Palestra DevCamp 2018 - Davi Silva e Izabela Amaral: Oferecendo soluções de negócio mais assertivas para os usuários de um serviço combinando UX Research + Machine Learning
Similar to Davi Silva e Izabela Amaral - Oferecendo soluções de negócio mais assertivas para os usuários de um serviço combinando UX Research + Machine Learning
Similar to Davi Silva e Izabela Amaral - Oferecendo soluções de negócio mais assertivas para os usuários de um serviço combinando UX Research + Machine Learning (20)
O papel da automação de processos no mundo do trabalho pós-moderno
Davi Silva e Izabela Amaral - Oferecendo soluções de negócio mais assertivas para os usuários de um serviço combinando UX Research + Machine Learning
1. Oferecendo soluções de negócio mais
assertivas para os usuários de um serviço
combinando UX Research + Machine Learning
Davi Silva
Izabela Amaral
Dextra
Digital
2. Quem somos nós ?
Curioso e data lover. Trabalha em projetos de desenvolvimento de
software a mais de 25 anos no Brasil e nos EUA. Tem 4 filho/as, 2
cachorros e é jogador (amador) de squash.
Davi - Developer e GP de plantão - Dextra
Apaixonada por conversar com pessoas para entender
comportamentos e padrões, começou a atuar com UX Research
há 8 anos, atuando no Brasil e nos EUA em empresas como Sony,
Ifood, AllState e Dextra.
Adora fotografia, filmes sci-fi e cupcakes !
Izabela - UX Researcher - Dextra
3. O que é Machine Learning ?
Qual o papel do UX Researcher ?
Como os experimentos são criados - quais
aspectos considerar & exemplos
E depois que o experimento acaba ?
Agenda de hoje
5. Definição de Machine Learning
Subconjunto da área de
conhecimento definida
como Inteligência
Artificial(IA), que
compreende um conjunto
de ferramentas e
tecnologias que você pode
utilizar para responder
questões com seus dados.
Artificial Intelligence
Machine Learning
Deep Learning
6. UX Researcher
qual o papel desse profissional ?
dados quantitativos
dados qualitativos
levantamento de
hipóteses
coleta de feedback
conversas, conversar, conversas..
foco no usuário
8. - Entendimento de padrões de uso/preferências
- Validação de uma nova funcionalidade/fluxo
- Termômetro de desejabilidade e engajamento
Quando criar experimentos?
11. Se sua empresa trabalha com:
→ Recomendação
de conteúdos
("Concierge")
Dúvidas
frequentes, chat…
→ Serviço de
delivery
→ Programas de
fidelidade
→ Seguradoras
→ Conteúdos
segmentados
("Curadoria")
Produtos, serviços,
conteúdos,
assinaturas...
→ Aplicativo ou
website de pacotes
de TV/Telefonia
→ E-commerce
→ Ofertas de
emprego
e vários outros segmentos...
14. Exemplo:
Serviço: Seguradora - diferentes pacotes de uma seguradora (vida, saúde, auto, imóvel)
Como criar os experimentos?
"Os usuários não contratam
pacotes personalizados
porque não exploram opções
avulsas para se adequar ao
seu estilo de vida"
FATO PROPOSTA
Prever opções de
seguros/valores que se
adequem aos diferentes
segmentos que acessam
esse serviço
"Os usuários têm
dificuldade de encontrar no
serviço os produtos
relacionados às suas
necessidades"
HIPÓTESE
?
15. Quais fatores considerar?
Cenários
→ Segmentação da base de usuários (estatística "na veia")
→ Definição dos períodos de testes (dias da semana, finais de semana, época do ano…)
- Método de recomendação:
- Content-based Method: atributos de itens/usuário; recomendação de itens similares,
baseado no histórico de compras do usuário;
- Collaborative Filtering: sistema recomenda itens que foram "curtidos"/comprados por
usuários com perfis semelhantes; permite que itens diversos sejam ofertados para os
usuários.
16. Como criar os experimentos ?Como criar experimentos?
Identificamos as variáveis de recência, frequência e monetária (RFM) dos usuário;
Calcula-se os pesos destas variáveis;
Em seguida, utilizamos algoritmos de agrupamento ponderados de RFM e de
maximização de expectativa e sua combinação com método de K-Nearest
Neighbors, para extrairmos as recomendações de cada conjunto de usuários;
Finalmente, os resultados são comparados com o resultado das técnicas
convencionais de CF (Collaborative Filtering)
Recommender system based on customer segmentation (RSCS)1
[1] https://goo.gl/LDPj5Z (Rezaeinia, S. M., Univ. Teerã)
1
2
3
4
18. Como criar os experimentos ?K-Nearest Neighbors
?
● Cálculo da similaridade
de usuários
● Identifica k usuários
com perfil semelhante a
um usuária/o a
● Recomenda calçados
que não foram vistos
por a
https://goo.gl/Wr3f5q
19. Como criar os experimentos ?K-Nearest Neighbors
● Cálculo da similaridade
de usuários
● Identifica k usuários
com perfil semelhante
a um usuária/o a
● Recomenda calçados
que não foram vistos
por a
https://goo.gl/Wr3f5q
-1 1
0
Itens com
baixa
similaridade
Itens
"neutros"
Itens com
grande
similaridade