+55 (61) 992146655 [email protected]
Select Page

O Human-Centered Design (HCD ou Design Centrado no Ser Humano) é uma estrutura de design para a criação de produtos, serviços, hardware e software criado para atender às necessidades específicas de clientes e usuários.

O design centrado no ser humano foca primeiro, obviamente no ser humano : ) Em vez de tentar projetar com foco nos lucros, economia ou estética, o objetivo é criar hardware, software, produtos e serviços que, fundamentalmente, levem em consideração o usuário final. Se seu objetivo final é criar um produto que as pessoas desejem usar, então será importante que você adote o HCD desde o início do processo de desenvolvimento.

O principal objetivo do HCD é criar produtos que as pessoas desejam usar porque, em última análise, quanto mais utilizável o produto final, maior a probabilidade de que você tenha clientes dispostos usá-lo. O HCD pode melhorar seus produtos, mas também pode aumentar seus lucros, pois as pessoas normalmente desejam pagar mais por produtos, serviços, hardware e software bem desenvolvidos, fáceis de usar.

Mundos diferentes, propósito iguais

Infelizmente parece que a mentalidade de Human-Centered Design ainda não chegou em todos os lugares, entre eles nas equipes de Data Science. Projetos de Data Science em sua maioria estão presos na esfera de vidro da área de tecnologia. Inicialmente, essas duas disciplinas, Design e Data Science parecem pertencer a universos absolutamente diferentes. Um é orientado ao ser humano, o outro orientado a dados, por isso, automaticamente nossa cabeça faz essa associação.

Normalmente os produtos de dados são projetados para o público interno das empresas e muitas vezes esses produtos acabam sendo desenvolvidos sem  foco em: definição de problemas, conexão com objetivos de negócios ou experiência do usuário. Por ser um produto interno, existe a sensação de alto custo humano (HH) e financeiro, além de tudo, é difícil visualizar o retorno desse investimento, pois a gestão do produto de dados não consegue entregar os principais valores da solução. Alguns questionamentos comuns, são:

  • Quanto custará o desenvolvimento?
  • Quantas pessoas vou precisar direcionar?
  • Quanto e quando esse produto vai trazer retorno?

Essas são algumas das perguntas que os líderes têm em mente. Projetos internos exigem uma equipe multidisciplinar, definição clara de problemas, vinculação às principais métricas de negócios e principalmente dados! Mas como podemos ajudar a responder essas perguntas? Acredito que apenas de uma maneira, que é vinculando o desenvolvimento de produtos análiticos aos objetivos de negócios, fornecendo informações essenciais para a tomada de decisão.

É muito fácil se perder na batalha de mineração de dados sem ter um objetivo claro. Assim como é fácil se perder no viés de confirmação ao tomar uma decisão. O processo de conectar uma empresa a um produto de dados não deve ser exatamente o mesmo que um produto digital, mas certamente podemos fazer o que a ciência nos ensina há séculos: experimentar, aprender e ajustar.

Humano vs Máquina

Metodologias de Design Thinking estão sendo utilizados em algumas organizações para que os projetos de Data Science sejam realizados com mais êxito e com maior velocidade. O curioso é que o Design Thinking está associado ao Machine Learning sendo 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.

O setor de inovação e tecnologia vem exigindo mais das equipes, tornando elas interdisciplinares para obter melhores insights sobre os produtos. Qual empresa não gostaria de ter esses dois perfis atuando nesses dois mundos? Cada vez mais vamos ver designers utilizam abordagens orientadas a dados e cientistas de dados envolvendo o design thinking em seus projetos.

É importante ter em mente que a Data Science é uma ferramenta para resolver problemas do usuário e deve ser tratada exclusivamente como tal. Não existe um produto de IA que venha antes do usuário, os produtos devem sempre surgir a partir do usuário.

A ciência de dados pode ser mais humanizada

Precisamos parar de pensar em Data Science como se fosse algo de outro mundo. Os projetos de dados perdem muito com essa mentalidade, pois nesse processo, perdemos por completo o valor que um insight vindo a partir dados pode trazer ao negócio. Em primeiro lugar, porque são necessárias pessoas para construir sistemas que coletam e organizam dados, bem como para entender as limitações desses sistemas e focar em dados para as questões corretas. E em segundo, porque dados que vêm de pessoas têm uma qualidade humana em particular. Portanto, insights vindos de pessoas (e não máquinas), são essenciais.

Produtos de dados, portanto, são soluções baseadas em dados, mas construídas a partir de pessoas, de processos, de políticas e da tecnologia. Sem o usuário, o trabalho de um cientista de dados não se sustenta.

A abordagem orientada a dados no Design

Data Science também é usada no Design através da descoberta das necessidades do usuário e implementação, onde uma abordagem intensiva de dados permite a criação direta de recursos em vez de uma necessidade específica do usuário. Incorporar a análise de dados na pesquisa do usuário é um método eficaz para descobrir suas necessidades. O teste A/B é um exemplo de geração de dados a partir de pesquisas de usuários.

A abordagem de Design na Cência de Dados

Além da óbvia incorporação de design e estética na visualização de dados, a Data Science está enfrentando mais pressão para incorporar uma abordagem centrada no ser humano à medida que experimentamos o crescimento da IA ​​e questões éticas. A experiência do usuário mudará para incorporar a compreensão dos dados à medida que se expandirá de seu foco em design de páginas da Web para se adaptar à proliferação de tecnologias orientadas por IA, e são dezenas.

Experiência do Usuário e a Ciência de Dados estão evoluindo

Embora a complexidade técnica aumente em escala, é importante deixar claro que, na interface do usuário ou do cliente, a complexidade deve ser inversamente proporcional. Em outras palavras, essa complexidade técnica precisa ser traduzida em simplicidade dentro do uso comum. É assim que funciona com algoritmos como o Google, o próprio Waze, Spotify, etc.

A experiência do usuário está evoluindo de um foco de interação visual para uma experiência mais cognitiva, e a Data Science está evoluindo de uma abordagem puramente dependente de dados para uma abordagem mais centrada no ser humano. Em geral, a experiência do usuário tem tudo a ver com tornar a vida do usuário mais suave e agradável, não importa o que isso possa levar, e à medida que o poder dos dados cresce, aumenta também a necessidade de usar abordagens interdisciplinares para construir novas tecnologias.

Por exemplo, quando você pede à Siri para agendar sua próxima palestra às 13h de terça-feira, um objetivo importante do UX é garantir que a tarefa seja fácil de concluir e que a Siri possa responder com eficiência e fornecer feedback de que você concluiu a tarefa. Não se trata apenas de feedback visual, mas também de entender a comunicação humana e como criar interações perfeitas entre IA e humanos.

Por trás de todo grande produto de IA está um gerente ou líder de produto que liderou a visão, ajudou com dados, facilitou o trabalho das equipes de tecnologia, ouviu os clientes, teve empatia e impulsionou a adoção e o crescimento liderados por métricas de negócios. Marty Cagan

Inteligência de decisão: Ciência de Dados + Humanidades

Seguimos tomando decisões. Portanto, é difícil entender o que é inteligência de decisão porque abrange praticamente tudo. Isso soa como outra palavra da moda que as manchetes usam para elevar a ciência de dados ao próximo nível. Mas quando a ciência de dados é combinada com a ciência social, obtemos algo chamado inteligência de decisão.

Empresas como o Google estão desenvolvendo conscientemente a Engenharia de Inteligência de Decisão para permitir um processo de tomada de decisão mais holístico. O advento da inteligência de decisão estreitou a lacuna entre os métodos quantitativos e qualitativos de tomada de decisão.

Conclusão 

A Data Science funciona melhor quando apresentada em um formato fácil de entender, não em dados sem vida na tela do computador. Desenvolvendo empatia e usando técnicas de resolução de problemas mais eficazes por meio de uma abordagem de ciência de dados. O design de experiência do usuário e a ciência de dados aparentemente empregam métodos opostos para abordar problemas semelhantes, mas estão cada vez mais vinculados, exigindo que todos adotem uma lente mais holística para os problemas.