Equipes de Data Science podem melhorar seus resultados ao aplicar a mentalidade Design Thinking – e focar ainda mais no usuário
Com a proliferação de ferramentas de processamento de dados automatizadas e aprimoradas por Inteligência Artificial, muitas empresas estão em busca de incorporar a ciência de dados em suas operações de design e produto. Para isso, é essencial entender como os métodos qualitativos e quantitativos podem se complementar e se reforçar ao longo do processo, e as estratégias de design thinking podem cair como uma luva.
Sabemos que Design Thinking e Ciência de Dados não são dois conceitos que comumente aparecem juntos, mas a verdade é que deveriam. Muitas equipes de design e produto enxergam a Ciência de Dados como uma forma de automatizar e aprimorar seus processos, auxiliando as organizações a desbloquear novas oportunidades e reforçar a sua capacidade de inovação ao longo do tempo.
Neste artigo, vamos entender melhor sobre o que é o Design Thinking, e quais são suas possibilidades para quem trabalha com dados. Então, confira a seguir!
Como resolver problemas de dados a partir do Design Thinking?
A fim de ilustrar como o Design Thinking pode auxiliar cientistas de dados a resolverem problemas complexos, utilizaremos como referência um artigo publicado por Anill Tibe, cientista líder em Inteligência Artificial na área de produtos do Governo dos Estados Unidos. Ele explica como esta ferramenta pode ser útil dentro das empresas, em especial em setores que trabalham com grandes quantidades de dados.
Durante sua carreira e seus anos de experiência no governo americano, Anill Tibe operou alguns dos cenários mais desafiadores de análise de dados. Segundo relata, quando supervisionava programas de análise de estratégia e gestão, lutava incessantemente com três problemas distintos:
-
como garantir que os dados sejam de alta qualidade;
-
de que forma reger os dados da organização;
-
e como encontrar as “pepitas de ouro” – os problemas mais importantes dos usuários/negócios que precisavam ser resolvidos.
Design Thinking: o que podemos aprender com ele?
Mas, antes de sabermos como Anill encontrou as respostas para resolver estes problemas, é preciso explicar um pouco sobre o conceito de Design Thinking.
Basicamente, o Design Thinking é uma abordagem estruturada e pensada para resolver problemas, consistindo em várias atividades qualitativas que apoiam a geração de soluções de design perspicazes, sempre centradas no ser humano. As atividades realizadas durante este processo podem variar de projeto para projeto, dependendo da natureza do problema em questão, mas geralmente incluem:
-
Empatia
-
Definição de problema
-
Idealização
-
Protótipo
-
Testagem
Você pode entender um pouco mais sobre cada etapa neste nosso artigo. Por hora, o importante é entender como, com a globalização e o aumento da competição, especialmente com a internet, as empresas tornaram-se cada vez mais centradas no cliente.
Desta forma, produtos e serviços são pensados com inúmeras revisões de testes de UX, o que exige que líderes e gestores conheçam intimamente seus clientes, a fim de conceber e entregar aquilo que eles realmente desejam. Neste sentido, o Design Thinking se torna uma ferramenta poderosa, pois propõe que as equipes pensem como um designer, colocando seu cliente ou usuário sempre em primeiro lugar, e resolvendo problemas que não são de design com metodologias e ferramentas da área do design. Isso vai ficar um pouco mais claro agora, pois voltaremos aos três problemas enfrentados por Anill.
Problema nº 1: como garantir que os dados sejam de alta qualidade?
O primeiro problema enfrentado por Anill no Governo Americano foi em relação à qualidade dos dados. Em sua realidade de trabalho, nenhum lançamento de marca era permitido sem um produto completo. Contudo, quando falamos em Design Thinking, não existem produtos completos: todos os produtos começam com protótipos, que podem ser testados posteriormente e aperfeiçoados. Desta mesma forma, nenhum dado está sempre 100% completo.
No caso de Anill, o que funcionou foi utilizar a engenharia de dados para trabalhar em direção a um ecossistema de dados de alta qualidade. Engenheiros de Dados sabem como construir um bom pipeline (mapa de etapas), a fim de encontrar as melhores formas de extrair, integrar ou transformar estes dados. Ao focar na qualidade dos dados, Anill entendeu que as possibilidades de ter problemas após o lançamento do produto ou serviço eram muito menores.
Problema nº 2: como controlamos os dados da organização?
De acordo com Anill, existem muitos aprendizados dos ciclos de vida da Ciência de Dados que podem ser associados à governança. Assim, todos os envolvidos no processo de dados precisam ser capazes de responder estas perguntas:
-
o que aconteceu?
-
como isso aconteceu?
-
e por que aconteceu?
Se considerarmos um programa funcional composto a partir de ferramentas de Design Thinking, a maior parte do tempo deve ser centrada no ser humano. Que também é seu cliente ou usuário. Assim, o maior tempo do projeto precisa ser, necessariamente, para pesquisas de usuário, independentemente de seu formato. Além disso, o espaço na agenda pode ser otimizado ao diminuir sprints e reuniões desnecessárias, e focar na elaboração e pesquisa sobre produto ou serviço. A ideia do Design Thinking é focar na pesquisa e no brainstorm de ideias, otimizando o tempo e evitando perder-se em meio a reuniões desnecessárias ou processos burocráticos.
Fonte: UX Collective
No caso da equipe de Anill, o foco foi voltado para questões como privacidade, políticas internas e gestão de custos. Com isso, foi possível desenvolver políticas e procedimentos objetivos, indo além do estabelecimento de mecanismos de monitoramento para garantir a conformidade com essas políticas.
Problema nº 3: em busca das pepitas de ouro
Por último, Anill explica como utilizou ferramentas de Design Thinking para encontrar os problemas mais importantes a serem resolvidos. Em resumo, tudo se resumiu ao foco na experiência do usuário. Com o uso de uma abordagem de mapeamento de jornada completa através do Design Thinking, sua equipe conseguiu desarticular os “pontos problemáticos” do projeto, priorizando-os de acordo com o que era mais importante resolver.
“A abordagem através do design thinking é um começo e não precisa chegar a um processo excepcionalmente sólido para fazê-lo corretamente”, explica Anill .
Em outras palavras, não existe uma única maneira de encontrar suas pepitas de ouro, basta que este processo seja realizado com foco total no usuário. Mas… como fazer isso?
Como a Ciência de Dados e o Design Thinking funcionam juntos
Em outro de seus artigos, Anill Tibe explica como podemos conciliar ciência de dados e Inteligência Artificial com o design focado no usuário para atingir resultados potencialmente promissores.
O primeiro ponto observado por ele é que o Design Thinking pode auxiliar na criação e desenvolvimento de tecnologias de IA mais intuitivas e acessíveis. Isso pode ser alcançado considerando como os usuários interagem com a tecnologia, ou seu impacto emocional sobre eles. Parece óbvio, mas nem sempre estes são pontos levados em consideração.
Ao desenvolver um assistente de voz como Siri ou Alexa, por exemplo, é preciso considerar quão natural e realista a voz soa ou quão fácil é usar a interface. Quando feito corretamente, isso pode resultar em tecnologias de IA mais propensas a serem adotadas e usadas pelas pessoas. E um processo de criação e desenvolvimento voltado ao usuário aumenta as chances de sucesso.
Além disso, o design voltado ao usuário pode auxiliar na criação de tecnologias eticamente mais responsáveis, o que significa considerar questões como preocupações com a privacidade ou o impacto potencial da IA na sociedade. Ao desenvolver um sistema de reconhecimento facial, é importante considerar como os dados serão usados ou quem terá acesso a eles, por exemplo.
Por outro lado, o uso de Inteligência Artificial também pode melhorar os processos de Design Thinking já existentes, através do uso de algoritmos para identificar as necessidades do usuário, ou mesmo do processamento de linguagem natural para analisar os feedbacks recebidos.
Por fim, a Ciência de Dados e o Design Thinking podem trabalhar juntos a fim de melhorar o desenvolvimento de tecnologias de IA. Por exemplo: a Inteligência Artificial pode ser útil para aprimorar os processos do design voltado ao usuário, fornecendo aos designers novas maneiras de coletar dados e testar ideias de forma rápida e barata. A IA também criaria realidades virtuais para experimentação, gerando simulações mais realistas em relação ao comportamento do usuário.
Ensinamentos de Design Thinking aplicáveis à Ciência de Dados
Para as empresas que consideram utilizar os ensinamentos do Design Thinking em seu dia a dia, Anill compartilha algumas dicas e aprendizados que a Ciência de Dados pode tirar das estratégias de Design Thinking (além de tudo o que já falamos aqui). Confira:
O usuário é sempre o ponto de partida
Designers centrados no ser humano sempre começam com o usuário em mente, dando especial atenção às suas necessidades, desejos e valores. Profissionais de Ciência de Dados também podem adotar essa abordagem, mantendo o usuário final em mente ao projetar aplicativos e algoritmos.
Compromisso com a iteração e o teste
Profissionais de Design Thinking entendem que o processo de iteração e testagem de suas criações devem ser feitos em contato com seus usuários. Isso porque entendem que o processo de design é um ciclo contínuo de refinamento, e que nada está realmente terminado. Da mesma forma, os profissionais de Ciência de Dados podem iterar continuamente e melhorar seus modelos de IA com base no feedback de seus usuários.
Maior abertura ao feedback
Designers que trabalham centrados no ser humano estão abertos ao feedback de usuários, partes interessadas e outros envolvidos no processo. Isso pode ser trazido para a Ciência de Dados, com a abertura de feedbacks para o aperfeiçoamento de aplicativos e algoritmos.
Foco na simplificação
Quem trabalha com Design Thinking busca simplificar problemas complexos em projetos mais simples e fáceis de usar. Isso porque entende que tornar as coisas muito complicadas apenas frustrará os usuários, levando a resultados piores. A Ciência de Dados pode aprender com isso e achar aí uma oportunidade de simplificar interfaces e algoritmos (com foco no usuário!).
Disposição para questionar
Profissionais de Design Thinking sempre questionam suas crenças e suposições. Eles entendem que suposições muitas vezes levam a más escolhas. Da mesma forma, profissionais de IA e Data Science devem questionar suposições sobre os dados, o usuário e o problema estão tentando resolver.
Consciência do contexto
Por fim, designers centrados no ser humano sempre consideram o contexto mais amplo em que seus projetos serão usados. Eles entendem que os usuários irão interagir com seus projetos de maneiras diferentes, muitas vezes em circunstâncias únicas. Na Ciência de Dados, estar ciente do contexto em que os aplicativos de IA serão usados pode ajudar os profissionais a projetá-los de forma mais adequada.
Conclusão
Ao longo deste texto, ficou claro como o uso de estratégias de Design Thinking, aliadas à Ciência de Dados e o uso de Inteligência Artificial podem ajudar as empresas a entenderem mais sobre a usabilidade e a utilidade de seus produtos ou serviços, dois fatores essenciais para a criação de protótipos de sucesso.
A chave para o design eficaz da interação Inteligência Artificial e ser humano é criar sistemas que sejam “inteligentes” o suficiente para lidar com tarefas complexas, ao mesmo tempo em que permanecem centrados no ser humano. Talvez este seja o caminho para a Inteligência Artificial aumentar suas habilidades humanas, sem se tornar um substituto para elas.
Pensando nisso, é preciso considerar capacitar suas equipes em relação ao Design Thinking, para que possam trabalhar junto à equipe de design a fim de criar e explorar novas possibilidades e experiências ao usuário.
