Transformando Dados em Aprendizados — Parte 2

Transformando dados em informação

Published in

the product discovery

5 min readJun 23, 2020

Sobre a série

Este artigo é a segunda parte de uma série de 4 artigos em que falaremos, em algumas pílulas de conhecimento, um pouco sobre como um dado bruto de uma pesquisa pode se tornar um aprendizado compartilhável e aplicável na construção de produtos.

Parte 1 — Coletando os dados

Parte 2 — Transformando dados em informação (esta aqui que você está lendo)

Parte 3 — Transformando informação em conhecimento

Parte 4 — Compartilhando os aprendizados

Boa leitura 😉

“… Dados tornam-se informações, informações tornam-se conhecimento, conhecimentos tornam-se sabedoria …” — Neil deGrasse Tyson

Transformando dados em informação

Na Parte 1 desta série falamos um pouco sobre como devemos tratar um dado resultante de uma pesquisa e um pouquinho também sobre a forma de organizá-los. Agora nesta segunda parte falaremos sobre como um dado bruto pode ser lapidado até virar uma informação aplicável e comunicável.

Um dado sozinho não é capaz de gerar algum aprendizado real e confiável. Para isso é necessário um conjunto de dados para que seja possível extrair uma informação e afirmar algo com alguma certeza.

Os dados provenientes da pesquisa precisam estar atrelados a um contexto, uma evidência e a uma classificação. Ainda falando sobre o Atomic Research, isso é conhecido como as Tags que podem ser orientadas a diversos assuntos:

Procedência:

Data e hora
Fonte
Metodologia de pesquisa
Evidência

Demográficas:

Idade
Localidade
Profissão

Experiência:

Impacto
Frequência
Sentimentos

Negócio:

Faixa de receita
Unidade de negócio
Linha do produto

Design de serviço:

Jornada correspondente
Etapa da jornada
Persona/Perfil

Estes são alguns exemplos de classificações que podemos dar a um dado de pesquisa. Porém, não limite-se apenas a essas citadas, sempre pense sobre o que é mais relevante para o que você está trabalhando e adapte para o seu contexto.

Quando temos esse dados composto por essas evidências e classificações temos uma informação. A partir deste momento conseguimos ter uma comunicação mais clara e embasada em fatos.

Tentar se comunicar e a partir um dado bruto sozinho é como tentar se comunicar com uma pessoa sem utilizar nenhum artigo no meio da frase. Pode ser que entendam, mas vai ser difícil. Seria algo mais ou menos assim:

Tentar comunicar aplicar dado bruto é como tentar se comunicar com pessoa sem utilizar nenhum artigo meio frase.

Quando temos uma informação - um dado composto - organizado e classificado conseguimos iniciar uma análise para identificar padrões, dores do usuário, fricções em processos e novas hipóteses.

No momento que estamos tentando extrair informações de um resultado bruto de uma pesquisa, precisamos ter em mente algumas coisas:

1. Objetivo da pesquisa como guia

Para ter um trabalho focado, precisamos ter muito claro e revisitar a todo momento qual o objetivo da pesquisa, assim é possível realizar uma análise de dados mais direcionada fazendo com que não gastemos tempo com dados que são irrelevantes para a construção do produto para aquele momento. Porém, a documentação correta dos dados é importante e nenhum dado deve desperdiçado, pois apesar do dado não ser relevante para você naquele momento, pode ser que um dia você precise dele.

2. Quem são os meus stakeholders

Na rotina de trabalho de construção de produtos temos que lidar com diversos stakeholders, e para cada um temos uma abordagem diferente para falar e levar a informação, de preferência na lingua deles. Junto com o objetivo da pesquisa tenha claro quem são as pessoas e times que terão contato e serão impactadas pela pesquisa. Uma forma de uma visão disso de forma organizada é fazer um mapa de stakeholders:

Nessa matriz você pode classificar seus stakeholder em 4 quadrantes:

Alto poder de decisão e alto interesse (Manage Closely)
Alto poder de decisão e baixo interesse (Keep Satisfied)
Baixo poder de decisão e alto interesse (Keep Informed)
Baixo poder de decisão e baixo interesse (Monitor)

Sabendo em qual quadrante cada um se encaixa, temos de antemão qual tipo de informação deve ser extraída doa dados brutos. Se a nossa pesquisa tem o foco de alimentar o discovery do próprio time de produto, as informações devem ser extraídas com um certo viés de mitigação dos 4 riscos de produto:

Valor — O usuário escolherá usar ou comprar o produto?
Usabilidade — O usuário conseguirá utilizar o produto?
Viabilidade técnica — É possível construir o produto?
Viabilidade de negócio — O produto trará retorno para o negócio?

Agora se, por exemplo, temos que apresentar os resultados para um executivo, a informação deve ser de outra forma. Talvez mostrar no detalhe não seja uma boa (mas sempre tenha na manga tudo), mas sim o resultado da pesquisa com a possíveis iterações, novas features e conceitos já aplicadas ao produto com detalhes mais voltados para mostrar benefícios, esforço de construção e próximos passos.

3. Cuidado para não complicar demais

Conforme vamos ganhando experiência e confiança em algum processo é natural que comecemos a acrescentar atividades, ferramentas e métodos novos, porém temos que ter um certo cuidado em não complicar demais as coisas. O processo de análise precisa ser feito de uma maneira inteligente de forma com que não se gaste tempo com o que não precisa. Mas se as coisas começarem a ficar complicadas, tenho duas dicas:

Lembre-se sempre do básico que funciona. Isso pode te ajudar a eliminar rituais e atividades que não agregam ao processo para aquele momento ou que acabaram perdendo um certo sentido.
Leia os tópicos 1 e 2.

“While it may be tempting to dive headfirst into the data and try to share it all, you need to remember to work smarter, not harder. Focus your analysis and efforts so they can be more impactful. People are more likely to engage with and act upon a clear, focused, and thorough analysis than a wandering, disjointed, and muddled one.” — Meghan Wenzel

Takeaways:

Podemos dizer que uma informação é um conjunto de dados que fazem sentido formando um contexto para a informação que desejamos passar. Com uma informação mais estruturada e o cruzamento com outros dados conseguimos identificar padrões e indícios que podem nos trazer alguma resposta.

Exemplo:

Lembre-se de ser organizado, mas cuidado para não complicar demais as coisas.
Saiba bem com quem você terá que levar os resultados da pesquisa, assim conseguirá direcionar a informação da melhor maneira.