La determinación de la causalidad con el análisis de clientes

Mientras que la correlación no es causalidad solos, hay maneras de determinar y mostrar la causalidad entre las variables del cliente. La cantidad de fe que puede tener en las reclamaciones de la causalidad depende del método utilizado para recoger los datos. Mientras que usted puede pensar que un nuevo diseño de la página web dio lugar a más visitas de página, podría ser que las páginas vistas ya estaban aumentando.

Puede utilizar cualquiera de los cinco métodos para hacer afirmaciones sobre la causalidad, a partir de los más fuertes y los más débiles a través de proceder.

estudio experimental aleatorizado

Asignar a los participantes al azar a diferentes tratamientos de diseño y / o un control en un estudio de investigación es un diseño experimental. Por ejemplo, si usted quiere saber qué clientes de diseño entenderían más de una página de registro de salida, puede crear tres diseños diferentes:

• La variable dependiente podría ser algo como

• Precisión en responder preguntas

• Dificultad en probar

• La confianza en el registro de salida

• Tiempo para ver

Video: TÉCNICAS DE ANÁLISIS CAUSA - RAÍZ

El sello distintivo de la investigación experimental se asigna al azar a los participantes a diferentes tratamientos. A identificar el diseño que los usuarios seleccionan correctamente y eran más confianza en el uso para hacer su selección.

Hay todo tipo de variables no se puede controlar para - o - no son conscientes de que podrían afectar los resultados. Sin embargo, mediante la asignación al azar a los participantes a diferentes diseños o condiciones de tratamiento, a difundir esas variables molestas uniformemente a través de diseños. Esto aumenta la validez interna y generalización de los resultados.

Como otro ejemplo, los investigadores en Europa realizaron un experimento en el que se manipulan tanto la usabilidad y el atractivo visual de un sitio de comercio electrónico en línea. En esencia, echaron un sitio web, hacen la navegación intuitiva o no intuitiva, y luego cambiaron los colores y el contraste que ser atractivo o poco atractivo.

Encontraron que los clientes a encontrar sitios web sean más utilizables más atractivo. Los investigadores concluyeron que la mejor usabilidad aumenta opiniones sobre el atractivo. Su conclusión es bien fundamentadas porque utilizaron un diseño experimental aleatorizado.

Los experimentos (con asignación aleatoria) proporcionan los controles más fuertes contra variables extrañas y proporcionan los niveles más altos de validez interna. Estos generan los tipos más fuertes de los resultados de investigación. Pero, ¿qué ocurre si no se puede asignar al azar a los participantes?

Video: Criterios de Causalidad

diseño cuasi-experimental

Si desea probar diferentes condiciones, pero no se puede asignar al azar a los participantes a las diferentes condiciones, entonces el estudio es cuasi-experimental. Por ejemplo, es posible que desee saber si los clientes a encontrar la versión beta de un producto de software más fácil de usar que una versión existente. Los clientes de software beta por lo general se ofrecen como voluntarios para utilizar el software durante el período de prueba beta.

Video: Análisis de la causalidad Criterios de causalidad

Esta auto-selección (no aleatoria) asignación introduce una fuente potencial de sesgo en los resultados. Se tiene mayor validez externa debido a que estos grupos están segmentados de forma natural, pero tiene menor fiabilidad interna.

Cuando se comparan las actitudes de usabilidad (decir desde el SUS o SUPR-Q) de los clientes de software beta a los clientes versión existente y encontrar una diferencia, la diferencia podría deberse a diferencias en el tipo de personas que utilizan el software y las diferencias no reales en la actitud. Este tipo de problema es la confusión y hace que el tipo de diseño cuasi-experimental menos internamente válida que la condición experimental.

La debilidad con los estudios cuasi-experimentales es que nunca se puede estar tan seguro como sea posible con asignación al azar que cualquier aumento en las ventas se debe a la variable (en este caso, las ventas) o para otras variables de molestia (en este caso, sólo las diferencias entre los mercados).

estudio correlacional

UN estudio correlacional, como su nombre indica, es cuando nos fijamos en la relación entre dos variables e informar de la correlación. Por ejemplo, la relación entre la utilidad del producto y la probabilidad de recomendar es una fuerte correlación positiva (es decir, la facilidad está fuertemente asociada con, y es probable que predice, gran parte de la razón por la que hacen los usuarios y no recomienda productos).

Si bien los estudios de correlación proporcionan resultados valiosos, que no tienen asignación al azar y las variables independientes no son manipulados, lo que disminuye la validez interna de los resultados y debilita el caso de la causalidad.

La próxima vez que escuche que un cliente hace métrica otra métrica, mira a identificar la forma en que se determinó. Lo más probable es que se llevó a cabo, ya sea con un estudio correlacional o un diseño cuasi-experimental. Eso no significa que una variable no causa otro- sólo significa que no puede ser tan confiado.

Video: Analisis de accidente #1 - Modelo Causal de perdida

estudio simple sujetos

Es a menudo el caso de que conseguir el acceso a los clientes es extremadamente difícil. Por ejemplo, usted podría estar interesado en saber si una nueva interfaz para un escáner PET reduce el tiempo que tarda asistir a los radiólogos para ajustar una configuración en el escáner.

Si usted tuviera acceso a uno de estos clientes, usted podría preguntarle a realizar una tarea en la versión del software existente en tres ocasiones, ficha cuánto tiempo se tardó en completarse, tiene su intento la misma tarea tres veces en el nuevo software, y finalmente, tiene su intento de nuevo tres veces en la versión antigua. La figura muestra cómo estos datos se ve en un diagrama de dispersión.

Este tipo de estudio de un solo sujeto utiliza lo que se llama una condición ABA (donde A es el software existente y B es el nuevo software). Los ensayos repetidos ayudan a establecer la estabilidad en las medidas y aumentar la validez interna del hallazgo (lo más que pueda de un solo tema).

La limitación obvia con el diseño de un solo sujeto es la generalización. Todo lo que sé es que cuando se manipula una variable independiente (el software), el tiempo de trabajo no funciona por un usuario. Podría haber una serie de variables que no está representando. Por esta razón, los diseños de una sola materia no se utilizan muy a menudo en la investigación del cliente.

En realidad se puede utilizar más de un participante en un diseño de una sola materia (por ejemplo, dos o tres radiólogos) y utilizar la misma técnica para establecer el patrón. Para ser más sofisticados en su análisis, también puede utilizar el análisis de series de tiempo para examinar las tendencias en el tiempo y por la condición para cada usuario o los datos en su conjunto.

anécdotas

Por desgracia, muchas de las decisiones empresariales se toman con base en la opinión o el oído de un cliente o ventas vocal representante. Mientras que una buena historia de una estrategia de producto de éxito puede ser convincente emocionalmente, que tiene poco peso al establecer la causalidad.