Dashboards e apresentações: comunicar insights com IA e pesquisa UX

Entendendo o contexto - Apresentação

Apresentando a instrutora e realizando audiodescrição

Olá! Meu nome é Tuany Dias, faço parte do time de UX (Experiência da Pessoa Usuária) e pesquisa em IA na Alura, e também sou Project Lead (líder de projetos) no Mercado Livre. Antes de falarmos sobre o curso, vou me autodescrever.

Audiodescrição: Sou uma mulher de pele negra, tenho cabelo cacheado e, no momento, uso uma faixa cor vinho. Uso óculos de armação transparente, estou com batom fúcsia, visto uma blusa branca e uso brincos dourados.

Apresentando os objetivos, abordagens e entregáveis do curso

Este curso é orientado à criação de dashboards (painéis) e à elaboração de apresentações utilizando inteligência artificial. Nosso objetivo é partir de um conteúdo de pesquisa já tabulado e transformá-lo em visualizações com foco e aplicabilidade no trabalho.

Vamos aprender como transformar as pesquisas que realizamos no contexto de UX (Experiência da Pessoa Usuária) em materiais que dialoguem com as pessoas usuárias — que, neste caso, serão as pessoas stakeholders (partes interessadas), nossas pessoas clientes internas — mostrando de forma direta o que realmente importa para elas. Veremos como preparar apresentações mais executivas, como utilizar a IA e como criar dashboards (painéis) para o acompanhamento desses dados.

Aqui temos um dashboard (painel) criado na nuvem, com recomendações de priorização, acompanhamento da cobertura de erros da nossa aplicação, uma matriz de impacto relacionada ao negócio e à experiência e um funil relacionado às etapas de abandono.

Nós vamos aprender a criar tudo isso com inteligência artificial, sem deixar de lado a parte estratégica que uma pessoa profissional de UX ou pessoa designer de produto precisa ter, somando nossa experiência de muitos anos neste mercado de trabalho e em grandes empresas.

Detalhando a prática, delimitando o escopo e iniciando o curso

É importante saber que todos os nossos cursos também se baseiam na prática. Por isso, deixamos exercícios e práticas para que você realize tal como fizemos. Você terá um ambiente colaborativo, como o Discord, o fórum, a IA e a própria Alura, para compartilhar conhecimentos e criar seu painel junto conosco.

É importante advertir que este curso não abordará como a pesquisa foi feita; há outro curso para isso, que ensina a realizar a pesquisa, integrá-la com ferramentas, inclusive com inteligência artificial, para alimentar a base de dados das pesquisas. Tampouco ensinaremos a tabular. Vamos partir, como dissemos, desses dados já preparados e nos concentraremos unicamente nas visualizações e na interpretação dessas visualizações com foco no público.

Agora que você já conhece este curso, já apresentamos um pouco do projeto e já sabe como vai atuar, vamos começar nosso curso. [♪]

Entendendo o contexto - Case e dataset

Apresentando o produto e o contexto de ativação

Para começar o curso, vamos entender qual é nosso produto digital e quais são nossos dados. Aqui temos nosso produto, o aplicativo PopUp. O PopUp, com uma interface amigável, tem o objetivo de transformar o hábito de poupar em conquistas reais. Ou seja, busca permitir que se etiquetem os gastos de maneira simples, com integração a outros bancos, e que, após a definição de metas como viagem, compras e despesas básicas, possamos visualizar o que está sendo economizado e em que se gasta mais.

A funcionalidade principal, que deveria guiar a proposta de valor, é a categorização automática de todos os gastos por meio do Open Finance (Finanças Abertas), exibindo esses dados de forma simples. O problema é que isso está se tornando uma barreira. No momento da ativação de conta, quando a pessoa usuária chega à etapa de adesão ao aplicativo, observamos uma queda de 35% na ativação. Ao analisar o funil de ativação — que passa pelo cadastro, pela conexão com o Open Finance (Finanças Abertas), pela curadoria (análise das contas) e pela criação de métricas — identificamos uma grande lacuna.

Construindo o dashboard a partir de dados já coletados

Estamos apresentando esse contexto porque vamos começar a construir este dashboard (painel), isto é, a apresentação desses dados, a partir de informações já coletadas. Não vamos realizar uma nova pesquisa agora para depois apresentar; nós já temos uma pesquisa — inclusive podemos referenciar o curso que fizemos —, uma investigação totalmente orientada com IA. Após a tabulação desses dados, apresentaremos a visualização aqui.

Esses dados vêm de uma pesquisa triangulada. Realizamos uma investigação em profundidade com pessoas usuárias para entender por que a taxa de ativação estava tão baixa. Em seguida, fizemos um teste de usabilidade em nossa aplicação para verificar se o que é declarado e o que é feito realmente coincide ou se são ações diferentes. Também conduzimos uma análise quantitativa para consolidar os dados, vinculá-los entre si e extrair insights (percepções) que nos permitam testar nossas hipóteses relacionadas à curadoria, à criação de metas e às conexões.

Adiantamos um spoiler (revelação antecipada): a parte de etiquetagem não estava adequada. Essa era uma de nossas hipóteses.

Explorando o notebook e derivando insights

Todos esses dados já estão agrupados em um notebook (caderno) LM. Neste notebook (caderno) LM, nós temos várias fontes. Temos, por exemplo, a fonte da prova de usabilidade, na qual estão todas as pessoas participantes relacionadas, como se sentiram, qual foi seu checklist (lista de verificação) de observações e as tarefas que realizaram.

Temos aqui o diagnóstico de usabilidade, fontes e técnicas que utilizamos para a parte quantitativa, e documentos de relatório que elaboramos no próprio notebook (caderno) LM, como a triangulação da experiência.

A partir desses dados, que cruzamos e para os quais elaboramos prompts (instruções) dentro do próprio notebook (caderno) LM, pudemos exportar os resultados e identificar quais são as convergências que temos; qual é a sobrecarga e a fadiga nas transações necessárias para conectar o banco atual ao banco que a pessoa usuária já utiliza; e as divergências em outros pontos da jornada, isto é, o que a pessoa usuária diz e o que faz, entre outros aspectos.

Todos esses dados já estão mapeados para uso. Este notebook (caderno) LM também está em outro curso, mas podemos deixar o link (hiperlink) da versão final caso você não o tenha realizado. Assim, você pode navegar por ele, ler mais e, sobretudo, fazer aqui as principais perguntas ao notebook (caderno), pois esse é um dos grandes diferenciais da IA: é possível obter sempre um histórico do que foi investigado, por que foi investigado, o objetivo e demais informações.

Aqui, inclusive, é interessante: a primeira pergunta é “Quais são as principais barreiras de UX (experiência de usuário) em Open Finance (Sistema Financeiro Aberto)?”. Essa é uma ótima pergunta para a nossa introdução de pesquisa.

Planejando a apresentação e mapeando a audiência

Voltando ao nosso quadro, precisamos entender agora como apresentar todo esse volume de pesquisa às pessoas envolvidas. Por quê? Uma coisa é criar um dashboard (painel) de apresentação; outra é criar um dashboard (painel) de apresentação com propósito e direcionado às pessoas que realmente precisam consumir essas informações. Temos aqui dados distintos, de diferentes fontes e de qualidades distintas, e precisamos direcioná-los adequadamente.

Esse será o tema do nosso próximo vídeo, que é o mapeamento da audiência. Vamos deixar esse assunto para o próximo vídeo para explicar melhor por que precisamos escolher as pessoas para as quais vamos apresentar e não sair criando dashboards (painéis) do zero, do nada, pedindo para a IA criar o melhor dashboard (painel) possível.

Agora que já adiantamos esse ponto — um pequeno spoiler (antecipação) —, vamos ao próximo vídeo para entender como fazemos essa segmentação de pessoas usuárias. Vamos!

Entendendo o contexto - Mapeando a audiência

Definindo a audiência da visualização

Apresentamos todo o nosso caso, mostramos por que estamos fazendo uma visualização de dados e quais são esses dados. Ao final, surgiu a pergunta sobre como apresentamos esses dados. Porém, antes disso — que é o problema oficial do curso — precisamos fazer outra pergunta: quem é a audiência que vai consumir esses dados?

Não adianta sairmos falando sobre os dados para que todas as pessoas escutem se não alcançarmos o público correto. Esse é o ponto número um ao fazermos uma apresentação, um dashboard (painel) ou qualquer outro conteúdo de visualização.

Apresentando os públicos e diferenciando C-levels

Separamos aqui alguns públicos que costumamos ver no nosso dia a dia quando trabalhamos com produto digital. Primeiro, o público que decide e paga: as pessoas executivas e os(as) C-levels (alta liderança executiva), também conhecidas como stakeholders (partes interessadas) ou pessoas diretoras — aquelas que realmente dizem “queremos o botão desta cor, queremos o produto deste jeito”. Esse público também quer saber sobre a pesquisa; afinal, está financiando a investigação que fizemos e tem interesse em entender por que a taxa de ativação está tão baixa.

Precisamos entender que, se formos à nuvem, a um notebook (caderno de código), a uma LLM (modelo de linguagem grande) ou a qualquer IA e apenas pedirmos para criar esse dashboard (painel), informando que é para um(a) C-level (alta liderança executiva), a ferramenta vai executar. Mas precisamos compreender para qual tipo de C-level apresentaremos, porque há diferenças.

Explorando perguntas de C-levels financeiros

Por exemplo, trouxemos algumas perguntas de C-levels mais relacionadas a áreas com as quais trabalhamos de forma mais próxima em UX (experiência da pessoa usuária). No caso de uma pessoa da direção financeira, mais administrativa e de negócio, as perguntas típicas incluem:

• Qual é o impacto financeiro da queda de ativação? Esse foco no impacto financeiro nos leva diretamente à causa raiz, que virá da pesquisa que realizamos. Precisamos deixar claro: a causa raiz, na verdade, não é o que se pensava sobre o cadastro — não é que o cadastro esteja muito difícil. Se recuarmos, veremos que a causa raiz está na nossa curadoria, que apresenta problemas e está sendo feita totalmente de forma manual.
• Qual ação tem maior potencial de recuperação? Assim que apresentarmos o problema, essa pessoa já vai querer a solução. Não adianta trazermos toda a pesquisa dizendo “foi incrível falar com a pessoa usuária”, “porque a pessoa usuária trouxe todas as motivações e dores”, “porque extraímos 87 experimentos para melhorar o produto”. Essa pessoa não vai querer ouvir isso nesse momento; ela vai querer saber qual é o potencial de recuperação do faturamento.
• Em que prazo? Nesse ponto, precisamos acionar a área de Produto e pedir ajuda para estimar o que podemos fazer para melhorar, em quanto tempo e com quais etapas.

Propondo hipóteses e avaliando riscos

O potencial de recuperação de receita estará ligado às hipóteses de melhoria que tivermos, a partir das oportunidades mapeadas na pesquisa. Portanto, teremos de trazer uma proposta clara: a dor é esta, a hipótese de melhoria é esta e esta é a solução que podemos propor. Essa, possivelmente, é uma pergunta que essa pessoa espera ver respondida.

Existe um risco reputacional que necessite de resposta imediata? Há algo que precisamos fazer agora para que nosso NPS não caia ainda mais, por exemplo, ou até mesmo a taxa de ativação? Dentre as hipóteses que vimos, ou da causa raiz que encontramos, com o que mais precisamos nos preocupar? Quais são os problemas prioritários e qual é a matriz de impacto que temos para atender? Isso é importante.

Ajustando a comunicação para liderança e produto

Não vamos apresentar isso de entrada para um ou uma C-level (alta liderança). Antes disso, vamos apresentar ao nosso time de produto e às pessoas próximas que se encarregam da priorização no roadmap (planejamento de produto).

Podemos apresentar tudo isso também à alta liderança, pois é importante que saibam e até façam junto conosco. Porém, precisamos levar outros pontos: quais hipóteses foram validadas e quais evidências temos de cada uma. Para a alta liderança, vamos apresentar a curadoria; para o time de produto, podemos apresentar todas as hipóteses que temos.

Para a alta liderança, diremos: esta é a mais crítica; esta está impactando diretamente a métrica. Para o time de produto, podemos apresentar, por exemplo, as sete hipóteses que temos e dizer: time de produto, observem o tamanho do erro aqui; precisamos atuar nisso; se não for neste trimestre, vamos considerar colocar no backlog (lista de pendências). Para produto, também vamos levar o esforço técnico e o impacto de cada item. Se já tivermos algo que represente esforço técnico do time de Design (design), sobretudo nós, enquanto liderança, vamos apresentar isso. Se ainda não tivermos, mas houver esforço técnico para redesenhar uma tela, vamos sinalizar isso também. Se dissermos: o problema está em Design (design), essa tela está totalmente desbalanceada, precisamos mostrar esse impacto.

Abordando segmentos e mapeando a jornada para Design

Outra pergunta: existe algum segmento de pessoas usuárias sendo negligenciado no roadmap (planejamento de produto)? Lembramos das personas, dos perfis que queremos atender? É importante levar isso para o time de produto.

Se não for o time de produto que vai apresentar e decidirmos apresentar ao nosso time de Design (design), porque a pesquisa que fizemos não é tão estratégica — é mais de manutenção, uma pesquisa de oportunidade —, então podemos mostrar quais são os pontos da jornada. Podemos construir um mapa da jornada e, no dashboard (painel), mostrar esse mapa segundo as fricções e as oportunidades em cada etapa. Podemos explicar como a pessoa usuária se sente e mostrar as contradições entre sucesso técnico e sucesso percebido. Sucesso técnico é aquela situação de “perfeito! conseguiu completar a tarefa”, como adicionar ali uma meta; já o sucesso percebido pela pessoa usuária é realizar isso de forma automática, e não manualmente. Assim, podemos indicar quais momentos precisam de redesenho para reduzir o esforço cognitivo. Observamos, por exemplo, que a pessoa usuária demora muito, reclama bastante ou tem muita dificuldade para manipular todos os itens em uma lista a fim de encontrar suas metas. Não há aí uma oportunidade de melhoria para reduzir a fricção e o tempo despendido nessa jornada?

Encerrando com próximos passos e reforçando a prática

Para Design (design), podemos, claro, falar de estratégia; priorização talvez não seja o foco. Outras pessoas designers vão querer se aprofundar muito mais no “como” fizemos, na pessoa usuária e no sentimento dessa pessoa do que a alta liderança. Por isso, precisamos conhecer nossa pessoa cliente, especialmente quem vai ver nosso dashboard (painel).

Vamos ao nosso próximo vídeo para definir qual visualização teremos para cada uma das audiências mencionadas. Vamos falar mais sobre isso. Sabemos que há expectativa para criar dashboards (painéis), mas, sem a base, não é possível construir um bom dashboard (painel). Tenha paciência, fique conosco, anote tudo e faça os exercícios. Não se esqueça de praticar. Vamos ao próximo vídeo.

Sobre o curso Dashboards e apresentações: comunicar insights com IA e pesquisa UX

O curso Dashboards e apresentações: comunicar insights com IA e pesquisa UX possui 126 minutos de vídeos, em um total de 41 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:

• Entendendo o contexto
• Construindo visualizações com IA
• Apresentação para stakeholders
• Dashboards de visualização de dados
• Comunicando os resultados