Hemos visto artículo tras artículo sobre el hecho de que las empresas de tecnología luchan con la diversidad en todos los niveles de contratación, lo que lleva a culturas tóxicas para las minorías (es decir, Uber antes de 2017). Incluso los algoritmos y la inteligencia artificial que sustentan estos productos pueden tener sesgos raciales o de género, con resultados vergonzosos.
Un tema que ha estado ausente en esta conversación es la diversidad y la representación en las primeras pruebas de productos. Esta etapa del desarrollo de un producto influye enormemente en la dirección de un producto, así como a quién sirve en última instancia. Por ejemplo, si la mayoría de las personas que usan un producto nuevo son hombres blancos de altos ingresos que trabajan en tecnología (lo que tienden a ser los primeros en adoptarlo), entonces la mayoría de los comentarios de los usuarios que recibe el equipo de producto servirán para adaptar ese producto. a sus necesidades y puede que no se pueda generalizar a las necesidades de una audiencia más amplia.
Es sabido que la adecuación entre el producto y el mercado se logra construyendo para el 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 diversos, ¿cómo podemos desarrollar tecnología que sirva 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 somos bastante nuevos, hemos creado una lista de espera para las personas que desean probar nuestro producto de forma gratuita antes de su lanzamiento público. La gran mayoría de las personas en nuestra lista de espera son hombres y un número significativo de ellos trabaja en tecnología.
Nos propusimos investigar un poco sobre cómo atraer a grupos más diversos de personas para probar un producto en etapa inicial y encontramos una profunda falta de recursos para las startups en etapa temprana que buscan atraer audiencias completas (y no pagar una tonelada de dinero en 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 sobre la demografía de los primeros usuarios y probadores de productos. Así que hemos tenido que forjar nuestro propio camino en su mayor parte.
Primero, verificamos datos demográficos sesgados en nuestra lista de registros trazando la distribución por segmentos demográficos clave.
Cuando dividimos nuestros datos de registro por atributos básicos. Como puede ver arriba, estaba claro que ciertos datos demográficos estaban sobrerrepresentados. Un factor que contribuyó fue que muchos de nuestros usuarios escucharon sobre nosotros a través de publicaciones y foros de tecnología, que pueden no reflejar la composición de la población general de EE. Posteriormente, esto ha influido en la forma en que intentamos atraer nuevas audiencias después del lanzamiento.
Luego tuvimos que determinar cómo evitar la compilación solo para probadores que se ajustan al perfil de “primeros usuarios”. Una vez que los evaluadores estuvieron en nuestra plataforma, realizamos un “muestreo estratificado” basado en datos demográficos, que es solo una forma elegante de decir que hicimos un muestreo dentro de cada categoría y luego combinamos esas submuestras para crear la muestra general. Esto aseguró que cada grupo demográfico estuviera adecuadamente representado en nuestra muestra. Usamos esta metodología tanto al seleccionar usuarios para sondear para recibir comentarios como al seleccionar usuarios para participar en la investigación. Esto aseguró que el punto de vista de la mayoría no fuera sobremuestreado.
También creamos estos segmentos demográficos directamente en nuestros paneles (es decir, uso por género a, género b, género c, etc.). La clave aquí es no aplicar el segmento como un simple “filtro”, ya que sería difícil comparar los resultados filtrados de una manera sistemática, sino integrarlo en el tablero como una vista principal.
También utilizamos herramientas como SurveyMonkey y UserTesting para encontrar grupos diversos de personas y comprender sus necesidades en lo que respecta a nuestro producto. Esta retroalimentación ayudó a influir en nuestra hoja de ruta y complementó la retroalimentación de los probadores. Una cosa para recordar con los datos autoinformados, diversos o no, es que es importante eliminar las respuestas apresuradas o inconsistentes. A continuación, he incluido algunos ejemplos de preguntas que puede utilizar para descartar las respuestas de baja calidad.
Por último, es importante asegurarse de que los diversos segmentos sean lo suficientemente grandes como para ser estadísticamente significativos; de lo contrario, debe tratar los datos como si fueran de naturaleza direccional únicamente.
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, tenían bastante conocimiento sobre las aplicaciones de nuestro producto (búsqueda sin publicidad). También eran muy conscientes de la influencia del dinero de los anunciantes en los productos que utilizan, lo que significaba que había problemas reales que podíamos resolver por ellos.
Los grupos minoritarios de probadores, aunque pequeños porcentuales, han influido significativamente en la dirección de nuestro producto. (Y “minoría” aquí puede referirse a cualquier grupo demográfico minoritario, ya sea raza, profesión, interés, etc.) Un ejemplo: al hablar con padres de todos los géneros (~ 30% de nuestros evaluadores), aprendimos que los planes familiares, donde podamos crear experiencias más seguras y 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 origen sostenible para evitar que los resultados dominen los obviamente grandes minoristas.
Al tomarnos el tiempo para analizar profundamente nuestros datos y equilibrar nuestra investigación, hemos descubierto audiencias que originalmente no considerábamos parte de nuestro mercado objetivo. Estamos creando un producto que es útil más allá de la burbuja de los primeros usuarios para todo tipo de casos de uso.
Sandy Banerjee es directora de marketing de Neeva.
VentureBeat
La misión de VentureBeat es ser una plaza urbana digital para que los responsables de la toma de decisiones técnicas obtengan conocimientos sobre tecnología transformadora y realicen transacciones. Nuestro sitio ofrece información esencial sobre tecnologías y estrategias de datos para guiarlo a medida que lidera sus organizaciones. Lo invitamos a convertirse en miembro de nuestra comunidad, para acceder a: información actualizada sobre los temas de su interés, nuestros boletines informativos con contenido exclusivo para líderes de opinión y acceso con descuento a nuestros eventos preciados, como las funciones de redes Transform, y más. Hazte miembro
Source: http://feedproxy.google.com/~r/venturebeat/SZYF/~3/x5d1aDCLgU4/
