Иногда я задаюсь вопросом, сможет ли робот выполнять мою работу. Я дизайнер, и моя роль заключается в создании цифровых продуктов, которые люди хотят использовать. Может ли машина быстрее меня узнать, чего хотят люди? Мог ли он создавать вещи лучше, чем я, за меньшее время, с меньшими затратами и вдобавок красивее? Я не думаю, что это слишком надуманно, учитывая, что мы живем в эпоху петабайтов, а Большие данные автоматизируют многие утилиты в нашей жизни. Потенциал машинного обучения заключается в автоматизации проектирования.
Hello Games, создатели No Man’s Sky использовали алгоритмы для создания, казалось бы, безграничной вселенной звезд и планет в видеоигре. Такие службы, как Mark Maker, создают концепции логотипов, которые уточняются с помощью пользовательских настроек. Алгоритмический дизайн имеет потенциал для настройки большого количества различных макетов дизайна, которые затем можно протестировать в режиме реального времени, чтобы определить наиболее успешные проекты. Благодаря алгоритмам прогнозирования Google, Amazon и Facebook клиенты теперь ожидают персонализированного контента, который предлагает соответствующие варианты при поиске чего-либо в Интернете.
Может ли машина плакать?
Несмотря на постоянно растущий потенциал ИИ и машинного обучения, у меня есть еще несколько лет полезного дизайна до неизбежного устаревания. Есть один фактор в мою пользу — если машины могут обыграть меня в шахматы, то я могу победить их в эмпатии. Моя мотивация к дизайну основана на интуитивном понимании человеческого состояния. Я понимаю, каково это быть человеком, который каждый день должен терпеть отвратительный опыт взаимодействия с жизнью; люди договариваются о своей повседневной рутинной работе, пытаются заниматься цифровым банкингом, оплачивать счета и подавать заявки на деловую визу онлайн.
Я разделяю их боль, и это одновременно вдохновляет и мотивирует. Я хочу исправить вещи и сделать их простыми или, по крайней мере, безболезненными. Я не вижу машин, разделяющих это мое стремление, эту странную страсть. Машины еще плохо понимают эмоции людей: наше странное, беспорядочное, непредсказуемое и нелогичное поведение. Но это не значит, что машины не могут видеть закономерности в поведении человека. Это то, для чего машинное обучение действительно полезно — видеть закономерности в большом масштабе.
Но я тоже могу видеть закономерности. Люди очень хорошо умеют находить закономерности и приписывать им значение. Мои лучшие дизайнерские решения исходят из выявления закономерностей в отзывах и наблюдениях пользователей, но окончательная проверка — это когда я вижу онлайн-метрики в данных. Большие данные — это статистический пожарный шланг, который можно собирать, запрашивать и анализировать для извлечения смысла и понимания того, что клиенты делают в Интернете. Я считаю, что хороший дизайн опирается как на качественные, так и на количественные исследования.
Крис Андерсон предсказывает, что большие данные сделают традиционные научные методы устаревшими. Это вполне может случиться, но до сингулярности еще далеко, а научный метод выдвижения гипотезы, измерения и обнаружения своих ошибок продолжает действовать. Хитрость заключается в том, чтобы обнаружить свои ошибки, прежде чем вкладывать слишком много средств в создание своего продукта. Другой — делать это на скорости.
Машины не делают творческих ошибок
Чтобы быть эффективным дизайнером, мне нужно больше, чем просто сочувствие. Мне нужно иметь возможность быстро тестировать новые идеи. Создавая технологические платформы, позволяющие экспериментировать с концепциями новых продуктов в режиме реального времени, мы можем быстро учиться на своих ошибках.
Один из наших клиентов, динамично развивающийся розничный продавец, смог отказаться от трудоемкой фазы рыночного тестирования с образцами продуктов и перейти к тестированию гипотетических продуктов на платформе онлайн-заказов. Например, с помощью претотипирования мы можем сегментировать процент посетителей сайта, которым наряду с реальными товарами показываются тестовые продукты. Когда пользователи помещают тестовый продукт в свою корзину, им сообщают, что продукт все еще находится на стадии разработки, и вместо этого награждают бесплатным товаром. В течение нескольких дней у нас есть возможность уверенно выбирать концепции продуктов, которые нужны клиентам, а затем коммерциализировать их.
Относительно легко воспользоваться онлайн-метриками клиентов, но как внедрять инновации на рынке, где ваши клиенты все еще действуют по старинке? У нашей розничной команды ThoughtWorks недавно была возможность поработать с очень традиционным розничным продавцом, чтобы разработать мобильное приложение для их клиентов. Это, вероятно, звучит как решение проблемы, и нам часто представляют такого рода брифы — приложение для клиентов, которые не думают, что им это нужно.
Работая в тесном сотрудничестве с руководителями отдела обслуживания клиентов, технологий и электронной коммерции ритейлера, команда решила перевернуть задание и найти реальные проблемы, с которыми сталкиваются их клиенты. Работая на скорости, исполнительная команда договорилась, что мы будем совместно разговаривать с клиентами. Высшее руководство разговаривает с клиентами! Сумасшедший, верно? Любой, кто работал в области исследования клиентов, расскажет вам о многих опасностях личных интервью: предубеждениях, наводящих вопросах. Поэтому наша исследовательская группа сначала разработала простой сценарий интервью в сотрудничестве с исполнительной командой, а затем вместе отрепетировала сценарий, чтобы сгладить потенциальные ловушки. Мы сопровождали руководителей в первый из шести магазинов, чтобы провести интервью в парах.
В тот первый день было проведено более 50 интервью с клиентами, и этот процесс повторялся шесть раз в течение первых двух недель. В конце каждого исследовательского спринта делались выводы; например, боль, которую испытывают клиенты, когда товара, который они искали, нет в наличии. Присутствие руководителя позволило быстро расставить приоритеты для решения проблем, на которые жаловались клиенты; например, пропуска событий в магазине и неверных цен. В течение двух недель простой прототип приложения для покупок был протестирован с клиентами до того, как была написана хоть одна строчка кода. Команда была уверена, что то, что они создавали, было полезно клиентам. Дальнейшая проверка была получена с помощью онлайн-опросов клиентов, что обеспечило статистическую достоверность дизайнов.
Обращение к сердцу
Для предприятий, которые конкурируют на изобилующем рынке, предложение дифференцированного обслуживания клиентов может означать разницу между победой или поражением. Бренды, которые понимают это правильно, способствуют общему пониманию цели клиента в масштабах всей компании. В ориентированной на клиента организации трудно представить, как машинное обучение может заменить понимание и сочувствие, которые обеспечиваются при непосредственном взаимодействии с вашими клиентами. Если мы сосредоточимся только на количественных показателях, то мы рискуем оптимизировать наш бизнес исключительно для повышения эффективности и скорости, а не для обеспечения устойчивой ценности для клиентов, которая может укрепить лояльность и доверие.
Машины отлично подходят для автоматизированной, точной, повторяющейся работы, но не очень хороши для творческой, выразительной работы. Точно так же, как дизайнеры могут создавать незабываемые, уникальные и дифференцированные впечатления от бренда, трудно представить день, когда программные алгоритмы смогут разработать логотип или бренд, которые будут нравиться сердцу.
По мере того, как клиентский опыт все больше использует подключенные устройства и датчики, я думаю, что потребность в целостном проектировании для каждого отдельного человека с учетом единого взгляда на путь клиента будет возрастать. Я думаю, что для потребительских брендов будет возрастать потребность в найме многопрофильных дизайнеров, которые могут разрабатывать опыт, а не только точки касания или интерфейсы. Разработчики продуктов завтрашнего дня должны будут понимать своего клиента, иметь возможность планировать эксперименты для проверки своих идей и работать вместе с учеными по данным и группами доставки для создания решений, которые могут включать комбинацию материалов, программного и аппаратного обеспечения. Нам нужно будет все больше разрабатывать связанный опыт, который прощает человеческое поведение.
В настоящее время все еще есть роль дизайнера, который практикует методы исследования в человеческом масштабе. Существует потребность в творческом интеллекте, который может быть вдохновлен только человеческим поведением. Большие данные и машинное обучение расширят возможности дизайнерского мышления, но не заменят эмпатию, возникающую в результате человеческого общения.
Первоначально опубликовано на сайте www.thoughtworks.com 7 декабря 2016 г.
