Como a metodologia de Design Thinking pode ser utilizado em um projeto envolvendo Ciência de Dados, a fim de chegar a um objetivo específico de forma mais rápida e assertiva.
Elementos de Design Thinking são utilizados em algumas organizações para que os projetos de Data Science sejam realizados com mais êxito e com maior velocidade.
O Design Thinking busca entender o produto do ponto de vista das pessoas, do usuário final das soluções, sejam elas tecnológicas ou não. Esse processo é feito pela empatia com o usuário e pela geração de várias ideias em sessões de brainstorming, prototipagem e testes. É uma abordagem iterativa e prática.
Embora o Design Thinking seja muito utilizado em área como design de negócios e serviços ou nos segmentos criativos, áreas tecnológicas como Desenvolvimento de Softwares, Ciência de Dados, Machine Learning e Inteligência Artificial também podem se valer desses princípios.
O diagrama de Venn é uma visualização que ajuda a entender o pensamento de Design Thinking na Ciência de Dados: a interseção de viabilidade técnica, impacto nos negócios e disponibilidade de dados:
Já na imagem abaixo, o Design Thinking está associado ao Machine Learning e é possível perceber a conexão entre as etapas do processo de cada área e como elas se conectam mesmo sendo uma abordagem centrada no humano e outra na máquina.
Essencialmente, essas são as cinco etapas do Design Thinking:
-
Empatizar
-
Definir
-
Idear
-
Prototipar
-
Testar
E há uma sexta, que poderia ser adicionada, que é Implementar, caso o teste seja satisfatório.
Confira a seguir como Design Thinking pode ser utilizado em um projeto envolvendo Ciência de Dados, a fim de chegar a um objetivo específico de forma mais rápida e assertiva.
Em um objetivo hipotético, vamos considerar que uma consultoria de Gestão de TI busca desenvolver uma solução para que potenciais clientes possam visualizar e acessar de forma intuitiva, prática e rápida, os cases atendidos nos últimos cinco anos pela empresa, com as informações principais sobre os projetos implementados.
O problema da empresa é de que os leads e prospects não conseguem perceber como o trabalho dela já ajudou outras empresas e como pode ser benéfica para a sua realidade. A solução hipotética ventilada pelos líderes do projeto é que criar uma forma de visualização dos cases possa funcionar como uma grande Prova Social dos trabalhos, desenvolvidos e dos resultados gerados. Para desenvolver essa solução, vai rodar um processo de Design Thinking.
Etapa 1: empatia e workshop com usuários
Esta etapa é onde ocorre a definição da estrutura conceitual e estratégica do projeto. Diferentes dinâmicas são preparadas com o público-alvo do projeto, entendendo de forma qualitativa a realidade do usuário e indo a fundo no problema a ser solucionado.
É a hora de se colocar no lugar do usuário, do seu cliente, da pessoa que está passando pelo problema que você quer resolver. É preciso entender essas dores primeiro para então criar soluções significativas envolvendo Ciência de Dados. Entrando mais em tecnologia, aqui é possível entender as principais decisões do usuário e capturar as variáveis e métricas que serão melhores preditores dessas decisões.
Aqui, a capacidade de fazer perguntas acionáveis para coletar dados pode significar a diferença entre um produto de sucesso e uma pesquisa que nunca é implementada. Aqui em nossos exemplo hipotético, podemos considerar que foram entrevistados 10 pessoas que são o público-alvo da consultoria: gerentes de TI de pequenas e médias empresas.
Exemplo de Workshop de Design Thinking, envolvendo pesquisadores, público-alvo, potenciais clientes, áreas envolvidas no desenvolvimento do projeto e, claro, muitos post its, para incluir o pensamento de Design na estruturação dos problemas e soluções.
Etapa 2: Definição do problema
Aqui é onde se analisam todas as impressões e respostas das interações da primeira etapa para entender o comportamento dos usuários e quais as suas dores, aspirações e problemas que a solução pode contribuir para resolver.
É nesta etapa onde os insights são extraídos e geram valor para o produto. Nesse ponto, começa-se alinhar as expectativas dos envolvidos no projeto. Reunindo as respostas das conversas, descobre-se que a dor dos gerentes de TI das pequenas e médias empresas, quando contratam uma consultoria, é de que eles não conseguem manter a mesma performance dos times depois que o a consultoria implanta o projeto.
Geralmente, os projetos duram 12 meses e uma série de novas iniciativas e ferramentas são utilizadas dentro da empresa para melhorar essa gestão. Porém, depois que a consultoria finaliza o projeto, os gestores não tem conhecimento para manter o setor rodando. Isso dificulta a contratação de novos projetos de consultorias.
Etapa 3: idear
Nesta fase, é buscada a criatividade para gerar soluções levando em consideração as necessidades do usuário previamente definidas. Aqui, foram levantadas diversas hipóteses de como resolver o problema e aconteceu a dinâmica de priorização das tarefas a serem realizadas através da definição de três eixos: valor x esforço x risco.
Etapa 4: protótipo
Em nosso caso, a tarefa que mais se adequou nessa tríade de valor x esforço x risco foi a ideia de criar um Data Viz mostrando que os clientes da consultoria conseguem melhorar seus resultados em Gestão de TI após a contratação da empresa e mesmo com a finalização do projeto, pois há um treinamento específico para os gestores adquirirem esse conhecimento e poderem gerenciar suas equipes de uma forma mais eficiente após esse processo.
Assim, encaminhou-se a criação deste Data Viz com os clientes do último ano da empresa e não dos últimos cinco. A intenção era validar se esta ferramenta realmente ajudaria na geração de valor para leads e prospects e se eles perceberiam a solução para sua dor.
Etapa 5: teste
No teste, o Data Viz foi incluído no processo de venda de 10 prospects e leads. A percepção do time comercial foi de que gerou muito mais valor e quebrou objeções na contratação dos serviços da consultoria. Comparada ao processo que não tinha o Data Viz incluído, a taxa de conversão em vendas aumentou em 20%. Logo, a solução foi testada e validada em um tempo de apenas 45 dias. Após isso, o Data Viz voltou para o ‘forno’ e pôde ser aprimorado com mais informações e com os clientes dos últimos cinco anos, o que levou mais 60 dias para estar pronto.
Caso não tivesse sido validado, a empresa não teria perdido tanto tempo e uma outra solução teria sido testada, provavelmente a que ficou em segundo lugar na fase de ideação. Assim, o Design Thinking acelerou e tornou assertiva a implantação de uma novo projeto dentro da empresa, diferentemente se tivessem sido utilizadas outras metodologias de prototipação e brainstorming.
O humano primeiro
Usar o Design Thinking em um processo como Data Science, Machine Learning ou Inteligência Artificial fornece uma estrutura e um processo criativo que simplifica e organiza as etapas do projeto. Essa perspectiva ajuda a ajustar o foco do projeto para o ser humano, resolvendo problemas da mesma forma que os designers criam projetos.
Essa proposta tem o potencial de auxiliar profissionais com mentalidade mais técnica em outros aspectos do processo, pois conforme os componentes específicos da Ciência de Dados progridem em direção à automação, a mentalidade de negócios e de resolução de problemas são bastante centrados no ser humano e mais difíceis de automatizar.
Como diz Pranav Pathak, cientista de dados no Booking.com:
“É importante ter em mente aqui – AI [ou Data Science, ou Machine Learning] é uma ferramenta para resolver problemas do usuário e deve ser tratada exclusivamente como tal. Não existe um produto ‘IA primeiro’ – os produtos devem ser sempre ‘o usuário primeiro’.
