Leggere i dati

Nel nostro lavoro offriamo valore all'utente e cerchiamo di farlo in modo che sia il più possibile basato su dati ed evidenze. Su questo punto, tuttavia, gli utenti devono essere in grado di leggere i dati e comprendere ciò che vedono. Ad un certo punto, l'uso di strumenti intrinsecamente scientifici diventa inevitabile.

Semplificare dati complessi riducendoli a un singolo "valore" o "indice" aiuta a raggiungere un pubblico più ampio, ma comporta il costo di nascondere informazioni cruciali su un argomento che è, per sua natura, tutt'altro che semplice. I trend (tendenze) e i pattern (andamenti o comportamenti che presentano regolarità), ad esempio, si perdono facilmente quando i dati vengono ridotti a semplici indici.

La semplificazione non è l'unico metodo. Offrire prospettive diverse sugli stessi dati, e spiegare gli strumenti usati per generare tali prospettive, può portare un enorme valore trasmettendo la complessità intrinseca dell'argomento. Questo è un aspetto importante del nostro lavoro. Poiché l'esperienza utente (UX) è uno dei tre pilastri dell'attuale PoC, investiamo consistente energia sia nell'implementazione che nella comunicazione di queste diverse viste.

Lo scenario illustrato di seguito offre un esempio di questo principio.

Consideriamo un sensore per la qualità dell'aria che misura PM2.5 e PM10 all'interno di un appartamento. Le misurazioni vengono effettuate a intervalli regolari, ad esempio ogni 5 secondi. Su un periodo sufficientemente lungo, la sequenza di punti appare come una serie di linee continue. La vista a sinistra della figura sottostante mostra queste linee per il mese di aprile 2026 (rosso = PM2.5, blu = PM10). A questo stadio, l'utente ha già ricevuto una quantità sostanziale di informazioni.

Un modo diverso di esaminare gli stessi dati consiste nell'utilizzare una heatmap. I dati sono disposti su una griglia in cui ogni asse rappresenta una dimensione distinta. Nella vista a destra della figura sottostante, l'asse orizzontale mostra il giorno del mese e l'asse verticale mostra l'ora del giorno. Ogni cella contiene il valore massimo registrato durante quell'intervallo di un'ora, colorato in base alla sua intensità. La legenda aiuta anche a identificare le soglie giornaliere di riferimento dell'OMS (Organizzazione Mondiale della Sanità), in modo analogo alle linee orizzontali tratteggiate nella vista a sinistra. Questa prospettiva aggiunge informazioni diverse e rende più facile capire, ad esempio, se la qualità dell'aria sia costantemente migliore in determinate ore del giorno.

La personalizzazione si basa, tra le altre cose, sulla disponibilità di prospettive diverse. Un utente potrebbe trovare una vista più informativa e rilevante a livello personale rispetto a un'altra, anche se entrambe derivano dagli stessi dati. In quest'ambito sorgono diverse sfide:

• Qual è il numero ottimale di prospettive per mantenere un'esperienza utente di alta qualità?

• Ogni prospettiva veicola necessariamente solo una parte dell'informazione; com'è possibile ridurre il bias che ne deriva?

• Ogni prospettiva si basa su uno "strumento" o "artefatto" specifico e non possiamo presumere che gli utenti sappiano già come interpretarlo. Qual è la quantità adeguata di contenuti formativi da integrare nell'esperienza utente (UX) mantenendo al contempo l'attenzione sul tema della qualità dell'aria?

È proprio qui che esperienza utente (UX) e ricerca si incontrano. Come evidenziato in "Visualizzare il concetto", questo è un ambito che intendiamo esplorare ulteriormente.

Immagini prese dall'app AirQ nello stato attuale di PoC: a sinistra i grafici lineari; a destra la heatmap