Алгоритмоцентрический дизайн. UX для дата-сцайнтистов Вообще в мире растет направление работы с дизайном, ориентированным на работу с данными и аналитикой этих данных. Брайан О’Нил — основатель Designing for Analytics из США и он еще ведет подкаст «Испытание данных». Он помогает руководителям продуктов и специалистам по стратегии данных внедрять инновации, применяя дизайн, ориентированный на человека, к науке о данных и аналитике. Много его манифестов на видео https://www.youtube.com/watch?v=VjfxUBIXW5w&ab_channel=RiskGroupLLC https://designingforanalytics.com/ Действительно, хороший дизайн и UX хорошо сказывается на понимание дашбордов и данных, которыми оперируют в аналитическом мире. Тут действительно есть несколько интересных мыслей, например, отчет от VentureBeat AI который гордо рапортует, что большинство проектов ДС - 87 процентов не доходит до запуска. venturebeat.com/ai/why-…oduction Одна из причин - действительно неадаптированность данных к продуктам. Есть тенденция в корпорациях доводить сырые данные до пометки «Это продукт». На моей памяти один отдел очень крупного ритейлера в РФ назвал продуктом формулу уценки товара - ну те динамически рассчитываемую скидки на хрючево в эксельке и САПе. Так вот, Брайан рассылает шпаргалки для продактов дата-продуктов в которых достаточно любопытно рекомендует очевидные вещи, типа всегда показывать на дашборде данные для сравнения с чем-то, ответы на вопросы «достаточно ли этого изменения в метриках» для чего-то, может быть выводить на дашборды данные конкурентов опять таки для сравнения. Ну еще какие-то базовые вещи есть в духе 1) «урежем» данные дашбордов как излишние, 2) нарисуйте карту стейкхолдеров для того, чтобы избежать конфликтов внимания разных ролей на дашборде, 3) показывайте вовремя изменения метрик(очень часто забывают выводить какие-то несвязанные метрики на доски, например, метрики маркетинга на доску для продукта). Вроде все очевидно, но всегда полезно хорошее повторить. Шпаргалка следующим постом Наиболее ценной мне кажется вот эта мысль: Many engineering and technical companies are afraid to make estimates and predictions, because they often intimately know the flaws and gaps in the algorithm or the analytics. In reality, most users would probably trade a reduced-accuracy, software-generated recommendation over a tool that requires them to do all of their own data analysis from scratch. Никогда не следует боятся делать выводы за юзера при создании дашборда, даже если наш алгоритм несовершенен. В этом что-то есть.