Durante los últimos diez años, he estado trabajando en el ámbito de la consultoría digital, en particular, en torno a la intersección de Nuevos Negocios Digitales, Datos, Algoritmos y Diseño. En este tiempo, he tenido la oportunidad de imaginar que nuevos marcos de trabajo diseñar para poder dar forma a nuevos servicios y productos digitales que nos posibiliten extraer un valor real de los datos. La industria digital está muy lejos de esto, y de ahí, el interés en construir este espacio que nos permita explorar otras direcciones en las que poder idear propuestas de valor en torno a los datos.

Quería presentaros un nuevo proyecto en el que ando inmerso y con el que quiero compartir un nuevo framework que nos ayude a explorar cuál puede ser la evolución del Producto Digital en el contexto del Big Data y de la Inteligencia Artificial (IA).

El framework pretende ser una herramienta de ideación y diseño de nuevos productos impulsados por algoritmos de Inteligencia artificial (IA). Está constituido por once componentes de diseño. Cada componente podrá ser utilizado de forma aislada o en interacción con otros elementos, pudiéndose ensamblar y re-combinar de múltiples formas. 

Cada uno de los componentes dibujan un escenario de diseño y presentan diferentes conceptos, principios que lo articulan, además, cada elemento incluye un caso de uso que nos permita provocar una reflexión sobre el marco que dibuja.

Esta herramienta pretende incorporar nuevas dimensiones de diseño, así como un espacio de reflexión, en torno a la construcción de nuevos productos digitales que integran algoritmos de IA.

En la actualidad, la generación y adquisición de grandes volúmenes de datos está siendo exponencial. Los sistemas de procesamiento, computación y almacenamiento distribuido no paran de reducir su latencia. En este escenario, la industria del Big Data & AI pone su foco en la relevancia de los algoritmos, en las capacidades de la predicción, en las infraestructuras de procesamiento de datos distribuidas…, pero sin embargo, la realidad es que las compañías están siendo incapaces de extraer un valor real de los datos.

Si los datos están re-dibujando la forma en el que las compañías pueden idear nuevas propuestas de valor para sus clientes, ser digital en este contexto, va a trascender el uso de una u otra tecnología, y va a requerir estar abierto a re-examinar por completo la forma en la que diseñamos nuestros modelos de negocios y explorar dónde están las nuevas fronteras del valor.

Fronteras de valor en las que va a ser urgente idear nuevas estrategias de datos, servicios y productos que van a integrar en su core algoritmos de inteligencia artificial y que nos van a permitir dar forma a nuevos negocios digitales, traduciéndose en nuevas propuestas valor basadas en los datos.

Por tanto, 

¿Qué metodologías de diseño e innovación nos van a posibilitar extraer un mayor valor de nuestro ecosistema de datos?

¿Qué datos modelan ya el core de nuestros negocios?

¿Cómo podemos enriquecer nuestro core con datos de otras industrias?

¿Qué nuevos productos digitales vamos a diseñar en el este contexto de grandes datos ?

En este nuevo escenario, quería compartir un framework, con once componentes de diseño, que nos permita iniciar una conversación abierta en torno a la idoneidad de incorporar nuevas dimensiones de diseño en la ideación de productos digitales.


En este post de introducción, propondré diferentes hipótesis de exploración asociadas a cada uno de los componentes de diseño propuestos y profundizaré en cada uno de ellos a través de diferentes artículos :

Design for data automation.

En este primer componente exploraré …

¿Por qué la automatización es el enfoque más extendido cuando diseñamos productos digitales en la industria del Big Data?

¿Por qué el paradigma de diseño: Design for Less Choice o Anticipatory Design es el estándar al que está evolucionando el diseño de producto digital en el contexto de Grandes Datos?

¿Por qué las inteligencias artificiales que estamos diseñando son inteligencias delegadas

Si en la actualidad estamos inmersos en la exploración de nuevos modelos de negocio basados en la explotación de los datos, ¿Por qué la automatización puede no ser suficiente cuando diseñamos productos de datos?

Acceder al contenido >

Design for data awareness.

En este segundo elemento exploraré las siguientes ideas …

¿Qué nuevas soluciones digitales vamos a diseñar, que vayan más allá de la estética de la eficacia y la facilidad de uso, que nos permitan amplificar nuestras capacidades cognitivas y extender la forma en la que nos relacionamos con los sistemas?

¿Puede la Inteligencia Artificial ser una herramienta para amplificar nuestras capacidades, y no solamente entendida como una inteligencia delegada en los datos y los algoritmos?

¿Qué es el Frictional Design o Transformational Design en el contexto de Grandes Datos?

¿Qué nuevas interfaces nos van a permitir una mayor comprensión sobre el funcionamiento de los sistemas?

Acceder al contenido >

Design for data visualization.

En este tercer componente de diseño describiré algunas ideas para entender la importancia de la visualización de Datos.

Si queremos explorar nuevas propuestas de valor, nuevos modelos de negocio y servicios basados en datos, ¿Por qué es importante ir más allá de la construcción de dashboards como interfaz para comprender y activar los datos? 

¿Por qué es relevante diseñar nuevas herramientas de visualización que nos permitan nuevas formas de comprensión y exploración de la complejidad y no solo como un medio representacional?

¿Tiene sentido, en un contexto de Grandes Datos, pensar en términos de Unthinkable Thoughts como vectores para explorar nuevas propuestas de valor en los datos?

Acceder al contenido >

Design for data transparency.

En el cuarto componente analizaré …

Design for data transparency consiste en diseñar soluciones que sean totalmente transparentes a los usuarios sobre los datos que la compañía dispone de nosotros y cómo va a hacer uso de ellos.

¿Necesitan las compañías construir una relación de mayor transparencia en torno a los datos que generamos cuando utilizamos un determinado servicio digital? 

¿Qué nuevos patrones de diseño idearemos para facilitar una mayor transparencia de datos en el diseño de productos digitales? ¿Por qué en la actualidad se están imponiendo los Dark Patterns en lo relativo al diseño con datos? ¿Qué nuevos patrones de diseño podemos utilizar, por ejemplo, para re-diseñar un Term & Conditions o la Política de Privacidad más allá de un checkbox?

Acceder al contenido >

Design for (rebuilding) data trust.

En el quinto componente analizaré algunas de estas ideas… 

¿Por qué es necesario que las compañías tecnológicas sean transparentes en la forma en la que están haciendo uso de los datos de los usuarios?

En la actualidad las compañías necesitan re-definir completamente la formas de relación con sus comunidades y construir nuevas servicios digitales que permitan otros tipos de relación de mayor confiabilidad.

Si evolucionamos hacia un escenario en el que las interacciones, entre marcas y usuarios, estarán mediadas a través del diseño de tecnologías de inteligencia artificial (chatbots, asistentes digitales, etc) ¿Qué nuevos patrones de diseño, experiencias de usuario, van a posibilitar que podamos, como usuarios, tener una mayor confianza en los datos y en los algoritmos de estos servicios digitales? ¿Por qué deberíamos confiar en la recomendación de un determinado algoritmo?

Acceder al contenido >

Design for data discovery.

En el sexto elemento de diseño analizaremos las siguientes cuestiones  :

Cuando trabajamos en un contexto de grandes volúmenes de datos, sabemos que los sistemas clásicos de representación (bar chart, line chart, etc.) manifiestan claras limitaciones para poder extraer un valor real de estos datos. ¿Qué nuevas herramientas creéis nos van a permitir descubrir nuevos patrones en los datos?

¿Qué nuevos patrones de diseño van a posibilitar traducir algoritmos de machine learning en nuevas experiencias de usuario

¿Necesitamos diseñar productos que faciliten una mayor interpretabilidad de los algoritmos?

Acceder al contenido >

Design for explainable AI.

En el séptimo componente compartiré algunas de las siguientes ideas …

¿Por qué deberían los productos digitales que diseñemos integrar algoritmos que sean más interpretables, comprensibles y transparentes?

¿Por qué lo relevante, en la actualidad, no debería de ser el output del modelo, sino entender el por qué un algoritmo está generando un determinado output?

¿Por qué necesitamos interfaces que nos posibiliten otra relación de mayor transparencia con los algoritmos? ¿Necesitamos interfaces que nos posibiliten una mayor comprensión sobre nuestros patrones de comportamiento, facilitándonos una mejor  y consciente toma de decisiones? o, ¿Esto no es relevante?

Acceder al contenido >

Design for emotional artificial intelligence.

En este componente de diseño exploraré…

En un entorno digital claramente mediado por los algoritmos e inteligencias artificiales ¿Podemos diseñar productos de datos que provean experiencias de cliente más empáticas? Y en ese sentido, ¿Qué puede aportar la Inteligencia Artificial Emocional

From Demographic to Psychographic. ¿Que nuevas fuentes de datos y modelos cognitivos (OCEAN) nos van a permitir diseñar productos de datos hiper personalizados?

Acceder al contenido >

Design for human in the loop.

En este componente describiré como…

En este escenario, los datos nos van a permitir un desplazamiento de diseñar una única experiencia para todos los clientes a diseñar muchas experiencias y personalizas para un único cliente.

¿Qué es el Human-Centered Machine Learning? Compartiré un framework de diseño que nos permitirá integrar en tiempo real el comportamiento del usuario como una fuente de datos para construir experiencias de clientes hiper personalizadas.

Acceder al contenido >

Design for data forgiveness.

En este décimo elemento de diseño exploraré como…

Tradicionalmente hemos diseñado soluciones digitales que han tenido un output, user flows y experiencias de usuario predeterminadas. Sin embargo, diseñar con datos y algoritmos de machine learning es estar abierto a un cierto grado de imprecisión, de outputs o escenarios no predeterminados.

Si entendemos los algoritmos de machine learning como un nuevo tipo de bug. ¿Qué nuevas experiencias de usuario vamos a diseñar para hacer frente a estos nuevos escenarios que pueden generar fricciones o incluso ser no agradables? ¿Qué sistemas de feedback diseñaremos?

Acceder al contenido >

Design for behavioral change.

Para finalizar, en éste último componente, Design for behavioral change, describiré como en un contexto de grandes datos, necesitaremos entender cuáles son los principales sesgos cognitivos y principios de Behavioral Economic (BE) que influyen en los procesos de toma de decisiones basados en datos.

¿Qué nueva metodología de diseño vamos a utilizar, en torno a la intersección de la Ciencia de Datos y el Behavioral Economic, para idear soluciones digitales que nos permitan traducir datos en acciones y cambios de comportamiento?

Acceder al contenido >

¿Te gustaría tener acceso a la Publicación? Suscríbete a la newsletter!

Avatar
Posted by:Fran Castillo

@francastillo

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *