<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Design de Produto &amp; Research on Medium]]></title>
        <description><![CDATA[Stories by Design de Produto &amp; Research on Medium]]></description>
        <link>https://medium.com/@design_67855?source=rss-88a77ad5fb95------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*IofZ0I8vdhG18Q8-k8Umqw.png</url>
            <title>Stories by Design de Produto &amp;amp; Research on Medium</title>
            <link>https://medium.com/@design_67855?source=rss-88a77ad5fb95------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 20:22:26 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@design_67855/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[UX Research: como transformar dados em tomadas de decisão]]></title>
            <link>https://medium.com/@design_67855/ux-research-como-transformar-dados-em-tomadas-de-decis%C3%A3o-2387ab73cd1b?source=rss-88a77ad5fb95------2</link>
            <guid isPermaLink="false">https://medium.com/p/2387ab73cd1b</guid>
            <category><![CDATA[ux-research]]></category>
            <category><![CDATA[ux-strategy]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Design de Produto & Research]]></dc:creator>
            <pubDate>Tue, 11 Oct 2022 18:36:24 GMT</pubDate>
            <atom:updated>2022-10-11T18:36:24.808Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/690/1*VNBczmh4TbLGDr1OwKRuNA.gif" /></figure><p>Por muito tempo, fui <strong>designer de experiência para produtos de Data Science</strong>. Na época, tive que estudar muito sobre princípios de design para dashboard, Dataviz etc. Foram anos de intenso aprendizado, que me deram recursos para atuar em vários outros segmentos.</p><p>Em <em>UX Research</em>, mais do que apenas entrevistar usuários e conduzir pesquisas, o processo também demanda uma extensa análise dos dados coletados, para enfim transformá-los em <strong>informações de valor</strong> <strong>para a tomada de decisão</strong>. Em meio à essa jornada, dois aprendizados em específico foram muito importantes para o meu método atual. E é sobre eles que eu quero falar hoje.</p><h3><strong>Os dados contam uma história que poucos conseguem ler</strong></h3><blockquote>Era uma vez, um time de research que resolveu investigar um problema. <br>E, ao olhar para o abismo do problema, encontrou um poço tão grande de <br>informações que quase foi engolido por ele.</blockquote><p>É comum, ao entrar em uma empresa, nos deparar com uma série de dashboards, gráficos e dados… e levar bastante tempo correndo atrás de pessoas para, de fato, <strong>conseguir decodificar o que esse material tem a dizer</strong>.</p><p>Afinal, todo gráfico é construído sobre um contexto, um recorte, um cálculo… e se mescla a outros construindo uma história. Mas, quem da empresa consegue entender e contar toda essa história?</p><p>É aí que entra o<strong> contador de histórias. </strong>E<strong> </strong>uma das tarefas mais importantes de um pesquisador ou cientista de dados, é <strong>ser capaz de comunicar aquilo que os dados têm a dizer.</strong></p><p>Sem isso, aqueles dados estão apenas expostos, à espera de alguém que os tire desse grande <strong>vazio existencial</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*LUhqkB881zznKrDN2Opsng.gif" /></figure><p>E, se você faz isso através de um dashboard, <strong>comece lembrando que ele precisa contar uma história</strong>. Comece criando gráficos que sigam uma linha de raciocínio e utilize nomes, descrições e legendas que sejam claras para pessoas não técnicas.</p><p>Para ficar melhor ainda, você pode desconstruir a ideia de que está criando um dashboard e se aproximar do objetivo de se comunicar através de um infográfico. Aliás, quem faz isso muito bem é o <em>Spotify</em>…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*JgTg_5-ye6bdcxAmN9Rb4g.png" /><figcaption>O Spotify usa os dados estatísticos dos próprios usuários para contar uma história sobre eles mesmos.</figcaption></figure><p>As retrospectivas do <em>Spotify</em> são um ótimo exemplo de como construir uma história com dados. Uma história tão encantadora que é imensamente compartilhada nas redes durante a campanha.</p><p>Mas ok, <strong>tornar os dados claros e consumíveis seria o “must-have” de uma boa experiência com dados. </strong>Seria o arroz com feijão, a base, o ‘<em>elementar meu caro Watson’</em>.</p><p>Seu público pode ler, entender, e ainda pensar: <br>“<strong><em>Ok, o que eu preciso fazer em relação à isso?</em>”</strong></p><h3><strong>Dados que geram insights</strong></h3><p>E se, além de contar a história, você já <strong>propor recomendações</strong> acima dos pontos observados, <strong>ajudando os stakeholders a pensarem em possíveis ações</strong> que podem ser tomadas em cima do que foi observado?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*XEqoLrJQBn_FRcY7TDR_RQ.gif" /></figure><p>Aqui na <a href="https://www.minu.co/"><strong><em>Minu</em></strong></a>, buscamos sempre muita objetividade quando falamos de problemas, oportunidades e soluções no âmbito de research. E, nas nossas análises, temos muitos dados e possíveis inferências. Mas isso acaba sendo um problema se não dermos um direcionamento claro pra esses achados.</p><p>Nesse sentido, <strong>buscamos um formato que, além dos achados e hipóteses, a gente já passe recomendações em cima de cada ponto observado</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jrHMVlpAnP2vj58xGmusrA.jpeg" /><figcaption>Além de trazer os dados e as hipóteses, você já pode gerar recomendações para cada problema observado.</figcaption></figure><p><strong>Essas recomendações não são absolutas</strong>, ou seja, não são decisões tomadas. São <strong>pontos de partida para gerar brainstorm</strong> nas equipes que atuam dentro do <em>Problem Solution</em>, enquanto mergulhamos em profundidade no <em>Problem Space</em>. O que importa é não sairmos de mãos vazias desse grande mergulho, conseguindo exercitar na prática o que poderia ser um possível plano de ação.</p><p>Para quem trabalha com ciência de dados, isso também pode ser um grande diferencial do seu produto, dashboard ou iniciativa. As pessoas estão acostumadas a olhar um painel, receber alertas, notificações etc… mas, muitas vezes, não tem uma clareza do que fazer sobre o ponto observado. <strong>Dar uma recomendação de ação a elas pode fazer toda a diferença na experiência de consumir este serviço</strong>.</p><blockquote>“Encontrar respostas é satisfação temporária. O bom mesmo é a investigação que nos mobiliza.”</blockquote><blockquote>Fabio de Melo</blockquote><p>E você, já passou por desafios na compilação do seu research? Se sim, deixa seu feedback! ;)</p><p><strong><em>Artigo escrito por: <br></em></strong><a href="https://brunasod.medium.com/"><em>Bruna Sodré - UX Specialist</em></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2387ab73cd1b" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>