0:00:00.780,0:00:04.200
Impresionante, de acuerdo, muchas gracias por recibirme.

0:00:04.200,0:00:07.500
Soy Rashina, de la Universidad Monash de Melbourne,

0:00:08.400,0:00:12.480
y es un placer hablar con ustedes hoy sobre este tema que es,

0:00:12.480,0:00:15.300
"Tú lo pediste: dar sentido a los comentarios de los usuarios".

0:00:16.740,0:00:20.040
Así que para empezar me gustaría dar las gracias a los pueblos originarios

0:00:20.040,0:00:23.280
de la tierra que que represento, que es el Wurundjeri y

0:00:23.280,0:00:27.240
pueblos Bunurong de las naciones Kulin, y me gustaría presentar mis respetos a

0:00:27.240,0:00:31.920
sus ancianos, pasados, presentes y futuros, y a todos los que están aquí y se unen a nosotros

0:00:31.920,0:00:37.200
en línea desde varias partes del mundo. Bien, voy a empezar con

0:00:37.200,0:00:39.893
algo que podría ser un poco una declaración controvertida.

0:00:39.893,0:00:44.940
En toda mi investigación sobre Agil, y trabajando con Agil desde hace ya bastante tiempo,

0:00:44.940,0:00:50.940
creo que las historias de usuario son un mito Agil moderno. ¿Por qué digo eso?

0:00:50.940,0:00:56.280
Básicamente, si realmente lo piensas, las historias de usuario son historias inventadas sobre lo que

0:00:56.280,0:01:01.440
nosotros, como desarrolladores de software y las partes interesadas de software piensan que los usuarios quieren.

0:01:02.940,0:01:07.020
Se basan en suposiciones, así que, las mejores suposiciones que podemos hacer sobre los usuarios

0:01:07.020,0:01:10.860
se guían por la conveniencia porque, bueno, estamos aquí,

0:01:10.860,0:01:16.560
y muchas veces los usuarios no lo están. Y las historias obviamente no son

0:01:16.560,0:01:22.740
reales, se trata de situaciones que pensamos de los usuarios sobre el uso de nuestro sistema de antemano.

0:01:24.420,0:01:26.520
Así que el usuario promedio piensa: 

0:01:26.520,0:01:31.020
"como usuario quiero dar mi opinión

0:01:31.020,0:01:34.080
para que los clientes no tengan que fingir que saben lo que necesito".

0:01:35.820,0:01:38.580
En cambio, las historias reales de los usuarios no tienen precio.

0:01:39.480,0:01:42.660
Así que son una fuente importante para identificar cosas como errores,

0:01:43.200,0:01:50.580
problemas de usabilidad, así como nuevas ideas para funcionalidades. Porque lo que realmente importa es el hecho de que,

0:01:50.580,0:01:54.240
aunque los clientes son los que pagan por el desarrollo del producto,

0:01:54.240,0:01:57.840
son los usuarios los que deciden el destino del producto.

0:01:59.340,0:02:03.660
Así que las historias reales de los usuarios nos dirán cosas como

0:02:03.660,0:02:09.180
sus necesidades, las de los usuarios, y se trata de necesidades de usuarios que son diversas.

0:02:09.180,0:02:13.440
Y cuando entendemos que la diversidad, nos puede llevar a la construcción de productos que

0:02:13.440,0:02:17.100
son más generalizables a través de la población humana en todo el mundo.

0:02:17.100,0:02:21.660
También nos lleva a comprender los deseos humanos en términos de nuestras preferencias,

0:02:21.660,0:02:25.680
cosas que nos gustan, no nos gusta, y que nos puede llevar a los equipos de software

0:02:25.680,0:02:31.320
a personalizar y adaptar sus soluciones, y que, conduce a los usuarios a

0:02:31.320,0:02:35.280
volver a sus productos favoritos debido al aspecto de personalización.

0:02:36.540,0:02:40.740
Las historias reales de los usuarios también son una fuente importante para generar valor empresarial

0:02:40.740,0:02:45.300
porque cuando los usuarios ven que sus comentarios se tienen en cuenta,

0:02:45.300,0:02:49.740
se construye la confianza, la lealtad y la reputación de la marca,

0:02:49.740,0:02:53.820
que en última instancia conduce a cosas como las ventas y los beneficios.

0:02:55.020,0:03:00.420
Ahora bien, ¿cómo llegamos a estas historias de usuario reales si no queremos inventarlas?

0:03:01.860,0:03:07.920
Podemos obtener todo tipo de historias de usuarios reales o real feed, retroalimentación de los usuarios de cosas como

0:03:07.920,0:03:11.280
valoraciones de usuarios, reseñas en tiendas de aplicaciones, comentarios a través de sitios web,

0:03:11.280,0:03:14.700
quejas a través de centros de llamadas, y estos son los tipos de historias

0:03:14.700,0:03:18.720
que yo llamo historias proactivas porque el usuario se ha ofrecido a darles a ustedes

0:03:18.720,0:03:23.760
aunque no se lo hayan pedido. Luego están las historias automáticas.

0:03:23.760,0:03:26.760
Son cosas como registros de actividad que se registran en segundo plano,

0:03:26.760,0:03:29.940
gustos, disgustos y compromiso de los usuarios, y datos demográficos,

0:03:29.940,0:03:34.260
todo ello acumulado en segundo plano sin que el usuario se entere.

0:03:35.280,0:03:37.680
Las otras son historias de usuario impulsadas,

0:03:37.680,0:03:42.660
en las que las aplicaciones pueden solicitar a los usuarios sus valoraciones o reseñas.

0:03:43.740,0:03:47.220
Y, por último, está la idea de las historias suscitadas,

0:03:47.220,0:03:51.420
que es donde recogemos a propósito comentarios de los usuarios a través de

0:03:51.420,0:03:56.460
estas actividades diseñadas intencionalmente como sesiones de co-diseño, sesiones de experiencia de usuario,

0:03:56.460,0:04:01.020
grupos focales, observaciones, entrevistas, pensar en voz alta, pruebas beta, todo ello.

0:04:02.580,0:04:06.480
Entonces, ¿a qué nos enfrentamos realmente? Lo que estamos tratando es

0:04:06.480,0:04:11.340
tener un tipo de mirada a través de todos estos tipos de historias de usuarios reales para encontrar algo común,

0:04:11.340,0:04:16.620
que es todas estas revisiones y formularios de comentarios y quejas y características y así sucesivamente,

0:04:16.620,0:04:23.220
Bueno, todos estos son realmente datos cualitativos. De hecho, la mayoría son datos cualitativos.

0:04:23.220,0:04:27.540
Así que va de todo a gran escala, por lo que a cientos y miles de revisiones,

0:04:27.540,0:04:29.940
a más pequeña escala, porque, ya sabes,

0:04:29.940,0:04:36.180
ustedes probablemente estarían haciendo alrededor de decenas o decenas de focus groups en lugar de miles de ellos.

0:04:36.180,0:04:44.100
Pero, en definitiva, todos son datos cualitativos. Ahora aquí está el otro hecho, que es que, por lo general

0:04:44.100,0:04:48.360
no quieren hacer frente a la retroalimentación del usuario real. Y la pregunta es ¿por qué?

0:04:48.960,0:04:51.900
Algunas de las razones son, bueno, hay muchas.

0:04:51.900,0:04:56.580
La otra es que, al ser cualitativa, no suele estar estructurada y es desordenada,

0:04:56.580,0:05:01.260
y es un trabajo duro para tratar de conseguir realmente lo importante alrededor de lo que todo esto significa en conjunto.

0:05:02.580,0:05:05.100
Los enfoques actuales, y no estoy esperando que ustedes lean

0:05:05.100,0:05:08.760
y entiendan la totalidad de este diagrama, pero lo que ustedes pueden hacer es mirar el

0:05:08.760,0:05:13.320
artículo de Empirical Software Engineering del año pasado que entra en los detalles de los pasos

0:05:13.320,0:05:18.060
pero lo que voy a destacar aquí es que en la actualidad, los enfoques actuales suelen incluir dos pasos.

0:05:18.060,0:05:22.440
Así que uno es el análisis automatizado, que hay herramientas automatizadas que

0:05:22.440,0:05:26.340
filtrarán el ruido como sinónimos y luego se clasifica sobre la base de

0:05:26.340,0:05:30.420
palabras clave que ustedes proporcionaron. Y el segundo paso es el análisis

0:05:30.420,0:05:34.260
manual de los datos cualitativos utilizando las revisiones de muestra que tienen.

0:05:34.260,0:05:38.700
Así que lo que voy a proponer va a ser ayudar con la segunda parte.

0:05:39.840,0:05:43.860
Ahora, las limitaciones actuales de este enfoque son, mientras que este enfoque nos ayuda a responder a

0:05:43.860,0:05:49.020
cosas como el "qué" y el "cómo" en realidad no nos ayuda a responder el "por qué".

0:05:49.020,0:05:52.680
Así que falta esa idea en profundidad. Además, 

0:05:52.680,0:05:57.060
al estar basado en palabras clave, si nos centramos en los errores vamos a encontrar errores,

0:05:57.060,0:06:00.720
pero vamos a perdernos las "mariposas proverbiales" ya que hay

0:06:00.720,0:06:05.100
todo tipo de hallazgos interesantes, pero como no los buscamos,

0:06:05.100,0:06:06.660
nunca los encontraremos. Sin embargo,

0:06:06.660,0:06:10.920
como son todos datos que están a disposición del público, nuestros competidores pueden encontrar estas "mariposas"

0:06:10.920,0:06:14.640
y pueden actuar sobre ella para mejorar su producto, incluso si no lo estamos haciendo.

0:06:16.560,0:06:20.940
Así que aquí viene la teoría técnica social fundamentada o STGT como un

0:06:20.940,0:06:26.460
potente método de análisis de datos cualitativos. Dado el límite de tiempo, voy a mostrar

0:06:26.460,0:06:30.720
un ejemplo muy rápido de cómo es la codificación abierta en STGT

0:06:30.720,0:06:35.340
y lo que voy a pedir es que piensen realmente la idea de hashtags,

0:06:35.940,0:06:39.720
especialmente si son usuarios de redes sociales, como Twitter, ustedes estarán muy

0:06:39.720,0:06:43.500
familiarizados con la idea de hashtags que se utilizan para capturar 

0:06:43.500,0:06:47.520
ideas muy profundas en pocas palabras. Así que aquí está una revisión de usuario

0:06:47.520,0:06:52.080
que estamos viendo ahora mismo. Ahora, si estábamos buscando, utilizando una palabra clave basada en

0:06:52.080,0:06:56.400
enfoque, si estábamos buscando la palabra "estafa" por supuesto que está justo ahí, la encontraremos

0:06:56.400,0:07:01.800
y entonces podemos informar de ello y eso está bien. Pero nos vamos a perder todo esto otro,

0:07:01.800,0:07:06.300
como he dicho, todas estas mariposas, estos hallazgos interesantes que no estábamos buscando.

0:07:06.300,0:07:12.540
Si utilizamos la codificación abierta utilizando la teoría socio-técnica fundamentada, en realidad tenemos una oportunidad de

0:07:12.540,0:07:16.980
descubrir todas estas otras ideas interesantes. Así que para darles un ejemplo,

0:07:16.980,0:07:21.840
el bit en el azul, yo codificaría esto como hashtag "actualización 

0:07:21.840,0:07:27.480
no intencional" porque aquí el usuario está hablando de cómo involuntariamente fueron llevados a actualizar

0:07:27.480,0:07:32.040
a una versión pro de 99 dólares porque su huella digital se fijó en la App Store.

0:07:33.060,0:07:38.100
La otra parte que se ve en el gris es todos sus intentos de venir y ponerse en contacto con la empresa

0:07:38.100,0:07:42.780
utilizando los diversos canales que están disponibles, por lo que tendría, ya sabes, un tipo de código

0:07:42.780,0:07:45.660
como hashtag "múltiples canales de contacto" que sí existen.

0:07:45.660,0:07:48.840
Pero el otro código es hashtag "sin servicio de atención al cliente".

0:07:48.840,0:07:52.920
Así que a pesar de que hay múltiples canales no había servicio al cliente proporcionado.

0:07:53.940,0:07:58.770
Ahora todo esto, el hecho de que es una revisión o por lo general viene con una calificación, 

0:07:58.770,0:08:03.240
por lo que en la parte inferior vemos que es una estrella de cinco estrellas, por eso hashtag "para la revisión".

0:08:03.240,0:08:07.260
En otras palabras, todo esto junto conforma una historia cohesiva sobre el hecho de que

0:08:07.260,0:08:10.560
se trata de un cliente frustrado que simplemente no le gustaba el producto,

0:08:10.560,0:08:14.280
era una estafa en su opinión y en su experiencia,

0:08:14.280,0:08:17.280
y había un par de otras cosas interesantes que encontramos

0:08:17.280,0:08:20.160
en la parte superior del hecho de que sólo lo clasificó como estafa.

0:08:21.840,0:08:26.820
¿Cómo se escala esto? Lo voy a mostrar, ya saben, cómo

0:08:26.820,0:08:32.580
vamos de datos en bruto a esta idea de código y luego agrupar los códigos juntos para llegar a conceptos.

0:08:33.420,0:08:38.760
Así que aquí, por ejemplo, una revisión dijo: "La app requiere que tenga los servicios de localización siempre encendido,"

0:08:38.760,0:08:42.420
que se codifica como hashtag "forzado compartir ubicación".

0:08:43.080,0:08:47.160
La otra es: "No tienes más opción que darles tu consentimiento para que vendan tus datos a terceros".

0:08:47.160,0:08:50.280
y este es el "consentimiento forzado".

0:08:51.540,0:08:55.320
El tercero es, "Mi cuenta fue hackeada y otro teléfono fue registrado",

0:08:55.320,0:09:02.220
y eso sería, obviamente "cuenta hackeada". Si nos fijamos en todos estos códigos todos juntos y 

0:09:02.220,0:09:06.420
constantemente los comparamos y los llevamos al siguiente nivel de abstracción y los agrupamos

0:09:06.420,0:09:10.260
estamos hablando esencialmente de esta idea de "cuestiones de privacidad".

0:09:10.260,0:09:11.760
Así que recuerden, empezamos

0:09:11.760,0:09:16.080
en busca de estafas, pero también encontramos problemas de privacidad porque estábamos usando un enfoque abierto.

0:09:16.860,0:09:22.320
Así que si utilizan una teoría socio-técnica fundamentada para el análisis de datos cualitativos,

0:09:22.320,0:09:27.240
van a ser capaces de analizar sistemáticamente los datos para las clasificaciones individuales,

0:09:27.240,0:09:30.360
y también para el conjunto de datos, ya sabes, los patrones que se pueden encontrar.

0:09:30.360,0:09:34.140
Puede dar lugar a ideas, directrices y recomendaciones,

0:09:34.140,0:09:40.200
por ejemplo, en la mejora de la privacidad en este caso. Pero para aquellos de ustedes que están más interesados en

0:09:40.200,0:09:44.700
llegar a resultados de la investigación, así, por ejemplo, usted son una experiencia de usuario

0:09:44.700,0:09:49.200
de un equipo de investigación dentro de la empresa, pueden utilizar esto en una aplicación

0:09:49.200,0:09:52.920
más rigurosa para desarrollar taxonomías, modelos teóricos y teorías,

0:09:52.920,0:09:55.320
que luego pueden publicar en revistas revisadas por pares.

0:09:56.100,0:09:58.740
Así que el nuevo enfoque que estamos hablando es

0:09:58.740,0:10:04.140
dar sentido a las historias de usuarios reales utilizando STGT donde todavía tienen esos dos pasos

0:10:04.140,0:10:08.040
pero en lugar de ser lineal es iterativo, para empezar,

0:10:08.040,0:10:12.120
y también por el hecho de que estamos utilizando la codificación abierta en el segundo

0:10:12.120,0:10:17.700
paso, utilizando la teoría socio-técnica fundamentada somos capaces de encontrar palabras clave nuevas y refinadas

0:10:17.700,0:10:21.240
que retroalimentan el análisis automatizado y va y viene.

0:10:21.240,0:10:28.440
Y esto le permite lograr tanto una mayor profundidad como un mayor alcance en su análisis de los comentarios de los usuarios.

0:10:29.160,0:10:33.660
Así que el beneficio para los equipos de software de usuario es que ahora realmente pueden trabajar

0:10:33.660,0:10:39.480
con pilas más pequeñas clasificadas de comentarios de los usuarios que se pueden poner de forma única bajo diferentes etiquetas.

0:10:39.480,0:10:44.340
Esto conducirá a un análisis más rico, para sacar conclusiones interesantes y, tomar

0:10:44.340,0:10:48.180
todos los errores que ustedes estaban buscando, pero también no perderse las mariposas.

0:10:48.960,0:10:52.680
El beneficio para los usuarios, por supuesto, es que aumenta su confianza a la hora de actualizar

0:10:52.680,0:10:58.080
apps, te dan mejores valoraciones, y el beneficio para las empresas, por supuesto,

0:10:58.080,0:11:02.100
como hemos visto antes, es porque estás usando los comentarios de los usuario y aumenta la confianza

0:11:02.100,0:11:06.300
y por lo tanto aumentan las ventas. Y voy a terminar con esto que es,

0:11:06.300,0:11:11.580
si quieren saber más pueden usar este código QR y o escribir mi web

0:11:11.580,0:11:15.720
y allí encontrarán el documento clave que habla de las directrices.

0:11:15.720,0:11:19.500
También hay un par de videos de información técnica, pero si vienen

0:11:19.500,0:11:22.500
al ICSE de 2023 en Melbourne, nos encantará darles la bienvenida,

0:11:22.500,0:11:26.520
también voy a dar una sesión informativa técnica sobre la teoría socio-técnica fundamentada allí.

0:11:26.520,0:11:31.380
Y hay un próximo libro. Y muy rápidamente me gustaría dar las gracias al Dr. Omar Haggag

0:11:31.380,0:11:34.500
que me ayudó con esto y Michael Hoye, así que muchas gracias.

0:11:35.220,0:11:38.760
Muy bien, muchas gracias Rashina, si quieres terminar tu pantalla compartida,

0:11:38.760,0:11:40.500
tenemos una pregunta.

0:11:42.600,0:11:46.380
A uno de nuestros espectadores le gustaría saber si hay alguna preocupación especial

0:11:46.380,0:11:50.340
o riesgos aquí con la confidencialidad, con la pérdida de privacidad y así sucesivamente,

0:11:50.340,0:11:55.440
al hacer este tipo de análisis en comparación con, por ejemplo, las métricas web convencionales.

0:11:58.020,0:12:04.140
Lo que voy a decir es que, en este caso, se trata de

0:12:04.140,0:12:09.600
datos que ya está a disposición del público, por lo que las personas han optado por compartir en línea

0:12:10.800,0:12:14.940
y ya están en el dominio público. También utilizamos la teoría socio-técnica fundamentada

0:12:14.940,0:12:19.260
para la investigación más confidencial en la que se hacen entrevistas y así sucesivamente,

0:12:19.260,0:12:24.960
y en ese caso lo que hacemos es tratar de que no se puedan identificar los datos,

0:12:24.960,0:12:29.040
eliminando todos los detalles que pudieran ser potencialmente identificatorios,

0:12:29.040,0:12:31.920
ya sea la empresa o el individuo o cualquiera de los dos,

0:12:31.920,0:12:36.180
pero todavía se puede analizar para encontrar las cuestiones clave y los problemas clave.