Инновации/Управление инновациями

Дизайн-мышление + data science = успех

Дизайн-мышление + data science = успех

27 марта 2018|Джон ВеттерстенДин Мальмгрен

Cтартап Rise Science обратился в IDEO с нелегкой задачей. Компания разработала платформу обработки данных, которая позволяла профессиональным спортсменам и членам университетских спортивных команд отслеживать и корректировать свой режим сна и активности для достижения наилучших результатов. Но атлеты не справлялись с этой задачей. Создатели Rise ожидали, что спортсмены будут принимать решения, опираясь на представленные в таблицах и графиках данные, но те не находили в приложении действительно полезной для себя информации. Основатели стартапа решили, что им необходима более понятная инфографика.

Дизайнеры IDEO и специалисты по обработке данных (data science) из Rise Science пообщались со спортсменами и тренерами и обнаружили, что проблема не в визуализации данных, а в пользовательском восприятии сервиса. Информация о том, когда лучше ложиться спать и просыпаться, была гораздо важнее, чем таблицы и графики. Несколько недель спустя инфографика ушла на второй план, а центральное место в приложении заняли будильник и мессенджер.

За 18 месяцев с момента перезапуска на услуги Rise Science подписалось более 15 элитных профессиональных и университетских команд, а также несколько компаний, которые хотели улучшить эффективность работы и благополучие своих сотрудников.

Этот пример показывает, как междисциплинарная команда специалистов, применяющих дизайн-мышление, может выработать более ориентированный под нужды человека подход к анализу данных. Методы дизайн-мышления требуют от специалистов по обработке данных не узкого фокуса на разработке новых статистических моделей или визуализации информации, а более креативного подхода к решению проблем. Мы не предлагаем объединить эти дисциплины, но если дизайнеры и работающие с данными ученые будут сотрудничать и учиться друг у друга, они смогут добиваться лучших результатов.

Методы, которые мы в IDEO используем в наших ориентированных на людей дизайн-процессах (исследование пользовательского поведения, поиск вдохновения в смежных сферах, наброски и прототипы), хорошо применимы к продуктам, услугам и опытам, основанным на точных данных.

Изучение пользовательского поведения

Сами по себе данные пассивны, это лишь сырье. Чтобы они наполнились смыслом, их нужно использовать в дизайн-решениях, которые отвечают социальным, эмоциональным и функциональным привычкам пользователей. Поставив потребности людей во главу угла, с помощью качественных дизайн-исследований и анализа данных вы обретете новые ценные знания. Такой гибридный подход может оказаться решающим для успеха вашего продукта и значительно улучшит пользовательский опыт ваших клиентов.

Так, например, специалисты Rise и IDEO посещали апартаменты и тренировочные базы спортсменов, чтобы лучше понять их повседневные потребности. Этот стандартный для дизайн-мышления подход называется изучение пользовательского поведения. Мы обнаружили, что почти каждый аспект жизни атлета распланирован, вымерен и оптимизирован. Просить их уделять внимание еще большему количеству информации значило бы просить слишком многого. Мы также выяснили, что такие способы сопровождения пользователей и такие моменты взаимодействия клиентов с сервисом, как моментальное консультирование спортсменов в вопросах режима и качества сна, были для них не менее важны, чем информация о том, как они спят.

Специалисты по обработке данных видят мир иначе, но применить свое уникальное видение они могут, лишь взаимодействуя с людьми. Привлекая ученых к дизайн-исследованиям, можно не только найти действенные и неординарные решения, но и — самое главное — выработать основанный на эмпатии подход к клиентам, которые будут пользоваться разработанными этими специалистами системами.

Поиск вдохновения в смежных сферах

Вот еще одна техника, характерная для дизайн-мышления, которую специалисты по данным могут добавить в свой арсенал. Этот подход сыграл исключительно важную роль в успешном завершении нашего проекта с Procter & Gamble. Когда корпорация вводила новые технологические решения в свои бизнес-процессы, она пригласила 50 ключевых сотрудников на двухдневный тренировочный саммит. Вернувшись на работу, избранные сотрудники должны были рассказать про новые технологии остальным. Хотя сам тренинг был весьма эффективным, процесс выбора работников требовал совершенствования. Оказалось, что выбранные люди не обладали достаточным авторитетом, чтобы распространить знания внутри компании.

Наша команда по анализу данных нашла вдохновляющее решение в исследовании о том, как распространяются болезни по сетям социальных связей. В большинстве случаев эпидемиологи заинтересованы в предотвращении распространения болезни, однако мы хотели, чтобы вирус (то есть новая технология) как можно быстрее захватил всю социальную структуру Procter & Gamble. Мы хотели создать технологическую пандемию.

Эпидемиологическая модель позволила нам понять, что выбранные вручную сотрудники, хоть и были близки к высшему руководству компании, занимали слишком центральную позицию, чтобы успешно «заразить» всю организацию. Мы предложили другой подход: выбирать сотрудников, занимающих позиции, которые позволили бы им распространить знания по социальной ткани компании. Мы опробовали сотни миллионов комбинаций людей на местах, которые лучше других способствовали бы коллективному распространению новой технологии. Эта инициатива была настолько успешна, что группа представителей, которую мы собрали в итоге, была еще не раз использована в других программах по управлению изменениями.

Наброски и прототипы

Как и разработчики продуктов, специалисты по обработке данных могут использовать наброски и прототипы для получения обратной связи клиентов. Этап разведочного анализа данных зачастую покрыт туманом неопределенности, но, используя приемы из арсенала дизайнеров и визуализируя доступную информацию, вы сможете разглядеть незаметные ранее закономерности, которые подскажут следующий шаг.

Главное – не бояться экспериментировать. Обнаруженный паттерн может заставить вас по-другому посмотреть на доступные данные, что затем позволит вам и по-новому взглянуть на найденные ранее закономерности. Возможно, вы решите вернуться к разведочному анализу, чтобы скорректировать или полностью изменить направление исследования. Подходите к этому, впрочем, со здоровой долей скептицизма, так как ваши данные могут быть ошибочными или неполными, и найденные вами закономерности могут сбить вас с верного курса. Например, работая над другим проектом для Procter & Gamble, мы начали с того, что поделились со стейкхолдерами простыми набросками будущего продукта, чтобы получить их обратную связь. Таким образом мы получили представление о том, как должен выглядеть желанный интерфейс, еще до того, как приступили к написанию кода.

Создавать команду специалистов по анализу данных тяжело и дорого, поэтому нет ничего удивительного в том, что большинство компаний поручают им лишь связанную с анализом данных работу. Однако использование специалистов по данным во всех этапах процесса дизайн-мышления окупится сполна. Междисциплинарное сотрудничество, которое оторвет их от мониторов и отправит в реальный мир, даст невероятные результаты. Оно превратит данные из грубого измерительного прибора в точный инструмент, который поможет вашему бизнесу расти.

Об авторах. Джон Веттерстен — директор по дизайну в IDEO. Дин Мальмгрен — исполнительным директор в IDEO, разработчик и предприниматель. Основатель консалтинговой компании по анализу данных Datascope, которая стала частью IDEO.