Small o big data? Il Design Thinking ha bisogno di entrambi

Si dice comunemente che esistano due tipi di persone nel mondo: quelli che impostano una sola sveglia e quelli che ne impostano una ogni cinque minuti; chi ama il caffè a colazione e chi ama il tè; e quelli che si fidano solo dei big data e quelli che si fidano solo degli small data. Ora, la domanda è: tale dicotomia ha ancora senso?

In sostanza, questo era l'argomento attorno al quale si è svolto il dibattito "Esplorazione dei dati: la sinergia tra profilazione ed empatia" in occasione dell’evento "Umanizzare le tecnologie digitali attraverso il pensiero progettuale: trasformazioni, applicazioni ed evoluzioni" organizzato dall'Osservatorio Design Thinking per il Business della School of Management del Politecnico di Milano, l'8 maggio 2020.A partire dalla domanda: “Quali sono i dati più preziosi nei progetti di Design Thinking? Small o big”, un gruppo di Design Thinkers ha espresso il proprio punto di vista, me inclusa. Se dovessi twittare la mia risposta, sarebbe: “Nessun vincitore. Il Design Thinking ha bisogno di entrambi”.

Ma lasciatemi spiegare perché.

Qui, l'importanza dei dati, small o big non è in discussione. Fare ricerca, raccogliere e interpretare i dati è la chiave per produrre risultati attendibili, per impostare al meglio la progettazione e creare innovazione.

Tuttavia, tali dati devono essere pertinenti e significativi. In effetti, avere enormi quantità di dati può essere inutile se i dati sono inconsistenti, ad esempio, quando mancano di contesto o non riescono a catturare ciò che conta di più. D'altro canto, essere sicuri dei dati raccolti da pochi utenti può essere rischioso.

Quindi, come gestire questo compromesso?

In Avanade, affrontiamo questa sfida attraverso un approccio a metodo misto, sfruttando il meglio dei due mondi: small data da un lato e big data dall'altro. Fondamentalmente, un approccio a metodo misto significa avere un quadro completo collegando diversi bit e dati, generati da metodi diversi. Quindi, la nostra visione è quella di fondere l'ampiezza dei big data con la profondità degli small data e mescolarli con cura.

La condizione sine qua non perché il nostro approccio a metodo misto abbia successo è capire che entrambi i dati servono a scopi diversi e rispondono a domande differenti.

Gli small data sono solitamente generati da metodi qualitativi, quando si approfondisce con alcuni utenti, osservandoli o interagendo con loro nella quotidianità, affrontando domande che si concentrano sul perché hanno agito in quel modo. Sono informazioni personali e ricche, come ad esempio quali i loro valori, obiettivi, emozioni e comportamenti.

La definizione di Big Data è in continua evoluzione. Qui, li definiamo come enormi set di dati quantitativi raccolti attraverso diverse fonti, che vanno dal rilevamento degli occhi e dai sensori ai registri dei dati di un'app, dalle ricerche sul web ai social media, che possono generare approfondimenti che si applicano a una grande porzione (o persino tutta) della popolazione. Il loro obiettivo è consentire una forte comprensione dei comportamenti, dei modelli e delle anomalie degli utenti con maggiore velocità e precisione, affrontando le domande su ciò che sta accadendo. Essendo un ricercatore quantitativo, credo che un punto di attenzione dovrebbe essere dedicato ai sondaggi, recentemente definiti "piccoli grandi dati" e collocati tra i due tipi di dati e altri dati raccolti attraverso esperimenti in laboratorio, poiché sono strumenti quantitativi ma differiscono dai big data in termini di volume, velocità e varietà. Tuttavia, non andrò nei dettagli.

Tornando alla nostra dicotomia, small e big data sembrano rispondere a domande diverse: cosa vs perché, su scala vs profondità. Il nostro approccio a metodo misto può offrire entrambi. Incorporandoli nei nostri progetti di Design Thinking, possiamo comprendere il comportamento umano, rivelando non solo ciò che sta accadendo, ma anche il motivo per il quale sta accadendo, acquisendo non solo una conoscenza profonda ma anche scalabile. La chiave è essere in grado di sequenziare i due tipi di dati in modo diverso a seconda del tipo di problema affrontato. Consentitemi di fornire due brevi esempi.

Recentemente abbiamo lavorato su un concetto innovativo di Digital Workplace per un'azienda cliente. La situazione al momento 0 era come uno scenario di spazi bianchi. Pertanto, abbiamo deciso strategicamente di avviare la fase di scoperta con la ricerca qualitativa che genera small data. Abbiamo fatto interviste e focus group, abbiamo parlato con i dipendenti e con le parti interessate al fine di scoprire bisogni non soddisfatti, catturare atteggiamenti e aspettative in grado di guidare la nostra innovazione. Quei dati qualitativi hanno rappresentato per noi una base per le fasi successive. Volevamo poi raccogliere approfondimenti più solidi e rappresentativi, per poterli applicare alla popolazione aziendale di utenti. Ecco perché abbiamo anche analizzato i dati quantitativi raccolti attraverso sondaggi e big data. Usando tecniche di clustering, siamo stati in grado di identificare quattro gruppi basati sui bisogni e quindi costruire le nostre Personas, avendo un quadro chiaro delle persone per le quali stavamo lavorando.

Viceversa, quasi alla fine del 2019 un cliente diverso ci ha chiesto di trovare una soluzione per migliorare il proprio e-commerce. Fondamentalmente, abbiamo dovuto ridisegnare elementi specifici del sito Web per generare un impatto significativo per l'azienda. La situazione al momento 0 era diversa dall'esempio precedente: il cliente chiedeva un'innovazione incrementale (riprogettazione dell'e-commerce) e avevamo a nostra disposizione una grande quantità di big data. Di conseguenza, abbiamo deciso strategicamente di analizzare quei dati utilizzando R e Power BI, dando un'occhiata ad esempio alla canalizzazione di conversione, alle ricerche di parole chiave, al numero di visualizzazioni e alla raccolta di molte informazioni su ciò che non funzionava correttamente sull'e-commerce. Dopo aver avuto una visione chiara di ciò che era malfunzionante, abbiamo deciso di raccogliere small data attraverso interviste agli utenti, per interpretare e dare un senso a queste intuizioni.

Per riassumere, la scelta di se e come integrare small e big data è per lo più strategica e basata su obiettivi di business/progetto. Tuttavia, un cambiamento organizzativo all'interno delle aziende è necessario. La chiave per andare oltre la summenzionata dicotomia, verso un approccio a metodo misto, è quella di costruire team eterogenei. Significa coinvolgere ricercatori, designer e data scientist in tutte le fasi del processo di Design Thinking e beneficiare delle idee dirompenti che possono nascere dall’ dall’unione di queste discipline.