Зачем нам умные помощники: ожидания vs. реальность

Мы перевели вторую часть исследования интеллектуальных ассистентов. Пользователи рассказывают о сервисе мечты и повседневном использовании помощников.

Мы уже писали, как Ралука Будиу и Пейдж Лаубхаймер выяснили, что, несмотря на ограниченные возможности ассистентов, люди обращаются к ним с простыми бытовыми задачами, узнают погоду или рассчитывают маршруты. Насколько хороши эти функции? Желают ли пользователи большего? На эти вопросы отвечает вторая часть исследования.

Диалог с Siri

Перед тем, как начать добавлять в свой продукт новые причудливые возможности, стоит ответить на вопрос: отвечают ли эти функции реальным желаниям пользователя. Чтобы понять, существует ли потребность в расширении способностей интеллектуальных помощников, мы узнали:

  1. Чего люди хотят от идеального умного ассистента?
  2. Что они делают с существующими моделями?
  3. Сколько из идеальных потребностей закрывается помощниками уже сегодня?

Методы исследования

А. Мы попросили 12 человек представить, что в их распоряжении есть самый умный ассистент, который только может существовать (идеальная версия Siri или Google Assistant, а не текущий продукт). Он доступен где угодно, в любое время, и готов помочь в любом деле.

В течение недели участники записывали все свои потребности, связанные с ассистентом. Для каждой из потребностей они заполнили опросники и о том, какой помощи они ожидали от ассистента. Кроме того, респонденты рассказали, как решали возникшие проблемы в реальности.

Чтобы определить, насколько сегодняшние ассистенты соответствуют потребностям людей, мы предложили решить каждую из этих задач одному из трех существующих помощников: Siri, Google Assistant, Alexa. Если один не справлялся, мы переходили к следующему. Решив быть максимально благосклонными к возможностям ассистентов, мы пошли на уступки, меняя формулировки запросов, чтобы сделать их удобнее для считывания. Когда потребность удавалось удовлетворить хотя бы частично, фиксировали это.

В. В исследовании кейсов мы узнали про последнее обращение к ассистенту, которое совершили 211 постоянных пользователей Alexa, Siri или Google Assistant. Это понадобилось, чтобы интерпретировать данные об «ассистенте мечты».

Всего было зарегистрировано 636 потребностей, 14 из которых были двусмысленными, и мы их удалили. Из оставшихся 193 были замечены больше одного раза в течении недели, их мы посчитали как повторяющиеся. В итоге уникальных потребностей мы насчитали 428. На их основе и делали свои выводы.

Можно ли адресовать потребности пользователей сегодняшним ассистентам?

Мы выяснили, что существующие smart-помощники могли бы решить 41% из списка идеальных потребностей, а еще 21% может частично их закрыть.

Звучит как хорошая новость. Но на практике только в 7% случаев ассистенты реально смогли помочь.

46% — это случаи, когда ассистенты могли бы помочь, но люди использовали компьютер или приложения на смартфоне.

20% были решены людьми самостоятельно, без использования технологий.

4% — по телефону.

25% — респонденты просто передумали что-либо делать.

Люди обращались к интеллектуальным помощникам в одном из девяти случаев, когда те могли быть полезны. Это говорит о заниженных ожиданиях от возможностей ассистентов и о тех проблемах, с которыми люди сталкивались при их использовании раньше.

Кроме того, не все помощники одинаково эффективны и понятливы, так что для реального решения проблемы нужно соблюсти два условия:

  • иметь подходящего ассистента;
  • сформулировать запрос правильно.

Эти два требования помогают объяснить, почему разница между тем, что возможно для ассистентов и что достигнуто ими в реальной жизни, настолько велика.

В большинстве случаев помощнику адресовывалось решение простых потребностей: установить будильник на восемь часов, включить свет или показать прогноз погоды.

Если ваша область деятельности — проектирование пользовательского опыта и вы хотели бы развить компетенции, необходимые для проведения исследований, приходите на курс «UX-аналитик» от Skillbox и компании AIC.

Курс «UX-аналитика»
На курсе мы изучаем материалы и приобретаем навыки, которые необходимы для проектирования пользовательского опыта. Проходим путь от исследований и идей для проектирования до визуальных решений, сбора аналитических данных и тестирования.
  • Живая обратная связь с преподавателями
  • Неограниченный доступ к материалам курса
  • Стажировка в компаниях-партнёрах
  • Дипломный проект от реального заказчика
  • Гарантия трудоустройства в компании-партнёры для выпускников, защитивших дипломные работы

Ввод команд и агентские функции: чего хотят пользователи

Мы спросили респондентов, в каких случаях они ожидают помощи ассистента в решении своих задач.

84% потребностей предполагалось решать по голосовому запросу в свободной форме (что говорит о важности развития распознавания речи).

В 4% случаев участники хотели бы реакции на явно невербальные команды: жесты или нажатие кнопок. 

Одна из опрошенных потирала живот, чтобы сообщить ассистенту, что она голодна, а другой сказал, что запирание двери в его дом должно побудить помощника выключить свет. Еще одна из участниц ожидала: стоит ей прилечь, помощник поинтересуется на какое время следует завести будильник.

Некоторые респонденты заявили, что предпочли бы давать невербальные команды, когда они не уверены в правильности произношения, чтобы убедиться в отсутствии ошибок: например, при поиске ресторана.

Однако в 12% случаев участники опроса считали, что ассистент должен действовать, не получая никакой команды, на основании контекстной информации. Это тот самый агентский компонент, о котором мы писали в первой части исследования.

Некоторые ожидания были разумны и основывались на явных данных, которые должен был иметь помощник — либо от предыдущих взаимодействий, либо от доступа к календарям, местоположению или другой персональной информации. Часть людей предполагала, что ассистент будет основываться на брошенных вскользь репликах, то есть вести себя как наблюдательный человек, который постоянно следует за пользователем и внимательно прислушивается к нему.

Вот несколько примеров обоих типов потребностей:

Ситуации, когда помощник должен определять цели пользователей без инструкций, основываясь на контексте

На основе явных данных

На основе «тонких» данных

Уведомлять о задержках рейсов, отмеченных в календаре.

Искать лекарство в аптеках сразу после ухода из кабинета врача.

Напоминать о тренировках, уборке и других регулярных занятиях без предварительной настройки.

Узнавать информацию об упомянутом в разговоре ресторане.

Автоматически регистрировать на рейс за 24 часа до отлета.

Контролировать ранние симптомы головной боли и других проблем со здоровьем и предупреждать о том, что нужно принять меры.

Включать сигнализации при выходе из дома.

Автоматически мониторить стоимость авиабилетов, которые вы искали в интернете.

Предупреждать о необходимости оставлять дома такие предметы как оружие, отправляясь в места, где действует особый режим безопасности (например, в аэропорты).

Выявлять необходимость стирки предметов одежды или проведения уборки.

Предупреждать участников встречи, если вы на нее опаздываете.

Некоторые ожидания были довольно надуманными: например, опрошенные хотели, чтобы помощник получил доступ к поведению или данным других людей и предупредил об этом. Один из пользователей ожидал, что ассистент сможет предупреждать о приходе начальства на работу, а другой хотел знать, не собирается ли повернуть едущий перед ним автомобиль. Эти кейсы технически осуществимы, нужные для их реализации данные могли бы считаться нарушениями конфиденциальности.

Сложность потребностей

Респонденты зафиксировали множество разнообразных потребностей: от простых одношаговых действий до сложных потоков, которые требовали сбора информации из разных источников. Вот примеры для каждой из выделенных нами категорий:

Простые действия

•  Во сколько у меня первая завтрашняя
    встреча?
•  Сколько калорий в порции чили?
•  Включи душ на 26° в 8:05
•  Напомни мне подарить маме
    открытку.
•  Где находится ближайший Starbucks?
•  Какая сегодня погода?
•  Установи утренний будильник.

Многоступенчатые потребности

•  Найди кафе рядом с тренажерным
    залом.
•  Закажи кофе из Starbucks.
•  Построй маршрут до ресторана Essex
    с выездом в десять утра.
•  Переведи $100 с основного
    на сберегательный счет.
•  Сохрани фотографии, которые
    прислал мой муж.
•  Создай контрольный список.

Многозадачные потребности

•  Найди лучший маршрут
    по общедоступным трассам.
•  Набери номер конференции из моего
   календаря, отключи звук и установи
   среднюю громкость.
• Оцени порядок моих сегодняшних
   встреч и расставь связанные с ними
   файлы в соответствующем порядке.
•  Сделай резервную копию моих
    фотографий с пятницы по настоящее
    время на Google Диске и отправь
     моим родителям ссылку на эту папку.
•  Отслеживай доставку моего заказа
    и присылай обновления на каждом
    этапе.
•  Отправь сообщение всем участникам
    ближайшей встречи, чтобы сообщить,
    что я опаздываю на десять минут.

Исследовательские потребности

•  Найди мне несколько рецептов сока,
    который можно приготовить
    из продуктов, имеющихся
    в холодильнике.
•  У меня насморк, боль в горле
    и больная спина. Что это может быть?
•  Почему над городом сейчас
    вертолеты?
•  Какое лучшее место для отдыха
    в Майами, учитывая цену и все,
    что может предложить отель?
•  Что полезнее: смузи
    или свежевыжатый сок?
•  Найди мне редкий рецепт сладкого
    пирога с высоким рейтингом.
•  Закажи мне зонт.

Хотя некоторые из этих потребностей могут показаться похожими, участники исследования часто приводили дополнительные детали, которые помогли нам в классификации. Например, говоря «Закажи мне зонтик», пользователь хотел, чтобы помощник нашел на Amazon несколько хороших зонтов и разместил заказ на один из них. Поскольку эта потребность включала исследовательский компонент (поиск именно хорошего зонта), она попала в соответствующую категорию.

Напротив, человек, который просто хотел заказать кофе в Starbucks, имел в виду очень точную задачу, поэтому потребность была классифицирована как многоступенчатая.

Многозадачность требует, чтобы помощник либо выполнял несколько связанных задач («Наберите номер конференции из моего календаря, отключите звук и установите громкость на средний уровень»), либо получил информацию из одного источника и использовал ее в другом приложении или в другом контексте (например, «Отправь сообщение всем участникам ближайшей встречи, чтобы сообщить, что я опаздываю на десять минут»).

Некоторые потребности требовали, чтобы помощник запрограммировал действия на будущее — либо на определенное время («Построй маршрут до ресторана Essex с выездом в десять утра»), либо на время, которое он должен был определить сам («Напомни мне позвонить врачу, когда у него начнутся приемные часы»).

58% зафиксированных потребностей были простыми; многоступенчатые и исследовательские набрали по 17%, а наименее распространенными оказались многозадачные с 9%.

Простые действия являются доминирующей категорией задач, которые люди выполняют с существующими помощниками типа Siri, Google Now и Alexa.

Это подтверждает разрыв между сложностью потребностей людей и задачами, которые они фактически выполняют с использованием существующих помощников. При этом в действительности интеллектуальные ассистенты способны на большее. Люди не используют их потенциал полностью из-за слабого понимания этих возможностей и отчасти недостатка собственной технической компетентности.

Что помощники должны знать, чтобы удовлетворить потребности пользователей?

Агентские функции и возможность интеллектуальной интерпретации — это две характеристики, которые требуют от помощников сочетания реальных знаний, личных данных пользователя и контекстной информации о его действиях и окружающем мире. Что из этого уже используется, а какой функционал нуждается в развитии?

Чтобы ответить на эти вопросы, мы классифицировали каждую потребность в нашем исследовании в соответствии с типом информации («знания»), необходимой для их решения.

Личная информация:

Персональные электронные данные

  • телефон;
  • адрес;
  • текущее местоположение;
  • контакты;
  • календарь.

Личная физическая информация

  • содержимое холодильника;
  • параметры здоровья пользователя;
  • другие биометрические данные.

История

  • данные о предыдущих заказах;
  • информация о прошлых взаимодействиях с приложениями, организациями или людьми.

Веб-информация

Данные, которые помощник может самостоятельно найти в сети.

Информация третьих лиц

Данные о других людях или организациях (например, местонахождение другого человека).

Непосредственно получаемая информация:

Информация, которая содержится в самом запросе, например, время при установке будильника.

Для удовлетворения большинства потребностей нужны определенные личные данные, в 44% случаев требуется общедоступная информация из интернета. 22% всех запросов автономны и могут быть выполнены без обращения к внешним данным.

Сегодняшние умные ассистенты могут удовлетворить большинство потребностей, для реализации которых не нужно внешней информации, и где достаточно поиска.

Неудивительно, что потребности, требующие сторонней информации или личных физических данных, сейчас вряд ли могут быть реализованы из-за недостаточной интеграции ассистентов со сторонними системами и издержек конфиденциальности. Интереснее то, что задачи, связанные со знанием о предыдущих взаимодействиях пользователей, также вряд ли могут быть решены сегодня — вероятно, из-за ограниченной способности к обучению у современных ассистентов.

Сегодня для решения большинства задач помощникам достаточно личных данных своих хозяев и информации из интернета. Но это свидетельствует не столько о том, что они покрывают максимум потребностей, сколько о том, что люди используют их только для определенного круга своих проблем.

Заключение

В нашем исследовании была предпринята попытка понять, какие потребности пользователей могут быть удовлетворены идеальной версией голосового помощника, и насколько далеки от этого нынешние.

Реальное использование помощников сегодня, их возможности и ожидания пользователей.

Мы знаем, что полезность складывается из того, можно ли продукт использовать вообще и насколько это удобно делать — как в знаменитой формуле Якоба Нильсена Usefulness = Utility + Usability. Диаграмма показывает, что реальная польза от современных помощников в выполнении сложных задач (зона 1) невелика. Потенциально она намного выше: на графике это верхняя полная область под верхней линией.

Но от потенциальной полезности остается совсем мало, если вычесть из нее всю оранжевую область (ассистент вообще не помог) и синюю область (помог, но пользоваться было неудобно). Первый вызван слишком сложными в использовании функциями, тогда как второй вызван отсутствием функций. Оба пробела должны быть закрыты (или, по крайней мере, существенно сужены), чтобы умные помощники могли полностью реализовать свой потенциал.

Исследование Будиу и Лаубхаймера, с которым вы познакомились, в первую очередь качественное. Но количественные исследования играют сегодня ничуть не меньшую роль в понимании того, как меняется digital-среда. Чтобы научиться работать с одним из их главных инструментов, пройдите курс «Аналитик данных на Python».

Курс «Аналитик данных на Python»
Освойте Python и делайте свою работу в десятки раз быстрее. Собирайте и обрабатывайте массивы данных, делайте сложные вычисления и стройте отчеты за минуты.
  • Живая обратная связь с преподавателями
  • Неограниченный доступ к материалам курса
  • Стажировка в компаниях-партнёрах
  • Дипломный проект от реального заказчика
  • Гарантия трудоустройства в компании-партнёры для выпускников, защитивших дипломные работы
Хочешь получать персональную подборку статей по дизайну?
Подпишись на рассылку Skillbox
Посмотреть