نحوه به کارگیری تفکر طراحی در علم داده

تفکر طراحی برای توسعه ابزارهای کسب و کار مبتنی بر داده که فراتر از انتظارات کاربر نهایی است، حیاتی است. در اینجا نحوه اعمال پنج مرحله تفکر طراحی در پروژه های علم داده خود آورده شده است.

نقش دانشمندان داده در سازمان شما چیست؟ آیا آنها مولدهای گزارش، جوکی های پرس و جو پایگاه داده، توسعه دهندگان مدل یادگیری ماشینی یا آزمایش کنندگان هوش مصنوعی مولد هستند؟ آیا آنها دانشمندان داده شهروندی و تحلیلگران داده هستند که وظیفه توسعه تجسم داده ها، ارزیابی مجموعه داده های جدید، یا بهبود کیفیت داده برای بخش های تجاری را دارند؟

سازمان هایی که به دنبال بیشتر شدن داده محور هستند اغلب شروع می شوند با ذهنیت خدماتی که در آن کارمندان دارای مهارت های داده وظیفه دارند گزارش ها، داشبوردها، مدل های یادگیری ماشینی و سایر قابل تحویل های تحلیلی را توسعه دهند. برخی نیز دارای مسئولیت‌های یکپارچه‌سازی، سرپرستی و مدیریت داده‌ها، از جمله تجزیه و تحلیل منابع داده جدید، بهبود کیفیت داده‌ها، یا بهبود کاتالوگ داده‌ها خواهند بود.

پیشگامان دیجیتال که به دنبال پیشرفت داده های سازمان خود هستند شیوه‌های مبتنی بر داده‌ها فراتر از مدل ارائه خدمات داده خواهند بود و به دنبال توسعه و پشتیبانی از داده‌ها و تحلیل‌ها به عنوان محصولات هستند. این پیشگامان به‌جای ساختن بسیاری از ابزارهای داده‌ای یکباره بر اساس درخواست‌های مردم، مزایایی را در صورت تعریف و توسعه محصولات داده‌ای عملی و افزایش آن‌ها بر اساس نیازهای کاربر نهایی، اهداف استراتژیک و نتایج کسب‌وکار هدف‌مند مشاهده می‌کنند.

یکی از راه‌های تبدیل از یک سرویس به یک طرز فکر و مدل تحویل محصول، ایجاد طراحی شیوه های تفکر. این شیوه ها با درک نیازهای کاربران نهایی شروع می شود. آنها یک رویکرد تکراری و آزمایش محور برای اعتبار سنجی مفروضات و بهبود تجربیات کاربر دارند. رهبران می‌توانند تفکر طراحی را در چابک و اسکرام بگنجانند، و این یک تمرین اساسی برای توسعه تجربیات مشتری در سطح جهانی.

پنج مرحله تفکر طراحیانسان- رویکرد مرکزی فراتر می رود.

این مقاله به نحوه استفاده از تفکر طراحی برای طراحی تجربیاتی می‌پردازد که از بخش‌های مختلف در استفاده از محصولات داده برای تصمیم‌گیری پشتیبانی می‌کنند. برای سادگی، تیمی از علم داده را در نظر خواهیم گرفت که برای ساخت محصول جدیدی آماده می شوند که به سازمان کمک می کند سودآوری مشتری را درک کند.

پنج مرحله تفکر طراحی

1. با کاربران نهایی همدلی کنید
2. چشم انداز پشت هر محصول داده را تعریف کنید
3. برای شناسایی الزامات غیرعملکردی فکر کنید
4. برای بهبود تجربیات و گرفتن بازخورد کاربر نهایی تکرار کنید
5. آزمایش کنید تا ببینید تجزیه و تحلیل‌ها کجا تأثیرات تجاری را هدایت می‌کنند

۱. با کاربران نهایی همدلی کنید

حتی دسته‌بندی ساده‌ای مانند سودآوری مشتری، طیف گسترده‌ای از نیازها، سؤالات و فرصت‌های ذینفعان را برای استفاده از داده‌ها برای نتایج عملی به همراه دارد. دانیل فالمن، بنیانگذار و مدیر عامل Mindbreeze.

امور مالی، بازاریابی، خدمات مشتری، توسعه محصول و سایر بخش‌ها احتمالاً سؤالات، فرصت‌ها و نقاط دردسر متفاوتی دارند، وقتی که تعیین سودآوری مشتری یا بخش دشوار باشد. برای مثال، بازاریابی ممکن است بخواهد استراتژی‌های کمپین را به سمت بخش‌های سودآورتر مشتری تغییر دهد، در حالی که خدمات مشتری ممکن است مشوق‌ها و افزایش فروش را به مشتریان سودآورتر ارائه دهد.

یک راه کلیدی برای همدلی دانشمندان داده با کاربران نهایی، مشاهده وضعیت فعلی نحوه استفاده مردم از داده ها و تصمیم گیری است. به عنوان مثال، نماینده خدمات مشتری ممکن است مجبور باشد چندین سیستم را برای درک اندازه و سودآوری مشتری، از دست دادن دقایق ارزشمند در پاسخگویی به مشتریان و احتمالاً مرتکب اشتباه در هنگام ایجاد بینش در پرواز، بررسی کند. ممکن است بازاریاب هنگام بهینه‌سازی کمپین‌ها به اطلاعات قدیمی نگاه می‌کند که در نتیجه فرصت‌های از دست رفته و هزینه‌های تبلیغاتی بالاتری ایجاد می‌کند.

فالمن پیشنهاد می‌کند، “دانشمندان داده باید هنگام ساخت داشبوردهایی با نماهای ۳۶۰ درجه از اطلاعات، با رویکرد کاربر محور شروع کنند.” در مثال ما، درک بخش‌های مختلف ذینفعان و تأثیرات کسب‌وکار از نحوه انجام کارها امروز اولین قدم کلیدی است.

۲. چشم انداز پشت هر محصول داده را تعریف کنید

مشاهده کاربران نهایی و شناخت نیازهای مختلف ذینفعان یک فرآیند یادگیری است. دانشمندان داده ممکن است تمایل داشته باشند که مستقیماً در حل مسئله و نمونه‌سازی اولیه غوطه ور شوند، اما اصول تفکر طراحی قبل از پرداختن به هر کار عملی نیاز به مرحله تعریف مسئله دارد.

متیو هالووی، رئیس جهانی طراحی در SnapLogic.

برای ایجاد «راه‌حل‌های بهتر»، تیم‌های علم داده باید با ذینفعان همکاری کنند تا یک رابطه

در مثال ما، فرض کنید بیانیه چشم انداز خدمات مشتری بر پاسخ دادن به سؤالات مربوط به یک مشتری واحد و ارزیابی سودآوری آنها در برابر سایر مشتریان در بخش آنها تمرکز دارد. بازاریابی دیدگاه متفاوتی دارد و به دنبال دیدگاهی از بالا به پایین از روند سودآوری در بخش‌های پیشرو مشتریان برای بهینه‌سازی کمپین‌هایشان است. در این مورد، سازمان اولویت بندی چشم انداز خدمات مشتری از پایین به بالا را انتخاب می کند، که به آنها اجازه می دهد تا ببینند دسترسی به اطلاعات بهتر در کجا باعث بهبود رضایت مشتری و افزایش درآمد می شود.

۳. برای شناسایی الزامات غیرعملکردی فکر کنید

تفکر طراحی یک مرحله ایده‌آل را ایجاد می‌کند، که فرصتی برای است. تیم‌های علم داده چابک روی راه‌حل‌هایی کار می‌کنند تا درباره رویکردها و مبادلات آنها بحث و گفتگو کنند.

برخی از سؤالاتی که تیم‌های علم داده باید در مرحله ایده‌پردازی در نظر بگیرند شامل بررسی فناوری، انطباق و سایر الزامات غیر کاربردی است. در اینجا چند نمونه آورده شده است:

• آیا نیازهای مشترک ذینفعان و کاربر نهایی وجود دارد که تیم بتواند راه‌حل‌ها را بهینه کند و در چه مواردی باید اهداف خاص شخص یا بخش را در نظر گرفت؟
• آیا سازمان مجموعه داده های مورد نیاز را دارد یا برای بهبود ارائه محصول به داده های جدیدی نیاز است؟
• چه مسائل مربوط به کیفیت داده باید به عنوان بخشی از راه حل مورد بررسی قرار گیرد؟
• مدل های داده اساسی و معماری پایگاه داده چیست؟ آیا بدهی فنی وجود دارد که نیاز به رسیدگی داشته باشد، یا برای برآورده کردن مقیاس‌پذیری، عملکرد یا سایر الزامات عملیاتی به یک معماری داده بهبودیافته نیاز است؟
• امنیت داده ها، حریم خصوصی و سایر عوامل انطباق را تیم باید در هنگام توسعه راه حل ها در نظر بگیرد؟

هدف درک تصویر بزرگ از آنچه محصول داده ممکن است به آن نیاز داشته باشد، است، سپس تخته سنگ بزرگ را به قطعاتی به اندازه اسپرینت تقسیم می کند تا تیم کار را در کل معماری راه حل بهینه کند.

۴. برای بهبود تجربیات و گرفتن بازخورد کاربر نهایی

تکرار کنید

هنگام کار با داده، یک تصویر ممکن است ارزش هزار کلمه را داشته باشد، اما یک داشبورد کاربردی ارزش بسیار بیشتری دارد. یک تیم علم داده چابک باید بهبودهای Back-end را اجرا کند در معماری داده‌ها، کیفیت داده‌ها را بهبود می‌بخشد و مجموعه‌های داده را در هر سرعتی ارزیابی می‌کند، اما هدف باید ارائه یک ابزار کار به کاربران نهایی در اسرع وقت باشد. تیم‌های علم داده چابک به بازخورد اولیه نیاز دارند، حتی اگر همه قابلیت‌ها و بهبود داده‌ها در حال انجام باشد.

کریشن ونکاتا، مدیر ارشد مشتری LatentView Analytics. «هنگام ایجاد داشبورد، اتخاذ یک رویکرد تکراری، تعامل مداوم با کاربران نهایی، جمع‌آوری بازخورد آنها و ایجاد بهبود ضروری است. این فرآیند تکراری برای ایجاد داشبوردی که بینش‌های ارزشمندی را ارائه می‌دهد، اقدام را تسهیل می‌کند و تأثیر معناداری دارد، بسیار مهم است.”

استیون دوو، مدیر داده‌ها و تجزیه و تحلیل در SPR، اضافه می‌کند، “هنگام ساخت داشبورد، دانشمندان داده باید تمرکز کنند. در مورد سؤالات با ارزشی که سعی در پاسخ به آنها دارند یا مشکلاتی که سعی در حل آنها برای مخاطبان خود دارند. مردم برای جستجوی اطلاعات به داشبوردها می‌روند، و شما به‌عنوان دانشمند داده، باید داشبوردهای خود را به‌طور منطقی بسازید تا این اطلاعات را به آنها بدهید.”

مراحل دیگر برای تجسم هوشمندتر داده شامل ایجاد استانداردهای طراحی، استفاده از عناصر بصری برای کمک به داستان‌گویی، و بهبود کیفیت داده‌ها به صورت تکراری است.

اما بسیار مهم است که دوباره با کاربران نهایی ارتباط برقرار کنید و مطمئن شوید که ابزارها به پاسخگویی به سؤالات و اتصال به جریان‌های کاری عملی کمک می‌کنند. دیوو می‌گوید: «بسیار اوقات، دانشمندان داده را می‌بینم که سعی می‌کنند روی داشبوردهایی بسازند تا به همه سؤالات احتمالی پاسخ دهند، و داشبورد آنها پیچیده می‌شود و حس جهت را از دست می‌دهد.

در مثال ما، تلاش برای برآوردن نیازهای خدمات مشتری و بازاریابی در یک داشبورد، احتمالاً پیچیدگی‌های طراحی و عملکردی را معرفی می‌کند و در نهایت یک ابزار تحلیلی ارائه می‌دهد که استفاده از آن سخت است.

۵. آزمایش کنید تا ببینید تجزیه و تحلیل کجا تأثیرات تجاری را هدایت می کند

در حالی که تیم‌های چابک باید به‌طور مکرر داده‌ها، مدل‌ها و تجسم‌سازی‌ها را بهبود بخشند، یک هدف کلیدی باید عرضه محصولات داده و نسخه‌های جدید به طور مکرر در تولید باشد. پس از تولید، تیم‌های علم داده، کاربران نهایی و ذینفعان باید آزمایش کنند و ببینند که تجزیه و تحلیل‌ها چگونه تأثیرات تجاری را برمی‌انگیزد و در کجا به بهبود نیاز است.

مثل اکثر محصولات دیجیتال و فناوری، یک محصول داده یک پروژه یکباره نیست. تکرارها به بهبود تجربیات کمک می‌کنند، اما آزمایش‌ها – از جمله آزمایش‌های آزمایشی، بتا، و سایر استراتژی‌های انتشار– در مواردی که برای تحقق چشم‌انداز هدف نیاز به سرمایه‌گذاری بیشتری است، تأیید می‌کند.

تبدیل شدن به یک سازمان مبتنی بر داده برای بسیاری از شرکت‌ها یک هدف حیاتی است، اما فرصت تغییر قابل توجهی برای شرکت‌ها وجود دارد تا از تفکر طراحی برای بهبود محصولات داده به طور مکرر استفاده کنند.