A la hora de visualizar datos, no tiene éxito

A las 4:26 de la mañana del pasado mes de diciembre, llegó a nuestras bandejas de entrada un correo electrónico de nuestro COO. «Literalmente no puedo dormir, pensando en [su presentación de datos]…» Como científico de datos, si sus datos hacen que sus compañeros de trabajo pierdan el sueño, ha hecho su trabajo, quizás demasiado bien. El resto del correo electrónico describía nuevas estrategias para la adquisición y participación de los miembros que ahorrarían a nuestra organización más de 200 000 dólares. ¿La inspiración? Un mapa. Era una descripción sencilla de los EE. UU., que mostraba la participación de los miembros por ciudad, pero también insinuaba el potencial de segmentar a nuestros usuarios para ofrecerles el contenido correcto en el momento adecuado.

Nuestros datos no siempre han incitado a tomar medidas. Ha habido muchas veces en las que ha llegado a la sala de montaje, incluso si los conocimientos fueran técnicamente valiosos (nos ahorrarían dinero o ganarían miembros). Pero los datos solo son valiosos si las personas están dispuestas a actuar en consecuencia. Lo que significa que, como analista de datos, tiene que venderlo.

Las visualizaciones de datos no son arte, son anuncios.

Las presentaciones de datos a menudo parecen mirar escaparates: los datos tienen un aspecto bonito, pero los compañeros de trabajo no compran. Esto es especialmente cierto cuando la gente se siente como si estuviera en una galería de arte viendo hermosos cuadros en lugar de en una reunión discutiendo problemas de negocios. ¿Cómo hace que sus datos sean atractivos desde el punto de vista visual, pero también lo suficientemente atractivos como para que sus colegas estén dispuestos a dedicar sus recursos a actuar en consecuencia?

El mundo del diseño de productos apunta a dos enfoques diferentes. La primera es el enfoque «predictivo» de caja negra: cree una visualización grande y sofisticada en privado, muéstrela al mundo en su presentación y asuma que tendrá éxito. Esto rara vez funciona. Los científicos de datos no suelen ser artistas o diseñadores de formación que sepan exactamente lo que quiere su público. La segunda táctica, que tiene más éxito, es un enfoque «ágil», similar a como los restaurantes utilizan las cocinas de prueba: Cree variaciones sobre un tema y compruebe qué se mantiene. Esto significa preparar y probar diez platos diferentes de vieiras y reconocer que, en el mejor de los casos, uno llegará al menú.

Seguir con su primera mejor idea es una receta de éxito de alto riesgo y baja probabilidad. La salsa puede estar mal, el tamaño de la ración puede ser inferior o la coloración puede resultar poco apetecible. Puede que a los comensales les encanten las vieiras, pero no lo que usted ha creado.

En la mayoría de las empresas, quebrar es arriesgado, porque el fracaso puede leerse como una debilidad. Pero he aquí una manera de minimizar el riesgo: hacer que forme parte de su cultura. Lo hacemos de tres maneras en DoSomething.org:

1. Organizamos un evento anual llamado» Fail Fest», durante el cual los miembros del personal hablan de lo que han aprendido de un fracaso con una boa rosa.
2. Nosotros Prueba A/B nuevas características del producto.
3. Probamos nuestro contenido, incluidas las visualizaciones de datos. Para crear el único mapa que impresionó a nuestro COO, fallamos al menos 10 veces.

Diez fracasos para un éxito. La cantidad por encima de la calidad es una estrategia común en el mundo natural. Cuando un helecho se despliega en primavera, libera cientos de miles de esporas, la gran mayoría de las cuales nunca echan raíces; algunas son capturadas por el viento y otras se pierden por las ramas de los árboles. De los que llegan a la tierra y germinan, muchos son pisoteados, comidos o mueren de hambre. Solo unos pocos llegan a la edad adulta y vuelven a empezar el proceso.

La lección de la naturaleza es simple: cuanto más lo intentamos, más éxito tenemos, incluso si la calidad de cada intento posterior no mejora.

Es temerario creer que su primer intento de mejor esfuerzo va a ser el correcto. Pero producir muchas versiones de calidad consume muchos recursos. Así que tiene que pasar de muchas versiones posibles a la correcta de una manera eficiente.

Secuencia el desarrollo para ahorrar tiempo.

Lo hacemos secuenciando las fases de desarrollo: primero, hacemos prototipos. En segundo lugar, los probamos. En tercer lugar, pasamos a la producción. Muchos de nuestros prototipos no son más que bocetos en una pizarra blanca. A menudo probamos cinco versiones de una idea con compañeros de trabajo, vemos qué es lo que tiene éxito y, después, creamos cinco versiones sólidas de la mejor. Minimizamos los riesgos inherentes a la creación de una sola visualización y, al mismo tiempo, asignamos el tiempo de forma eficaz a las iteraciones que, en última instancia, están condenadas al fracaso.

Para nuestra imagen de participación, sabíamos que nuestro objetivo era transmitir que la segmentación de los usuarios es valiosa. Pero, ¿qué variable debemos mostrar: edad, sexo, operador de telefonía móvil, ciudad o nombre? Para responder a esta pregunta, creamos visualizaciones gráficas sencillas de los cinco, como esta:

En lugar de perfeccionar el formulario, mostramos estas maquetas básicas a los compañeros de trabajo. Sus respuestas fueron claras: los datos de la ciudad fueron los que más tuvieron repercusión. El siguiente paso fue crear cinco visualizaciones más con esos datos y completar el formulario.

Aquí tuvimos problemas con preguntas como: ¿Deberíamos mostrar los datos en una tabla, un gráfico de barras o un mapa? ¿Debería representarse el compromiso en una escala de dos colores o en una sola? Así que, de nuevo, creamos cinco versiones aproximadas, recopilamos comentarios informales de los compañeros de trabajo y las iteramos rápidamente. Al final, creamos 10 visualizaciones, pero abarcamos multitud de posibilidades.

A continuación se muestra la imagen aproximada que más les gustó a los colegas: respondieron al ver la participación de nuestros miembros por ciudad en un contexto del mundo real, pero tenían problemas para ver los patrones en los datos.

En nuestra visualización final, pasamos a una escala de dos colores para resaltar las diferencias relativas en la participación entre las ciudades. También hemos añadido listas de las cinco ciudades con más y menos participación. Las listas por sí solas proporcionan información; el mapa añade profundidad y credibilidad.

Hay muchas formas de secuenciar el desarrollo. Pero el principio final es simple: cree más visualizaciones de datos de las que necesita mostrar, porque es poco probable que su primera idea sea la mejor. Incluso para este artículo, publicamos cinco titulares y sinopsis de HBR editores. Luego escribimos cinco versiones de su favorita. Por lo tanto, este artículo es una de las mejores 25 permutaciones.

Pero, ¿es lo suficientemente bueno como para cambiar su comportamiento?