Canvas de Matriz de Priorização para RATs

Por que usar?

Use-o para priorizar eficazmente os testes de suposições mais arriscadas (RATs).

Quando usar?

Na fase final de um workshop, a matriz de priorização entra em uso para avaliar suposições críticas ou abordar questões não respondidas, indicadas por notas adesivas brancas. Esse passo é essencial antes de prosseguir com a execução da sua estratégia de dados e IA e a implementação dos seus produtos de dados/IA. A matriz ajuda a avaliar tanto a probabilidade de falha (rotulada como eixo "Probabilidade de falha") quanto o impacto potencial dessas falhas (rotulada como eixo "Impacto da falha") para cada suposição ou pergunta. Priorize testar suposições ou questões que apresentem alto risco de falha e tenham consequências negativas significativas se comprovadas incorretas.

Modo de usar?

I. Preparação

1. Preencha o cabeçalho do canvas:

a) Rotule Foco em no cabeçalho do canvas com uma nota adesiva branca "Suposições e Questões".

2. Rotule os eixos e quadrantes com notas adesivas brancas:

a) Eixo X: "Probabilidade de falha" - Quão provável é a hipótese estar errada ou a resposta à pergunta ser negativa?

b) Eixo Y: "Impacto da falha" - Até que ponto negativo uma hipótese falsificada ou resposta negativa impacta a realização da estratégia de dados & IA ou a implementação do produto de dados/IA? Uma suposição errada com um alto impacto de falha pode acabar com sua estratégia/produto. Para uma suposição errada com um baixo impacto de falha, você pode encontrar um novo design de estratégia/produto.

c) I. Quadrante: "III. Importante" - Você deve testar essas suposições com baixa probabilidade de falha e alto impacto de falha em terceiro lugar.

d) II. Quadrante: "I. Mais arriscado" - Você deve testar essas suposições com alta probabilidade de falha e alto impacto de falha primeiro.

e) III. Quadrante: "IV. Mais seguro" - Você deve testar essas suposições com baixa probabilidade de falha e baixo impacto de falha por último.

f) IV. Quadrante: “II. Improvável” - Você deve testar essas suposições com alta probabilidade de falha e baixo impacto de falha em segundo lugar.

II. Narrativa

Se o tempo permitir, revise todos os canvases e se perguntem: está completo, correto e consistente? Se surgirem incertezas, adicione notas adesivas brancas com as suposições ou perguntas. Uma maneira de fazer isso é jogar "narrador e advogados do diabo": o facilitador narra o progresso do workshop enquanto os participantes verificam a plausibilidade. Se eles descobrirem uma lacuna ou um erro, etc., adicionam outra nota adesiva branca.

III. Coleta

Reúna todas as notas adesivas brancas que contenham uma suposição crítica ou pergunta em aberto dos canvases e coloque-as no campo Sort in na borda esquerda do canvas Priority Matrix. Duplique essas notas adesivas originais, mude a cor para azul e adicione informações contextuais para tornar cada nota autoexplicativa.

V. Estimativa

3.Elemento Âncora: Escolha uma nota adesiva do campo Sort in com probabilidade média de falha e impacto médio de falha e posicione-a no centro do canvas. Este é o seu elemento âncora, com o qual todas as outras suposições ou questões serão comparadas, servindo como referência para uma "média" de probabilidade e impacto de falha.

4. Quadrantes: Instrua os participantes a avaliarem a probabilidade de falha e o impacto de cada nova suposição ou questão em relação às já posicionadas na matriz, especialmente em relação ao elemento âncora. Essa avaliação deve ser iterativa, permitindo ajustes à medida que novas informações potencialmente alteram a escala relativa:

• Probabilidade de falha: Mova a nota adesiva mais para a direita se a probabilidade de falha for maior do que as já posicionadas, e para a esquerda se for menor.

• Impacto da falha: Posicione a nota adesiva mais acima se o impacto da falha for maior do que os existentes, e mais abaixo se for menor.

Ajustes devem continuar de forma dinâmica, com os participantes sendo encorajados a reposicionar notas previamente colocadas conforme necessário para manter avaliações relativas precisas durante a sessão.

Dica: Se uma suposição ou pergunta depende de outra, ilustre essa relação conectando-as com setas. Posicione a suposição ou pergunta dependente mais acima e à direita daquela de que depende, para refletir sua maior probabilidade de falha e impacto. Esse ajuste reconhece que uma suposição ou pergunta dependente carrega maiores riscos, pois sua validade depende de outra suposição que ainda não foi validada, amplificando assim seu potencial impacto.

Opcional: Se houver muito debate ou incerteza sobre a probabilidade de falha ou impacto, use cores nas notas adesivas para mostrar seu nível de certeza:

• Verde: Absoluta certeza

• Amarelo: Certeza moderada

• Vermelho: Nenhuma certeza

VI. Testes de Suposições Mais Arriscadas (RATs)

Foque em testar as suposições/perguntas no II. Quadrante rotulado como "I. Mais Arriscadas", pois elas são as mais propensas a falhar e impactar negativamente sua estratégia/produto. Para cada uma, considere projetar experimentos, realizar entrevistas com especialistas ou conduzir estudos de pesquisa para verificá-las ou refutá-las. Registre essas tarefas em seu sistema de gestão, como um quadro kanban ou um HELD (Hypotheses, Experiments, and Learnings Database).

Importante: Lembre-se de que o elemento âncora também é considerado uma suposição/pergunta crítica a ser testada!

Onde encontrar mais?

A Datentreiber oferece não apenas este modelo do Miroverse, mas também:

• O Data & AI Business Design Kit oferece diversos canvases open source para aplicar o Método Data & AI Business Design.

• Além disso, a Comunidade Data & AI Business Design gratuita está disponível para trocas, eventos e conteúdo especializado.

• Cursos online e presenciais pagos com certificação estão disponíveis na Academia Data & AI Business Design.

• Muitas ferramentas de gestão adicionais, modelos de workshop e blueprints de projetos estão disponíveis no nosso banco comercial Data & AI Business Design Bench.

• Nosso Data & AI Business Consulting oferece suporte para os seus projetos de estratégia, inovação e transformação em dados e IA.

Se você está interessado ou tem qualquer dúvida ou feedback, entre em contato conosco pelo e-mail: info@datentreiber.de.

Direitos Autorais: Todos os direitos reservados por Datentreiber GmbH.