Introducción:
Las personas en las aplicaciones empresariales de Microsoft aprovechan el marco de trabajo por hacer (JTBD) y su desarrollo normalmente sigue un enfoque «cal, cuantitativo, cualificado». Aquí, los investigadores llevan a cabo entrevistas de exploración/descubrimiento para identificar posibles trabajos, tareas y puntos débiles, seguidas de una gran encuesta para validarlos, clasificarlos y potencialmente incluso segmentarlos, seguido de más entrevistas para profundizar en las áreas de mayor oportunidad. Este proceso de tres etapas generalmente produce tres niveles de fidelidad de la persona, donde los investigadores deben tener una persona de baja fidelidad después de la primera etapa «calificada», una persona de fidelidad media después de la etapa «cuantitativa» y una persona de alta fidelidad después de la siguiente. -hasta la etapa de clasificación.
Si bien este método es muy eficaz, puede resultar bastante caro y llevar mucho tiempo. Con la carrera actual para implementar la IA, necesitamos mover y desbloquear equipos de productos más rápido que nunca, especialmente en un espacio como el de las aplicaciones empresariales, donde hay toneladas de personas primarias y secundarias. Por esta razón, recientemente comencé a experimentar con ChatGPT como una forma de acelerar este proceso. Al combinar ChatGPT con encuestas rápidas, pude desarrollar tres personajes de fidelidad media en menos tiempo del que normalmente me llevaría desarrollar un personaje de baja fidelidad mediante el método tradicional. Si bien no sugiero mi método como reemplazo de todo el proceso tradicional, sí lo veo como una alternativa potencial a la primera etapa (o dos), especialmente cuando están limitados por tiempo o presupuesto.
En este artículo, explico brevemente cuáles creo que son los inconvenientes del método tradicional, reviso en detalle mi nuevo método propuesto (incluidas las indicaciones de ChatGPT y las preguntas de la encuesta) y cierro reflexionando sobre dónde creo que este método tiene más sentido, ya que así como cómo podría mejorarse.
Deficiencias del método actual:
Aquí me estoy centrando principalmente en las dos primeras etapas, ya que es aquí donde actualmente veo que ChatGPT tiene el mayor potencial de impacto.
Cómo combiné ChatGPT y encuestas como alternativa:
Pasos:
1. Le pedí a ChatGPT que generara suposiciones sobre el JTBD clave para cada rol de usuario, mediante mensajes como:
- «Soy un investigador de UX que trabaja en un producto X y quiero crear una persona para el rol de usuario Y».
- “¿Está familiarizado con el marco de trabajos por realizar?”
- «¿Cuáles son los trabajos clave para este rol de usuario?» (Si proporciona una lista larga, solicite los 6 a 8 primeros, o la cantidad de personajes que suelen exhibir sus personajes, y en el formato que prefiera).
2. Luego realicé una encuesta con más de 10 participantes (por rol de usuario) para validar y perfeccionar estos JTBD, haciendo preguntas como:
- “Aquí hay una lista de trabajos potenciales para alguien con un rol similar al suyo. Puedes considerarlas como responsabilidades que podrías incluir en tu currículum o en una oferta de trabajo. ¿Qué tan bien coincide esta lista con tu experiencia? [Escala Likert de 5 puntos]
- «Para cada trabajo, indique si su función suele ser responsable, responsable, solidaria, consultada o informada». (RASCI)
- “¿Hay algún trabajo que agregaría/eliminaría/combinaría/cambiaría?” [Preguntas separadas, dándoles la opción de describir.]
3. Los resultados mostraron que ChatGPT tenía una precisión de entre un 80% y un 90%, por lo que refiné el JTBD según fuera necesario en función de los comentarios.
- En un caso, simplemente convertí uno de los trabajos en una tarea correspondiente a otro trabajo, ya que los participantes sugirieron que podrían combinarse.
- En otros casos, reformulé ligeramente o agregué algunas palabras adicionales a un trabajo si varios participantes mencionaron que lo cambiarían de manera similar.
- Incluso utilicé ChatGPT para ayudar con esto, usando mensajes como «¿Cómo reescribirías este JTBD basándose en los comentarios de estas personas [copiar/pegar respuestas]?» (Nota: no será perfecto, pero descubrí que a menudo expresa los trabajos mejor de lo que probablemente lo habría hecho y en mucho más rápido. Aún así hice mis propios ajustes según fue necesario, pero hizo las cosas mucho más rápidas)
4. Luego introduje mi JTBD refinado en ChatGPT y le pedí que generara suposiciones sobre las tareas y los puntos débiles asociados con ellas.
- “Aquí están los trabajos clave realizados por el rol X. Enumere las tareas clave y los puntos débiles asociados con cada trabajo”.
5. Luego realicé una segunda encuesta con un tamaño de muestra similar, explicando que había refinado el JTBD basándose en los comentarios de una encuesta anterior. Esta vez, la primera parte de la encuesta pidió a los participantes que clasificaran el JTBD y luego las tareas en términos de su consumo de tiempo, y que describieran aquellas que podría haber pasado por alto. De manera similar, la segunda sección les pidió que clasificaran los puntos débiles de cada trabajo en términos de gravedad y que describieran aquellos que podría haber pasado por alto.
6. Con toda esta información, pude crear fácilmente personas con:
- Una lista de los JTBD clave, organizada según su consumo de tiempo.
- Una lista de las tareas clave y los puntos débiles asociados con cada JTBD, organizados por intensidad de tiempo y gravedad del dolor, respectivamente (también pude agregarlos o reformularlos según las respuestas a la segunda encuesta).
- Otra información que elegí recopilar, como RASCI, competencia técnica e industrias.
Por supuesto, las personas se perfeccionarán aún más a medida que investigue más, ya sea a través de una investigación directa de las personas o indirectamente a través de otros estudios. Aún así, creo que proporciona una mejor base que la primera etapa del método típico y en un plazo mucho más corto.
Reflexiones sobre este enfoque:
Como se mencionó, este enfoque me permitió desarrollar tres personajes con una fidelidad media en menos tiempo del que normalmente me llevaría desarrollar un personaje de baja fidelidad utilizando el método tradicional. También me coloca en una posición sólida para llevar a cabo alguna variación del típico paso ‘cuantitativo’ o de segmentación si así lo deseo, ya que tengo bastante confianza en la información ya recopilada.
Creo que este enfoque tiene mucho sentido para mi situación específica, donde trabajo en múltiples productos y hay muchas personas basadas en roles laborales bien establecidos. También tiene sentido para mí debido a la velocidad a la que debemos operar en este momento, dada la carrera actual por comprender cómo la IA podría beneficiar a nuestros usuarios. Sin embargo, si estuviera trabajando en un producto específico con solo un par de personas, podría preferir el método tradicional, ya que me familiarizaría más con las personas y los dominios a través de entrevistas y análisis más profundos. Tal como están las cosas, puedo dirigir a mi equipo hacia personas razonablemente bien desarrolladas, pero no me siento un experto en estos usuarios.
Una oportunidad para una versión híbrida de ambos enfoques es usar ChatGPT para generar el JTBD y luego invitar a los usuarios a una breve entrevista o grupo focal para revisarlos y relacionarlos con su experiencia. Esto llevaría un poco más de tiempo que el método que describí anteriormente, pero permitiría al investigador conversar con los usuarios y aprender de ellos. Una colega mía está explorando este método en este momento, por lo que podemos considerar un artículo de seguimiento para discutir sus hallazgos. Si alguien que lea esto ha probado algo similar, comparta su experiencia en los comentarios 🙂
