Belajar UX Researcher - Quantitative UX & Analytics

#Pendahuluan

Setelah di episode 8 kita mengikuti perilaku pengguna dari waktu ke waktu, pada episode ini kita masuk ke fondasi kuantitatif: UX metrics & analytics. Data perilaku adalah "mata" yang mengawasi seluruh pengguna WarungNaik setiap detik — dan researcher yang bisa membaca data ini punya keunggulan besar: tahu apa yang terjadi pada ribuan pengguna, bukan hanya pada 6 orang yang diwawancarai.

Namun data analytics punya keterbatasan: ia tahu pengguna berhenti, tapi tidak tahu mengapa. Karena itu posisi UX metrics dalam toolkit adalah pengukur, bukan penjelas — dan pada episode ini kalian belajar memilih metrik yang tepat, membaca funnel, dan mendesain A/B test yang valid.

#Mengukur Pengalaman: SUS dan SUPR-Q

#SUS (System Usability Scale)

SUS adalah kuesioner 10 pernyataan yang mengukur persepsi kegunaan secara cepat dan sudah teruji validitasnya. Skor akhir 0-100. Contoh pernyataan (diparafrasekan):

1.  Saya akan sering menggunakan aplikasi ini
2.  Aplikasi ini tidak perlu serumit ini
3.  Aplikasi ini mudah digunakan
4.  Saya butuh bantuan teknisi untuk menggunakannya
5.  Berbagai fungsi aplikasi terpadu dengan baik
6.  Terlalu banyak hal yang tidak konsisten
7.  Saya bisa belajar memakainya dengan cepat
8.  Aplikasi ini sangat tidak praktis dipakai
9.  Saya merasa percaya diri menggunakannya
10. Saya perlu belajar banyak sebelum bisa memakainya

Skoring SUS tidak sekadar rata-rata: pernyataan ganjil dikurang 1, pernyataan genap dihitung 5 dikurang nilai, lalu dijumlah dan dikali 2.5. Skor di atas 68 dianggap di atas rata-rata; di bawah 50 sinyal masalah serius. SUS menawarkan angka yang bisa dibandingkan antar waktu dan antar produk.

#SUPR-Q (Standardized User Experience Percentile Rank Questionnaire)

SUPR-Q mengukur persepsi kualitas pengalaman dalam 4 dimensi: usability, trust, appearance, loyalty. Ia lebih kaya daripada SUS karena menangkap dimensi kepercayaan — sangat relevan untuk WarungNaik di mana pengguna memutuskan memakai aplikasi untuk urusan uang dan stok.

Kombinasi ideal: SUS/SUPR-Q untuk persepsi + task metrics (episode 7) untuk kemampuan + analytics untuk perilaku. Masing-masing mengukur lapisan berbeda.

#Membaca Funnel Analytics

Funnel adalah rangkaian langkah yang diharapkan pengguna lalui — misal untuk WarungNaik: buka aplikasi → lihat produk → tambah ke keranjang → checkout → konfirmasi pesanan. Funnel menunjukkan di langkah mana pengguna berhenti.

Langkah                          Pengguna   Drop-off
Buka aplikasi                      10.000      —
Lihat halaman produk                6.200    38%
Tambah ke keranjang                 3.400    45%
Masuk halaman checkout              1.800    47%
Isi alamat & kirim pesanan            900    50%
Konfirmasi pesanan                    540    40%

Funnel ini menunjukkan masalah di setiap langkah turun, tapi yang paling mencurigakan: halaman produk (38% hilang) dan keranjang (45% hilang) — dua langkah pertama justru yang paling menurunkan. Angka ini memunculkan pertanyaan riset: mengapa pengguna pergi di langkah ini? Jawabannya butuh metode kualitatif (interview, usability test) atau analisis lebih dalam (session replay, episode 24).

#Kapan Funnel Menipu

• Bukan semua pengguna mengikuti alur yang sama — pengguna yang langsung mencari produk tertentu lewat pencarian tidak "melewati" halaman beranda; funnel perlu di-segment per jalur.
• Konversi dipengaruhi faktor luar — promo distributor lain, harga, musim. Funnel tidak memberi tahu kenapa; ia hanya memberi tahu di mana.
• Sample yang kecil — jika hanya 100 pengguna masuk aplikasi per minggu, fluktuasi 1-2 orang mengubah persentase besar.

#Dasar A/B Testing

A/B test membandingkan dua versi (A = kontrol, B = varian) pada sekelompok pengguna yang dibagi acak, lalu mengukur mana yang lebih baik pada metrik yang ditetapkan sebelumnya. Contoh WarungNaik: apakah tombol "Pesan Ulang" di beranda (A) meningkatkan checkout dibanding tombol di halaman keranjang (B)?

#Prasyarat A/B Test yang Valid

1. Satu variabel per test — mengubah dua hal sekaligus berarti tidak tahu mana yang berpengaruh.
2. Metrik yang ditetapkan sebelum — pilih metrik dan target ("checkout +5%") sebelum melihat data.
3. Traffic yang cukup — butuh sampel besar untuk mendeteksi perbedaan kecil (episode 17). Traffic rendah → test lama atau tidak valid.
4. Durasi cukup — selesaikan test dalam satu siklus minggu penuh untuk menghindari bias hari.
5. Jangan intip hasil — memutuskan berhenti test karena sudah "tampak menang" adalah jebakan statistik.

Pengguna masuk aplikasi
      ↓
  Dibagi acak 50/50
      ↓
   A: tombol di beranda   B: tombol di keranjang
      ↓                      ↓
      └───── ukur checkout ──┘

#Penutup

Pada episode 9 ini, kalian telah menguasai quantitative UX dan analytics.

Inti yang harus dibawa pulang:

• SUS mengukur persepsi usability (0-100, patokan 68); SUPR-Q menambah dimensi trust, appearance, loyalty.
• Funnel analytics menunjukkan di mana pengguna berhenti — dan memunculkan pertanyaan mengapa yang harus dijawab metode kualitatif.
• A/B test membandingkan dua varian secara terkontrol: satu variabel, metrik sejak awal, traffic dan durasi cukup, jangan mengintip hasil.
• Gabungkan persepsi (SUS/SUPR-Q), kemampuan (task metrics), dan perilaku (analytics) untuk gambaran utuh.

Di episode 10 selanjutnya kita akan masuk ke jantung analisis kualitatif: synthesis & affinity mapping — mengubah tumpukan catatan interview, observasi, dan survey menjadi tema dan insight yang actionable. Sampai jumpa di episode 10!