Dos participantes pueden completar la misma tarea y describir experiencias muy distintas. Uno encuentra el camino a la primera; el otro lo consigue tras dar varios rodeos y dudar de si el pago se ha procesado. La Single Ease Question (pregunta única de facilidad), habitualmente abreviada como SEQ, recoge la percepción de un participante sobre lo fácil o difícil que le ha resultado una tarea justo después de intentarla.
Utiliza una escala de respuesta de siete puntos, que suele ir del 1 («muy difícil») al 7 («muy fácil»). Esto la convierte en una métrica de facilidad percibida a nivel de tarea, a diferencia de la System Usability Scale, que recoge una valoración más general del sistema.
Pregunta mientras la tarea aún esté fresca
Plantea la pregunta después de cada intento en las tareas seleccionadas, incluso si no se han completado con éxito, antes de que una conversación larga cambie el recuerdo de la experiencia. La explicación de MeasuringU sobre el desarrollo de la SEQ detalla la investigación que hay detrás de esta métrica y cómo ha evolucionado su formulación.
Utiliza una versión consolidada de forma coherente y registra el redactado, las etiquetas de los extremos y el sentido de la escala. Una formulación actual muy práctica pregunta cómo de fácil o difícil ha sido completar la tarea. Separa cualquier pregunta de seguimiento de la propia puntuación, para que los participantes puedan explicar su respuesta sin sentirse condicionados a cambiarla.
Por ejemplo, en un estudio sobre la reserva de citas, un participante podría dar una puntuación baja a pesar de haber conseguido la hora que quería. Su explicación podría destapar dudas sobre si la reserva llegó a confirmarse. La puntuación te indica que la experiencia se percibió como difícil; la información cualitativa ayuda a localizar el motivo.
Interpreta la puntuación junto con el comportamiento observado
La SEQ mide percepciones, no si la tarea se hizo correctamente. Alguien que reserve la cita equivocada sin darse cuenta puede sentir que el proceso ha sido fácil, mientras que quien lo haga bien puede encontrarlo agotador. Analiza las respuestas junto con la tasa de éxito de las tareas, los errores y las observaciones directas, en lugar de confiarlo todo a una sola métrica.
Las discrepancias pueden ser especialmente reveladoras. Si los participantes valoran una tarea como muy fácil pero eligen una y otra vez la opción equivocada, es posible que el diseño haga que una interpretación errónea parezca correcta. Si consiguen el objetivo pero puntúan bajo, puede que el proceso exija un esfuerzo que el dato de éxito enmascara.
Una puntuación no puede señalar qué pantalla o interacción concreta causó el problema. Esa explicación sigue dependiendo de lo observado durante la sesión o de una investigación posterior más específica.
Interpreta las medias sin inventarte un aprobado
Muestra la media junto con el número de respuestas y un margen de incertidumbre adecuado. Conserva la distribución cuando aporte valor: una media intermedia puede reflejar experiencias que han sido simplemente regulares, o bien una división clara entre personas a las que les pareció facilísimo y otras a las que les resultó muy difícil.
La guía de interpretación de MeasuringU vincula las puntuaciones con datos de referencia y etiquetas descriptivas. Estos puntos de referencia aportan contexto, pero la validez de la comparación depende de la tarea y del estudio. No existe una puntuación única que certifique que un producto es intuitivo, y una media sobre siete puntos no debería transformarse alegremente en un porcentaje de clientes satisfechos.
Mide de forma recurrente para evaluar los cambios
Al evaluar un diseño rediseñado, mantén la tarea, la escala y el perfil de los participantes lo bastante parecidos para poder comparar los resultados. Si el segundo grupo se enfrenta a una tarea más sencilla o ya conoce el producto, puede que la mejora en la puntuación no se deba a los cambios de diseño.
Dentro de un mismo estudio, ten en cuenta que las distintas valoraciones de un mismo participante están relacionadas entre sí. El análisis entre tareas o versiones debe contemplar el propio diseño de la investigación. Un buen informe combina los datos numéricos con lo que realmente cambió en la forma de actuar de los usuarios, dando motivos reales al equipo para confiar en la mejora más allá de que la media haya subido.