Más Research y Menos Encuestas
Como no caer en la rutina de encuestas y entrevistas, y asegurar un research de impacto que genere valor al negocio a través de la triangulación metodológica.
Vivimos en un mundo lleno de herramientas digitales para hacer research y cada día ¡se inventan más! Sin embargo, muchas veces abordamos nuestras investigaciones con usuarios con los mismos métodos una y otra vez.
Si bien es cierto que, equipo que gana no se cambia (mundialista mood), ¿cuál es el costo de oportunidad de no haber probado algo diferente? ¿Qué habría pasado con esas cosas que nunca supimos?
Antes de continuar, quisiera aclarar que ésta nota no tiene intención de revisar los métodos (hay infinidad de artículos que describen perfectamente cómo, para qué y cuándo utilizar cada uno), sino pensar la mejor forma de aportar más y mejores datos, y en consecuencia, mejores reportes e insights.
Siguiendo con el entendimiento de este lugar común arriba descrito, que llamaré el Researcher Confort Zone, y atentos a la inmensidad de datos que hoy disponemos, especialmente quienes trabajamos en plataformas y/o ecosistemas digitales, cabe destacar la importancia de la triangulación metodológica.
No se trata sólo de usar muchos métodos sino también, de encontrar los vínculos entre estos. Tanto entre métodos cuali y cuanti como entre métodos del mismo abordaje, e incluso como explica Kathryn Whitenton en esta nota de NN/g, triangulación de métricas.
En la nota también ofrece ejemplos de triangulaciones de datos que si bien son muy simples, sirven a describir muy claramente el concepto; veamos algunos:
- Caída de las métricas de satisfacción —> revisar métricas de revenue y tiempos de tarea para ver si también se han modificado.
- Una prueba de usabilidad cuantitativa indica bajo success rate de un flujo —> realizar una prueba cualitativa para entender cuál es el problema.
- Analytics data indica que una funcionalidad está teniendo muchos errores —> revisar reportes de atención al cliente para conocer si los usuarios están reportando este problema.
Cualquiera de estos ejemplos, puede presentarse en ambos sentidos.
Por otro lado, Colette Kolenda and Kristie Savage, de Spotify, también plantean en este artículo, la importancia de la triangulación con data science, y cómo aplicando un enfoque WHAT – WHY podemos complementar datos que arrojen insights de calidad.
Entendiéndolo así, y pérdida entre Tableaus, Datastudios, Firebase, Appinsights, Elastic, y Grafana por nombrar unos cuantos, me puse a pensar si es posible definir un proceso que conecte la BIG data de estos paneles, con la THICK data de nuestros amados y conocidos métodos cualitativos.
Propongo entonces un posible abordaje para asegurarnos tener una mirada integrada de datos, donde se garantice la triangulación.
Para este análisis, consideremos a la variable WHY como cuali/cuanti, para todo aquello que nos ayuda entender el por qué, la voz del usuario, su percepción, más allá de la naturaleza del método (entrevistas, testeos, encuestas, etc).
Si bien no todas las fuentes estarán siempre disponibles, es importante tener al menos una de cada tipo para asegurar alguna métrica de cada variable.
Cuando logramos obtener datos de todas las fuentes, y triangulamos entre las 4 variables, la síntesis sucede casi inmediatamente y construir un Insight se vuelve más sencillo, más robusto y más valioso para la toma de decisiones.
Pensado en el siguiente paso, deberíamos agregar al cuadro anterior la etapa de Síntesis, dónde el researcher explica el detalle de lo entendido y/o interpretado (because).
En conclusión, cuantas más variables aportemos a nuestro análisis, más oportunidades de generar valor vamos a tener.
Entonces, ¿qué nuevos métodos vas a probar próximamente? ¿Con qué datos los vas a triangular?
Si tenes ejemplos o modelos para complementar esta propuesta, me encantaría leerlos, gracias ;)
