا اغلب در این مرحله اکتشافی ناآگاه و نامطمئن هستند و نمی خواهند شرکت ها آنها را با پیام هایی بمباران کنند؛ فقط به این دلیل که به دنبال کمی راهنمایی هستند.

مردم به خصوص زمانی که باید اطلاعات تماس را ارسال کنند تا نتایجِ یک ماشین حساب نمایش داده شود، آزرده می شوند. آنها زمان گذاشته اند و انتظار نتایج فوری را دارند. در حالی که این الگو معمولا برای وارد کردن کاربران به قیف خرید(purchasing funnel) استفاده می شود، مردم اغلب احساس می کنند فریب خورده و اذیت می شوند.

تحت تاثیر قرار دادن کاربران با تجربه تر سخت تر است

هر چه کاربر تجربه بیشتری در یک فضای مشکل داشته باشد، احتمال کمتری دارد که خروجی های یک ابزار ماشین حساب را ارزش گذاری کند. هنگامی که خروجی ها با تجربه قبلی یا انتظارات موجه آنها مطابقت ندارد، کاربران به سرعت از آنها دست می کشند.

به عنوان مثال، یکی از شرکت کنندگان در تحقیق اطلاعات بیمه خود را در یک ابزار چکاپ بیمه وارد کرد، که به او توصیه می کرد یک حساب پس انداز سلامت(HSA) دریافت کند و بیمه حیوان خانگی خود را لغو کند. او با تردید اظهار داشت:

"HSAs - به نظر من آزاردهنده است. من هرگز آنها را درک نمی کنم. [... و] من در مورد آن نمی دانم. [بیمه حیوانات خانگی] قطعاً چندین بار به من کمک کرده است.»

وارد کردن جزئیات بیشتر، باید به نتایج بهتری منتج شود

هرچه کاربران اطلاعات بیشتری را به یک ابزار وارد کنند، انتظار دارند که خروجی ها شخصی سازی تر شده باشند. این انتظار با مدل های ذهنی کاربران برای تعامل با متخصصان واقعی مانند پزشکان مطابقت دارد. هر چه جزئیات بیشتری بتوانید ارائه دهید، از نظر تئوری باید تشخیص دقیق تر باشد.

ابزارهای ماشین حساب می توانند در این زمینه به دو صورت شکست بخورند: جمع آوری نکردن جزئیات کافی یا عدم استفاده از جزئیات ارائه شده.

• جمع‌آوری نکردن جزئیات کافی: وقتی ابزاری تمام جزئیاتی را که کاربران آماده ارائه آن هستند نمی‌پذیرد، افراد تصور می‌کنند که ابزار نمی‌تواند به طور کامل شرایط آنها را در نظر بگیرد، مانند این است که یک پزشک قبل از اینکه بیمار توصیف علائم خود را تمام کند، دارو تجویز می کند.
• استفاده نکردن از جزئیات ارائه شده: ابزارهایی که جزئیات زیادی را می پذیرند اما فقط اطلاعات کلی را ارائه می دهند به همان اندازه بی فایده اند، زیرا به نظر نمی رسد قابلیت شخصی سازی داشته باشند. برای مثال، یکی از شرکت‌کنندگان در یک مسابقه آزمون مسیر شغلی به 24 سؤال درباره خود پاسخ داد، اما خروجی‌ها به قدری گسترده بودند که او متعجب شد که آیا از داده‌هایی که ارائه کرده بود استفاده شده یا خیر.

تحقیق را با استفاده از روش هایی مانند نظرسنجی یا مصاحبه انجام دهید تا کشف کنید که کاربران چه نوع اطلاعاتی را در اختیار شما خواهند گذاشت. ابزارها باید از اطلاعاتی پرسش کنند که اکثر کاربران مایل به اشتراک گذاری هستند. با کارشناسان موضوع کار کنید تا بفهمید چگونه از این ورودی ها برای ایجاد خروجی های شخصی سازی شده به بهترین شکل استفاده کنید.

مردم از ابزارهای ماشین حساب، به شیوه جلو و عقب(Forward and Backward) استفاده می کنند

گاهی اوقات، کاربران مانند یک فالگیر با ماشین حساب برخورد میکنند: آنچه را که می دانند وارد می کنند و منتظر می مانند تا ببینند چه چیزی بیرون می آید. به عنوان مثال، کاربری که به دنبال وام مسکن است ممکن است پیش پرداخت، امتیاز اعتبار فعلی و کل مبلغ وامی را وارد میکند تا میلغی که باید ماهانه بپردازد را ببیند. به نظر می رسد که استفاده از ماشین حساب در این روش "به جلو" (“forward” manner) به گونه ای است که اکثر چنین ابزارهایی برای استفاده طراحی شده اند.

گاهی اوقات، کاربران طوری با ماشین‌حساب‌ها برخورد میکنند که گویی در حال کوک کردن یک گیتار هستند: آنها در مورد خروجی مورد نظر خود تصمیم می‌گیرند و به طور مکرر ورودی‌ها را تغییر می‌دهند تا به نتیجه دلخواه برسند. برای مثال، همان متقاضی وام مسکن از قبل می‌داند که چه مبلغی را می‌تواند پرداخت کند (خروجی)، بنابراین مقادیر مختلف پیش‌پرداخت (ورودی) را آزمایش می‌کند تا زمانی که به پرداخت ماهانه مورد نظر خود برسد. ماشین‌حساب‌ها باید ساخته شوند تا این شیوه «رو به عقب» (“backward” manner) را تسهیل کنند.

کاربران به هر دو صورت از ماشین حساب استفاده می کنند تا در مورد رابطه بین ورودی ها و خروجی ها بیاموزند. آنها حتی ممکن است ورودی های جعلی را برای کاوش در فضا وارد کنند - و این دلیل دیگری است نشان میدهد که آنها لزوماً به خروجی هایی که دریافت می کنند متعهد نیستند.

انواع ماشین حساب و آزمون آنلاین

اکثر ابزارهای ماشین حساب و آزمون حداقل یک یا چند مورد از خدمات زیر را ارائه می دهند: تبدیل ورودی ها، پیش بینی آینده یا ارائه پیشنهادات.

برای سادگی، ما در سراسر این مقاله به ماشین‌حساب‌ها و آزمون‌ها به عنوان «ماشین حساب» اشاره می‌کنیم.

ماشین حساب های تبدیلگر

ماشین حساب های تبدیلگر، ورودی های کاربر را از یک فرمت به فرمت دیگر ترجمه می کنند. این ابزارها به تنهایی سعی نمی کنند به کاربر بگویند چه کاری باید انجام دهند یا خروجی ها را برای آنها تفسیر کنند، بلکه به کاربران کمک می کنند تا وظایف خود را انجام دهند یا وضعیت خود را بهتر درک کنند.

به عنوان مثال، یک ماشین حساب ردپای کربن(carbon-footprint calculator) از کاربران یک سری سوالات در مورد عادات روزانه آنها می پرسد. سپس، اطلاعات را به امتیاز ردپای کربن تبدیل می کند.

ماشین حساب های تبدیلگر می توانند مقایسه بین گزینه ها را با تبدیل ورودی ها به اصطلاحات رایج تسهیل کنند. آنها به کاربران امکان می دهند دو آیتم را با هم مقایسه کنند(“apples to apples”). به عنوان مثال، یک ماشین حساب مقایسه وام، می تواند جزئیات چندین وام را که به تنهایی مقایسه آنها دشوار است، بپذیرد و آنها را به شرایط یکسان، مانند کل مبلغ و پرداخت های ماهانه برای مقایسه کردن تبدیل کند.

نکته طراحی

خروجی‌های یک ماشین‌حساب تبدیل را به گونه‌ای تنظیم کنید که برای کاربر منطقی باشد. وظایفی که کاربران سعی می کنند با ماشین حساب انجام دهند باید نحوه ارائه خروجی ها را نشان دهند. به عنوان مثال، ماشین حساب زیر مناطق زمانی را در سراسر جهان مقایسه می کند. ساعات کاری عادی با رنگ زرد، ساعات صبح و عصر با آبی روشن و ساعات شب با رنگ آبی تیره مشخص شده است. این نکات برجسته، یافتن یک زمان ملاقات مناسب برای افراد در مکان‌های مختلف را آسان می‌کند.

ماشین حساب های پیش بینی

ماشین حساب های پیش بینی به کاربران کمک می کند آینده را تخمین بزنند. اگر کاربران به وب سایت ارائه دهنده ماشین حساب اعتماد داشته باشند، عموماً صحت پیش بینی ها را زیر سوال نمی برند. (آنها نمی دانند چگونه الگوریتم ماشین حساب را زیر سوال ببرند زیرا آن را درک نمی کنند).

ماشین حساب تخمک گذاری نمونه ای از ماشین حساب پیش بینی است. کاربران می توانند زمان شروع آخرین قاعدگی و میانگین طول چرخه قاعدگی را برای دیدن پیش بینی باروری وارد کنند.

هرچه ماشین حساب ساده تر باشد، احتمال بیشتری برای به چالش کشیدن خروجی ها توسط کاربران وجود دارد. هنگامی که کاربران در مطالعه ما با ابزارهای پیچیده، مانند ماشین حساب های سرمایه گذاری -که با توجه به الگوهای سرمایه گذاری سفارشی، میانگین بازده بازار را در طول زمان پیش بینی می کنند- تعامل داشتند، کاربران خروجی ها را به چالش نکشیدند.

نکته طراحی

طراحان بهرحال مسئول ارائه اطلاعات دقیق به کاربران هستند، تا به کاربران کم اطلاع، یا آسیب پذیر در تصمیم گیری کمک کنند.

ماشین حساب های پیشنهاددهنده

کاربران برای مشاوره به ماشین حساب های پیشنهاددهنده مراجعه می کنند. آنها می دانند که توصیه های ماشین حساب کاملاً نوع دوستانه نیستند. با این حال، ریختن اطلاعات خام در ماشین حساب و دریافت یک توصیه شخصی آنقدر جذاب است که کاربران عموماً خروجی ها را جدی می گیرند.

به عنوان مثال، از شرکت کنندگان تحقیق خواستیم بررسی کنند که آیا Mint Mobile برنامه های تلفن وایرلس متناسب با نیازهای آنها دارد یا خیر. شرکت‌کنندگان به سرعت وارد مسابقه‌ای در صفحه اصلی شدند تا بر اساس شرایط خود توصیه‌هایی برای بهترین طرح دریافت کنند. آزمون سوالاتی از قبیل:

• در حال حاضر چند خط دارید؟
• به طور کلی از چه مقدار داده استفاده می کنید؟
• آیا تلفن شما پرداخت شده است؟
• چندوقت یکبار به وای فای متصل میشوید؟

به طور کلی، به نظر می‌رسید شرکت‌کنندگان به خروجی‌های آزمون به همان اندازه، اگر نه بیشتر از، به قضاوت خودشان اعتماد داشتند.

نکته طراحی

یک ماشین حساب پیشنهاددهنده را در مرحله ای از جریان کار قرار دهید که پس از آن کاربران باید تصمیماتی بگیرند. این ماشین‌حساب‌ها زمانی که کاربران احساس می‌کنند گیر کرده‌اند و نمی‌دانند چه گزینه‌هایی به بهترین وجه نیازهای آن‌ها را برآورده می‌کنند، به‌عنوان یک راهنما تلقی می‌شوند.

ماشین حساب های ترکیبی

تبدیل‌ها و پیش‌بینی‌ها می‌توانند راه را برای توصیه‌ها هموار کنند زیرا کاربران اغلب پس از دیدن این نوع نتایج باید تصمیم بگیرند. به عنوان مثال، یک ماشین حساب بازنشستگی می تواند به کسی کمک کند تا در صورت ادامه مسیر مالی فعلی، میزان پولی که در دوران بازنشستگی خواهد داشت، پیش بینی کند. این خروجی فرصت مناسبی را برای سازمان ایجاد می کند تا روش هایی را برای دستیابی به اهداف مورد نظر بازنشستگی توصیه کند.

نکته طراحی

نحوه استفاده کاربر از خروجی ماشین حساب را تعیین کنید: تصمیماتی که باید گرفته شود، اقداماتی که احتمالاً در پی خواهد بود، و سوالات بعدی - به ویژه در مورد ماشین حساب های تبدیل و پیش بینی. این اطلاعات فرصت‌هایی را برای توصیه یک مسیر عملی که هم برای کاربر و هم برای کسب‌وکار مفید است را نشان می‌دهد.

نتیجه گیری

کاربران به روشی معمولی و اکتشافی با ماشین حساب درگیر می شوند. آنها لزوماً متعهد به خروجی های ماشین حساب نیستند و همچنین نمی خواهند به چیزی متعهد شوند تا آنها را دریافت کنند. به کاربران اجازه دهید تا با ماشین حساب ها مطابق با شرایط خود تعامل داشته باشند تا اعتمادشان به محتوا و پیشنهادات شما ایجاد شود.

ماشین‌حساب‌های تبدیل، پیش‌بینی و پیشنهادهنده به کاربران بی‌تجربه‌ای خدمات می‌دهند که احساس می‌کنند گم شده‌اند و به دنبال راهنمایی هستند که بتوانند به آنها اعتماد کنند. خروجی ها و توصیه های ماشین حساب را ساده، خنثی و در دسترس نگه دارید. کاربران را مجبور به خرید اشتراک برای دریافت اطلاعات مفیدی که پس از استفاده از ماشین حساب به دنبال آن هستند، نکنید.

منابع استفاده شده:

https://www.nngroup.com/articles/calculator-expectations/?lm=sludge-decisions&pt=article

https://www.nngroup.com/articles/3-types-calculator/