Aplicar design thinking en proyectos de ciencia de datos permite crear herramientas analíticas que realmente resuelvan problemas y superen las expectativas de los usuarios.
Esta metodología pone al usuario en el centro del proceso, combinando empatía, creatividad y experimentación para diseñar soluciones útiles, intuitivas y sostenibles.
En lugar de simplemente generar reportes o modelos bajo pedido, los equipos que adoptan este enfoque buscan desarrollar productos de datos con una visión estratégica, impulsados por resultados de negocio y necesidades reales.
Las 5 etapas del design thinking en ciencia de datos
Este enfoque se puede integrar con metodologías ágiles, potenciando la entrega continua de valor.
Estas son sus etapas aplicadas a la creación de un producto de datos, por ejemplo, una herramienta para analizar la rentabilidad de clientes:
1. Empatizar con los usuarios
La clave es entender cómo usan los datos actualmente y cuáles son sus frustraciones.
- Atención al cliente, marketing, finanzas, etc., tendrán distintas preguntas sobre la rentabilidad de los clientes.
- Observar cómo trabajan hoy y qué decisiones toman con datos incompletos o dispersos permite identificar mejoras reales.
- Por ejemplo, un agente que debe consultar múltiples sistemas pierde tiempo y comete errores, mientras que marketing puede estar tomando decisiones con información obsoleta.
“La personalización y comprensión profunda del contexto del usuario son claves para el éxito”, dice Daniel Fallmann, CEO de Mindbreeze.
2. Definir la visión del producto de datos
Antes de construir, se necesita claridad.
- ¿Qué problema se va a resolver?
- ¿Qué decisiones se busca facilitar con este producto?
- ¿Cómo se medirá el impacto en el negocio?
Por ejemplo, si atención al cliente necesita analizar la rentabilidad de un cliente individual y marketing quiere ver tendencias agregadas por segmento, habrá que priorizar.
En este caso, se decide comenzar con la visión centrada en el cliente individual para mejorar la experiencia directa y el ingreso por cliente.
3. Idear para definir requerimientos no funcionales
Aquí el equipo explora ideas, opciones tecnológicas y considera limitaciones:
- ¿Se cuenta con los datos necesarios o hay que integrarlos?
- ¿Qué problemas de calidad o arquitectura deben resolverse?
- ¿Cómo se garantizarán el rendimiento, la escalabilidad, la seguridad y el cumplimiento normativo?
Este análisis permite dividir el trabajo en tareas manejables dentro de un enfoque ágil.
4. Iterar para mejorar la experiencia y validar con usuarios
La entrega temprana de herramientas, aunque estén en desarrollo, permite recibir retroalimentación rápida.
“El valor de un dashboard no está en lo bonito que luce, sino en cuán útil resulta para tomar decisiones”, afirma Krishnan Venkata, director en LatentView Analytics.
- Se deben mostrar versiones funcionales a usuarios reales cuanto antes.
- Cada iteración debe enfocarse en responder preguntas concretas y facilitar acciones, no en mostrar todo lo posible.
- Evita dashboards genéricos que intentan cubrir todas las necesidades a la vez y terminan siendo poco útiles.
5. Probar e identificar el impacto del producto de datos
Una vez implementado, es hora de medir.
- ¿Está ayudando a tomar mejores decisiones?
- ¿Se están cumpliendo los objetivos definidos?
- ¿Dónde puede mejorarse el producto?
Estas pruebas deben ser constantes. Un producto de datos no es un proyecto que termina, sino una solución viva que evoluciona.
Conclusión
Pasar de un enfoque de servicio a uno de producto en ciencia de datos requiere un cambio de mentalidad.
Design thinking ofrece una hoja de ruta centrada en el usuario, ágil e iterativa, ideal para desarrollar productos de datos que realmente impulsen decisiones inteligentes y transformación digital.