Precisa de ajuda para escolher o seu
treinamento ou tem alguma dúvida?

Lean Inception para Data Science

Facilitei uma Lean Inception para uma equipe de Data Science. Não era exatamente uma Lean Inception para elaborar um produto e alinhar o grupo de pessoas sobre MVP, com suas funcionalidades e hipóteses.

No contexto dessa Lean Inception precisávamos buscar o entendimento e o alinhamento sobre as atividades de data science e data engineering, e as validações das hipóteses (via MVPs).

Segue a foto da agenda burn-up dessa Lean Inception.

Note a ordem das atividades. Seguimos a agenda da Lean Inception, com um pequeno ajuste: brainstorming de hipóteses as invés de brainstorming de funcionalidades.

As atividades visão do produto e o ENFN—É-Não é-Faz-Não faz– ajudaram a equipe a compartilhar e alinhar sobre a visão do negócio.

As atividades sobre personas e jornadas ajudaram a equipe a compartilhar e alinhar sobre os usuários finais do produto (que geravam dados) e os clientes do nosso “produto”, que necessitam de mais assertividade. (“produto” está entre aspas pois tem pouca interface, mas muito algoritmo e manipulação de dados)

Brainstorming de hipóteses

Para Resolver… PROBLEMA
Acreditamos Que… <Ideias/Hipóteses/Atividades>
Sabemos Que Isso Funcionou Se… RESULTADO ESPERADO

A partir desse template, preenchemos a primeira e a última lacuna – PROBLEMA e RESULTADO ESPERADO. A primeira estava mais relacionada ao problema dos usuários e a última a necessidade do negócio. Em seguida eu perguntei: quais são todas as ideias/hipóteses/atividades que podemos sugerir para essa segunda lacuna.

Essa foi a atividade Brainstorming de Hipóteses. A equipe escreveu vária post-its. Alguns desses no estilo: “verificar que tal coisa resolve isso” outros no estilo: “fazer tal atividade”.

Depois disso, continuamos seguindo a sequência de atividades recomendadas para a Lean Inception: Revisão técnica, de negócio e de UX; seguido pelo Sequenciador e pelo Canvas MVP.

A receita da Lean Inception funcionou muito bem, mesmo com a característica e o contexto de data science e algoritmos.

Duas foram as variações que utilizei (e recomendo nesse contexto específico):

  1. Sobre a palavra funcionalidade. A palavra funcionalidade não encaixava tão bem nesse contexto. Mudei a palavra. Passei a chamar de hipóteses ou atividades… do MVP.
  2. Sobre as jornadas. Essas não foram tão úteis para entender o passo a passo do usuário e pensar onde podemos melhorar sua vida com uma funcionalidade do produto (a ser validado via o MVP). As jornadas foram úteis como um exercício de empatia, para conversamos sobre os usuários da nossa solução e os seus problemas atuais. As jornadas nos ajudaram a entender as dores e elaborar hipóteses e atividades (a serem validades via MVP).

 

Comentários no LinkedIn.

Paulo Caroli

Paulo Caroli is an author, speaker, and consultant specializing in agile transformations, Lean Inception, and OKRs. With over 30 years of experience—including nearly a decade in Silicon Valley and 18 years at ThoughtWorks—he has helped organizations transition from project to product and from strategy to execution. Creator of the Lean Inception methodology and author of bestselling books like Lean Inception and Team OKR, Paulo is dedicated to empowering teams to align, validate, and deliver real business value.
Inteligência Artificial e Outcomes: Por que Produzir Mais Não Significa Gerar Mais Resultados

Inteligência Artificial e Outcomes: Por que Produzir Mais Não Significa Gerar Mais Resultados

A inteligência artificial está tornando os outputs mais rápidos, baratos e abundantes. Mas produzir mais não significa gerar mais resultados. Neste artigo, Paulo Caroli explica por que outcomes, julgamento e ownership se tornam ainda mais importantes à medida que papéis, processos e estruturas de times mudam. A partir de Lean Inception, Team OKR e Triple Track, o texto mostra como conectar estratégia, aprendizado e execução na era da IA.

ler mais

Pin It on Pinterest