Como Pode a IA Generativa Tornar a Análise de Dados Mais Acessível às Equipas de Produto?

Leia a transcrição:

Estamos a experimentar transcrever os nossos podcasts com um programa de software. Perdoe quaisquer erros tipográficos, uma vez que o bot não está correto a 100% do tempo.

Hannah Clark: Quer prefira o termo orientado por dados, informado por dados ou fascinado por dados, isso não importa — a tecnologia atual não consegue sobreviver sem conjuntos de dados de elevada qualidade E sem as ferramentas para os utilizar eficazmente. Mas também não podemos dar-nos ao luxo de pensar nos dados como sendo da responsabilidade de apenas um ou dois departamentos da organização — em vez disso, temos de entrar em 2025 com uma mentalidade de democratização dos dados. Por outras palavras, o nosso negócio são os nossos clientes, por isso, aquilo que os nossos clientes dizem deve ser da responsabilidade de todos.

O meu convidado de hoje é Mario Ciabarra, fundador e CEO da Quantum Metric. A Quantum é uma plataforma de análise de dados alimentada por IA generativa que permite às empresas interpretar os dados e transformá-los em informações úteis para diferentes partes interessadas, para que todos — desde o designer de produto no primeiro dia até ao fundador da empresa — possam incorporar a empatia pelos clientes em todas as decisões. Falámos sobre o funcionamento prático deste processo, sobre questões relacionadas com a higiene dos dados e sobre algumas previsões acerca da forma como a IA generativa impulsionará a evolução da análise de dados este ano e no futuro. Vamos começar.

Bem-vindos de volta ao podcast The CPO Club. Estamos hoje aqui com Mario Ciabarra.

Mario, obrigado por arranjares tempo na tua agenda preenchida para falares connosco hoje.

Mario Ciabarra: Hannah, é um prazer enorme. Obrigado pelo convite.

Hannah Clark: Vamos começar como fazemos sempre. Podes falar-nos um pouco sobre o teu percurso e sobre como acabaste onde estás hoje, na Quantum Metric?

Mario Ciabarra: Sim, com todo o gosto. Desde criança, era possível ver os sinais de que eu seria um futuro empreendedor.

Talvez possamos falar um pouco disso durante a nossa conversa, mas como é que acabaste aqui hoje, como parte dessa jornada empreendedora? Sempre fui apaixonado por software, engenharia informática e engenharia de software, e a ideia de descobrir como tornar as experiências melhores acabou simplesmente por se tornar o centro dessa paixão.

Tudo começou com a pergunta: como posso tornar as coisas mais rápidas, como posso torná-las mais eficientes? E comecei a perceber: podemos torná-las rápidas, mas, se não forem excelentes, isso não importa. Como criamos experiências excelentes para públicos que vão desde a minha filha de 13 anos até ao meu pai de 87 anos? Eles têm necessidades diferentes.

Como garantimos que as nossas experiências funcionam para todos?

Hannah Clark: Quero falar um pouco contigo sobre a tua abordagem à liderança, porque tiveste um percurso bastante longo na tua carreira e mencionaste anteriormente que a tua paixão evoluiu do produto e da engenharia para o foco nas pessoas e na empatia. Como é que isso influenciou a tua abordagem à liderança?

Mario Ciabarra: Se me perguntares sobre a empresa, estava a pensar nisso porque janeiro está a aproximar-se e vai marcar o meu décimo aniversário aqui na Quantum. Se me tivesses perguntado, há nove ou oito anos, aquilo que me apaixonava na Quantum, a resposta teria sido, sem dúvida, criar produtos. Ainda hoje é a minha paixão. Mas aconteceu uma coisa estranha, porque esta é a minha quarta empresa.

As outras empresas que tive eram pequenas. Tinham entre uma e três pessoas. Criávamos produtos, desenvolvíamos produtos, iterávamos até alcançar o sucesso. O que me apanhou de surpresa foi o facto de sermos agora mais de 400 pessoas na Quantum. E não foi quando chegámos às centenas; foi quando éramos apenas algumas dezenas que percebi que as empresas de sucesso são construídas com base na equipa.

Por isso, é necessário ter uma equipa extraordinária e perceber que o CEO, o fundador e o líder da organização são responsáveis por liderar essa equipa. Sem isso, nada funciona bem em conjunto. Podemos ter todo o produto excelente que quisermos, mas ele não funcionará. Por isso, criar um grande sucesso passa pela liderança de pessoas e pelo investimento nas pessoas.

E tudo se resume ao motivo pelo qual o nosso primeiro objetivo empresarial é ter pessoas felizes e uma cultura saudável e diversificada. O segundo é transformar os clientes em fãs entusiastas. O terceiro é alcançar algum sucesso económico durante o ano. Mas os dois primeiros não mudam de ano para ano. Naturalmente, no terceiro, vamos alterando a meta todos os anos em função do sucesso que queremos alcançar.

Penso que algumas pessoas e organizações fazem isto ao contrário. Concentram-se em dizer: “Vamos alcançar um indicador financeiro. Esse é o nosso objetivo este ano.” Não creio que seja possível chegar lá sem pessoas felizes. Também não creio que seja possível chegar lá sem transformar os clientes em verdadeiros fãs. Trata-se realmente de pensar: sim, quero alcançar sucesso económico.

Claro que quero. Mas vamos concentrar-nos nas nossas pessoas e em cumprir aquilo que prometemos aos clientes que depositaram em nós a sua confiança e os seus recursos financeiros.

Hannah Clark: E, naturalmente, a empatia é uma parte fundamental disso. Hoje vamos concentrar-nos na IA generativa e na forma como pode tornar a análise de dados mais acessível às equipas de produto.

Mas, antes de entrarmos no essencial da conversa, quero falar sobre promover a empatia em grande escala, tendo em conta tantos utilizadores. Que papel pensas que a análise de dados desempenha na promoção da empatia junto de uma grande base de utilizadores?

Mario Ciabarra: Se tivesses de servir pessoas com qualquer produto ou serviço e fossem apenas números de um dígito, não creio que a análise de dados fosse útil.

Bastaria ajudar essa pessoa diretamente, ter uma conversa com os dois clientes que tens. Quando esses dois se transformam em dois milhões, de repente surge aquele momento de clareza: não posso falar com os dois milhões. Preciso da análise de dados para me ajudar a compreender o cliente. Por isso, um processo de pensamento que tenho tido recentemente é perguntar menos e ouvir mais.

E é isso que a análise de dados representa. Trata-se realmente de ouvir através dos dados. Quando penso numa representação gráfica ou num gráfico num ecrã, e penso na análise de dados tradicional, sim, é ótimo. Vi o gráfico. Mas será que isso desperta empatia na maioria das pessoas? Penso no momento em que consigo ligar esse gráfico a pessoas reais.

É aí que a empatia acontece para mim. E já a vi nos olhos dos nossos clientes e das pessoas com quem falo, incluindo a nossa equipa. Trata-se realmente de ligar o gráfico aos utilizadores que representa. E essa é a base daquilo em que a Quantum se tornou: como ligo as experiências à informação e desperto empatia para promover a mudança?

Hannah Clark: Sim. E também adoro essa frase. Tudo gira em torno de ouvir. Penso que é uma abordagem muito interessante. Normalmente, não pensamos em empatia quando pensamos em análise de dados; as duas coisas parecem quase opostas. Mas, na realidade, permitem às nossas equipas desenvolver uma noção daquilo que os utilizadores estão a tentar dizer-nos.

Fala-me um pouco sobre IA generativa e sobre a forma como pode tornar a análise de dados de produto mais acessível às equipas, permitindo que as pessoas que trabalham nos produtos compreendam melhor aquilo que os utilizadores estão a tentar dizer.

Mario Ciabarra: Houve uma fase inicial desta jornada na Quantum em que me sentei com um responsável de produto de uma grande empresa de retalho, uma pessoa fantástica.

Continuo amigo dele há sete ou oito anos. Mudou de organização várias vezes, mas houve algo que me marcou quando me levou para uma sala depois da reunião formal com a sua equipa e me disse: “Mario, não imaginas o sentimento de culpa que os gestores de produto têm por não utilizarem suficientemente os dados.”

Essa frase ficou comigo durante os últimos sete anos. Como podemos tornar os dados acessíveis para que as pessoas não se sintam culpadas por não os utilizarem? Como podemos tornar o seu consumo fácil, para que, com o tempo, as pessoas possam utilizar essa capacidade de ouvir em grande escala, com enormes quantidades de dados, para tomar as decisões certas que façam avançar o negócio?

Mas, obviamente, esse negócio consiste simplesmente em servir o cliente. Como podem servir melhor os clientes com os dados? É difícil. É por isso que ele falava desse sentimento de culpa. Tenho o meu trabalho diário e, sim, quero utilizar dados, mas parece demasiado complicado encontrar os dados certos que respondam ao problema que estou a tentar resolver.

Não sei como interagir com eles. Estão espalhados por 16 locais diferentes, em todas estas ferramentas. Não sei qual delas vai responder à pergunta certa. E, sinceramente, desisto. Vou seguir a minha intuição. Acabou. Por isso, temos vindo a recolher todos estes dados e a tentar tornar o acesso cada vez mais fácil.

Na verdade, o princípio de toda a empresa, no início, acabou por dar origem a t-shirts com a frase “tornamos tudo simples”. Tornamos a análise de dados simples e estamos sempre a tentar perceber como torná-la ainda mais simples e acessível para vários públicos: profissionais de marketing, responsáveis de produto, comerciantes, profissionais de operações de desenvolvimento, executivos e equipas de análise de dados.

Todas estas equipas precisam de aceder a informação sobre o que está a acontecer do ponto de vista do cliente e sobre como podemos melhorar. Para nós, a IA generativa entra em ação quando perguntamos: que tarefas estão estas equipas a tentar realizar para compreender os dados? Por exemplo, muitos responsáveis de produto passam tempo a ver gravações da sessão de um utilizador e do seu percurso.

“Uau, não sabia que ele tinha clicado ali. Não sabia que ia primeiro àquele local e depois fazia isto.” Existem informações extraordinárias. O problema de ver gravações de sessões é que é muito lento. É extremamente monótono. Sempre me ri quando as pessoas diziam: “Sim, temos uma noite de cinema, fazemos pipocas e depois vemos os utilizadores e o seu percurso durante uma hora numa sala de reuniões.” É interessante porque é valioso, mas não é uma boa utilização do tempo.

E se pudéssemos pedir à IA generativa para ver as gravações por nós? Esse foi o conceito que surgiu em janeiro, porque sabemos que a IA generativa é muito boa a resumir coisas. E se pudéssemos utilizar a sua magia para resumir o percurso de um utilizador?

O nosso negócio acelerou ao longo de 2024. Lançámos este produto chamado Felix AI no final de fevereiro ou início de março de 2024 e, a cada trimestre, o negócio acelerou, porque o produto dá a mais equipas acesso à compreensão daquilo que está e não está a funcionar para o utilizador. E faz isso em grande escala, porque, se demora 20 minutos a compreender um utilizador individual e tens 2 milhões de utilizadores, podes fazer as contas.

Não funciona. Mas, se conseguirmos demorar dois segundos a compreender um único utilizador, já é possível. Com a IA generativa, também podemos criar um segmento. “Está bem, este utilizador teve dificuldades. Essas dificuldades representam um utilizador ou dez milhões? Ajuda-me a fazer isso automaticamente.” E isso proporciona acesso à capacidade de ouvir um grupo maior de pessoas.

Estamos muito entusiasmados com a forma como a IA generativa pode permitir que as pessoas ouçam melhor.

Hannah Clark: Voltando ao que disseste anteriormente, penso que existe uma enorme pressão para sermos especialistas em dados, capazes de interpretar informação, fazer as perguntas certas e consultar as fontes certas. Explica-me, então: quão simples é exatamente quando falamos em utilizar IA generativa para interpretar os dados, por exemplo, quando um gestor de produto utiliza a plataforma?

Podes explicar-me um cenário possível, talvez uma situação concreta em que essa pessoa utilize efetivamente os dados e a plataforma?

Mario Ciabarra: Uma das minhas histórias preferidas tornou muito claro o valor daquilo que fazemos: a capacidade de ligar esta informação a diferentes públicos.

Vou escolher um exemplo com o qual todos nos conseguimos identificar. Hannah, quando foi a última vez que telefonaste ao teu banco, à tua operadora de telecomunicações, ao teu prestador de cuidados de saúde ou à tua companhia aérea? Se pensares na última vez que ligaste a um desses prestadores de serviços, provavelmente só o fizeste depois de tentares resolver o problema sozinha, certo?

Estás na aplicação ou no sítio Web. Tentas fazê-lo. Não funciona. E é nessa altura que telefonas. Não acordaste a pensar: “Hoje, a primeira coisa que vou fazer é telefonar ao meu prestador de cuidados de saúde.” Querias resolver a questão sozinha. Mas, quando chegaste ao fim da tentativa e não funcionou, ligaste e provavelmente acabaste num sistema de resposta vocal interativa, a premir várias vezes as opções de um a nove até chegares ao interlocutor certo.

A pessoa atende e diz: “Olá, Hannah. Como estás?” E tu pensas: “Deixa-me explicar como estou.” Estou a tentar alterar o meu seguro de saúde para este ano ou consultar a minha cobertura e não consegui. “Espera, Hannah. Vou encaminhar-te para um especialista.” “Olá, Hannah. Como estás?” Não seria fantástico se pudéssemos mudar essa conversa para: “Sabemos o que a Hannah estava a fazer. Sabemos porque nos está a ligar. Vamos encaminhá-la diretamente para o especialista.”

“Olá, Hannah. Parece que estavas a consultar a cobertura na aplicação, mas encontraste um erro. Lamentamos muito. Podemos ajudar-te com isso ou com outra questão?” É isto que estou a tentar transmitir: todas estas empresas têm recolhido dados sobre aquilo que a Hannah fazia no seu sítio Web ou na aplicação. Simplesmente ainda não conseguiram ativar essa informação no centro de atendimento.

Este é apenas um exemplo de um público que poderia beneficiar dessa informação. A IA generativa permitiu-nos resumir o percurso da Hannah em dois segundos. No passado, sempre tivemos esses dados, mas estavam disponíveis em tempo real? A Quantum tem trabalhado nesse sentido. Mesmo com disponibilidade em tempo real, não faria sentido dizer: “Espera, Hannah, deixa-me ver o que fizeste nos últimos 30 minutos e depois respondo.” É mais fácil perguntar à Hannah o que quer ou dizer-lhe para premir uma opção de um a nove no telefone.

A capacidade de resumir o que a Hannah estava a fazer, sabendo que a IA generativa é boa a produzir esse resumo, transformou o nosso negócio.

Agora, esse caso de utilização do centro de atendimento não é tão direcionado ao nosso público de produto, mas pensa no gestor de produto. Pensa em alguém que está a tentar compreender porque é que um utilizador não converteu, não se registou, não marcou um voo ou não alterou corretamente o seu serviço ou endereço, ou qualquer outra tarefa que estivesse a tentar realizar.

Como compreendo o motivo por detrás desse percurso? Muitas vezes isso exige análise de dados, gravações de sessões e várias ferramentas diferentes. Também temos ficheiros de registo. Como tornamos tudo isso mais simples? Como tornamos fácil, para o responsável de produto, compreender o percurso do cliente? É isso que a Quantum está a fazer com a IA generativa.

Vamos transformar essa compreensão em segundos. Depois, penso que é importante compreender o indivíduo, mas também perceber se essa experiência, esse ponto de fricção ou essa oportunidade de otimização representa um caso pequeno ou um caso de grande dimensão. Esta semana estive num grande banco dos Estados Unidos e sorri de orelha a orelha quando ouvi uma frase de um membro da equipa: “Isto está a ajudar-me a ser um gestor de produto operacional.” Nunca tinha ouvido essa expressão, mas ela diz-me muito.

Existem gestores de produto e penso que precisamos de transformar a forma como encaram o seu papel, passando para uma gestão de produto operacional. Como utilizo os dados para compreender, em tempo real, o que está e não está a funcionar para o meu cliente, e como mudo de direção em tempo real para garantir que os nossos clientes estão satisfeitos?

Muitos responsáveis de produto pensam: “Tenho as minhas tarefas. Tenho os meus ciclos de desenvolvimento. Vou tratar disso. Vou concentrar-me. Quando terminar o lançamento, termino e passo ao ciclo seguinte.” Para mim, isso é absurdo. Tenho de utilizar dados. Tenho de saber se estou a apostar na alteração certa, utilizando dados para garantir que a alteração, a experiência ou aquilo que estou a fazer é realmente o melhor para os meus utilizadores, de forma prioritária.

Depois, quando lanço a alteração, seja uma experiência ou um lançamento completo, tenho de interpretar corretamente os dados para compreender se está a produzir o impacto certo. Não devo passar imediatamente ao ciclo seguinte. Tenho de utilizar os dados para reforçar a confiança de que estou a tomar boas decisões — ou perceber que são más decisões e alterar a forma como tenho pensado.

Isto não está a produzir o impacto que esperava, ou está. E, nesse caso, quero apresentar essa informação à liderança. Estou a utilizar bem os nossos recursos. Estou a melhorar a experiência do cliente. Talvez mereça uma promoção, um aumento ou um prémio este ano. Os dados podem ajudar a confirmar se estou a tomar boas ou más decisões.

Penso que é isso que significa ser um gestor de produto operacional.

Hannah Clark: Existe atualmente um problema: os gestores de produto sofrem muita pressão para tomar decisões sólidas com base em dados, embora não sejam necessariamente cientistas de dados. É muito fácil fazer suposições incorretas ou interpretar mal os dados de uma forma que distorça a nossa compreensão e interpretação e conduza, consequentemente, a conclusões erradas.

Parece-me que, ao utilizar a IA generativa como intermediária e de forma mais conversacional, reduzimos algumas dessas suposições. É correto? Ou ainda precisamos de tomar precauções para garantir que continuamos a tomar decisões sólidas com esta ferramenta?

Mario Ciabarra: Não penso que a questão seja utilizar IA generativa ou não. Mas posso falar sobre a parte relacionada com a IA generativa. Penso que a questão é: que fonte de dados estamos a utilizar? Gosto do facto de os dados que recolhemos representarem uma verdade inegável. São palavras que os nossos clientes utilizam. Quando vemos que um cliente está a tentar alterar o seu serviço ou a sua operadora, ou marcar um voo, e isso não está a funcionar, não podemos ignorar o facto.

Existem muitas fontes de dados disponíveis para qualquer membro da equipa, mas vou escolher os gestores de produto como exemplo. Se me disseres: “Mario, preciso que demonstres que a minha decisão está correta”, consigo encontrar literalmente uma fonte de dados na organização que prove que tenho razão. É uma abordagem terrível, por isso não a sigas.

Mas esse é parte do problema: qualquer pessoa pode encontrar dados que confirmem o seu enviesamento de confirmação — “Estou a fazer a coisa certa.” É por isso que falei anteriormente sobre o gestor de produto operacional que utiliza os dados do negócio para confirmar que as suas decisões são exatas. Quando lança algo e isso melhora os indicadores do negócio, ótimo.

Por isso, a questão é saber que dados devo utilizar para essa confirmação. Penso naquilo em que nos concentramos: como é que tudo se apresenta do ponto de vista do cliente? Eu preocupo-me, naturalmente, com ficheiros de registo, desempenho dos servidores e questões semelhantes. Não quero desvalorizá-los.

Mas só me preocupo com eles quando preciso de me preocupar. Não penso que devamos começar por aí, quer sejamos gestores de produto, executivos ou responsáveis de negócio. Não devemos começar com: “A API está mais rápida.” Isso é ótimo, todos vão receber um prémio este ano. Mas isso é realmente o mais importante? Não estou a dizer que não é. Estou a perguntar se deve ser o ponto de partida.

Um cliente não telefona, não preenche um inquérito, não publica uma mensagem ou envia um e-mail ao CEO para dizer: “Estou na experiência B, estou na campanha C e esta API está avariada.” As pessoas não falam assim. Dizem: “O vosso sítio Web é péssimo, a vossa aplicação é péssima e estou frustrado.”

Como levamos a organização de produto a pensar do ponto de vista do cliente? Penso que essa é a chave da tua pergunta. E sim, quero acrescentar IA generativa para tornar os dados mais acessíveis e fáceis de compreender. Não creio que o problema das organizações seja terem ou não acesso ao ponto de vista do cliente.

Existem muitas formas diferentes de o fazer. A questão é: como interpretam essa informação para tomar decisões sólidas e não correrem imediatamente para concluir: “Mas este ficheiro de registo diz isto e esta API diz aquilo”? Já vi isso acontecer em organizações. Já vi dezenas de pessoas desperdiçarem horas a tentar tomar a decisão certa com base nos dados errados.

Por isso, penso que tudo se resume a saber se estás a olhar para a situação do ponto de vista do cliente. Essa é a única forma como uma empresa deve ser gerida: concentrando-se primeiro no cliente. Depois, sim, o cliente está frustrado neste ponto. Descobrimos que a causa é uma API ou uma linha de código registada nos ficheiros de registo. Vamos concentrar aí a nossa energia e os nossos esforços.

Mas, por vezes, simplesmente não era evidente que o cliente precisava de clicar naquele botão, ou o botão estava abaixo da área visível e nunca seria encontrado. Existem muitos elementos do ponto de vista do utilizador que ficam esquecidos nos ficheiros de registo e nas APIs. A fonte de dados deve ser, essencialmente, ouvir o cliente, e não necessariamente perguntar-lhe.

Para mim, um inquérito pergunta se o cliente está satisfeito ou não. Vejo valor nos inquéritos e não estou a desvalorizar nenhuma destas outras técnicas, mas devem ser utilizadas no momento certo. Penso que tudo se resume a observar ou ouvir primeiro do ponto de vista do cliente.

Hannah Clark: Já defendeste a democratização dos dados dentro das organizações. Em primeiro lugar, o que significa isso para ti? E que desafios tendem as empresas a enfrentar quando tentam tornar os dados mais acessíveis entre departamentos?

Mario Ciabarra: Assistimos a uma evolução no consumo de dados, penso que até ao ano 2000. Tenho a certeza de que alguns ouvintes estão a pensar: “As pessoas já utilizavam dados antes de 2000.” Mas, para mim, o digital começou a ganhar vida através da utilização de dados. Para os mais experientes que nos estão a ouvir, posso dar o exemplo do Webtrends. Lembro-me de utilizar o Webtrends por volta de 1995 para obter dados analíticos a partir de ficheiros de registo.

Depois evoluímos para empresas como a Omniture, e o Urchin era o nome anterior do Google Analytics. Começámos a recolher píxeis e a compreender os percursos e as experiências dessa forma. Tudo começou na análise de dados de marketing. Se tivermos de situar esse processo, a compreensão do mundo digital começou no marketing.

Depois assistimos ao aparecimento do mundo da monitorização do desempenho das aplicações e vimos a análise de dados de operações de desenvolvimento a ganhar forma. Em seguida, surgiram as análises de experiência, com empresas como a TeaLeaf e a Clicktale. Atualmente, geralmente já não existem nas suas formas originais, mas foram as primeiras tentativas de compreender a experiência do utilizador, desde mapas de calor até gravações de sessões.

E, nos últimos cinco a dez anos, a análise de dados de produto surgiu como uma categoria. Afasto-me e ouço os nossos clientes, e vejo realmente a consolidação de todas estas soluções pontuais e análises isoladas. A questão passa a ser: como utilizo estes dados e os democratizo em toda a organização para compreender o motivo?

Penso que, em qualquer um desses sistemas, sempre foi fácil compreender o “o quê”: “Existe uma quebra na terceira fase do funil e temos apenas uma taxa de conversão de 2% no nosso sítio Web de comércio retalhista.” Penso que todos os sistemas fazem isso bastante bem. Mas compreender por que motivo as pessoas abandonam na terceira etapa é diferente para um responsável de produto, um responsável de operações de desenvolvimento, um comerciante ou um profissional de marketing.

Como os dados são muito semelhantes entre esses casos de utilização, não creio que faça sentido ter todas estas soluções pontuais. O nosso objetivo é pegar nessa compreensão dos dados e torná-la consumível por todas estas pessoas. A jornada será diferente. As ferramentas também.

Por exemplo, um designer de experiência do utilizador normalmente não passa o seu tempo em ferramentas de análise de dados. Mas, quando sobrepomos os dados analíticos no formato com que está familiarizado — por exemplo, diretamente no ecrã — conseguimos mostrar no que é que as pessoas estão a clicar e se isso conduz ao sucesso.

Num contexto de comércio retalhista ou de uma compra, isso começa a ligar o conteúdo, o esquema e os produtos às metas financeiras que queremos alcançar. Em última análise, foi por isso que os clientes chegaram ao teu sítio Web. Normalmente, não chegaram para navegar e ler conteúdo. Chegaram a pensar: “Se tiverem o produto que quero, ao preço certo, vou comprá-lo.” Como tornamos isso mais fácil para esse consumidor?

Tornar os dados consumíveis para o designer de experiência do utilizador significava sobrepor os dados ao sítio Web que está a utilizar. Para uma pessoa responsável pela monitorização do desempenho de aplicações ou pelas operações de desenvolvimento, poderia significar saber se a página carrega suficientemente depressa, se houve erros de API e assim por diante.

Para o responsável de produto, poderia significar saber em que experiência estava o utilizador e em que etapa ocorreu a falha. Trata-se de pensar nas diferentes perguntas e nos formatos adequados para apresentar a informação às diferentes pessoas.

É isso que a democratização dos dados significa para mim: tornar essa mesma camada de dados de base consumível por diferentes perfis, para que a organização não tenha de manter 16 soluções pontuais.

Quando entro nestas organizações, vejo pessoas a discutir questões muito básicas: “Os teus dados são diferentes dos meus. Eu tenho 2,3% e tu tens 2,4%.” Passam horas ou dias a tentar esclarecer essa diferença. Se tivéssemos um único sistema e concordássemos numa definição, isso seria muito mais simples. Não creio que a diferença entre 2,3% e 2,4% seja a questão essencial.

A questão é: onde estão a ter dificuldades? Onde podemos otimizar a experiência? Como podemos levá-los mais rapidamente até à conclusão da compra, com menos cliques e menos pontos de fricção? Como tornamos a experiência melhor?

A IA generativa pode tornar tudo isto mais fácil. Quando percebemos, através do Felix AI, que podíamos resumir a intenção e o percurso de um utilizador, percebemos também que podíamos adaptar essa informação a diferentes públicos.

Algumas pessoas podem querer um resumo rápido. Já mencionei o perfil do centro de atendimento: essas pessoas não querem todos os detalhes; só querem saber como interagir com o cliente de forma muito eficiente. O responsável de produto pode querer saber em que experiência o utilizador estava, que etapas percorreu e com que funcionalidades interagiu.

Uma pessoa de operações de desenvolvimento pode querer saber quais as páginas que carregam lentamente ou rapidamente. Podemos adaptar a resposta da IA generativa a esse público. Isso tem sido transformador para a nossa base de clientes, porque facilita o acesso à informação pretendida por cada perfil.

Hannah Clark: Temos mais alguns temas para abordar, um pouco diferentes entre si, por isso vou fazer uma ronda rápida.

Higiene dos dados. Vamos falar sobre isso. Muitas empresas têm dificuldades com a higiene dos dados. Como é que a IA generativa ajuda a reduzir alguns dos problemas que vemos habitualmente nas organizações?

Mario Ciabarra: Hannah, estou a sorrir de orelha a orelha porque este é um projeto que me é muito querido desde 2015.

Foi nessa altura que criámos o nosso primeiro vídeo explicativo. Nesse vídeo dissemos que iríamos fazer isto, mas nunca encontrei uma forma de o concretizar. E agora surge a IA generativa. Estou muito entusiasmado porque, até ao final deste trimestre, nas próximas semanas, vamos lançar um produto que faz exatamente isso: encontra os dados de que precisamos para tomar decisões para o nosso negócio.

Tenho viajado nas últimas semanas e fiz uma pergunta muito simples a todos os clientes e potenciais clientes com quem falei: com que frequência é que os vossos dados estão corretos? E com que frequência estão errados? Ficarias surpreendida ao saber que todos dizem que, semanalmente, têm de tomar decisões sem disporem de todos os dados.

É difícil tomar decisões sem os dados completos e sem os dados certos. Qual é, então, o valor de ter sempre os dados corretos? Tem existido alguma confusão no marketing e no mercado relativamente à captura automática, à etiquetagem automática e a todas essas funcionalidades. Ainda não chegámos ao ponto em que conseguimos extrair a informação certa — talvez indo além da etiquetagem — para recolher a informação correta que nos permita gerir o negócio.

Continuo a ver pessoas sem a informação certa. O que tenho ouvido repetidamente dos responsáveis de produto é: “Estamos num ciclo de desenvolvimento. A análise de dados faz parte do nosso calendário. No final do ciclo surgem vários erros. Posso etiquetar os dados certos e obter a minha informação analítica, ou posso corrigir os erros.” E sabes o que todos escolhem.

Acabam por lançar o produto sem os dados analíticos necessários para compreender se as novas funcionalidades tiveram sucesso. Quão absurdo é isso? E se pudéssemos automatizar o processo com IA generativa? E se pudéssemos dizer à IA generativa: “Preciso destas informações. Encontra-as nas experiências A, B e C”, sem termos de indicar exatamente onde estão?

Não seria necessário etiquetar tudo com os engenheiros. Bastaria extrair a informação certa das interações dos utilizadores do nosso sítio Web e da nossa aplicação. A expressão no rosto das pessoas quando demonstramos este produto é incrível.

Estava a falar com uma analista do setor e disse-lhe: “Numa escala de um a dez, quero que me digas o que pensas disto.” Mostrei-lhe o produto a funcionar. Ela respondeu: “Mais de dez. Isto é incrível.”

Hannah Clark: Sim. É o suficiente para ficarmos com lágrimas nos olhos.

Mario Ciabarra: Estou entusiasmado com o sucesso de 2025 e com a forma como vamos ajudar as organizações a dispor dos dados certos para tomar decisões em tempo real.

Hannah Clark: É realmente entusiasmante. E parabéns desde já.

Está bem, já que estamos a falar de 2025, vamos falar do futuro. Previste que, nos próximos anos, a análise de dados de produto evoluirá para análise de dados do cliente ou da experiência. Que tendências ou inovações pensas que impulsionarão essa transformação?

Mario Ciabarra: Compreender o cliente e ouvi-lo é mais do que fazer análise de dados digitais.

Existe muita informação que já foi recolhida nas organizações. Simplesmente ainda não foi interligada. Vou dar-te um exemplo. Atualmente, na Quantum, recolhemos dados de inquéritos e integramos com os principais fornecedores de inquéritos. Por vezes, queremos utilizar os dados para ouvir sem ter de perguntar onde estão os pontos de fricção.

Por vezes, é extraordinário perguntar simplesmente: “Hannah, estás satisfeita ou não?” Utilizámos os dados para compreender com sucesso a experiência da Hannah? Quando essa informação coincide com os dados que recolhemos, ótimo. Quando não coincide, percebemos que há algo que nos está a escapar e podemos encontrar a parte da experiência da Hannah que não estávamos realmente a compreender.

Mas há mais do que inquéritos. O que acontece quando a Hannah preenche uma avaliação? Não lhe pedimos necessariamente que o faça. Ela pode simplesmente dizer: “Adoro este produto” ou “Estou muito insatisfeita com este produto.”

Pensemos numa operadora de telecomunicações. Se a Hannah teve três chamadas interrompidas este mês, achas que vai renovar a subscrição no próximo mês? Talvez não seja a única coisa que tem de acontecer. Mas imaginemos que encomendou um iPhone novo e ele nunca chegou. Um dos membros da minha equipa encomendou este ano um iPhone novo a uma operadora e nunca o recebeu. Achas que essa pessoa quer continuar e renovar o contrato com essa operadora?

Existem todos estes elementos de dados que podemos compreender numa visão de 360 graus, combinando as experiências offline e online. Fundamentalmente, foi isso que tentámos fazer durante os dez anos da Quantum: ouvir os clientes. Estão mais satisfeitos hoje ou menos satisfeitos? São hoje mais leais ou menos leais?

É claramente mais do que inquéritos. É claramente mais do que experiências digitais. Como combinamos toda essa informação para ajudar executivos, responsáveis de produto, profissionais de operações de desenvolvimento e todas estas equipas diferentes a compreender quais são os pontos que importam para o cliente, assinante ou qualquer outro público que tenhamos? E como podemos melhorar a experiência para essas pessoas?

Como nos concentramos nos momentos que realmente importam?

Hannah Clark: Tudo isto foi extremamente interessante. É muito entusiasmante ouvir como a IA generativa vai transformar completamente o panorama da análise de dados e torná-la muito mais fácil e acessível para qualquer pessoa, quer seja um gestor de produto muito focado em dados, quer seja alguém mais orientado para competências interpessoais. É um tema muito entusiasmante.

Obrigado por te juntares a nós, Mario. Onde é que os nossos ouvintes podem acompanhar o teu trabalho online?

Mario Ciabarra: Podem seguir-me no LinkedIn. Quanto ao meu trabalho e à empresa, visitem quantummetric.com. Temos muito conteúdo, incluindo histórias de sucesso dos nossos clientes e informações sobre aquilo que está a chegar e a ser lançado.

Juntem-se a nós em quantummetric.com, sigam a Quantum Metric no LinkedIn e ouçam futuros podcasts aqui comigo e com a Hannah.

Hannah Clark: Excelente. Muito obrigada por teres vindo.

Mario Ciabarra: Obrigado, Hannah.

Hannah Clark: Obrigada por nos ouvirem. Para obterem mais informações úteis, guias práticos e análises de ferramentas, subscrevam a nossa newsletter em theproductmanager.com/subscribe. Podem ouvir mais conversas como esta subscrevendo o The CPO Club, onde quer que ouçam os vossos podcasts.