«Todos los datos creados por personas. Y todas las personas crean datos... Hoy en día divorciamos a las personas de sus datos, y eso da a las empresas una licencia para olvidarse de las personas que hay detrás de los datos... Nos permite divorciarnos de la responsabilidad de lo que esos datos pueden hacer». — Ovetta Sampson, Microsoft
La ciencia de datos y la experiencia de usuario están muy relacionadas con la toma de decisiones, ya sea desde una perspectiva empresarial, para mejorar la experiencia del usuario o incluso para mejorar el rendimiento del producto. Para minimizar los puntos ciegos a la hora de tomar decisiones, es fundamental disponer de la mayor cantidad de datos posible y extraer la información adecuada que nos permita entender el problema que hay que resolver y ejecutar la mejor solución. Esto se puede obtener a partir de entrevistas con los usuarios o de los registros de los servidores, pero al final los datos son una representación y una forma de medir lo que hacen personas reales con nuestros productos en el mundo real (Ted Institute, 2014). Por lo tanto, debemos ser conscientes de lo que hacemos con esos datos; cómo lo usamos y con qué propósito lo recopilamos.
Para garantizar un proceso consciente centrado en las personas, creemos que la colaboración horizontal y cooperativa es importante, en la que todos los equipos están empoderados. En este sentido, aunque los equipos de UX y DS (ciencia de datos) tienen sus diferencias, hay un denominador común entre ellos: la extracción de información a partir de los datos. Esto permite múltiples espacios de colaboración que, cuando se mejoran, proporcionan una comprensión holística de los datos y ayudan a mitigar la debilidad de utilizar un único enfoque de investigación.
El enfoque de UX está centrado en las personas. Los diseñadores e investigadores de UX están más interesados en conocer las intenciones de los usuarios, por qué usan una función y qué opinan al respecto. Los equipos de investigación trabajan partiendo de la empatía con los usuarios, proporcionando información sobre ellos, buscando patrones en datos densos y creando hipótesis. Los datos se obtienen principalmente de métodos de investigación sistemáticos, como las entrevistas con los usuarios, las encuestas o los diarios, entre otros. Estas ideas pretenden responder a preguntas como ¿cuáles son las motivaciones del usuario para usar un producto? O ¿qué papel desempeña el producto en su vida diaria?
Los científicos de datos están más interesados en el rendimiento o el rendimiento esperado del producto. Trabajan con la recopilación sistemática de grandes volúmenes de datos, buscando correlaciones entre las características y clasificaciones, creando modelos estadísticos con aprendizaje automático aplicado, entre otros.
Este enfoque nos permite responder a preguntas como ¿Cómo cambia una función del producto las métricas de comportamiento, como los clics o el tiempo empleado? O ¿qué funciones se utilizan y cuáles se abandonan?
A pesar de algunas diferencias que pueden existir en la forma en que tratan los datos, ambas disciplinas tienen puntos en común, por lo que se habilitan múltiples espacios de colaboración. Como denominador común, ambos equipos buscan explicar los fenómenos observados en los datos y generar información para la toma de decisiones.
Tanto los equipos de UX como los de Data Science siguen el método científico que incluye el ciclo de:
Este terreno común permite espacios interesantes para la colaboración. Un ejemplo puede ser la generación de personas basadas en datos (Xiang et al, 2016). Los investigadores de la experiencia de usuario suelen generar usuarios arquetípicos al compartir una visión común entre los diferentes equipos que participan en el ciclo del producto. Estas personas de usuario se basan en los datos del flujo de trabajo de las encuestas, los autoinformes, las entrevistas y la observación de los usuarios. Sin embargo, estos datos, que no están directamente relacionados con el comportamiento de los usuarios, reflejan débilmente el flujo de trabajo real del usuario en el producto, su recopilación es costosa, se limita a unos pocos cientos de respuestas y se desactualizan tan pronto como los flujos de trabajo de una persona evolucionan.
Con las técnicas de ciencia de datos, es posible recopilar comportamientos a partir de los datos de telemetría directamente cuando el usuario interactúa con el producto. Luego, mediante técnicas de agrupamiento, podemos llegar a grupos de usuarios y flujos de trabajo generados a partir de datos que los investigadores de UX pueden validar. Este enfoque que triangula la información cualitativa y cuantitativa también puede contribuir a minimizar los sesgos cuando se trabaja con personas, y es rentable y rentable.
Otro espacio interesante para la colaboración es entender lo que dicen y hacen los usuarios. Una empresa que está a la vanguardia en la integración de equipos de ciencia de datos y UX es Spotify (Xiang et al, 2016). Mediante su método de triangulación simultánea, combinan la investigación de la experiencia de usuario y la ciencia de datos en el mismo proceso. Por ejemplo, combinar en el mismo experimento un estudio diario y un seguimiento de datos para el mismo grupo de usuarios.
Llegaron a la conclusión de que ambos equipos deberían trabajar juntos siguiendo este proceso:
Por otro lado, los métodos de investigación de la experiencia de usuario y los hallazgos de las entrevistas con los usuarios pueden ser valiosos para definir las características necesarias para extraer datos o para evaluar si un modelo capacitado cumple con las necesidades y expectativas del usuario (Nahirnyi, 2021).
Por último, pero no por ello menos importante, para que las aplicaciones impulsadas por el aprendizaje automático sean más inclusivas, las decisiones no pueden tomarse en algoritmos de caja negra (Campbell, 2022). Es importante tener en cuenta los conocimientos obtenidos en las investigaciones sobre la experiencia de usuario sobre los modelos mentales de los usuarios, para que puedan percibir y comprender cómo funcionan los algoritmos para ellos. Esto implica que ambos equipos trabajen juntos para minimizar los sesgos hacia la ética y la transparencia del producto.
Para nosotros, es crucial ofrecer las mejores soluciones digitales posibles de principio a fin. Creemos que este enfoque integrador marca la diferencia a la hora de entender a los usuarios para diseñar y desarrollar productos digitales de alta calidad que respondan a las necesidades de los usuarios de su empresa. Es fundamental basar nuestras decisiones en datos precisos y variados (como hemos explicado, los datos obtenidos de la experiencia de usuario y la ciencia de datos ofrecen diferentes perspectivas y tipos de información).
Referencias
Campbell, M. (22 de agosto de 2022). Ética y sesgo: la experiencia de usuario de la IA — Bootcamp. Medio. https://bootcamp.uxdesign.cc/ethics-and-bias-the-ux-of-ai-cba22a01a896
Nahirnyi, A. (2021, 30 de marzo). Todo equipo de aprendizaje automático necesita un investigador de UX | UX Booth. Uxbooth. https://www.uxbooth.com/articles/every-machine-learning-team-needs-a-ux-researcher/
Salehi, B. (2022, 9 de junio). UX + ciencia de datos = decisiones más inteligentes — UX Collective. Medio. https://uxdesign.cc/ux-data-science-smarter-decisions-6ea847c7288f
Instituto TED. (23 de diciembre de 2014). Rochelle King: La compleja relación entre datos y diseño en UX [Vídeo]. YouTube. https://www.youtube.com/watch?v=YTRIeWI0EGQ&t=126s
Xiang, Z., Brown, H. y Shankar, A. (7 de mayo de 2016). Personas basadas en datos: creación de usuarios arquetípicos con flujos de clics y telemetría de usuario. Biblioteca digital ACM — Universidad Nacional de Cuyo. https://dl.acm.org/doi/10.1145/2858036.2858523
.svg)