Data Informed Product Design

De Casiopea



TítuloData-Informed Product Design
Año2015
AutorPamela Pavliscak
Tipo de PublicaciónWeb
EditorialO’Reilly Media
URLhttp://www.oreilly.com/design/free/data-informed-product-design.csp
Palabras ClaveDiseño de Productos, Diseño de Servicios, Datos
Carrera(s)Interacción y Servicios
Cursos RelacionadosTaller de Diseño Gráfico Titulación 1
Proyectos RelacionadosPersonalización de la experiencia humana a través de la medida


Sobre el Autor

Pamela Pavlislak es diseñadora, autora, fundadora de la firma de diseño Change Sciences Su trabajo se relaciona con las ciencias de datos (data science) los estudios etnográficos y psicología del comportamiento. Ha publicado en revistas como UX matters, Smashing magazine, sitios como InVision, UXBooth, entre otros. Ha impartido clases en Parsons School of design (Nueva york), es asesora del Instituto Pratt (Nueva York).


La autora habla desde su experiencia como diseñadora UX a la hora de utilizar datos, qué tipo de datos utilizar y cuáles son los más significativos en la experiencia de usuario. Concluyendo con una metolodogía híbrida que ha sido utilizada en su ambiente de trabajo y ha experimentado buenos resultados.

Análisis temporal de la lectura

En el diseño de nuevos productos/servicios ( o rediseño) es necesario tomar desiciones que producirán impacto en el producto, que tendrán influencia en su viabilidad, en su usabilidad y rentabilidad en el mercado.


"Data can help us toward making improvements and discovering 
new possibilities. It’s a way to tell the story of the real 
people using technology."


Para esto la autora plantea ciertas preguntas a la hora de diseñar

  • ¿Quiénes serán los usuarios? (personas)
  • ¿Qué impacto tendrá en sus vidas?
  • ¿Qué los hará utilizar o comprar el producto/ servicio?
  • ¿Qué lenguaje se adecua a los usuarios?
  • ¿Cuáles son los intereses de los usuarios?
  • ¿Cómo mejorar una experiencia o hacer una experiencia favorable?


Al tomar desiciones de diseño se suelen tomar dos caminos: el de la intuición (basada en el conocimiento), y/o el de los datos (que refleja una realidad de la que no se tiene conocimiento)


“Data yields a new perspective. When data is used in the right way,
it can reveal to us new things about people, and people are at the core of designing any product.”


Habla de la importancia de las personas- futuros usuarios del producto y cómo los datos nos entregan una nueva perspectiva a la hora de tomar desiciones, luego de ser analizados, segmentados y visualizados en un contexto de diseño.

La autora también, habla desde su experiencia en el ambiente de trabajo en donde han adaptado metologías de trabajo con datos. Su meta principal es el descubrir y aprender cómo las personas adaptan las tecnologías a su día a día.


"Our constant goal is to discover something we didn’t know before,
and often this happens when we learn something new about how people fit technology into their everyday lives.”


A la hora de hablar de datos, menciona la tendencia a las dicotomías: Cuantitativo y cualitativo, Objetivo y subjetivo, Abstracto y sensorial, Negocios y experiencia de usuario,entre otros. Es por eso que decide categorizar en: Big data y Thick data

















Big Data

Refiere a "datos crudos" o "raw data" a una gran escala, más allá de esos se compone de algoritmos sofisticados que generan aproximaciones. Big data debe ser organizado, segmentado y visualizado para que podamos tener una idea de lo que podría significar en un contexto y cómo lo podemos utilizar. Este tipo de datos entrega una visión general de la panorámica, nos entrega respuestas sobre el "qué" y no tanto sobre el "por qué", el big data solo expone resultados concretos, no nos puede informar sobre cómo se llegó a esos resultados, o las motivaciones detrás de los usuarios. Su falta de empatía llega a postular que el big data por si solo es una herramienta insuficiente para comprender la realidad de la experiencia humana, que se encuentre llena razonamientos y comportamiento detrás de cada acción de las personas.


“What they mean is that Big Data has a harder time understanding the reality of lived human
 experience in all its complicated glory, and understanding this reality of lived human experience
 is where the real insights lay.”


"If Big Data is the archeology of user experience or the study of the traces that people leave behind,
 thick data is more like anthropology, exploring lives as they are being lived online."

Al entregar una idea general, el comparar big data con la arqueología de la experiencia de usuario, o el estudio de lo que dejan atrás los usuarios.

Thick Data

Son los datos producidos producto de conversaciones profundas, observaciones detalladas y empatía. Es decir todo de lo que carece el big data. Se habla del thick data como abundante o consistente en cuanto a la calidad de datos. Clifford Geertz, en su obra La interpretación de las culturas (1973) menciona en su descripción densa del comportamiento humano, que para estudiar la cultura desde un punto de vista antropológico es imposible aplicar una ley o teoría determinada. La única manera de estudiar las conductas humanas dentro del contexto cultural al cual pertenecen es a través de la experiencia y de la observación del investigador [2]

El análisis del thick data tiende a ser menos sistemático y más intuitivo, se basa en pequeños estudios que consiguen amplios descubrimientos/ temáticas como forma de generar temáticas.

Archivo:Bigdatavsthickdata.png
Tabla comparación de datos













“Big Data gives new insights into what people do on their own, and on a massive scale.
 Thick data reveals motivations, intent, emotions that might not be obvious from Big Data.”


"The best data to inform the experience looks at people in situ, doing what they normally do,
whether from analytics or ethnographic-style studies. 
If people are highly aware that they are being studied, the data is inherently different than 
if they do not. So, that big and thick is a distinction that is more useful when designing experiences."

El 'mejor' tipo de datos son los datos empíricos, que provienen de la experiencia, del comportamiento natural de las personas y no el esperado para cada situación. La consciencia que tienen las personas sobre si están siendo estudiadas o no influenciará en sus comportamientos, como lo que sucedía en los laboratorios de usabilidad a la hora de utilizar el eyetracking. El hecho de estar en un contexto de 'laboratorio', tener consciencia de que están siendo observados conlleva a un comportamiento previamente elaborado.

"Both the iterative process of design and our natural impulse to balance 
our expertise with the use of data is consistent with current thinking in data science.
For any data to inform design, it must be calibrated to embrace complexity."

Innovación a través de los datos

La autora plantea tres escenarios para utilizar datos en el diseño de un producto:

  1. Los datos pueden APROXIMARSE a la innovación, a través de patrones y tendencias
  2. El uso de datos para MEJORAR la experiencia de un producto, o el producto en si.
  3. Utilizar datos para MEDIR, a través de "x" tiempo transcurrido, en diferentes versiones o plataformas, o por sobre la competencia.

En el mundo del diseño existe la concepción de que los datos matan la innovación, A/B test solo se enfocan en los detalles mínimos de diseño, y las analíticas solamente hacen un trabajo superficial. Sin embargo el problema no son los datos en si, sino cómo estos son utilizados. En los estudios etnográficos se utilizan diarios e informantes para fomentar la innovación y nuevos desarrollos de los productos. El descubrir nuevas oportunidades ha estado asociado con los métodos de estudios etnográficos , muchos utilizan recursos como diarios, e informantes para adoptar la innovación y el desarrollo de nuevos productos.

Existen empresas que han decidido adoptar metodolologías de estudios etnográficos en conjunto con estudios y análisis de datos en las redes sociales para identificar nuevos hallazgos.



Archivo:Innovdatos-03.png
texto alternativo













"Pairing thick data with Big Data is also becoming a big part of the planning process
 to map out customer journeys or round out user profiles or personas." (ej: mailchimp)

También se ha experimentado la combinación de datos provenientes de fuentes como encuestas, en conjunto con grandes bases de datos, u otras más pequeñas como entrevistas. Los datos cuantitativos son segmentados según comportamientos para guiar una futura investigación sobre una posible audiencia (personas)

Mailchimp, utilizó mapas de experiencia de clientes para identificar nuevas oportunidades , para desarrollar sus personas y escenarios, o representaciones de las expectativas de sus usuarios, motivaciones, y comportamiento. Utilizando analíticas de datos como las de inicio de sesión en sus Sitio web, combinándola con entrevistas para informar a sus personas, o posibles usuarios. [3]

 
Analytics data has the potential to enrich—or even validate—personas or experience maps.
Segmenting visitors by region, revenue, or campaign can uncover patterns in behavior.
Looking at new and returning visitors, frequent customers, transactions per user,
search terms, traffic source, demographics, geographic locations, and devices or 
browsers can uncover patterns and reveal key differences.

Acá se menciona el potencial que tienen las analíticas para enriquecer o incluso validar personas o mapas de experiencia. Segmentando por locaciones geográficas, demografía, dispositivos o buscadores, que pueden destapar patrones y revelar diferencias clave.

Uso de datos para un mejoramiento

 
The key to using data to improve UX is a lot of consistency, plus a little experimentation.
This typically means iterative usability testing paired with A/B tests and analytics. 
But, it can also mean creative combinations of interviews, analytics,
and customer data to identify areas of improvement or understand the impact. 


Se presenta el uso de pruebas A/B con otros métodos: las pruebas A/B forman parte integral de un proceso iterativo, no es la única forma para utilizar datos para realizar mejoras, algunas compañías combinan A/B testing con otros métodos como pruebas de usabilidad o incluso conversaciones de servicio al cliente. (como Estsy o Airbnb) que utilizan analíticas + pruebas de usabilidad, o analíticas + servicio al cliente, como facebook que utiliza datos de conversaciones para resolver conflictos, como el remover fotos.

Uso de datos para medir

Hay que definir qué métricas se utilizaran y en qué contexto (marketing o experiencia) Se menciona un tipo de medida

  1. Medidas de Performance

Corresponden a medidas como: tiempo de tarea (task time), rango de éxito (success rate), errores de usuarios.Se miden a través de la combinación entre el rastreo de ciertos eventos junto con analíticas de usabilidad.

 
"UX is about more than just ease of use, of course. 
It is about motivations, attitudes, expectations, behavioral patterns, and constraints.
It is about the types of interactions people have, how they feel about an experience, 
and what actions they expect to take. UX also comprehends more than just the few moments 
of a single site visit or one time use of an application; it is about the cross-channel
user journey, too. This is new territory for metrics."

Métricas de señales múltiples o stream de eventos(event stream)

Existe una tendencia de utilizar métricas que provienen de señales múltiples o de streaming de eventos.

ej: ModCloth [4] utiliza una métrica multiseñal de net promoter score (NPS, o una herramienta que propone medir la lealtad de los clientes de una empresa basándose en las recomendaciones [5]), reviews de productos, y post de redes sociales para identificar y comprender cómo el público puede congeniar con la marca.

Esta aproximación busca a través de tipos de datos o canales para capturar una comprensión más cercana sobre algunas necesidades.


  1. Event stream

Métricas que miden interacciones en el tiempo ej: el tiempo que estuvo una pestaña del navegador abierta. cuánto es el tiempo que se observa de un video, solo el principio? o el movimiento del mouse en una pantalla de algún usuario.

ej Medium [6] lleva el rastro del scroll de los usuarios a la hora de leer, esto conlleva a una medida + significativa de KPI: del tiempo total de lectura.

Medida Emocional

Próximas medidas para la experiencia sean emocionales, el attachment o 'apego' con las marcas dirigido hacia la experiencia de clientes.

 
Still, it’s easy to imagine a future in which physical measures
are combined with survey responses to create a multisignal metric
for emotional experience."

Un tipo de medida emocional- física que cada día son los diferentes tipos de eyetracking, a través de auto-reporte o por EEG(electroencefalograma), fMRI(resonancia magnética funcional) y eyetracking. Estas y otras biométricas han sido utilizadas para publicidad, mayoritariamente más que para diseño de experiencia.

ej: MOZ [7] (una empresa de marketing) declaró el uso de eyetracking para mejorar SEO (posicionamiento de la marca en buscadores) [8]

 
"Measuring gives us a sense of where we have been, how we are doing now, and what to focus on in the future."


Uso de Frameworks

Combinación de métricas, que pueden otorgar a un equipo de experiencia una forma detallada de cómo medir y rastrear el progreso.

HEART framework de google.

Hapiness Engagement Adoption Retention Task success

combina negocios con métricas de experiencia. [9]

Archivo:Heartgg.png
Author/Copyright holder: Google Inc. fuente:[1]









 
"make measuring how people feel about an experience a goal."

Aproximación híbrida













  1. Comenzar definiendo un problema
 
"Before diving too deeply into existing data from analytics 
and definitely before framing a new study the first step is defining the problem."


  • Examinar lo que “se cree saber” sobre el problema, luego las que se saben desconocidas.

Traer más fuentes de datos, para reducir los sesgos.


  1. Transformar una pregunta en hipótesis

La pregunta inicial se convierte en una teoría sobre la respuesta, y luego en variables para probar o comprobar. La ‘gran pregunta’ no tiene respuesta de si o no, es probablemente que conteste a “cuánto” (o una aproximación mayor que si o no)

El pensamiento Bayesiano [10] considera no solo lo que los datos tienen por demostrar, sino lo que la experiencia nos dice.


  1. Experimentar con datos

Comenzar con los datos que ya se tienen y que puedan agregar una nueva dimensión a la respuesta de la pregunta. Se puede utilizar google analytics[11], para observar, segmentar y observar patrones.


 "You can get at high-level insights by looking at top referring sources that
set expectations, or common paths or behaviors, or even gauge interest through 
pageviews and time-on-site. You can also get an initial read on problem areas 
through bounce rate and search terms."

Observar la panorámica, para obtener un sentido de los patrones de interacción típicos.

“When working with analytics or any other large dataset, 
you need an overview that lets you see the overall shape of an experience.
This helps you to get a sense of typical paths or interaction patterns."

Para luego alcanzar un detalle (como métricas de tiempo, KPIs)


  1. Incluir datos de Redes sociales

Sirven para agregar nuevas fuentes de datos para incrementar la dimensión de estos.

  • Lo que la gente hace y lo que dice
  • Sus comportamientos y palabras.( A/B testing, mapas de clicks, analíticas)


"Analytics, A/B test results, and clickmaps are behavioral data sources.
 Social media analytics, customer service logs, and study verbatims are data sources comprising words."

Traer las analíticas de redes sociales es una buena forma de tener una idea de las actitudes de las personas, sentimientos o cualquier cosa que comprometa la experiencia.


  1. Considerar un estudio especializado

Los estudios pueden revelar áreas de problemas, mientras que las pruebas de usabilidad pueden decirnos problemas en la interfaz, por otro lado el eyetracking nos puede decir si las personas están consumiendo el contenido entregado por la interfaz. Cuando se tiene contexto se pueden desarrollar soluciones de diseño para probar.

In the UX world, most people are familiar with using qualitative
research studies to inform design. After understanding the data on hand,
or data that is easily gathered using public sources, we can turn to a custom 
study to grasp context and nuance."
To understand context, we might turn to interviews or ethnographic studies to get
a better sense of how videos fit into the needs, goals, and everyday behaviors of 
the people coming to the site."
Deep-dive research can get at emotions. Interviews, and even research tools like
fMRI or pulse monitors, can help teams under‐ stand the emotions around videos in 
a way that Big Data sources can’t yet accomplish. 
"


  1. A/B testing
"An A/B test is a way of understanding which option is best, based on the
interactions of thousands of visitors in the context of regular site or app use.
The tests ensure that each unique visitor only sees one option, and then—after a 
sufficient number of people have gone through your test—you can see which version
of the design induced more click."

Una forma de probar o testear como las pruebas A/B son más confiables cuando se cambian pequeñas variables por prueba, va más allá de cambiar el color de un botón o la posición de una imagen, sino que puede relacionarse más con ventanas emergentes, landing pages, etc.


  1. Rastreo o seguimiento

Al tener datos que nos han ayudado a redefinir nuestra postura frente a una hipótesis, o afinar el diseño, se pueden rastrear. (ej: engagement)

 Deciding what to track is not that difficult. The numbers should
relate to the problem you’re trying to solve and you should be able to take an
action based upon them."


  1. Concluir con más preguntas

Luego de trabajar, analizar y observar los datos de cerca, siempre surgen más preguntas como ¿Entonces qué...? ¿Qué más hay...? ya que el diseñar con datos se toma más como un proceso que una conclusión.


 
"We know that data from studies can be biased, even just by selecting something 
to study in the first place. Because humans design datasets, they can be biased 
in many of the same ways that studies can be biased."


 
"There is no perfect data. You always must ask where data comes from,
 what methods were used to gather and analyze it, and what cognitive biases
 you might bring to its interpretation. Then, you need to adjust how you use 
 the data accordingly and determine what importance you should assign it."


"To understand context, we might turn to interviews or ethnographic studies 
to get a better sense of how videos fit into the needs, goals, and everyday 
behaviors of the people coming to the site."


El big data no nos provee de todas las respuestas, por ahora los datos densos o "thick data" es el camino más corto para acceder a aproximaciones profundas, ya que estos datos han sido recolectados con ese fin. Diseñar con datos debe ir más allá de los algoritmos, automatización, pruebas A/B y analíticas. El fin debería ser utilizar todos los tipos de datos para desarrollar un mejor entendimiento de la experiencia día a día, y diseñar en torno a resultados positivos para las personas.