Eine neue Trajektorie für medizinische Forschung

Die Einsatzmöglichkeiten für diese Datensätze sind unendlich, aber die Schnittstelle muss sich trotzdem auf einem Konzept stützen. Um zu klären, was das Produkt leisten muss, haben wir eine zweiwöchige Phase für Benutzerforschung organisiert.

Wir haben zwei Zielgruppen erreicht: Akademiker und Experten der Gesundheitsbranche. Wir haben Interviews und Fokusgruppen durchgeführt, sowohl mit erfahrenen Data Scientists als auch mit Personen, die noch nie zuvor mit Big Data gearbeitet haben.

Letztendlich haben wir eine Mischung aus mehreren Methoden der Benutzerforschung verwendet, um die Nuancen dessen aufzudecken, was Benutzer von dem Produkt erwarten.

UX-Research liefert einzelne Informationen. Damit diese Erkenntnisse einen Nutzen bringen müssen sie in ein kohärentes Ganzes integriert werden.

Durch die Analyse, den Vergleich und die Gegenüberstellung all dieser Einsichten entdeckten wir Muster. Diese Muster ermöglichen es uns sowohl das Allgemeinbild zu verstehen als auch die Ausnahmen. Zum Beispiel: welche Methoden werden von bestimmten Benutzer ausprobiert um in der Datenbank zu suchen und was passiert wenn sie nichts finden.

Das Modell zeigt auch Unterschiede in den Anforderungen der Benutzer. Zum Beispiel müssen Forscher an Universitäten einen langen Genehmigungsprozess durchlaufen, bevor sie überhaupt mit den Datensätzen beginnen können. Im Gegensatz dazu fangen Forscher in Pharmaunternehmen schon früh an, mit den Daten zu experimentieren, werden aber später auf regulatorische Einschränkungen stoßen.

Wir haben neun ähnliche Tools getestet. Das Benchmarking hilft uns dabei ein tiefes Verständnis dafür zu entwickeln, was die typischen Herausforderungen bei Big-Data-Tools im Gesundheitswesen sind.

Wir haben Designmuster identifiziert, die Benutzer erwarten, sowie einzigartige Interaktionen, die entweder gute oder schlechte Lösungen sind.

Dank dieser Bemühungen können wir die Fallen vermeiden, in die andere Designer gefallen sind. Das spart Zeit im UX Design. Aber es gibt noch einen weiteren großen Vorteil: die User Experience die wir erstellen integriert sich in den allgemeinen Anwendungsbereich des Gesundheitswesens.

Die User Experience ist darauf ausgelegt, ein breites Spektrum an Abfragemöglichkeiten zu bewältigen: von einfachen Zwei-Faktor-Abfragen bis hin zu Mehr-Faktor-Abfragen auf 8 Ebenen.

Wir haben fünf Modelle von Query Buildern erstellt, anhand von dreo verschiedenen Annahmen. Durch iteratives UX-Design haben wir sie Schritt für Schritt verbessert und in interaktive Prototypen umgewandelt. Die Prototypen ermöglichten es uns, die Vor- und Nachteile jedes Modells durch Benutzertests zu analysieren.

Wir haben einen evolutionären Prozess verwendet, bei dem sich die Varianten parallel entwickelten, bis drei von ihnen zu einem finalen Modell geführt haben. Dieser UX-Designprozess, der Exploration und empirische Auswahl umfasst, führte letztendlich zu einem Abfragetool, das alle Originalversionen übertrifft.

Die Funktionen für Datenanalyse wurden als Module integriert: deskriptive Statistiken, Korrelationsfunktionen und andere. Sie passen als Plugins in die modulare Architektur der Applikation.

In anderen Big-Data-Analysetools sind diese Funktionen unnötig kompliziert und fühlen sich auch sehr trocken und technisch an. Das Ziel unserer Datenanalysemodule war es, das UX-Design an Benutzer anzupassen, die keine Data Scientists sind.

Forscher arbeiten in Teams und eine Person kann Teil vieler verschiedener Teams sein. Der Admin-Bereich scheint trivial, ist aber tatsächlich ein entscheidender Faktor für den Erfolg der Benutzer. Um sicherzustellen, dass die Admin-Module nicht zu einer Quelle der Frustration werden, haben wir genauso viel akribische Arbeit, Sorgfalt und Tests investiert, um ihre Benutzererfahrung zu gestalten.

Wir haben neutrale Farben für Seiten verwendet, bei denen sich die Benutzer hauptsächlich auf Rohdaten konzentrieren. Elektrische Töne von Blau, Violett, Grün und Rot für benutzen wir in den Modulen für Datenanalyse. Illustrationen wurden sparsam verwendet, um kurze Momente der Freude in den wichtigsten Schritten der Flows hinzuzufügen.

Das Designsystem macht die technische Umsetzung einfacher, sowohl am Anfang als auch in Zukunft. Den Entwicklern steht eine Bibliothek mit Komponenten zur Verfügung, mit der sie die Funktionen vorbereiten können die in den nächsten Jahren geplant sind.

Das Entwicklerteam war von Anfang an eingeladen, an unseren Workshops teilzunehmen. Für uns sind Entwickler wichtige Projektbeteiligte, deren technisches Know-how bei bestimmten Designentscheidungen hilft.

Während der Design-Workshops wollten wir sicherstellen, dass die Benutzerinteraktionen, die wir prototypisierten, aus technischer Sicht erreichbar waren. Für das Entwicklungsteam bedeutete die frühzeitige Einbeziehung die Chance, optimale Backend-Technologien auszuwählen.

Als sich das Design dem Ende näherte, änderte sich unsere Rolle in der Zusammenarbeit mit dem Entwicklungsteam. In der Supportphase nahmen wir an regelmäßigen Meetings teil, um den Entwicklern bei der Vorbereitung ihrer Sprints zu helfen. Wir haben während der gesamten Implementierung Live-Support auf Slack und Zeplin geleistet.