Data-driven design: una oportunidad para crecer como diseñadores UX/UI

¿Cuántas veces has diseñado presuponiendo lo que el usuario necesita?¿Cuántas otras te hubiera gustado saber el impacto en negocio de aquel rediseño que hiciste? ¿O simplemente defender la idea que tenías en mente con algo más que tu visión de experto/a?

El data-driven design nos permite ser diseñadores más eficaces, tanto en términos de consecución de los objetivos de negocio como en términos de experiencia de usuario. Se trata de alinear, por un lado, los objetivos que debe cumplir el producto, con la atención e intención del usuario. Esto que así dicho puede parecer muy fácil, requiere de práctica y mucho, mucho método.

¿En qué consiste la metodología data-driven?

Tanto si se trata de un rediseño como si hablamos de un proyecto de mejora continua la metodología que se aplica es muy similar y consta de las siguientes fases:

Lo ideal es trabajar con un grupo de expertos cada uno en su campo tal y como sucede en las consultoras pero claro, el escenario ideal no siempre es alcanzable en primera instancia. ¿Debemos por ello renunciar a aplicar esta metodología? Claro que no. Tanto los Product owners como los Product designer deberían conocerlas y ponerlas en práctica en sus organizaciones con el equipo que tengan a disposición. A veces es más una cuestión de filosofía de trabajo que de recursos.

1. Definición

Esta frase viene muy al caso para ilustrar esta fase del proceso:

En primer lugar, definiremos los objetivos de negocio del producto, imprescindibles para poder responder a dos preguntas básicas, ¿qué queremos conseguir?¿cuál va a ser nuestro KPI de éxito?

En segundo lugar, tendremos que ver si la experiencia de usuario del activo está siendo traqueada de alguna manera y, si es así, cuáles son las herramientas para auditarlas. De esta primera auditoría saldrán mejoras sobre la medición que tendremos que implementar.

En tercer lugar, y una vez que tengamos el control de los datos, monitorizaremos nuestro plan de medición con los objetivos que hemos definido. Esto nos servirá para empezar a detectar hilos de los que tirar en nuestra investigación.

2. Investigación

Es una de las fases más densas y bonitas de todo el proceso. La finalidad de la investigación es extraer insights de mejora que alimenten nuestras hipótesis. ¿Cómo lo haremos? Pues combinando múltiples fuentes de datos tanto cuantitativos como cualitativos con diferentes herramientas que nos permitan detectar qué tenemos que mejorar para conseguir los objetivos que nos hemos propuesto. Es importante tener siempre el foco en los objetivos para no perdernos en un sin fin de métricas y datos, así como, para definir qué tipo de investigación necesitamos hacer. Pero también para priorizar las hipótesis de mejora que extraigamos en la siguiente fase.

3. Roadmap

Una vez tengamos los hallazgos de la investigación, generaremos las hipótesis de mejora:

  Dado este {{problema}} lo cual puede deberse a {{datos de usuarios}}, si modificamos este {{problema}} por esta {{alternativa}} obtendremos el siguiente {{resultado}}. 

Documentamos todo el proceso y priorizamos nuestras hipótesis. Una técnica muy sencilla es en base al par valor – esfuerzo que requiere la puesta en marcha de esa hipótesis.

Con esto, ya podremos elaborar nuestro plan de optimización de producto en detalle y definir un backlog para empezar a trabajar.

4. Experimentos y análisis

Las hipótesis son el germen de un experimento. A partir de ellas crearemos los wireframes y prototipos que queremos testar para obtener un determinado resultado. Es importante definir el margen de mejora que queremos para también saber si debemos o no iterar.

Una vez haya transcurrido el tiempo necesario para la ejecución del test, veremos si tenemos o no variante ganadora y analizaremos los resultados en profundidad para que, en caso de que haya que iterar, tengamos una pista de por dónde empezar a cambiar nuestro wireframe.

5. Implementación

En esta fase pondremos en producción tanto las implementaciones directas, normalmente quick wins o fallos funcionales que sea necesario solventar, como las variantes ganadoras de los test. Eso sí, con su tracking correspondiente para asegurarnos siempre de que tendremos los datos que reflejan la interacción del usuario.

Una vez hayamos implementado las mejoras evaluaremos nuevamente nuestros objetivos para ver cuán cerca o lejos estamos de ellos. Y vuelta a empezar.

¿Qué aporta la metodología data-driven a un perfil UX/UI?

Fundamentalmente una nueva forma de tomar las decisiones sobre diseño, más basadas en el método científico que en la visión de experto, pero sobre todo aporta un nuevo modelo mental que posiciona al usuario en el centro de la toma de decisiones. Sí, digo el usuario porque el dato es importante en tanto y en cuanto refleja un comportamiento del usuario sobre el producto. No nos olvidemos de esto.

De cara a las empresas lo que te aporta es diferenciarte del resto de diseñadores. Los perfiles híbridos con skills cercanos a negocio que se sientan cómodos con los datos y puedan aplicar estas metodologías son cada vez más demandados.

¿Tengo que aprender de Analítica Digital?

Es conveniente tener nociones de analítica digital, al final se trata de una dimensión más del producto y de cómo se está evaluando la experiencia de usuario en el mismo. Es necesario y vital incorporar la analítica digital como una fuente más del research cuando hablemos de un producto existente, y siempre que sea posible, a un compañero experto en la materia, dentro del equipo de trabajo.

¿Qué tengo que hacer si quiero empezar a implementar estas metodologías en mi proceso de diseño?

Armarte de paciencia e ir paso a paso. Lo primero es leer todo lo que puedas sobre el tema. Un poco de literatura es imprescindible para empezar a tener nociones sobre en qué consiste el diseño basado en datos. Si quieres profundizar aún más y formarte en la materia, en KSchool tenemos un curso orientado 100% al Data-driven design para perfiles de diseño. El objetivo del curso es que como diseñador/a adquieras de manera rápida tanto el conocimiento como la práctica necesaria para poner en marcha estrategias data-driven design en la empresa donde trabajes.

Escrito por Gisele Murias, Customer Analytics & Product Designer en Acens (grupo Telefónica) y directora del Curso de Data-Driven Design.