Питч. Основы.

В конце интенсива неделю назад (программа в инкубаторе состоит из недельного интенсива и последующих воркшопов до 2020) мы тренировались питчить. На нас даже пришли посмотреть внешние слушатели-инвесторы.

На питч отводилось строго 3 минуты. Обрисовывать (питчить) стартап придется бессчетное количество раз, поэтому в инкубаторе это первое с чего все начинается, последнее, что нас ждет на «Демо-дне» и самый частотный инструмент при общении с любым советником, партнером, инвестором и так далее.

Пр сути питч — это убедительная история, которая рассказывается снова и снова, часто в крайне сжатые сроки, обычно со слайдами за спиной.

Успешное выступление перед аудиторией (очевидно) совмещает спонтанность с хорошо отработанной механикой. То есть надо понимать, в каком порядке раскрывать компоненты истории для конкретной аудитории и ситуации (контекста), наизусть ничего заучивать, конечно же, не нужно.

Неплохо также заранее разобраться с какой стороны от экрана выгоднее всего стоять и вообще подумать про образ, но об этом отдельно. Я на прогонах тренировал только механику (к негодованию нашего тренера), а с историей выкладывался только на самом выступлении, мне так проще сохранять энергию.

Чем чаще практикуется рассказ — тем убедительнее он становится. Сначала с треском отваливается самая шелуха, потом фразы упрощаются для экономии времени, затем все это стачиваются друг об друга. В итоге остается либо ничего (ищите другую идею), либо только сама суть в красивой и простой форме.

Еще в процессе возникают модификации питчей: покороче, подлиннее, для своих, для разной другой публики. Суть всегда одна, компоненты просто меняют местоположение и размер. Набор этих компонентов известен и отточен годами на успехах и провалах стартап-тусовки. Отдельная тема. Продолжение следует.

Dropbox оппубликовала пару новых материалов на своем ресурсе dropbox.design.

Один из них про ментальные модели, которые могут быть использованы для решения задач, принятия решений и коммуникации.

Наверняка большую часть из них вы уже слышали или использовали, но беглый опрос показал, что многие про эти модели слышали, но до практического применения так и не доходило.

---

Ниже просто приведу часть моделей, перечисленных в статье, так скажем, для закрепления:

1) Первоначальный принцип
Заключается в разборе задачи на основные элементы, которые лежат в основе задачи, их реконфигурации и сборке в финальное решение. (см. примеры в статье)

2) Инверсия
Заключается в рассмотрении сценариев ровно противоположных желаемому результату. Формируется образ «антирезультата» и, отталкиваясь от него, формируется путь поиска решения.

3) Лестница абстракций
Используется для поднятия на уровень абстракции выше, чтобы «увидеть лес за деревьями». Начинается с отправной задачи, от которой можно опуститься ниже для детализации, либо подняться выше для поиска альтернативного решения. Для погружения вниз стоит использовать вопрос «Как». Для уход на уровень выше стоит использовать вопрос «Зачем».

Хороший маршрут здесь — подняться от текущей задачи на уровень выше, спросив «зачем», а потом с верхнего уровня пойти в параллельную сторону внизу, спросив «как». (см. примеры в статье)

---

Это только часть моделей, описанных в статье, которые относятся к решению задач. В самом материле есть еще модели для принятия решений и коммуникации.

Я рекомендую самостоятельно глянуть полную версию статьи, там и с примерами проще понять, о чем речь, и более подробное описание можно почитать — https://dropbox.design/article/mental-models-for-designers

Кратко про решение

То, что наше решение ляжет в плоскость именного мобильного приложения было ясно практически сразу, но мы до последнего предпринимали попытки думать, что это не так.

После нашего исследования мы поняли, что наиболее неоптимизированный процесс, отнимающий кучу сил у исследователей и аналитиков — опрос с картой. При этом, когда мы задали этот вопрос заказчику, он ответил, что с их стороны самый костыльный метод — наблюдение, так как никакого? даже отдаленно похожего инструмента? сейчас нет, все на коленке: сначала бумага, потом специализированный и довольно сложный софт.

Справедливости ради скажу, что, в итоге, мы разделились по методам, и каждый делал свою часть. Поэтому какое-то решение я опишу более подробно.

Итак, наблюдение — метод, который со стороны полевика, вполне удобно делать на бумажной карте, один из респондентов на интервью рассказал о том, что ему удобнее делать быстрые пометки на бумажной карте, а затем, уже дома, все вдумчиво заполнять на компьютере. И если наблюдатель будет вести подробную запись прям в поле — это будет долго и не очень удобно.

Соответственно, нужно было решить, как сделать работу таких пользователей ещё проще, чтобы инструмент, с которым бы они работали, требовал минимум усилий. Как бумага, только круче.

Идеальное решение, когда инструмент сделает всю работу сам: сфотографирует, укажет геопозицию, поможет определиться с классификацией проблемы, чтобы пользователю осталось только добавить краткий комментарий.
Как сделать все эти шаги минимальными усилиями... конечно же при помощи дополненной реальности!
Наводим камеру на неправильно припаркованный автомобиль, ставим виртуальный пин, тем самым указываем точное местоположение проблемы, камера телефона угадывает, что это автомобиль, предполагает доступные варианты ошибок: при этом пользователь не видит огромный чеклист всех возможных вариантов, а лишь один или парочку близких по смыслу категорий; пользователь выбирает подходящую ошибку тапая по экрану.
Таким образом, после выбора нужной категории ошибки, телефон уже знает её геопозицию, автоматически делает фотографию и помогает определиться с категорией, то есть 3 из 4 обязательных шагов заполняются автоматически. Пользователю остается только написать комментарий к ошибке, а ещё лучше, сказать его голосом.
За счет того, что большую часть нагрузки берет на себя телефон, всё внимание наблюдателя может быть сосредоточено на исследуемой улице.

Но что делать с проблемами, которые не укажешь одной только точкой? Например, отсутствие тротуара на протяжении всей улицы, или область с повышенным трафиком пешеходов?

Протестировав приложения в которых используются технологии дополненной реальности, стало ясно, что такие трудные задачи вполне возможно реализовать. На прототипе ниже как раз показан такой случай. Предположим, полевику необходимо выделить целый участок улицы с повышенным трафиком пешеходов, он при помощи камеры строит в пространстве полигон:

Наталья Стурза, автор канала @UX_sturzaman, рассказала, когда продуктам полезны UX-исследования:

1. Проверить идею, не создавая продукта. Хотели запустить маркетплейс для пенсионеров. Исследование показало, что люди старше 60 лет спокойно пользуются обычными интернет-магазинами.

2. Исправить запустившийся, но не сработавший продукт. Сервис показывал карту спортивных мероприятий, но продвигался на аудиторию с низким доходом, продаж не было. Составили портреты потенциальных пользователей и провели с ними кастдев. В итоге сосредоточились на сегменте спортивных путешественников и правильно донесли до них ценность сервиса.

3. Улучшить то, что работает. Клиенты банка заполняли юридически значимое поле «Назначение платежа» всякой белибердой. Юзабилити-тесты показали, что люди считают поле второстепенным и заполняют только затем, чтобы кнопка платежа активировалась. В итоге в плейсхолдере поля показали пример, и таких ситуаций стало на 30% меньше.

4. Сравнить между собой конкурирующие продукты или отдельные фичи.

5. Понять, сколько потенциальные клиенты готовы платить.

6. Найти ошибку в интерфейсе.

Исследования не пригодятся:

1. Сервисам про фан вроде MSQRD и сервисам-витаминкам вроде приложений для медитации. У них сложно выделить пользовательскую потребность или проблему.

2. Любым проектам в ситуации «Мы хотим, чтобы вы пришли и сказали, как решить наши проблемы». В этом случае лучше обратиться к консалтерам.

https://vc.ru/design/86942

Вопрос: есть команда из трёх человек

Вопрос: есть команда из трёх человек: сильный разработчик, который делает быстро, но поверхностно; есть слабый разработчик, который делает медленно, но работающий код (и часто переделывает за сильным) и есть тимлид/пм (я), который не сильно разбирается в коде. Сильный буллит слабого, что тот не разбирается и вообще плохой программист. Что делать?

Давайте для начала разберёмся, почему вы считаете сильным того программиста, который буллит? Судя по вашему описанию, второй программист гораздо сильнее, чем первый — за ним не приходится переделывать.

Человек, который внутренне уверен в себе и своих знаниях, вряд ли будет когда-нибудь кого-нибудь буллить, так что я бы поставил под сомнение компетентность первого, как разработчика.

Подумайте внимательно, насколько поведение первого программиста совместимо с профессионализмом на работе в вашем представлении? Как далеко он заходит в своём буллинге? Если недалеко (хотя мне сложно такое представить) — отправьте его на месяц или два в отпуск, посмотрите как команда поживёт через него. Если сильно — немедленно увольняйте, иначе второй просто сбежит или, ещё хуже, превратится в фикус, и вы в любом случае останетесь без двух программистов.

По умолчанию

Что это такое
Эксперименты и исследования говорят, что наличие варианта по умолчанию увеличивает вероятность его выбора. Получается, с помощью этого эффекта дизайнеры могут управлять выбором пользователя.

Почему это работает?
Так уж вышло, что наш мозг по своей природе очень ленивый. Каждый раз сталкиваясь с выбором, он напрягается. Для минимизации усилий он более склонен к выбору по умолчанию.

Пример
Если вы делаете сайт благотворительного фонда, поставьте на главной странице форму пожертвования с 50-100 рублями по умолчанию: пользователь все еще сможет ввести любую сумму, но процент людей, пожертвоваших сумму по умолчанию, значительно вырастет.

Наше отношение к этому эффекту таково, что пользователей нельзя заставлять делать то, что вам нужно. Примите факт, что они свободны в выборе. Но можно помогать пользователю с выбором более полезных и правильных вещей.