Cómo crear productos técnicos para una base de usuarios diversa


Hemos visto artículo por artículo sobre el hecho de que las empresas de tecnología en todos los niveles de actitudes están lidiando con la diversidad, lo que lleva a culturas tóxicas para las minorías (es decir, Uber antes de 2017). Incluso los algoritmos y la inteligencia artificial que subyacen a estos productos pueden tener sesgos raciales o de género, con resultados vergonzosos.

Un tema que no se consideró en esta conversación es la diversidad y la representación en las primeras pruebas de productos. Esta fase del desarrollo del producto tiene un gran impacto en la dirección de un producto y a quién sirve en última instancia. Por ejemplo, si la mayoría de las personas que utilizan un producto nuevo son hombres blancos de altos ingresos que trabajan en el espacio tecnológico (que es el caso de los primeros usuarios), la mayoría de los comentarios de los usuarios que recibe el equipo del producto serán sobre Adapte este producto a sus necesidades y puede que no sea generalizable para las necesidades de una audiencia más amplia.

Es de conocimiento común que la personalización para el mercado de productos a través de la construcción se logra para un pequeño grupo de personas que aman su producto. Si la investigación de productos y las hojas de ruta se basan en los comentarios de los primeros usuarios, y esos primeros usuarios no son diferentes, ¿cómo podemos desarrollar tecnologías que sirvan a un segmento más amplio de la sociedad?

Diversificar el circuito de retroalimentación

Estamos trabajando en este problema en la startup para la que trabajo, Neeva. Como todavía somos bastante nuevos, hemos creado una lista de espera para las personas que quieran probar nuestro producto de forma gratuita antes de que lo publiquemos. La gran mayoría de las personas en nuestra lista de espera son hombres y un número importante de ellos trabaja en el campo técnico.

Nos propusimos explorar cómo diversos grupos de personas podrían sentirse atraídos por probar un producto en etapa inicial, y vimos una profunda falta de recursos para las startups en etapa temprana que quieren (y no) atraer a una audiencia completa. pagar mucho dinero por el proceso, una preocupación común para las empresas antes de los ingresos). Parecía que se prestó poca atención a este tema, lo que resultó en una falta de datos demográficos de los primeros usuarios y probadores de productos. Así que tuvimos que seguir nuestro propio camino en su mayor parte.

Primero, buscamos datos demográficos sesgados en nuestra lista de registro al trazar la distribución por segmentos demográficos importantes.

Cuando dividimos nuestras credenciales en función de atributos básicos. Como puede ver arriba, estaba claro que ciertos datos demográficos estaban sobrerrepresentados. Un factor que contribuyó a esto fue que muchos de nuestros usuarios escucharon de nosotros en publicaciones técnicas y foros, que pueden no reflejar la composición de toda la población estadounidense. Esto más tarde influyó en cómo intentamos atraer nuevas audiencias después del lanzamiento.

Luego tuvimos que descubrir cómo evitar la compilación solo para probadores que encajaban en el perfil del «primer usuario». Una vez que los probadores estuvieron en nuestra plataforma, realizamos una “muestra estratificada” demográfica. Esta es solo una forma elegante de decir que muestreamos dentro de cada categoría y luego combinamos esas submuestras para crear la muestra total. Esto aseguró que cada grupo de población estuviera adecuadamente representado en nuestra muestra. Usamos este método tanto para seleccionar usuarios para solicitar comentarios como para seleccionar usuarios para participar en la investigación. Esto aseguró que la posición mayoritaria no fuera exagerada.

También construimos estos segmentos demográficos directamente en nuestros paneles (es decir, uso por género a, género b, género c, etc.). La clave aquí no es solo usar el segmento como un «filtro», ya que sería difícil comparar los resultados filtrados de manera sistemática, sino integrarlo como una vista principal en el tablero.

También utilizamos herramientas como SurveyMonkey y UserTesting para encontrar diferentes grupos de personas y comprender sus necesidades en relación con nuestro producto. Estos comentarios influyeron en nuestra hoja de ruta y complementaron los comentarios de los evaluadores. Para los datos autoinformados que son diferentes o no, es importante tener en cuenta que es importante eliminar las respuestas apresuradas o inconsistentes. A continuación, se muestran algunos ejemplos de preguntas que pueden ayudarlo a encontrar respuestas de mala calidad.

Finalmente, es importante asegurarse de que los distintos sectores sean lo suficientemente grandes como para ser estadísticamente significativos. De lo contrario, solo necesita tratar los datos como direccionales.

Más perspectivas conducen a mejores productos

Todo este trabajo nos ayudó a comprender que los probadores de todo el país, a pesar de su profesión, estaban muy bien informados sobre los usos de nuestro producto (búsqueda sin publicidad). También eran muy conscientes del impacto de los dólares publicitarios en los productos que usaban, lo que significaba que había problemas reales que podíamos resolver.

Los grupos minoritarios de probadores han tenido un gran impacto en la dirección de nuestro producto, aunque en pequeños porcentajes. (Y «minoría» aquí puede referirse a cualquier minoría demográfica, ya sea raza, ocupación, interés, etc.) Por ejemplo, a través de conversaciones con padres de todos los géneros (~ 30% de nuestros evaluadores) aprendimos que los planes familiares, donde estamos más seguros y crear experiencias más privadas para niños y adolescentes sería un diferenciador clave en su experiencia de búsqueda. Basándonos en los comentarios de los grupos minoritarios, también estamos considerando permitir que las personas encuentren pequeñas tiendas minoristas o aquellas que solo venden productos de fuentes sostenibles para evitar que los resultados sean dominados por los aparentemente grandes minoristas.

Al tomarnos el tiempo para analizar a fondo nuestros datos y equilibrar nuestra investigación, hemos descubierto audiencias que originalmente no veíamos como parte de nuestro mercado objetivo. Estamos desarrollando un producto que es útil para todo tipo de casos de uso más allá de la burbuja de los primeros usuarios.

Sandy Banerjee es directora de marketing de Neeva.

VentureBeat

La misión de VentureBeat es ser una plaza de la ciudad digital para que los tomadores de decisiones técnicas obtengan conocimiento de la tecnología y las transacciones transformadoras. Nuestro sitio web proporciona información importante sobre tecnologías y estrategias de datos para ayudarlo a administrar su negocio. Te invitamos a convertirte en miembro de nuestra comunidad y acceder a:

  • información actual sobre temas de su interés,
  • nuestros boletines
  • contenido privado de líderes de opinión y acceso con descuento a nuestros valiosos eventos como Transform
  • Funciones de red y más.

conviértete en miembro

Deja una respuesta

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