minhas contribuições
Condução das dinâmicas de pesquisa, construção de protótipos para testes, consolidação e análise dos dados coletados.
Em uma plataforma de streaming de videos, garantir que os espectadores permaneçam engajados, satisfeitos e promotores da marca é crucial para a manutenção do negócio. Quanto mais assinantes, mais a plataforma tem recursos para negociar com os estúdios de cinema os direitos de transmissão dos lançamentos no mercado.
Uma das formas de manter os clientes satisfeitos é oferecer um catálogo especial, com os títulos que a pessoa em questão mais gosta, de forma fácil para que o esforço cognitivo ao iniciar esse momento de entretenimento seja o menor possível.
No momento do projeto, os rankings dos filmes na plataforma eram atualizados manualmente pela equipe de conteúdo. Por conta dessa limitação, existiam poucas listas dessa categoria e só eram atualizadas semanalmente. Isso gerava um alto custo operacional e pouca flexibilidade para recomendações específicas e personalizadas para cada cliente.
Ao analisar pesquisas anteriores (KANO e NPS), percebemos que os usuários já avaliaram a importância de recomendações específicas dentro da plataforma como um fator relevante nos momentos de escolha do conteúdo. Além disso, a falta de um sistema de recomendação mais preciso também era um elemento detrator em comparação com outros serviços de streaming.
A partir disso, nosso desafio era diminuir nosso desgaste operacional de criar manualmente as seleções semanalmente e, ao mesmo tempo:
- Diminuir o tempo de escolha dos filmes, com o intuito de minimizar a quantidade de sessões sem play;
- Aumentar o engajamento, retenção na plataforma e avaliações positivas, já que os filmes escolhidos a partir da recomendação tendem a se conectar mais com as preferências do espectador.
Além das melhorias relacionadas à experiência do usuário, automatizar os rankings nos possibilitaria aumentar a eficiência do time de conteúdo. O objetivo principal era definir quais rankings eram mais relevantes para que a construção do algoritmo possa ser corretamente priorizada com entregas de valor contínuas.
Precisamos entender o comportamento dos usuários ao escolher um filme a partir da relevância entre os termos e listas apresentadas na plataforma para priorizar a automação dos rankings já existentes.
Planejamento da estratégia
Fizemos uma dinâmica em conjunto com POs, profissionais de conteúdo, equipe de engenharia, profissionais de BI e product designers para avaliar possíveis soluções para o problema. Com isso, foi possível:
- Aumentar o entendimento sobre as dores e necessidades específicas de cada time;
- Construir mapa dos principais pontos de contato na jornada do cliente;
- Definir pontos de ação para cada equipe técnica construir a primeira fase do projeto em paralelo;
Cada equipe se reuniu separadamente para avaliar como poderiam ser executadas as propostas da inception tática. Enquanto Product Designer, fiquei responsável pelo planejamento do estudo que traria insumos para a priorização da funcionalidade, onde atuei na:
- Definição das metodologias de pesquisa com os clientes;
- Segmentação e recrutamento da base de usuários;
- Preparação dos artefatos para pesquisa;
- Tratamento e análise dos dados coletados;
- Divulgação dos principais insights para as equipes envolvidas.
Para acompanhar as interações com os rankings durante a utilização da plataforma e analisar se as pessoas conseguiriam diferenciar os novos trilhos de filmes ranqueados de outros filmes na plataforma, preparamos um teste de usabilidade comparando a plataforma atual com uma versão atualizada (que continha os rankings modificados).
Realizamos seis rodadas com assinantes divididos entre os dois cenários. O intuito foi entender as diferenças e semelhanças na escolha do filme antes e depois das modificações visuais idealizadas.
Ao fim dos testes, fizemos uma momento qualitativo para, a partir das dúvidas dos usuários, aprofundar nosso conhecimento sobre as decisões tomadas nas interações mais relevantes.
Com essas duas análises, conseguimos aumentar nosso entendimento sobre o raciocínio por trás da escolha do filme.
Preparamos uma segunda cerimônia de Card Sorting para identificar quais temáticas eram as mais interessantes de se encontrar num ranking.
Orientamos os participantes para organizar, em ordem crescente de relevância, 13 possíveis rankings que surgiram a partir da análise dos dados da plataforma feita na inception tática.
Com isso, foi possível estimar quais gêneros/assuntos a pessoa se interessava, mas normalmente tinha dificuldade de escolher o que assistir.
Normalização e análise dos dados
A partir dos testes e entrevistas qualitativas, pontuamos os principais comportamentos e opiniões realacionadas aos rankings.
Com isso, foram compilados por afinidade e traduzidos em uma lista os pontos de contato de maior e menor conversão nos rankings e como otimizá-los.
Para dinamizar e automatizar o processo de análise das priorizações individuais (Card Sorting), idealizei e implementei um algoritmo de pontuação de para destacar os padrões de preferência dos clientes.
Como ao longo das cerimônias, percebi que os participantes tinham muita certeza do que gostavam e não gostavam, mas ficaram com bastante dúvida ao elencar as colocações intermediárias, os critérios matemáticos para a pontuação valorizam mais os extremos.
Assim, podemos focar no que fazer e não fazer com mais facilidade, deixando as posições intermediárias com ressalvas para pesquisas futuras.
Além dos pontos relacionados ao ranqueamento, outras oportunidades foram descobertas a partir desta pesquisa. As definições principais relacionadas ao problema foram classificadas e direcionadas para auxiliar a priorização da equipe.
Os insights extras foram organizados como anexos em nossa base de pesquisa para auxiliar novos estudos no futuro. Assim, podemos otimizar dos processos para novas pesquisas e compartilhamento de conhecimento de valor sobre o usuário com outras equipes.
Definidos os pontos que seriam priorizados, revisitamos as possíveis métricas levantadas na primeira dinâmica para avaliar quais KPIs fariam mais sentido para avaliar a performance da solução e trariam mais inteligência para nossa base de dados.