Imagine. Você inventando um produto que usa machine learning com dados reais de consultores. E, com isso,  despertando o interesse em todas as regiões da ThoughtWorks ao redor do mundo.

E o mais maneiro (termo muito utilizado na conversa entre dois ou mais cariocas), usando MVP–minimum viable product– para validar seu experimento e decidir como continuar a evolução da ideia.

Pois bem, foi isso que Dhiana Deva (carioca) fez. Pegou uma carona no conceito de MVP para validar um experimento de data science na ThougthWorks.

Dados para experimentação

Cada consultor da ThougthWorks tem um perfil com suas habilidades, por exemplo: Java, Ruby, Rails, Python, Chef, communication, problem solving, content strategy, etc.

Com esses dados em mãos, Dhiana teve a ideia de criar um produto para visualizar todos os consultores de uma região, de forma a mostrar grupos por afinidades, aproximando os consultores de acordo com suas habilidades.

MVP1

Segue abaixo uma foto do canvas MVP do primeiro MVP.

Canvas do MVP1

Canvas do MVP1

Segue uma imagem do produto quando era um MVP1.

imagem do produto - MVP1

imagem do produto – MVP1

Resultado/Aprendizado:

Com esse MVP, Dhiana validou o interesse dos seus colegas na ThoughtWorks Brasil em descobrir perfis similares—hipótese 1 validada: os consultores da ThoughtWorks Brasil iriam se interessar e visualizar seu grupo e seus vizinhos.

Seu produto foi muito utilizado por consultores, mas não por aqueles que fazem alocação de pessoas. Hipótese 2 não validada: gerentes da ThoughtWorks Brasil iriam usar o produto para ajudar na alocação de pessoas.

Decisão: seguir a evolução do produto (MVP2) com o foco nos consultores.

MVP2

Segue abaixo uma foto do canvas MVP do segundo MVP.

canvas do MVP2

canvas do MVP2

Segue uma imagem do produto quando era um MVP2.

imagem do produto - MVP2

imagem do produto – MVP2

Resultado/Aprendizado:

Data Scientists na ThoughtWorks USA se interessaram pelo produto e aderiram a força de trabalho, participando com novas ideias e apoio. Por exemplo, Danilo Sato criou novos cards no Trello do produto.

Após expandir para regiões da América Latina e dos USA, uma hipótese muito importante do MVP2 foi validada: Outras regiões da ThoughtWorks também iriam usar e divulgar o produto.

MVP3 – em construção.

Segue abaixo uma foto do canvas do MVP atualmente em construção.

canvas do MVP3

canvas do MVP3

Segue uma imagem do produto atual.

imagem do produto - MVP3

imagem do produto – MVP3

Resultado Esperado:

  • O produto será usado nos mais de 30 escritórios da ThoughtWorks no mundo.
  • Uma comunidade de interessados em data science vai emergir e irá evoluir o produto.
  • As técnicas de data science utilizadas no produto serão compartilhadas (blogs, artigos, etc) e utilizadas em projetos.

Validando o aprendizado

Dhiana não sabia exatamente onde queria chegar. Mas tinha uma ideia. Ela queria compartilhar um pouco sobre machine learning com seus colegas, utilizando dados familiares a eles.

A partir de MVPs rápidos e efetivos, ela percebeu o interesse pelo produto, e daí sim, decidiu onde investir seu tempo (e esforço).

Com isso, criou o MVP1, depois o MVP2, e agora o MVP3, validando hipóteses e acumulando aprendizado.

O canvas MVP ajudou-a a expressar e comunicar cada evolução do produto.

Como ex-desenvolvedor, acho muito legal o trabalho que ela faz na área de data science. Ela faz data science e machine learning parecer simples.

E o mais legal, foi ouvir dela que a recíproca é verdadeira. “O canvas MVP fez essas coisas de ideia/produto/inception ficarem simples. Isso me ajudou a ser literalmente direta ao ponto”, risadas da Dhiana, seguindo da explicação de que cada pessoa é um ponto na visualização: direto ao ponto! E ela concluiu: “, e a partir dos MVPs criei a evidencia de que data science é para todos!”.