Ya hiciste tu investigación, tienes horas de audios de tus usuarios contándote sus opiniones y experiencias o tablas kilométricas de excel con datos de Analytics o lo que hayas investigado ¿Y ahora? Hacer análisis de información es desarrollar la habilidad de crear narrativas y estructuras a partir de data que, a primera vista, no hace sentido por si misma. En este programa vamos a revisar distintas herramientas y algunos pasos que te servirán en tu misión de hacer sentido de esta confusa, muy confusa realidad.
Contexto
Nuestra historia comienza dentro del Proceso de Diseño.
Diseño, como vimos en el Solcast 19, es un proceso para encontrar soluciones a un problema y el proceso se divide en dos espacios distintivos con un objetivo en particular: El espacio del problema, en dónde tratamos de entender el problema de la manera más clara y definida posible; y el espacio de la solución en donde exploramos múltiples caminos de atender el problema, hasta que encontramos el más conveniente.
En el Solcast 28 hablamos de investigación de usuarios. De eso que hacemos cuando queremos generar información para nuestro espacio del problema, o evaluar hipótesis para nuestro espacio de la solución.
En los Solcast 32, 33, 34, 35 y 36 entramos a detalle en múltiples métodos de investigación: Benchmarks, Entrevistas, Encuestas y Pruebas de usabilidad. Para cada uno les dije una receta, cuándo se aplica y los mejores casos para los que sirven.
Pero además del detalle de estos 4 programas, en el Solcast 24 lees compartí una docena de herramientas (o métodos), aplicables al espacio del problema o al espacio de la solución.
Definitivamente el programa de hoy les va a ser más útil si traen las bases de esos otros programas, y sé que si no los han visto pueden sentirse como mucha información, pero lo que pasa es que las herramientas que vamos a ver hoy dependen de ser aplicadas en el contexto correcto.
Nuestros métodos son nuestras herramientas de trabajo, son nuestra paleta de colores con las que podemos seguir con nuestro proceso por medio de aplicar una metodología, Design Thinking, Lean, Doble Diamante, Human Centered Design, o el sabor del proceso que apliquen en tu equipo o que te hayan enseñado.
Me he enfocado mucho en métodos de investigación, porque es lo que más hace falta en los equipos de producto hoy en día, pero muchos de ustedes me han escrito platicándome que ya hacen investigación pero se quedaron atorados en el siguiente paso. Entonces hoy vamos a hablar de métodos para hacer sentido de esa investigación tanto en el espacio del problema como en el espacio de la solución. ¿Listos?
Pues este es el contexto en el que vamos a estar trabajando el día de hoy.
Definición
Análisis es el proceso de convertir datos en información.
Hacemos investigación para extraer datos. Qué tan correctamente apliquemos el método de investigación nos ayuda a asegurarnos de que esos datos sean más fáciles de analizar, pero toda investigación termina arrojándonos datos.
Data son hechos aislados, o mediciones individuales.
185.6 cm, 181 cm 183.9 cm, 182 cm, , 183.8 cm., 181.2 cm, 182.9 cm, 181.3 cm, 181.5 cm, 181.2 cm, son datos, no significan nada, no tenemos ningún contexto
Es más, puedo darles la pista de que son respuestas a la pregunta “¿Cuánto mides?” pero aún así ¿Qué hacemos con esos números?
Toda investigación va a terminar con este tipo de datos. Si hiciste entrevistas vas a terminar con horas y horas de audios y transcripciones.
Analizar esa data te va a permitir encontrar patrones en esa data. Data que se repite varias veces, que parece estar entrelazada, que también sobresale por encima de otros datos. Estos datos ordenados se convierten en información y suceden cuando organizamos la data, por ejemplo, en orden alfabético, cronológico, si hacemos una categorización y empezamos a agrupar información que parece relacionada, súbitamente esa información nos está diciendo algo.
Usando de ejemplo los números que puse hace rato:
Si los acomodamos de mayor a menor, quedan así:
185.6 cm, 183.9 cm, 183.8 cm. 182.9 cm, 182 cm, 181.5 cm, 181.3 cm, 181.2 cm, 181.2 cm, 181 cm
Y entonces ahora podemos identificar un máximo y un mínimo, y al ser una respuesta a la pregunta “¿Cuánto mides?” sabemos que esos números son estaturas de personas.
Ahora, esos datos puedo combinarlos con otros datos: El país de las personas que contestaron esa pregunta y puedo adjudicarle un país a cada número. Puedo saber que el número más grande pertenece a gente en los Alpes Dináricos en Europa del Este y que el número más pequeño de esa lista pertenece a gente en Islandia
El siguiente nivel es convertir esa información en conocimiento, es alejarnos del número per se y tratar de verlo en contexto de los otros números. Tratar de entender la historia que estos números nos están contando.
Esta es la parte más complicada del proceso, porque nuestra capacidad de crear narrativas con los datos está limitada por nuestra experiencia previa, está limitado por el trabajo de proyección y análisis que puede hacer nuestro lóbulo frontal, que como ustedes ya saben porque vieron el Solcast 15 sobre Sesgos Cognitivos, es bastante limitado y le gusta inventar cosas pero solo a partir de conjeturas, recuerdos y datos incompletos.
Es en este punto dónde se crean las falsas narrativas y las teorías de conspiración, cuando gente comienza a crear narrativas a partir de información incompleta o sin el pensamiento crítico para entender o analizar esa información. Por eso esta es la parte más complicada, porque es cuando empieza a pesar mucho quién está haciendo el análisis, porque nos estamos alejando de los datos, estamos haciendo sentido de ellos, pero solo podemos hacer sentido de esos datos si los convertimos en información primero.
¿La lista de números que he estado usando de ejemplo? Son las 10 estaturas promedio más altas del mundo según Wikipedia. Esto ahora es conocimiento. Ahora puedo comparar estaturas con otras partes del mundo, y hacer sentido de esa información por medio de atribuirle un significado. No son solo 10 números, son números que representan a un máximo promedio global, son números que representan muchas personas, de muchos países, son números que nos permiten comparar.
Alguien que no sabe eso, que no tiene ese contexto, imagina a alguien que piensa que nadie en el mundo puede medir más de 1.60, porque eso es todo lo que conoce. Tal ves esa persona crea que esta lista prueba que existen los gigantes, que tal vez los gigantes que antes medían 10 metros se han achicado (calentamiento global, tal vez) pero esto para el es prueba que existe gente gigante en el mundo. Es decir esa persona carece de discernimiento para construir una narrativa con los datos.
Si se fijan, ahorita el número en cuestión, es irrelevante. Porque ya los estamos viendo en conjunto, estamos extrapolando, estamos agregando una nueva capa de información que no estaba ahí en los números. En ningún lado esos números nos están diciendo “Estas son las medidas promedio más altas”, esa es una atribución que nosotros les estamos poniendo a partir de organizarlos, categorizarlos y asignarles una narrativa.
La siguiente parada es ¿Y de qué nos sirve saber esta información? Tal vez si estoy buscando hacer ropa para gente alta, pues ahora sé cuáles son mis mejores mercados, o tal vez si quiero tener hijos altos (?) ahora sé a dónde ir (?). La sabiduría es la aplicación del conocimiento, que ahora que tenemos ese conocimiento algo podemos hacer diferente, alguna decisión podemos tomar, alguna oportunidad podemos identificar.
Entonces, esto es análisis
Comenzar con datos, terminar con sabiduría, o conocimiento aplicado si quieren una palabra menos mamalona. Y esto lo hacemos a través de un proceso estructurado, porque no podemos hacer una cosa sin la otra. Si intentamos aplicar conocimiento que no tenemos ¿Cuál es la diferencia con adivinar? Yo creo que la gente quiere ranas moradas en su casa, no tengo información, no tengo un análisis que me ayude a respaldar esa creencia que estoy aplicando por medio de una decisión de dedicarme a criar ranas moradas.
Hay muchos problemas que surgen en este proceso, la mayoría de ellos derivados de una simple verdad: el análisis es algo que nuestro cerebro hace de manera automática, pero que hace terriblemente mal.
Nuestro cerebro está diseñado para encontrar patrones, para completar información, porque como vimos a lo largo de todos los programas de neurociencia, el principal enemigo del cerebro es la incertidumbre. La incertidumbre literalmente nos vuelve locos, entonces tenemos estructuras cerebrales específicamente diseñadas para analizar información y generar conocimiento, de manera automática.
Hagamos un ejercicio
Imaginemos que hago 6 tiradas de dados, las primeras 5 tiradas son:
¿Cuál es la sexta? ¿Qué tan seguro estás de tu respuesta?
Si dijiste 6 + 1, eres víctima de la detección de patrones de tu cerebro. Que estemos viendo un patrón en las tiradas es una tremenda e increíble casualidad, pero absolutamente nada dice que la siguiente tirada DEBERÍA ser 6+1. Soy pésimo con números pero entiendo que la probabilidad de que sea exactamente 6 y 1 es 2%
Y es que así es nuestro cerebro, ve datos, los convierte en información y creemos que podemos tomar una decisión con eso, vemos patrones donde hay un fuerte factor aleatorio.
El segundo problema, es lo que les aparece a todos ustedes que están haciendo investigación cualitativa y tienen horas de entrevistas con usuarios. Les pasa lo opuesto, como no pueden ver patrones, porque la información es tan aleatoria, que sienten que no hay información y por lo tanto no pueden generar conocimiento ni sabiduría.
Entonces básicamente, los problemas del análisis son las personas que analizan que, o ven patrones donde no los hay, o ven información tan aleatoria que no pueden identificar patrones. ¿Qué loco, no?
¿Cómo se hace?
El análisis comienza desde la investigación. Al definir el método, objetivos y temáticas, siempre tienes que preguntarte ¿Cómo vamos a analizar esto? ¿Vas a generar 120 horas de audio? ¿Y luego? ¿Cómo lo vas a analizar? Si escoges un método incompatible con el alcance del proyecto vas a tener problemas.
Luego, mientras ejecutas tienes que observar si debes llevar algún orden ¿Vas a documentar en alguna matriz? ¿Vas a recolectar respuestas en alguna herramienta que te ofrece alguna capacidad de análisis? Uno de los artículos en la descripción del video dice “Siempre tienes que estar analizando” y se refiere a la importancia de generar documentación de tu investigación que sirva el propósito de analizarla.
Amigos, el mejor research del mundo no significa nada si no puedes construir algo con eso.
Ahora, te tienes que hacer una pregunta para establecer lo que es posible: ¿Cuánto tiempo tienes para analizar? Obviamente a más tiempo, el análisis va a ser mejor, pero el problema con el análisis es que es algo que puedes iterar y refinar durante mucho tiempo, porque unos mismos datos los puedes ver desde múltiples puntos de vista.
Entonces primero que nada necesitas definir cuánto tiempo tienes para analizar, y luego tratar de establecer cuánto tiempo puedes dedicarle a este proceso. Toma en cuenta que si tu investigación está bien estructurada y con objetivos claros, analizar va a ser mucho más fácil y rápido, porque ya sabrás que estás buscando en los datos.
Por eso cada minuto invertido en planear tu investigación y tu método de manera adecuada, es algo que se paga con creces en en análisis.
Entonces, define el tiempo. Y decides cuantos días u horas tienes para analizar.
Comencemos con nuestros datos, crudos
La primer herramienta es algo que se llama “diagrama de afinidad”.
Lo que haces es crear post its o tarjetas con toda la información que tienes. No importa que ocupe una pared completa.
Si seguiste tu proceso de investigación con la receta que yo te di, vas a poder generar una primera agrupación: por temáticas o criterios de evaluación. Por ejemplo, en algún momento le pediste a los usuarios que describieran cómo hicieron el proceso de contratación, entonces pues puedes agrupar todas esas verbalizaciones y saber que todas hablan, de alguna manera, del proceso de contratación.
Esta tarea es muy tediosa, lo sé, pero si no tienes idea de por dónde comenzar es necesario que lo hagas, porque nuestro cerebro comienza a buscar patrones a partir de lo que tiene enfrente, y para que haga lo que hace de manera natural, necesitas que toda la información quepa dentro de tu campo de visión.
De lo que se trata es de crear agrupaciones alrededor de líneas temáticas que vamos encontrando en el contenido. Recuerden que estamos intentando convertir datos en información y para eso necesitamos contextualizar la información. Tal vez dentro del proceso de contratación vemos que varias verbalizaciones son sobre la sensación de miedo o de desconocimiento, tal vez mencionan competidores específicos o referencias. Tal vez hablan de expectativas.
La idea de agregar contexto es entender lo que dijeron varios usuarios sobre algo. Si varios usuarios expresan algo que nosotros entendemos como miedo, entonces estamos estableciendo el contexto de que el miedo es una sensación que aparece en ese proceso. Pero tal vez un par de usuarios sintieron emoción, entonces estamos descubriendo que hay dos perfiles usuarios ¿Por qué? ¿Qué afecta que sea uno u otro? ¿Qué más podemos indagar en las respuestas de los usuarios que nos den más contexto?
Si de plano no tienes ideas de como categorizar, un mapa de empatía es un ejemplo de diagrama de afinidad que categoriza datos alrededor del tipo de verbalización que identificamos.
Lo engañoso de esta parte es que necesitas que sean los mismos datos los que te lleven a la información, porque no tenemos manera de saber qué hay ahí hasta que lo empezamos a juntar. Nuestra memoria nos puede fallar o nuestros sesgos afectar nuestro criterio.
Si el tiempo es corto, puedes pre-filtrar lo que va a tu diagrama de afinidad. Si trabajas en un equipo con poco tiempo tal vez se pueden juntar y cada uno aterrizar sus notas o sus impresiones. Hay veces donde hay que hacer un debrief a veces horas después de terminar de investigar. ¿Es lo ideal? No, pero es más ideal que una investigación que nunca se termina.
Una vez que tienes tu información categorizada por afinidad, y ojo que puede ser que te tome varias vueltas encontrar una categorización que te convenza, entonces ahora pasaremos a algo que se llama análisis temático.
El análisis temático de lo que se trata es de crear “cápsulas” que hagan sentido de la categorización que acabas de explicar
Tal vez tengo una temática llamada “proceso de compra” y otra llamada “emociones durante el proceso de compra” y otra llamada “experiencias previas al proceso de compra”, entonces tal vez puedo crear un lazo entre esas tres categorías y empezar a tratar de asignarles una narrativa.
Lo importante del análisis temático es que TODAVÍA NO BRINQUES A CONCLUSIONES PARA SOLUCIONARLO sino que lo que quieres es hacer una observación que nos permita entender el por qué de las cosas
Si la gente nos dice que le da miedo un proceso, queremos entender de donde viene ese miedo, y tal vez la información está en otro cluster en dónde nos explican que la terminología les es confusa, o que no se imaginan como es el resultado ideal, o que lo que han escuchado de amigos es que la experiencia es mala.
Esto es lo que se llama temática de análisis: el usuario tiene miedo porque desconoce el resultado final del proceso, y lo único que tiene de información son recomendaciones de amigos y familiares que le generan una anticipación negativa del proceso.
Lo que estamos cosntruyendo aquí es algo que se llama “insight”. Es cuando encontramos algo que los clientes no nos DICEN literalmente, sino que podemos armar una pieza de conocimiento a partir de fragmentos de información de varios usuarios que se correlacionan entre ellos.
Hay fórmulas para redactar insights, pero en grandes razgos es una descripción de algo que pasa (dice, piensa, siente) y luego una descripción de por qué eso pasa. El por qué es lo que hace que la información se convierta en conocimiento.
Estamos tratando de generar conocimiento, no solo describir algo que vimos o que nos dijeron, estamos tratando de entender por qué y asegurarnos de que no nos lo sacamos de la manga, sino que tenemos un claro indicador que sirve como evidencia de eso.
En este punto, el dato original ya está lejos, porque ya pertenece a una categoría que es lo que le da sentido, y esa categoría está conectado con otras categorías para establecer un por qué de ese dato. Estamos construyendo una narrativa
Es super importante entender que el insight no aparece “solo”. Nosotros tenemos que conectar los puntos y redactarlo en nuestras palabras. Tenemos que llenar huecos en blanco que los usuarios no nos dicen explícitamente.
Aquí es donde sale esa terrible práctica de preguntale a la gente por sus necesidades y sus motivadores. Imagínate todo este trabajo que estamos haciendo nosotros para entenderlo y esperar que los usuarios lo hagan por su cuenta, y que ellos piensan y expliquen y te justifiquen por qué hacen lo que hacen. Eso es nuestro trabajo.
Un entregable popular en esta fase es el User Persona:
Que generalmente agrupa varios insights que nos permiten entender a un grupo de individuos por medio de un grupo de insights relacionados, que agregan dimensión a su personalidad y a sus motivaciones.
El último nivel es que ahora necesitamos pensar en las implicaciones de esos insights. Tenemos que transformar el conocimiento en sabiduría, por medio de aplicarlo. Por medio de entender qué significa ese bloque de información para nosotros y cómo podemos accionarlo.
Aquí es dónde ya no estamos buscando datos objetivos, sino que queremos darle significado y dirección a la información. Separamos las cosas graves o que tienen implicaciones serias, o de las que son nuestra responsabilidad o de las que son contextuales.
Aquí tenemos que pensar en lo que se conocen como implicaciones estratégicas.
Hay varias herramientas que puedes aplicar, pero definitivamente depende fuertemente del tipo de narrativa que vas a construir
Un Customer Journey Map es una herramienta de implicaciones estratégicas. Estamos juzgando los puntos más altos y los más bajos, y asignando una criticidad de los puntos de mayor fricción para el usuario.
Una matriz de criticidad también te permite agrupar los distintos insights y ver cuáles representan un peligro o un problema. Lo importante es que tengas un criterio que te permita discernir de los hallazgos relevantes de los que no. Porque a primera vista todo parece importante, y la importancia de hecho es un aspecto subjetivo
Si yo soy de Legal, me van a llamar la atención los insights que tienen que ver con algún marco regulatorio o que me ponen en riesgo ante el usuario o ante la ley. Por eso es que los Diseñadores son terribles en esto, porque siempre priorizan en función de lo que los Diseñadores creen que es importante, para poder hacer bien esta etapa se tiene que hacer de manera colaborativa o con información de para quién es la información.
Es poco común que una persona haga todo el proceso. Si pensamos en un equipo multidisciplinario, un UX Research hace el paso de Data a Información y te presentan la data como va, y luego un Arquitecto o un UX analiza esa data y la convierte en insights y las implicaciones deberían revisarse con roles como Product Owner o gente de negocio
Hace poco tomé un curso de Modelos Mentales con Bibiana Nunez y justamente aprendí que el modelo de Indi Young es una gran herramienta de análisis, porque naturalmente incluye las tres fases:
Presentan las verbalizaciones de los usuarios y las organizas en torres, que nos dan categorías de información. Luego el ver agrupaciones de torres nos ayuda a generar insights que después nos dejan presentar implicaciones estratégicas acotadas a cada torre o grupo de torres. Se me hace interesante y verlo como un componente visual, que además está diseñado para ser usado de manera colaborativa.
¿Para qué sirve?
Hacer análisis nos ayuda a no brincar a conclusiones y a tener un entendimiento de la información que tenemos y la información que nos falta. Nos ayuda a que nuestras ideas tengan un soporte en evidencia y muchas veces los problemas que enfrentamos realmente son porque nos saltamos este paso y porque únicamente dependemos del “instinto” de nuestro cerebro de saltar a conjeturas.
Análisis es una fase necesaria en todo proceso de creación de productos y soluciones, es algo que requiere tiempo y que tenemos que considerar que mientras más tiempo tengamos, mejor vamos a poder analizar.
Ojalá esta receta te sirva y puedas aplicarla.
Gracias por este año de aprendizajes y comentarios, espero que esta serie de programas hayan sido de valor para ustedes y ojalá los inspire a hacer sentido de nuestra confusa realidad.
Notas del programa
A UX review template anyone can use
https://uxplanet.org/a-ux-review-framework-anyone-can-use-4218d4821d6c
How to Analyze Qualitative Data from UX Research: Thematic Analysis
https://www.nngroup.com/articles/thematic-analysis/
RESEARCH DELIVERABLES: CHAPTER #1 Research Analysis
https://www.userinterviews.com/ux-research-field-guide-chapter/research-analysis
A Guide to User Research Analysis
UX analysis: best methods and key tools
https://www.hotjar.com/ux-design/analysis/
Mejorando el Flujo de Usuario – Una Guía Para el Análisis UX
https://www.toptal.com/designers/ux/mejorando-el-flujo-de-usuario-una-guia-para-el-analisis-ux
The Complete User Analysis Guide: Personas to Design to Analytics
https://amplitude.com/user-analysis
5 user-driven website analysis methods
https://www.hotjar.com/website-analysis/user-analysis/
How to analyze user interviews?
https://uxplanet.org/how-to-analyze-user-interviews-250fddb1e8d7
