MENU

| BR

Campus

Cursos

Programas Executivos

Paises

Conheça os principais tipos de análise de dados através de exemplos práticos

Conheça os principais tipos de análise de dados através de exemplos práticos
#Dados
21 de agosto - min de leitura

Para trazer insights poderosos para o negócio, você precisa entender qual o tipo de análise de dados faz sentido para seu objetivo. Conheça as principais metodologias e coloque em prática.


A escolha entre os tipos de análise de dados pode ser o fator decisivo para que eles realmente cumpram o seu papel - ativos valiosos às empresas. 

Neste universo, nem todas as análises são iguais e a mais adequada é a que trará realmente valor, dentro de uma estratégia de negócios. 

Neste artigo, nosso coordenador dos cursos de Dados, Ivan Pagnossin explica cada uma delas, com exemplos práticos. Acompanhe!

Análises de dados - a motivação primordial     

De modo geral, entende-se que analisar dados é empregar o raciocínio crítico, idealmente sem vieses, sobre um conjunto de dados, com o objetivo de extrair conhecimento. Esse "conhecimento", que refere a uma representação abstrata (mental, por exemplo) do fenômeno que deu origem a esses dados.

Para ficar mais fácil de assimilar, um exemplo: o astrofísico analisa o movimento dos astros e generaliza suas descobertas num conjunto de leis da natureza. Já o engenheiro submete suas criações a cenários controlados e cria uma representação computacional que lhe permita identificar o regime de atuação delas. 

Finalmente, o empreendedor avalia o desempenho do seu negócio e apreende as relações já consumadas entre investimento e receita para planejar sua estratégia.

Em cada caso, as motivações são diferentes. O astrofísico visa compreender o universo; o engenheiro, prever o comportamento da sua criação; e o empreendedor quer tomar decisões que garantam o sucesso do negócio.

Ou seja, nem todas as análises são iguais. É comum classificá-las em quatro tipos de metodologia: descritiva, diagnóstica, preditiva e prescritiva. 

Conheça os tipos e como fazer uma boa análise de dados

Abaixo, acompanhe as quatro formas de análises de dados, mas lembre-se: essa ordem não é arbitrária. Ela compreende a complexidade e, num cenário econômico, o valor de cada uma. 

Análise descritiva

Como o nome diz, essa análise descreve os dados observados, de forma que eles “digam” o que aconteceu. Por vezes, é chamada de "estatística descritiva", já que é comum utilizar métodos da estatística nesse tipo.

Por exemplo, você pode descrever os acessos ao seu site de vendas, no intervalo de uma hora, pela média de usuários que visitaram o site nesse mesmo intervalo de tempo. A média é um conceito emprestado da estatística, bastante útil para descrever dados.

A análise descritiva é, portanto, o tipo de análise mais simples e rápida de executar, pois emprega apenas cálculos padronizados (que podem ser automatizados), como a média, variância, entre outros, além de gráficos, diagramas etc.

Essas visualizações, originadas da análise descritiva, são a principal matéria-prima dos dashboards de indicadores-chave de desempenho (em Inglês, Key Performance Indicator ou apenas KPI).

Análise diagnóstica

Conhecidas as características dos dados, imediatamente vem a pergunta: qual a causa desses dados? A resposta a essa pergunta é justamente o objetivo da análise diagnóstica. 

Porém, realizar esse passo extra não é simples, pois ele se relaciona com a dinâmica subjacente aos dados, frequentemente não acessível. Por exemplo, o fato de você observar 1000 usuários, em média, acessando seu site no intervalo de uma hora, pode estar relacionado com a depreciação média do produto que você vende, com a quantidade de concorrentes, com seu programa de fidelidade, fenômenos sociais etc.

Para mensurar esses “possíveis” relacionamentos, precisamos novamente emprestar métodos da estatística, como os testes de hipótese, além do método científico. O teste A/B, por exemplo, é bastante conhecido: consiste em expor a dinâmica subjacente aos dados a cenários controlados. 

Por exemplo, você pode oferecer o programa de fidelidade para alguns usuários (cenário A), mas não para outros (cenário B), e comparar a média de acessos. Além de ser trabalhoso fazer isso, há situações que não podem ser controladas, como a quantidade de concorrentes e a depreciação média do produto. 

É nesse cenário que surge o bordão "correlação não implica causalidade": correlação é uma característica dos dados (uma métrica de associação, por assim dizer). Mas ela não pode ser imediatamente associada a uma causa, sem uma análise diagnóstica adequada, que envolve a manipulação de cenários controlados. 

Não obstante, essa análise requer conhecimento do domínio em questão. Por exemplo, uma análise cega quanto ao domínio (um e-commerce, nesse exemplo) pode deixar passar o fato de que as visitas ao site dependem do clima.

Análise preditiva

Se entendemos a dinâmica subjacente aos dados, possivelmente seremos também capazes de fazer previsões. E esse é o objetivo da análise preditiva. 

Para isso, precisamos abstrair do que aconteceu e pensar no que poderia acontecer, relacionando as causas e os efeitos (dados). Chamamos isso de "modelo" e ao processo de encontrá-lo, "modelagem".

Suponha, por exemplo, que seus dados permitam a afirmação de que a quantidade média de visitantes do site, no período de uma hora, depende linearmente do custo de cada ponto do programa de fidelidade. A palavra-chave, nesse exemplo, é o termo "linearmente" (nesse caso, se diz que o modelo é linear). 

Ele indica que um acréscimo de, digamos 30% no custo de um ponto, implica decréscimo de 30% na quantidade média de visitantes, no mesmo intervalo de tempo. 

Perceba que essa afirmação não se refere mais ao conjunto de dados originais, mas sim a uma situação hipotética genérica. Assim, é essa qualidade que nos permite fazer previsões.

Um exemplo bem conhecido de análise preditiva é aquela que os bancos fazem ao identificar riscos de investimento, quando o empréstimo efetivamente não foi feito, mas o modelo desenvolvido pelo banco é capaz de prever o resultado. 

Contudo, essa previsão nem sempre se concretiza. Grande parte do trabalho do analista de dados é justamente otimizar essa incerteza.

Análise prescritiva

Agora que sabemos descrever os dados, entendemos o porquê de eles apresentarem essas características, criarmos uma representação abstrata deles, capaz de prever um cenário hipotético, podemos então pensar no processo inverso e introduzir objetivos a serem alcançados.

Suponha que estejamos no final de uma campanha de marketing, na qual é preciso aumentar 15% a quantidade média de visitas no site. Como sabemos que essa quantidade se relaciona linearmente com o custo de um ponto de fidelidade, podemos optar por reduzir o custo em 15%. Isso é uma prescrição do que fazer, com base na modelagem e nos objetivos a serem atingidos. 

Outro exemplo, fora do mundo dos negócios, é o dos sistemas de controle da SpaceX, que analisam continuamente o movimento do foguete, para prescrever ações de seu motor. Este trabalho tem o objetivo de trazê-lo em segurança para o solo.

Essa é a análise prescritiva e, como você já deduziu, é a etapa mais complexa, pois demanda conhecimento profundo sobre o sistema. 

Análise de dados: curso 

Neste texto, nosso professor deixa claro como as análises descritiva, diagnóstica, preditiva e prescritiva evoluem, nessa ordem, em complexidade e valor, e dependente uma da outra. 

O que evidencia: nesta área, não há atalho. O primeiro e mais certeiro passo é aderir à cultura de dados. Depois, ser capaz de descrevê-los através do storytelling com dados

Somente assim, é possível passar para a análise diagnóstica e, daí, para as demais etapas, na sequência. Lembrando que a implementação dessa cadeia de valor deve ser guiada por uma estratégia que segue o caminho inverso.

Neste sentido, as perguntas pertinentes são:

Que conhecimento (relações de causa e efeito) preciso ter dos meus dados, para prescrever ações (tomar decisões)?

Que abstrações (modelagem) eu tenho de desenvolver para fazer previsões? Que cenários devem ser promovidos para entender a dinâmica subjacente aos meus dados? Que características desses dados eu necessito avaliar?

Quer compreender mais sobre o assunto e se aprofundar sobre as possibilidades que os dados podem projetar a sua carreira? Conheça os cursos para ser um profissional de Dados, oferecidos pela Digital House, no qual Ivan Pagnossin coordena.

Outras notícias

Departamento de carreiras: Digital House tem 95% de empregabilidade dos alunos  img
#Carreira

Departamento de carreiras: Digital House tem 95% de empregabilidade dos alunos

O que move as pessoas a investirem em uma transição de carreira? Uma nova oportunidade de trabalho? A sair da zona de conforto profissional? Conheça o departamento de carreiras da Digital House, uma área focada no desenvolvimento dos alunos.Neste artigo, nós conversamos com a Andrea Tedesco, líder do departamento, para esclarecer algumas dúvidas sobre profissões, mudanças e mercado de trabalho.A importância de um departamento de carreirasA área de Carreiras da Digital House vem para apoiar o processo de conquista dos alunos no mundo digital. Para isso, conta com aulas que apresentam uma nova forma de pensar na busca por oportunidades.Além disso, desenvolve relacionamentos com empresas e projetos dos mais diversos formatos, com o objetivo de facilitar a conexão entre os alunos e empresas do mercado digital. Quando há uma exigência da atualização da forma de pensar sobre nós mesmos e sobre o mundo, o departamento se destaca pela capacidade de trazer a educação para um processo que poderia ser automatizado (ofertas de talentos e vagas) simplesmente.Porém, nos preocupamos verdadeiramente com a forma de pensar dos alunos, "facilitar os caminhos", entender seus objetivos com o curso e suas conquistas.Transição de carreira: o sonho dos profissionaisEm tempos de grandes mudanças, é natural que as pessoas passem a rever o que fizeram da vida até agora, além de refletir sobre o assunto do final de cada ano.Por questões culturais e educacionais ou não, fazer balanços ao longo da vida é um sinal de maturidade e gestão de carreira e vida.O mundo digital permite acessos antes não explorados, amplia visões, reconecta, cria novas possibilidades, permite inovações rápidas. Não tem como isso não impactar a vida das pessoas.Cedo ou tarde, elas sentem a necessidade de alinhar-se ao movimento natural desse processo: olhar para os lados, olhar para dentro e para fora e ver o que precisa ser reorganizado. A transição de carreira entra com inúmeras justificativas:➜ "Não aguento mais meu líder atual";➜ "Não sei mais o que estou fazendo nesta empresa";➜ "Não sei o que fazer a partir do meu desligamento, após 20 anos de empresa";➜ "Eu quero ganhar mais dinheiro";➜ "Com o digital, minha área vai acabar ";➜  "Minha área precisa ser transformada com o digital";➜  "Quero ser feliz";➜ "Quero fazer algo novo";➜ "Quero sentir adrenalina pelo que faço";➜ "Quero novos desafios na vida"A definição de sucesso profissional mudou?Estamos em outro momento global do mercado, da sociedade e das relações humanas. A Transformação Digital tem um pilar importante, chamado pessoas, e passa a ser vital para sobreviver emocionalmente e, por consequência, ter uma vida cuja sensação de felicidade é sentida com consciência e propósito.Se antes sucesso estava atrelado ao tempo de experiência em uma habilidade técnica, mercado, função ou empresa, hoje essa forma de pensar é quadrada demais.Sucesso hoje é viver a vida que faz sentido para o indivíduo, é praticar o que se ensina e fala. Sucesso é individual e não uma fórmula de mercado, como antes. E isso não é errado. Contudo, serviu para outros tempos e não para este. Conte com um Departamento de Carreiras com foco no digitalDurante o curso, o aluno tem acesso à parte de desenvolvimento educacional, através de aulas com temas conhecidos sobre posicionamento estratégico (currículo, LinkedIn, entrevistas e transição de carreira) e ao plantão para esclarecer dúvidas sobre essas mesmas aulas, em grupo.Aprenda sobre o novo mercadoO objetivo é facilitar a troca de experiências, dores e sucessos dos alunos, para que estejam mais preparados nas habilidades de gestão de carreira e comportamentos exigidos pelo novo mercado.Quando certificados, os alunos podem participar de um programa que apoia a conquista por uma vaga no mercado corporativo ou como freelancer, por meio de um cadastro em nossa plataforma de talentos, cujo acesso é vitalício, e aos eventos que facilitam a conexão entre alunos e empresas interessadas no perfil da formação Digital House.A missão do departamento de carreiras da DH é facilitar o processo de conquista por uma oportunidade.Isso significa que o aluno precisa aproveitar ao máximo o curso da Digital House, participar dos encontros educacionais da área, e ao final da sua jornada, uma vez certificado, ele já pode colocar na prática o que foi aprendido e colher os resultados de todas as ferramentas oferecidas.Qualquer conquista é o resultado de várias ações feitas com coragem, atitude e mudança de comportamento em direção ao estado desejado. Contato com empresas de todo o BrasilNosso time busca empresas diariamente em todo o Brasil, para incentivar a divulgação de oportunidades digitais na nossa plataforma (exclusiva aos alunos certificados), além de palestras gratuitas e exclusivas, além de workshops e eventos voltados para a área. Número do departamento de carreirasO trabalho diário do time resulta em sonhos alcançados e não em números por si só. Em 2019, dos 182 alunos que procuraram e participaram das ações e aulas do departamento de carreiras, 173 atingiram seus objetivos.E os depoimentos são cada vez mais gratificantes:Você também está interessado(a) em tentar novos ares para sua carreira? Conheça os cursos da Digital House. Em todos eles, você tem essa mentoria especializada!Leia mais no blog DH:+ Minha primeira linguagem de programação: como escolher?+ Tudo que um desenvolvedor Full Stack precisa saber+ Aprenda a criar um storytelling com dadosE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

Sistemas de recomendação: a experiência por trás de serviços de streaming img
#Dados

Sistemas de recomendação: a experiência por trás de serviços de streaming

Os sistemas de recomendação vieram para mudar o mundo, ou melhor, facilitar a vida das pessoas. Se você ainda não entende por completo o que eles significam, e mais, como funcionam, hoje a "aula" é sobre eles!Fazer compras, mais do que uma necessidade, para muitas pessoas também é um passatempo. Passear pelas lojas, garimpar produtos e, finalmente, encontrar algo do qual gostamos.Em pequena escala, este processo chega até a ser prazeroso. Mas quem nunca entrou em uma loja grande demais, com produtos demais e se sentiu perdido?A urgência dos sistemas de recomendação nasceu de onde?Com o surgimento dos e-commerces, a limitação de espaço físico das lojas foi vencida, fazendo com que seja possível, em uma mesma loja (a Amazon, por exemplo), se ter uma infinidade de produtos dos mais diversos tipos e categorias. E como encontrar algo que buscamos em um ambiente como esse?Vamos mudar um pouco de perspectiva. Imagine se quiséssemos assistir a um filme, abríssemos uma plataforma de streaming e ela nos apresentasse todos os incontáveis filmes de seu catálogo separados por gênero, mas sem uma ordem definida.Garimpar um filme de nosso agrado ali seria uma tarefa enfadonha, demorada e muitos de nós desistiríamos no meio do processo.O que é um sistema de recomendação?Neste contexto, de um mundo onde existe uma diversidade muito grande de produtos (sejam eles bens de consumo, filmes, vídeos, posts, etc), é que surge a necessidade de uma ferramenta que consiga entender e disponibilizar para os usuários os produtos mais relevantes, de forma que o processo de escolha/compra seja viável. Assim surgiram os sistemas de recomendação que, hoje, são muito presentes no nosso dia a dia.Como funcionam os Sistemas de RecomendaçãoTomando o exemplo de sistemas de recomendação Netflix, com um catálogo muito abrangente, vamos pensar juntos em algumas estratégias diferentes para fazer recomendações relevantes. Aqui o objetivo é tentar entender a intuição por trás de algumas dessas estratégias, sem mergulhar muito fundo na parte técnica.Um bom ponto de partida é reconhecer que para fazermos recomendações relevantes, precisamos conhecer nossos clientes.Filtro content basedPara isto, uma alternativa seria submeter aos usuários um questionário em que eles nos contariam quais gêneros de filmes, atores, diretores eles gostam; se preferem finais tristes ou felizes, dentre ouras características. Em seguida, classificaríamos os filmes de nosso catálogo segundo estas categorias. O filme Gladiador, por exemplo, poderia receber nota 5 para ação e nota 0 para comédia, além de nota 3 para final triste (spoiler alert).Por fim, seríamos capazes de mapear os gostos dos usuários aos filmes e fazer sugestões. Esta abordagem é conhecida como filtro baseado em conteúdo (content based filtering).O grande problema aqui é que a qualidade das recomendações depende de quão detalhado é o questionário, ou seja, do quanto os usuários nos contam sobre seus gostos. Para muitos negócios, pedir que os clientes respondam um extenso questionário sobre suas preferências é impraticável. Além disso, nossos gostos mudam com o tempo, então tal formulário precisaria ser reavaliado periodicamente. Este é o caso do nosso exemplo. Imagine se ao se cadastrar em uma plataforma de streaming, tivéssemos que responder um tedioso questionário sobre nossas preferências. Eu, provavelmente, desistiria no meio do caminho.Filtro colaborativeAinda precisamos conhecer nossos clientes, mas vimos que pedir que eles, deliberadamente, nos contem sobre seus gostos não é uma estratégia viável. Outra alternativa seria inferirmos sobre as preferências de nossos clientes a partir de seus padrões de uso.Para tanto, deixamos que os usuários comecem a utilizar a plataforma, mas pedimos que eles avaliem os filmes que assistiram, como indicativo do quanto o filme os agradou. Esta abordagem que infere as preferências dos usuários a partir dos seus padrões de uso é chamada de filtro colaborativo (colaborative filtering).Suponha, então, que o usuário “A” avaliou positivamente os filmes Matrix, Senhor dos Anéis e Star Wars. Para fazer recomendações relevantes, podemos olhar para outros usuários que também tenham avaliado positivamente estes três filmes (usuários similares) e recomendar filmes que tais usuários também avaliaram positivamente. Daqui surgem recomendações do tipo: “Usuários como você também gostaram: <recomendações>”. Além disso, para complementar nossas recomendações, podemos olhar para filmes que receberam avaliações semelhantes. Isto dá origem a recomendações do tipo: “Porque você viu Gladiador: <recomendações>”.Contudo, afirmar que dois filmes são similares apenas porque receberam avaliações semelhantes pode ser simplista demais. O mesmo vale para afirmar similaridade entre usuários apenas com base nas notas que eles deram para os filmes.Sistemas de recomendação com Machine LearningUma estratégia de recomendação mais sofisticada seria utilizar modelos de machine learning (ferramentas muito boas para identificar padrões, especialmente padrões que nós, seres humanos, temos dificuldade em perceber) para criar variáveis que descrevem os usuários e os filmes a partir dos padrões de uso. É importante ressaltar que tais variáveis são variáveis latentes, ou seja, variáveis criadas pelo computador e, não necessariamente, interpretáveis por seres humanos.Uma vez conseguindo descrever o perfil dos usuários e dos filmes com base nestas variáveis latentes, o modelo consegue, para um dado usuário, estimar como seria a interação dele com filmes que ainda não assistiu. E, com essa estimativa de interação, sugerir os filmes que o usuário avaliaria melhor, logo, os filmes que o usuário mais gostaria.Além disso, o modelo também nos dá insumos para afirmar com mais convicção que usuários ou filmes são similares. Esta técnica de recomendação é conhecida por fatoração de matrizes (matrix factorization).Nesta abordagem, em que aprendemos as preferências do usuário através dos padrões de uso, as recomendações são menos assertivas no começo, mas quanto mais informações de uso, mais relevantes serão as recomendações. Ou seja, para este tipo de abordagem, precisamos de um volume de dados significativo e as recomendações vão melhorando à medida que os usuários utilizam nossa plataforma. Mas e para um novo usuário? Como fazer sugestões? Aqui pegamos a ideia da primeira abordagem, mas com um questionário bem simplificado. Pedimos, apenas, que o usuário selecione alguns filmes dos quais gostou. E pronto, já temos um ponto de partida! À medida que ele for utilizando nosso serviço, as recomendações vão melhorando.Ufa, bastante coisa para digerir, né? Mas é bem legal entender um pouco mais sobre esses algoritmos que estão no nosso dia a dia.O outro lado dos algoritmos de recomendaçãoLegal, mas esses algoritmos devem ter algum defeito, né?Apesar de muito convenientes, os sistemas de recomendação têm alguns pontos sensíveis. Lembra que comentei que quanto mais dados, quanto mais interações, mais precisa ficará a recomendação? Ou seja, quanto mais interações, mais o algoritmo entende com quais produtos temos mais probabilidade de interagir positiva ou negativamente. Considere, agora, uma rede social, que tem milhões, bilhões de usuários interagindo muitas vezes por dia. É uma quantidade colossal de dados e isso permite que os algoritmos consigam entender bem o perfil dos usuários, o que aumenta drasticamente a conversão de anúncios, por exemplo.Além disso, com recomendações assertivas, é possível maximizar o tempo que o usuário fica conectado, estando mais suscetível a novos anúncios. Ou seja, se considerarmos uma rede social de vídeos, os vídeos recomendados provavelmente serão de assuntos que já conhecemos e gostamos ou que reforçam a nossa visão/opinião, reduzindo nossa exposição a novas experiências.Além disso, somos mais suscetíveis a querer assistir vídeos “bombásticos”, o que pode contribuir para um aumento da disseminação de notícias falsas e teorias da conspiração. Se você se interessou pelo tema, deixo como recomendação o documentário “O Dilema das Redes”, que discute este tema mais a fundo e é super interessante!Seu ponto de partida dentro dos sistemas de recomendação!Sistemas de recomendação são ferramentas super convenientes, especialmente em um mundo globalizado com uma diversidade gigantesca de produtos. Vimos que para fazer recomendações relevantes precisamos conhecer nossos clientes, mas, dificilmente, os clientes estarão dispostos a, explicitamente, nos contar mais sobre suas preferências. Assim, uma saída é inferir tais preferências a partir dos padrões de uso e, assim, fazer recomendações que façam sentido. O problema é que quando alimentados com uma quantidade de dados significativa, tais algoritmos podem ser capazes até de influenciar o comportamento de seus usuários.Quer saber mais sobre a área de dados? Aprofunde seus conhecimentos e entre para um dos mercados mais promissores dos últimos tempos através de um curso de Data Science :)No curso da DH, você aprende na prática a ser um cientista de dados e a desenvolver sistemas de recomendação, por exemplo. E aí, vem com a gente?Leia mais no blog DH:+ Computação em nuvem: o que é AWS?+ Descubra exemplos reais de Data Science+ Exemplo de Internet das Coisas no seu dia a diaE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

Como fazer um blueprint de serviço? Aprenda os 6 passos para construir o diagrama img
#UX

Como fazer um blueprint de serviço? Aprenda os 6 passos para construir o diagrama

Os curiosos pelos processos do Design Thinking vão acabar cruzando com o blueprint de serviço por aí! Mas afinal, como essa ferramenta, que está em alta, ajuda a otimizar processos, e mais, o que significa este diagrama quando aplicado dentro dos projetos?Vamos passar pelas principais dúvidas sobre service blueprint e como fazer um com a ajuda da Ana Cezere, professora de UX Design, aqui da DH.O que é um Blueprint de serviço?O blueprint de serviços é um mapeamento detalhado de todos os pontos (ações e interações) de um serviço.A ferramenta foi criada para se ter uma melhor visualização das ações necessárias para que um serviço funcione, tanto as que são visíveis para o consumidor quanto as que não são. (WREINER,..).O diagrama mapeia, então, todas as relações entre diferentes componentes do serviço, que estão diretamente conectadas com os pontos de contato de uma jornada específica do consumidor.Como nasceu o service blueprintA técnica do blueprint foi introduzida, inicialmente, como uma ferramenta de gestão de serviços na Harvard Business Review, em 1984, pela executiva bancária G. Lynn Shostack.Pegando de inspiração as blueprints dos projetos de desenho técnico tanto de arquitetura e engenharia, quanto de design de produtos, ela utilizou o conceito para implementar um método sistemático de design, controle e performance.Assim, o blueprint de serviços veio para ajudar a tangibilizar o que até então era intangível, os serviços. As dificuldades de se entender a complexidade das interações entre funcionários, processos e clientes quando não vistos de uma maneira geral eram inúmeras.Para que serve blueprint?As falhas na experiência do serviço podem ser definidas em 5 razões (Segundo Zeithamal, 1990, apud Polonsky e Sargeant, 2005):1 - Os gerentes incorretamente definem o que os consumidores/clientes esperavam;2 - Os gerentes definem os padrões de serviço errados;3 - Os funcionários não entregam no padrão de qualidade esperados;4 - Consumidores / Clientes têm expectativas equivocadas, possivelmente por erro ou falta de comunicação da Organização;5 - A experiência atual não atende às expectativas.Com o blueprint, nós conseguimos ter uma visão geral do serviço, mapeando e descobrindo os pontos falhos na jornada.Quando comparada com uma jornada que seria “ideal”, conseguimos entender quais pontos podemos melhorar não somente para o consumidor, mas também para o funcionário, alinhando todas as expectativas e o que pode/deve ser entregue ao consumidor.Conseguimos otimizar, medir o sucesso e nosso crescimento quando temos noção de todas as partes que envolvem o serviço.Ok, mas como eu faço isso então, Ana?Blueprint Design na práticaBom, primeiramente, vou te apresentar os pontos-chaves de um blueprint:(NN/G)Ação dos Consumidores:Passos, atividades, escolhas e interações que um cliente tem com o serviço para atingir um objetivo/completar uma tarefa. São derivadas a partir da pesquisa com o usuário e da jornada.Ações em Cena:Ações que são visíveis ou que ocorrem diretamente em interação para com os consumidores. Pontos de contato com o serviço. Podendo ser feita com funcionários ou não (ex: tecnologia)Ações nos Bastidores:Atividades que acontecem fora de cena, para oferecer suporte às ações em cena.Processos:Etapas internas que oferecem suporte aos funcionários para entregarem o serviço.Exemplo de um Blueprint de serviçoVisualmente, um blueprint é dividido em 3 linhas: linha de Interação, linha de visibilidade e linha de interação interna.➜ A linha de interação mostra as interações diretas entre o consumidor e a organização.➜ A linha de visibilidade separa todas as ações do serviço que são visíveis para o consumidor daquelas que não são. Ações em Cena aparecem em cima dessa linha e Ações nos Bastidores (fora de cena) aparecem embaixo.➜ A linha de interação interna separa funcionários que são participantes dos pontos de contato com os clientes daqueles que não suportam interações diretamente com os consumidores/clientes.Fonte: NNGroupExplicado os pontos-chaves, vamos nos ater a quais etapas seguimos para montar um blueprint de serviço!São 6 passos que podemos adotar. (Zeithaml and Bitner (2000 p212) apud Polonsky e Sargeant, 2005)1º passo: Identificar a tarefa ou objetivo a ser cumprido. Uma organização pode oferecer várias tarefas para um cliente, dentro de um único serviço. (Por ex: jantar no local ou pedir para entrega)2º passo: Identificar o consumidor/cliente. Vamos fazer a jornada à partir do ponto de vista dele, então é imprescindível que nós saibamos quem ele é, como se comporta e quais suas expectativas para com o serviço.3º passo: Mapear as ações da tarefa pelo ponto de vista do consumidor.4º passo: Mapear os pontos de contato com os funcionários, em cena e fora de cena.5º passo: Relacionar as atividades do cliente/consumidor e do funcionário com funções necessárias de suporte. Relacionar as atividades organizacionais com a experiência do cliente.6º passo: Identificar os pontos de falha, comparar com uma experiência ideal e desenhar maneiras de resolver os pontos de falha.Após esses passos estarem completos e mapeados, será possível visualizar o contexto geral do serviço e assim ir melhorando a cada momento.O service blueprint é importante, também, pois coloca o consumidor e sua jornada como ponto de partida para gestão do serviço.Blueprint no UXDesenhar um serviço é criar pontes entre um consumidor e seu objetivo, com o mínimo de fricção possível, o máximo de eficiência possível e entendendo o que o cliente percebe como valor. E a técnica de blueprint de serviços nos ajuda a organizar todas essas informações da melhor maneira.Quer descobrir os fundamentos do UX Design e aprender na prática a entender a experiência do usuário? Então conheça o curso de UX da Digital House, ministrado por professores como a Ana, que estão em contato com o mercado e de olho nas tendências de UX!Leia mais no blog DH:+ Guia de Product Discovery: passo a passo e importância do processo para o seu Produto+ Etnografia no UX: como entender a relação do consumidor com produtos e serviços+ Prototipagem: 5 ferramentas de prototipação que você precisa conhecerE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)