Mejorando la experiencia de usuario mediante Machine Learning

En estos últimos tiempos oímos con mucha frecuencia términos relacionados con la Inteligencia Artificial y la aplicación del Machine Learning en entornos digitales. En sentido amplio, el Machine Learning (o Aprendizaje Automático, en español) trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos o casos. Es decir, aplican técnicas de aprendizaje estadístico con el objetivo de identificar automáticamente patrones en los datos.

Captura de Siri. Foto de Karlis Dambrans

En términos de UX, se trata del aprendizaje por parte de un sistema (o sistema experto, en términos más técnicos) de las elecciones de un usuario y mostrarle el producto digital de acuerdo a sus necesidades, preferencias o expectativas.

Como podemos comprobar en el uso de algunos productos digitales que ya implementan este tipo de tecnología, el Machine Learning es un proceso que se encuentra en pleno desarrollo, aunque todavía tiene algunas limitaciones. Los algoritmos para realizar recomendaciones (sugerencias de compra, recomendaciones de contenidos que pueden gustarte) son un buen ejemplo de la aplicación de esta tecnología. Utilizan las preferencias individuales del usuario en sus artículos visitados, recomendados o guardados, así como información agregada extraída de tu perfil de navegación y uso de la aplicación. Por supuesto, el ámbito del Machine Learning puede abarcar funcionalidad más amplia que la recomendación, como publicidad segmentada y contextual, por ejemplo.

Sin embargo, estos algoritmos generan a veces resultados no deseados, cuando el usuario completa una acción que altera el buen funcionamiento del algoritmo de aprendizaje del sistema experto. Quién no tenga un reggaeton o una canción de David Bisbal como recomendada en Spotify que tire la primera piedra 🙂

Aplicando Machine Learning para mejorar la UX

A pesar de las limitaciones tecnológicas, los profesionales de UX no podemos ser ajenos a esta nueva realidad, que nos ayuden a plantear soluciones de diseño que aprovechen las mejoras tecnológicas disponibles.

Ante estos nuevos retos tecnológicos surge la pregunta que puede ser crucial en los próximos años: ¿podemos aprovechar las ventajas que ofrecen tecnologías como Machine Learning para mejorar la experiencia de usuario? Pero, también al contrario: ¿cómo pueden ayudar las buenas prácticas de UX a mejorar los resultados de los algoritmos de aprendizaje?

Este tema nos ha surgido al revisar este artículo sobre UX y Machine Learning, donde ofrecen una serie de elementos donde el Machine Learning pueden suponer una ventaja competitiva en términos de UX (los comentarios son cosecha propia):

• Sistemas de sugerencias y de recomendaciones personalizadas: es el uso más común, como hemos comentado. Al diseñar un sistema de recomendación hay que tener en cuenta muchas variables, especialmente los casos anómalos. Por ejemplo, alguien busca un regalo para su pareja y que, a partir de ese momento, es bombardeado con sugerencias de compra que no corresponden a su uso habitual. En este sentido, el diseño de personas y comportamientos habituales puede ser una herramienta muy útil para detectar estos “falsos positivos”, descartando comportamientos anómalos. Por otro lado, encontrar usuarios fuera del target habitual es más común de lo que pensamos, y debemos atender a estos perfiles.
• Búsquedas personalizadas: otra de las aplicaciones más habituales del Machine Learning es que tus resultados de búsqueda aparezcan priorizados inteligentemente según los sitios que más navegues, tus compras online u otro tipo de variables. Google por ejemplo, ya usa este tipo de búsqueda personalizada, pero se puede aplicar también a los usuarios de un sitio de comercio electrónico. Sin olvidar que debemos diseñar contenido para personas, no para buscadores.
• Simplificar interacciones con autocorrecciones: otro ejemplo habitual y casi omnipresente son los teclados inteligentes en los teléfonos móviles, con sugerencias y correcciones automatizadas. Aplicaciones como Swiftkey, Swype, el teclado de Google o QuickType hacen uso de Machine Learning para ofrecer mejores sugerencias. En un comercio electrónico, podríamos ofrecer información corregida, si un usuario escribe una marca o referencia de producto con algún error tipográfico al hacer una búsqueda.
• Entender a las personas y tomar decisiones inteligentes por ellas: a veces, el Machine Learning puede ser tan simple como destacar los contactos más habituales, como en muchas aplicaciones de mensajería o contactos, o la decisión de Google de separar los correos en tres carpetas (principal, social y promociones) atendiendo a su origen y/o utilidad.
• Transformar interacciones para abarcar el potencial de las personas: como solemos repetir, los productos digitales deben diseñarse para todas las personas, no para targets habituales. Cuánto más accesible sea un producto, mayor número de usuarios podrá abarcar. En este sentido los asistentes personales como Siri, Cortana o Google Now ayudan a mejorar el uso de las nuevas tecnologías a personas con problemas de movilidad, pero también en situaciones donde es más sencillo hablar con el dispositivo móvil que conocer el funcionamiento completo de la aplicación.

En definitiva, existe una buena simbiosis en UX y tecnologías como Machine Learning. Como herramienta, se trata de una tecnología con gran recorrido para solucionar problemas muy complejos. Pero intuyo que no podremos obviar las ventajas de una buena investigación de usuarios y testing en estos ámbitos digitales donde la tecnología “aprende” por sí misma. Y tampoco podrá sustituir a las elecciones de las personas, es decir, será un medio para mejorar la UX, pero no puede convertirse en un objetivo en sí mismo.

En Torresburriel Estudio apoyamos el rediseño de tu producto digital, con un proyecto de acompañamiento donde aplicamos metodologías de diseño centrado en el usuario. Contacta con nosotros, y cuéntanos tu proyecto. Te enviaremos una propuesta adaptada a tus necesidades y presupuesto.