O que o Facebook, o Instagram, o Youtube, o Twitter e o LinkedIn têm em comum?
Eles usam o aprendizado de máquina louco e poderoso para ajudar os usuários a classificar uma tonelada de conteúdo para encontrar coisas que eles realmente querem ver.
Oh sim. E todos compartilham um padrão de design comum: feeds.
Os feeds são a maneira mais comum de criar um sistema de recomendação(esse é um termo sofisticado para software que usa aprendizado de máquina para prever o que os usuários estão mais interessados em ver.) Feeds vincula a mais conteúdo ou permite que o usuário consuma conteúdo sem sair do interface. O comprimento do alimento varia de produto para produto, mas eles são quase sempre projetados para facilitar a rolagem, às vezes até o infinito!
Os feeds foram projetados para resolver um problema nobre e importante: sobrecarga de informações. Noventa por cento da informação no mundo de hoje foi criada apenas nos últimos dois anos. Todos os dias, 2,5 quintilhões de bytes de novos conteúdos são adicionados ao ruído. Como alguém pode encontrar o que precisa sem se afogar em tudo isso?
Entre no aprendizado de máquina. Ele promete classificar toda essa informação para que você não precise. Para o Google ou outros produtos do mecanismo de pesquisa, isso significa encontrar o conteúdo que provavelmente está relacionado à sua consulta de pesquisa. Para Instagram e Facebook, isso significa encontrar posts de pessoas de quem você mais gosta. Para Spotify, é música. Para o Netflix, são filmes. Para Goodreads, são livros. Para o Steam, são os videogames.
O aprendizado de máquina é quase onipresente em produtos digitais nos dias de hoje. Sempre que um usuário tem que passar por muitas informações, o aprendizado de máquina geralmente está lá, trabalhando silenciosamente em segundo plano. E sempre que o aprendizado de máquina está funcionando silenciosamente em segundo plano, ele quase sempre aparece como um avanço no design do front-end.Sempre que o aprendizado de máquina está funcionando silenciosamente em segundo plano, ele quase sempre aparece como um avanço no design do front-end.
No Shopify, eu trabalho em um dos nossos produtos de aprendizado de máquina chamado Shopify Home. E você adivinhou, é um feed:
Mas quanto mais tempo passei trabalhando no Shopify Home, mais percebi que os feeds também criam problemas de experiência do usuário. O aprendizado de máquina está evoluindo e se tornando mais poderoso todos os dias, mas a forma como projetamos as interfaces de aprendizado de máquina está paralisada em 2006 – o ano em que o Facebook lançou o News Feed pela primeira vez.
Por que os feeds são padrões de design ruins?
A tecnologia deve acelerar ou eliminar tarefas rotineiras, tediosas ou repetitivas, para que tenhamos mais tempo para as coisas que realmente importam. No Shopify, isso significa ajudar nossos usuários a gerenciar seus negócios com mais eficiência, para que possam se concentrar no tipo de trabalho que faz o empreendedorismo se sentir ótimo – como inventar novos produtos ou construir relacionamentos significativos com seus clientes.
Mas estou cada vez mais cético que os feeds realmente economizam tempo. Você já fez login no Facebook para procurar o endereço da festa para a qual está indo hoje à noite, apenas para perder 20 minutos percorrendo o Feed de notícias antes de perceber o que está fazendo?
Mesmo que o endereço da festa seja indiscutivelmente a coisa mais importante para o Facebook mostrar, ele nunca aparece no topo do seu News Feed! Como Tristan Harris (ex-filósofo de produtos do Google) explica, isso acontece porque “o Facebook quer converter todas as razões que você tem para usar o Facebook em sua razão, que é maximizar o tempo que você gasta consumindo coisas”.
Isso significa que os alimentos são mais fáceis de serem utilizados para o consumo de conteúdo e para a maior parte da atividade. Tudo está no caminho certo para trabalhar ou estar apenas relaxando no sofá, mas o seu produto existe para ajudar os usuários a fazer coisas, os alimentos podem ser mais fáceis de serem atendidos.
Os feeds também criam uma carga cognitiva pesada para os usuários. Quando fizemos testes com usuários no feed inicial do Shopify, por exemplo, muitos participantes comentaram que havia “muito a receber” e que “não sabiam ao certo o que deveriam”.
Os usuários se sentem assim porque os feeds geralmente mostram uma sequência longa e ininterrupta de objetos que parecem muito semelhantes. Como um quadro de “Onde está Waldo”, os alimentos são informações densas e visualmente indiferenciadas – o que cria uma carga cognitiva mais alta . E se a carga cognitiva for alta, os usuários terão maior probabilidade de se sentir sobrecarregados e ansiosos. Muitas vezes, isso significa que eles vão sair ou ir para outro lugar, potencialmente perdendo uma pepita de informação relevante que está enterrada em todo o barulho.
Um problema final com feeds é que há pouca previsibilidade ou permanência de informações. Como o conteúdo está em constante movimento, os usuários são forçados a consumir as informações de que estão mais interessados imediatamente, para que não desapareçam. Isso cria uma situação “agora ou nunca” que compromete a autonomia do usuário. Assim, em vez de permitir que os usuários consumam em seu próprio ritmo, os feeds os forçam a se envolver imediatamente, dificultando a recuperação do conteúdo em um momento posterior.
Uma maneira melhor de criar feeds
A tecnologia de aprendizado de máquina certamente não vai a lugar nenhum, mas isso não significa que precisamos continuar reciclando o mesmo padrão de design antigo. É possível criar uma interface alimentada por aprendizado de máquina que não se pareça ou se comporte como um feed de rolagem infinita.
Felizmente, há algumas pessoas brilhantes por aí que estão começando a pensar em maneiras de lidar com os problemas de experiência do usuário criados pelos feeds.
Um dos meus recursos favoritos sobre o Google Now é o botão [Mais histórias] na parte inferior do feed. É um pequeno toque, mas cria uma “experiência limitada”: um pouco de atrito que impede que o usuário seja embalado no estupor que desperdiçará o tempo de um feed de rolagem infinita.
Da mesma forma, o feed “quebrado” ou “segmentado” da Netflix tenta resolver o problema da carga cognitiva pesada. Neste design, os filmes são agrupados em diferentes categorias (Documentários, Comédia, programas de TV, etc.), o que ajuda os usuários a se concentrarem no conteúdo em que estão mais interessados, sem precisar examinar tudo de uma vez. Ainda há muito conteúdo competindo pela sua atenção de uma só vez, mas é um pouco mais administrável do que consumir tudo de uma vez.
Mas existe uma maneira de eliminar todos os feeds juntos?
O passo mais próximo que vi nessa direção está na página de calendário do host no AirBnb.
No lado direito do calendário de reservas, o AirBnb apresenta insights para ajudar os anfitriões a gerenciar melhor suas listagens. Essas percepções são alimentadas pelo aprendizado de máquina, mas são projetadas como dicas contextuais em vez de um feed de rolagem longo. Os usuários podem tabular as dicas uma de cada vez, facilitando a carga cognitiva e colocando um fim na rolagem sem fim.
O calendário de host AirBnB é um ótimo exemplo de um projeto de aprendizado de máquina que é assistencial sem sobrecarregar e capacitar sem ser demorado.
O conteúdo que você precisa aparece bem quando você precisa e você não precisa rolar para encontrá-lo.