UX Research: automação e análise de dados com IA

Mapeamento de contexto e dores - Apresentação

Apresentando a instrutora e o escopo do curso

Olá! Meu nome é Tuani Dias, sou responsável pela estrutura de UX (experiência da pessoa usuária), pesquisa e inteligência artificial aqui na Alura. Também trabalho como Project Lead (liderança de projeto) em uma empresa do varejo em nível de América Latina.

Neste curso de inteligência artificial, vamos integrar pesquisa, automação com inteligência artificial e análise de dados.

Contextualizando o problema e automatizando a coleta

Imaginemos um cenário em que há um problema: uma métrica de ativação baixa em um produto digital. Queremos estudá-la a fundo, entender quais são os registros de erro do aplicativo, compreender do que as pessoas usuárias estão reclamando, conduzir entrevistas aprofundadas e identificar quais outros dados podemos obter. De repente, recebemos uma grande quantidade de informações de diferentes fontes de dados e precisamos tabular tudo.

Ao longo do curso, vamos aprender a criar uma conexão utilizando a ferramenta n8n, automatizando todo um processo para recuperar esses dados de forma automática, evitando solicitar a cada área que exporte um arquivo do Excel (planilha do Microsoft Excel) ou nos repasse os dados.

Integrando dados e validando hipóteses

Nós poderemos coletar dados específicos de cada área e alimentar uma planilha do Excel diariamente. Essa planilha poderemos colocar no notebook (caderno interativo) LM, que é uma ferramenta de inteligência artificial relacionada a fontes e dados específicos, para cruzar informações e gerar insights (percepções).

Com essa ferramenta, poderemos cruzar diversos dados qualitativos e quantitativos, gerar e, principalmente, validar hipóteses.

Detalhando o fluxo de trabalho e o relatório final

Teremos automação para obter esses dados, gerar hipóteses, validá-las e apresentar tudo em um relatório, para utilização no dia a dia.

Aqui, elaboraremos o projeto do curso de ponta a ponta, e você poderá concluir com um relatório dentro do seu projeto.

Praticando em conjunto e iniciando o curso

É importante lembrar que, para aprender e aproveitar melhor todo este conhecimento, teremos um projeto para fazermos juntos. Coloque em prática, faça os exercícios propostos e baixe os documentos que disponibilizarmos. Assim, poderemos realizar tudo passo a passo e chegar ao mesmo resultado.

Agora que já explicamos quais são as ferramentas com as quais vamos trabalhar e qual é o nosso objetivo ao tratar esses dados, vamos começar o curso, partir para a prática e colocar a IA para trabalhar junto conosco. Vamos em frente.

Mapeamento de contexto e dores - Conhecendo a PoupApp

Apresentando o produto e a proposta de valor

Vamos entender qual é o problema do nosso curso. Temos um produto digital, um aplicativo financeiro, já disponível em plataformas como Android e iPhone. Ele possui esta interface em que a pessoa usuária faz parte do Open Finance (Sistema Financeiro Aberto) e pode obter do seu banco principal todas as contas, tudo o que gastou no cartão de crédito e tudo o que movimentou na conta no dia a dia. Esta é a interface, e nosso aplicativo se chama PoupApp.

No PoupApp, nossa proposta de valor é transformar o hábito de poupar em conquistas reais. Temos uma persona-alvo: pessoa jovem, entre vinte e poucos e 35 anos, com perfil muito parecido conosco. Nosso objetivo é fazer com que comece a poupar por meio de um sistema de categorização das contas, permitindo visualizar para onde vai o dinheiro.

Assim, além de conectar contas bancárias, cartões de crédito e também investimentos, o aplicativo possui um sistema de categorização que, em teoria, deveria funcionar — neste momento, não está funcionando — como um indicador preciso para mostrar: veja, seu gasto com alimentação está acima do que imaginava. Por exemplo: há um orçamento de alimentação no iFood de 300 reais, mas já foram gastos 700 reais neste mês. O sistema deveria evidenciar isso por meio das visualizações.

Outro exemplo: há uma meta de viajar para Salvador, porém há gastos no iFood praticamente todos os dias. Nossa proposta de valor é clara.

Contextualizando a queda de ativação

No último mês, entretanto, a taxa de ativação do nosso produto digital caiu 35%. Isso significa que as pessoas usuárias estão enfrentando um problema ao utilizar as etiquetas, a funcionalidade de maior destaque no aplicativo. Apenas integrar dados, enviar e receber informações, e manter uma conexão para ver o saldo da conta e os gastos no cartão de crédito já é algo feito em outras plataformas. Nossa proposta de valor aqui é realizar toda a categorização e ajudar a poupar.

Ao lançarmos a sincronização para aplicar as etiquetas, definimos como métrica de ativação a realização da primeira transação e a criação da meta pela pessoa usuária. Porém, houve uma queda drástica de 35% no momento de ativação.

Desenhando o funil de ativação

Isso indica que, em nosso funil de ativação, a pessoa usuária realiza o registro. Vamos começar a desenhar esse fluxo e selecionar a cor laranja para destacar. A pessoa usuária se registra, cria a conta, informa seus dados pessoais, conecta com o Open Finance (Sistema Financeiro Aberto) e aceita as permissões que o banco concede, tanto no ambiente do banco quanto no aplicativo, para que o acesso seja autorizado.

Realizamos a curadoria do que desejamos que vá para essa etiquetagem, então escolhemos tudo o que queremos permitir que o nosso aplicativo leia e, de fato, criamos as metas para poder utilizar essas metas mencionadas acima. Por exemplo, se queremos viajar para Salvador, para essa meta precisamos de 1 mil para poder viajar e comprar a passagem. Para comprar, precisamos cumprir uma meta. Porém, esse funil de ativação não está sendo completado.

Coletando evidências com as equipes

Como sabemos que essas informações e esses dados não estão coerentes? Observamos isso por meio da coleta de informações com as equipes responsáveis. Nós, como pessoas designers de produto, vamos falar com as pessoas envolvidas nesse aplicativo, relacionadas a essa funcionalidade, para verificar o que está acontecendo.

Para saber que caiu o número de ativações, fomos ao time de Atendimento ao Cliente e perguntamos como está o nível de reclamações dentro do nosso aplicativo. A equipe de Atendimento ao Cliente informou que o volume de chamados subiu excessivamente e que as principais reclamações hoje dentro do aplicativo são: “meu banco não se conecta” e “as categorias estão erradas”.

Quando conversamos com a área de Tecnologia, vimos que houve um aumento nos registros na tabela de erros. Eles monitoram como estão os servidores e, dentro desses servidores, houve um log (registro) de erros gigantesco. Contudo, ainda não se sabe se é uma falha de token (código) de acesso — nessa transição em que enviamos e solicitamos informações e elas não retornam — ou se é por conta do consentimento da pessoa usuária, que pode não estar concedendo esse consentimento.

A equipe de Marketing (marketing) também sinalizou, durante essa análise, que as campanhas pelas quais as pessoas usuárias chegam estão qualificadas, mas parece que o balde tem um furo. Isso significa que hoje o custo de aquisição está subindo. As aquisições estão acontecendo, porém as pessoas usuárias não passam da primeira semana: estão indo embora, desinstalando, abrindo chamados, reclamando ou saindo já na primeira semana. Por isso, nossa taxa de ativação está caindo tanto.

Planejando próximos passos com dados e ia

Cabe, nesse contexto, termos visibilidade para cruzar todos esses dados, o que exige muito mais tempo e processo, mapeando as dependências das equipes — como Marketing (marketing), Customer Success (Sucesso do Cliente), Tecnologia e Dados — e consolidando todas essas informações para entendermos, de fato, o que está acontecendo com a usabilidade desse produto e criarmos uma solução. Vamos utilizar Inteligência Artificial e gestão de dados com IA para alcançar esse objetivo.

Falaremos mais sobre isso no próximo vídeo. Vamos ao próximo!

Mapeamento de contexto e dores - Ecossistema de dados

Definindo o problema e o funil de ativação

Conhecemos nosso problema: a queda na ativação da função de rotulagem dentro da nossa aplicação. Dissemos que essa queda na ativação passa por um funil com várias etapas: etapa de registro, que coleta dados; etapa de conexão, que gera um token (credencial temporária) que circula entre bancos; etapa de curadoria, que é quando fazemos a rotulagem; e etapa de criação de metas.

Nosso objetivo é cruzar esses dados para identificar as dependências e os erros existentes, de fato, e assim melhorar toda a usabilidade. No final, nosso papel como profissionais de design de produto não é apenas buscar erros de usabilidade em tela ou conduzir pesquisas para encontrar melhorias. Precisamos identificar erros a partir dos dados para verificar se nossa aplicação realmente está funcionando. Muitas vezes, esses erros surgem de outras formas: aparecem como erros de TI, erros de cadastro ou problemas que a pessoa usuária vem reportando há muito tempo. Precisamos implementar melhorias nesses pontos. Ter conhecimento de dados é muito importante na sua carreira.

Apresentando a ajuda da ia e o ecossistema de dados

A IA veio para ajudar nesse momento que, antes, era um desafio para nós ao coletar e cruzar dados de várias áreas. Hoje, a IA consegue fazer isso de forma muito rápida e mais simples.

Para falar mais sobre esse ecossistema de dados, trouxemos um exemplo muito comum em quase todas as empresas com as quais trabalhamos e que têm uma aplicação disponível na loja da Apple ou do Android para que outras pessoas façam o download e utilizem. Dentro desse ecossistema, contamos com algumas ferramentas para realizar a coleta de dados e, assim, compreender o que está acontecendo quando, por exemplo, uma taxa cai.

Detalhando o atendimento à pessoa cliente e helpdesk

A primeira parte é o que chamamos de Atendimento à Pessoa Cliente, ou seja, o setor de suporte. Em muitas empresas que disponibilizam suas aplicações nas lojas de aplicativos, há uma central de suporte, um serviço de atendimento, frequentemente estruturado como um Customer Service (Atendimento à Pessoa Cliente) com um helpdesk (central de ajuda) para que a pessoa usuária possa contatar e relatar situações como: tentei fazer uma compra e cancelei, mas no caminho a aplicação travou e agora não sei se paguei; quero cancelar uma compra, mas não encontrei o botão de cancelar; o sistema está tão lento que não consigo fazer a rotulagem necessária para a minha análise; ou, ainda, não consigo fazer um PIX porque está tão lento que não consigo concluir a operação para investir. É fundamental revisarmos esses pontos.

Nessa área, são gerados tickets (chamados), que são basicamente solicitações de atendimento, seja para reclamações, para questões de conexão ou para relatar lentidão que impede o uso adequado da aplicação.

Explicando nps, csat e métricas de satisfação

Além do helpdesk, dentro de Atendimento à Pessoa Cliente também pode estar a área de pesquisas, como o CSAT, em que, sempre que queremos realizar uma pesquisa mais ampla e sem um tema específico com a nossa base, aplicamos CSAT ou NPS. No caso da pesquisa de satisfação, medimos métricas de lealdade, satisfação ou esforço. Assim, podemos trabalhar com CSAT (Customer Satisfaction Score, Índice de Satisfação da Pessoa Cliente) e NPS (Net Promoter Score, Índice Líquido de Promotores) para compreender melhor a experiência e orientar melhorias contínuas.

A lealdade pode ser avaliada quando escolhemos uma métrica e perguntamos: “Hoje você compartilharia este aplicativo ou o recomendaria a uma pessoa amiga?”. Sempre que vemos uma pergunta assim, estamos respondendo a um NPS, medido de 0 a 10, que indica se recomendamos ou não o aplicativo — inclusive em situações nas quais o aplicativo é tão ruim que o utilizamos por obrigação.

Também existem outras formas de medir satisfação e esforço, como o CSAT, sigla de Customer Satisfaction Score (Pontuação de Satisfação do Cliente). Nesse caso, perguntamos: “Como você se sente hoje ao usar este aplicativo? Qual é a sua nota?”, em uma escala de 1 a 5 ou com estrelas. Essas avaliações podem ser gerais (do aplicativo como um todo) ou focadas em uma funcionalidade específica. É comum realizarmos essa coleta de forma recorrente: semanalmente ou, às vezes, diariamente, conforme a necessidade e o porte do produto. Em alguns contextos, a avaliação não chega diariamente para nós, mas, por exemplo, a cada compra pode ser exibida ao final do fluxo ou enviada por e-mail para sabermos como foi o atendimento e a experiência daquela compra.

Explorando logs, sessões e parceria com desenvolvimento

Além desses instrumentos — que estão mais próximos do nosso universo, isto é, nós falando com a pessoa usuária ou a pessoa usuária falando conosco —, contamos com dados do banco de dados, cuja responsabilidade é da pessoa desenvolvedora. Hoje, podemos utilizar esses dados para enriquecer nossas pesquisas e, principalmente, nossas análises. Exemplos de eventos que analisamos incluem logs (registros) de erro, status e histórico de sessões.

Imagine que identificamos relatos de pessoas usuárias afirmando que, todos os dias, às 19h, tentam usar o aplicativo e não conseguem — e isso ocorre somente nesse horário. Vamos até a pessoa desenvolvedora e informamos: “Recebemos relatos de três pessoas usuárias de que, à noite, não conseguem utilizar o aplicativo”. Provavelmente, a pessoa desenvolvedora verificará os logs (registros) e os picos de acesso e poderá constatar que muitas pessoas estão acessando ao mesmo tempo, e a plataforma não está suportando esse volume. Outro exemplo: podemos consultar o histórico de sessões de uma pessoa usuária para avaliar a frequência de uso, como utiliza o aplicativo e a quais registros acessa. Manter uma parceria próxima com a pessoa desenvolvedora para coletar esses dados é fundamental.

Analisando dados de marketing e preparando próximos passos

Por fim, temos os dados de marketing, provenientes das plataformas que utilizamos para envio de e-mails e de publicidade — como as propagandas exibidas nas redes sociais. Essa área contribui indicando, por exemplo, se enviamos um e-mail e a pessoa usuária o abriu, o que pode sinalizar que foi notificada e sabe como utilizar determinada funcionalidade. Também podemos enviar publicações para apresentar novas funcionalidades do aplicativo e, assim, garantir que a pessoa usuária saiba do que se trata. A partir da área de marketing, obtemos uma visão de como está nosso público-alvo, quem é esse público e como estruturamos as campanhas. É nesse espaço que realizamos descobertas importantes e, principalmente, a segmentação de pessoas usuárias. Deseja criar uma boa persona? Conecte-se com a área de marketing e isso se tornará viável.

Agora que entendemos o ecossistema de dados — algo essencial para definirmos como conectar as informações na gestão de dados que vamos realizar com a inteligência artificial —, no próximo vídeo veremos quais são os cenários ideais disponíveis aqui e como fazemos a conexão entre essas plataformas ou esses dados. Vamos ao próximo.

Sobre o curso UX Research: automação e análise de dados com IA

O curso UX Research: automação e análise de dados com IA possui 146 minutos de vídeos, em um total de 48 atividades. Gostou? Conheça nossos outros cursos de UX Research em UX & Design, ou leia nossos artigos de UX & Design.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Mapeamento de contexto e dores
• Hipóteses com IA
• Automação com n8n
• O cérebro digital com NotebookLM
• Validação de hipóteses e insights