Ricerca CBDC: un sistema qualitativo e quantitativo per un programma enterprise
Un programma pluriennale che alterna ricerca qualitativa e quantitativa a ritmo di sprint, con automazioni costruite per recruiting, prima codifica e reportistica.
- Ruolo
- UX Researcher (qualitativo e quantitativo)
- Team
- Responsabile ricerca dentro un team di programma più ampio (design, prodotto, client-side)
- Durata
- Programma pluriennale, in corso
- Cliente
- Iniziativa di valuta digitale di banca centrale (NDA)
Il progetto in un minuto
La Sfida
Qualitativo e quantitativo usano strumenti e tempi diversi, ma in questo programma devono continuare a informarsi a vicenda. Il rischio è che, con il passare delle fasi, diventino due archivi e due processi separati.
Il mio contributo
- Progettata la metodologia di ricerca su entrambi i filoni, qualitativo e quantitativo
- Progettata la pipeline di recruiting che collega la prenotazione ai dati di screening
- Costruito il flusso di codifica qualitativa assistita da AI, lo stesso motore dietro [qlaude](/it/portfolio/qlaude)
Risultati e portata
50+ interviste 1:1 in una singola fase di journey mapping
La Sfida
Di cosa mi sono occupato
- Progettata la metodologia di ricerca su entrambi i filoni, qualitativo e quantitativo
- Progettata la pipeline di recruiting che collega la prenotazione ai dati di screening
- Costruito il flusso di codifica qualitativa assistita da AI, lo stesso motore dietro qlaude
- Costruita la pipeline di reportistica quantitativa per i dati dei sondaggi multi-mercato
- Moderate le sessioni di test con utenti su più mercati e lingue
- Scritti metodologia e report di fase lungo tutto il programma
Qualitativo e quantitativo usano strumenti e tempi diversi, ma in questo programma devono continuare a informarsi a vicenda. Il rischio è che, con il passare delle fasi, diventino due archivi e due processi separati.
La ricerca accompagna da più anni un'app di valuta digitale di banca centrale rivolta a consumatori e merchant. Le fasi alternano journey mapping, test moderati e sondaggi multi-mercato, inclusa la validazione di un flusso nuovo come il pagamento P2P offline via NFC.
Con questa cadenza, anche attività apparentemente amministrative diventano un collo di bottiglia: trasferire i dati di screening, fare una prima codifica delle trascrizioni e produrre nuovi grafici a ogni ciclo. Ho automatizzato questi passaggi perché non richiedono una decisione metodologica: un webhook per il recruiting, la codifica assistita con lo stesso motore di qlaude e una pipeline di reportistica, Carthago. Disegno della ricerca, revisione e interpretazione restano manuali. Sto inoltre costruendo un repository che raccolga strumenti, metodologia e risultati delle diverse fasi.
"Il team ha bisogno di risultati abbastanza rapidi da entrare negli sprint, ma anche abbastanza solidi da sostenere decisioni su fiducia, sicurezza e adozione."
Se queste attività rallentano, la ricerca arriva tardi; se vengono compresse troppo, si rischia di sacrificare la qualità della revisione. L'automazione toglie pressione da quel passaggio, e il lavoro interpretativo resta al ricercatore.
Recruiting, prima codifica e produzione dei grafici assorbono tempo a ogni ciclo pur richiedendo relativamente poco giudizio metodologico.
Ricerca
Qualitativo: journey mapping esplorativo e test moderati
50+ interviste 1:1 in una fase di journey mapping; round di test con utenti da 10 partecipanti ciascuno
Ogni task è valutato su completamento e User Effort Score invece che solo come riuscito o fallito: così si distingue 'ha funzionato alla fine' da 'ha funzionato con facilità'.
Come si svolge una sessione
Un partecipante prenota tramite Cal.com e i dati di screening che ha fornito (paese, età, genere, abitudini di pagamento, lingua) arrivano nel progetto nel momento in cui prenota, senza passaggi manuali prima della sessione. Il moderatore segue un protocollo strutturato nella lingua del partecipante: riscaldamento, task, think-aloud, debrief.
La prima codifica assistita dall'AI
Ogni sessione viene registrata e trascritta. Lo stesso motore dietro qlaude propone un codice su un passaggio esatto con il suo ragionamento, e il ricercatore accetta, modifica o rifiuta. Con questa divisione dei compiti si riesce a codificare questi volumi mantenendo la tracciabilità.
Quantitativo: sondaggi su panel in più mercati
Sondaggi su panel in più mercati, campioni nell'ordine delle centinaia di rispondenti per round
Quote demografiche ed esclusione per tempi di completamento sospetti sono costruite nel disegno del sondaggio stesso, non lasciate ai default del fornitore del panel.
Come funziona la pipeline dei sondaggi
Un unico strumento viene distribuito sui mercati tramite un fornitore del panel, con le quote monitorate mentre il sondaggio è aperto invece che controllate solo a raccolta chiusa.
Reportistica automatizzata
Carthago processa i dati con quote gestite man mano che arrivano e produce direttamente i grafici che servono a ogni report di fase, così il turnaround quantitativo resta dentro lo sprint invece di seguirlo con giorni di ritardo.
Insight Chiave
Il metodo si sceglie in base alla domanda
Le fasi qualitative e quantitative si scelgono in base a cosa chiede la domanda di ricerca in quel momento del programma, senza un'alternanza prefissata.
I dati di recruiting non devono mai passare per una trascrizione manuale
Ogni passaggio manuale tra prenotazione e screening è un punto in cui può entrare un errore di trascrizione. La pipeline elimina del tutto quel passaggio.
La codifica assistita resta legata alla fonte
Stessa divisione di [qlaude](/it/portfolio/qlaude): la codifica assistita da AI propone sul testo esatto della fonte, e il ricercatore accetta, modifica o rifiuta.
Produrre i grafici e interpretarli restano due passaggi separati
La pipeline di reportistica produce i grafici; l'interpretazione resta un passaggio a sé, anche quando i dati sono molti.
Obiettivi e Principi
Metodologia completa su entrambi i filoni, a cadenza sprint
Nessuno dei due filoni usa una versione ridotta della sua metodologia per stare nei tempi; le automazioni servono a evitare quel compromesso.
Passare dal recruiting alla sessione senza ricopiare dati a mano
I dati di screening devono arrivare alla sessione pronti all'uso, senza nulla ritrascritto o letto male lungo il percorso.
Codifica assistita dall'AI con rimando alla fonte
Ogni proposta di codifica deve essere tracciabile fino al passaggio esatto da cui viene, lo stesso standard che [qlaude](/it/portfolio/qlaude) mantiene altrove.
Reportistica su più mercati automatizzata dove possibile
I risultati di ogni mercato passano per la stessa pipeline di reportistica, senza grafici rifatti a mano a ogni ciclo.
Principi guida
L'AI suggerisce, il ricercatore decide
La stessa regola di [qlaude](/it/portfolio/qlaude), applicata a un prodotto di pagamento in cui la fiducia è centrale: qui un'ipotesi non validata può incidere sull'adozione su larga scala.
Progettazione della Soluzione
Schema interattivo
Dalla prenotazione alla trascrizione codificata
Seleziona un nodo per evidenziarne i collegamenti e leggere la scelta progettuale.
Prenotazione
Un partecipante prenota una sessione. Le risposte allo screening sono il primo dato che entra nella pipeline.
Collegato a: Dati di screening
Ricostruzione concettuale della pipeline recruiting-codifica, non una dashboard live. Nessun dato di partecipanti reali è mostrato.
Dal recruiting alla sessione: Cal.com → Notion → webhook Vercel
Un passaggio manuale tra prenotazione e screener introduce errori di trascrizione e ritardi tra recruiting e preparazione della sessione, e a questi volumi gli errori si accumulano in fretta.
Alternative considerate
- Passaggio manuale tra tool di prenotazione e tracker di progetto (status quo, soggetto a errori)
- Un foglio condiviso aggiornato dopo ogni prenotazione (ancora manuale, ancora in ritardo)
- Un webhook che collega la prenotazione direttamente al progetto di ricerca
Un webhook porta i dati di screening (paese, età, genere, abitudini di pagamento, lingua) nel progetto nel momento in cui qualcuno prenota una sessione, senza passaggi manuali.
Quel passaggio non aggiungeva nulla alla ricerca ed era solo una fonte di errori. Eliminandolo, un'intera classe di errori di screening è sparita per il resto del programma.
Compromesso: La pipeline è costruita sulla forma dello screener di questo programma e non è pensata come strumento di recruiting generico.
Codifica qualitativa assistita da AI, stesso motore di qlaude
Codificare trascrizioni di interviste e test con utenti allo standard di tracciabilità di qlaude, con ogni proposta ancorata al testo esatto della fonte, a questi volumi richiede molto tempo.
Alternative considerate
- Codifica manuale di ogni trascrizione (rigorosa ma non tiene a questo volume e cadenza)
- Riassunto AI generico (veloce, ma perde la tracciabilità che il metodo richiede)
- Il motore proponi/decidi di qlaude applicato alle trascrizioni di questo programma
Stessa suddivisione di qlaude: l'AI propone un codice su un passaggio esatto con il suo ragionamento, e il ricercatore rivede, modifica, accetta o rifiuta.
Molte decisioni di design e di prodotto si appoggiano sulla codifica, quindi il suo rigore è un requisito del metodo.
Compromesso: Si accelera la proposta; la revisione del ricercatore richiede lo stesso tempo e cresce con il volume delle trascrizioni.
Reportistica quantitativa con Carthago
Rifare a mano ogni sprint i grafici dei sondaggi multi-mercato non è sostenibile con una cadenza continua, soprattutto con quote ed esclusioni da gestire.
Alternative considerate
- Grafici manuali ricostruiti a ogni ciclo (status quo, non scala con la cadenza)
- Un tool di BI generico (eccessivo per questa forma di dati, richiede comunque configurazione manuale per mercato)
- Una pipeline di analisi e grafici costruita sulla forma dei sondaggi di questo programma
Una pipeline dedicata elabora a ogni ciclo i dati dei sondaggi con quote gestite e produce direttamente i grafici che servono ai report.
Mantiene il turnaround quantitativo dentro lo sprint invece di farlo seguire con giorni di ritardo.
Compromesso: È costruita sulla forma dei dati di questo programma, a differenza di uno strumento generico come SenseKit.
Un research repo per tenere insieme qualitativo e quantitativo, ancora in corso
Un programma pluriennale produce due anni di interviste, trascrizioni, round di sondaggio e report di fase. Senza un posto condiviso per metodologia, strumenti e findings passati, i filoni qualitativo e quantitativo rischiano di diventare due archivi che non si parlano più, cioè proprio il problema che le altre automazioni cercano di evitare.
Alternative considerate
- Lasciarlo in Notion insieme ai dati di recruiting (funziona per lo screening, non per la storia della metodologia)
- Una pagina wiki per fase (invecchia non appena la fase finisce)
- Un research repo dedicato costruito apposta
Un sistema a parte, ancora in costruzione, pensato per tenere metodologia, strumenti e findings precedenti in un unico posto lungo tutte le fasi, così una nuova fase può partire da ciò che il programma già sa invece che da zero.
Le altre tre automazioni risolvono ciascuna un singolo passaggio meccanico e, una volta costruite, richiedono poca manutenzione. Il repo riguarda invece la memoria del programma: un problema più lento e meno meccanico, soprattutto in un programma che cambia di fase in fase.
Compromesso: Questo pezzo è incompleto. A differenza del webhook, del flusso di codifica e della pipeline di reportistica, il research repo non regge ancora il lavoro quotidiano: è in costruzione.
Risultati e Impatto
Il programma può far convivere round qualitativi e quantitativi a cadenza sprint senza affidare all'automazione la parte interpretativa. Le automazioni eliminano passaggi manuali ripetitivi; metodologia, revisione dei codici e lettura dei risultati restano responsabilità del ricercatore.
50+ interviste 1:1 in una singola fase di journey mapping
Round di test con utenti da 10 partecipanti ciascuno, moderati con think-aloud e User Effort Score
Campioni di sondaggio nell'ordine delle centinaia di rispondenti per round, su più mercati
3 automazioni in uso quotidiano (webhook di recruiting, codifica assistita da AI, reportistica quantitativa) e una quarta in costruzione: un research repo per tenere insieme metodologia e findings lungo le fasi
Filoni qualitativo e quantitativo tenuti allo stesso rigore sulla stessa cadenza
Zero errori manuali di trascrizione dello screening da quando la pipeline di recruiting è attiva
Proposte di codifica AI tracciabili fino al testo esatto della fonte, lo stesso standard di qlaude
Gestione delle quote ed esclusione per tempi di completamento integrate come presidi metodologici permanenti
Cosa ho realizzato
- Metodologia e strumenti di ricerca per fase
- Pipeline di recruiting (Cal.com → Notion → webhook Vercel)
- Flusso di codifica qualitativa assistita da AI
- Pipeline di reportistica quantitativa
- Report di fase lungo tutto il programma
- Research repo che tiene insieme metodologia e findings lungo le fasi (in corso)
Riflessioni
Automatizzare ha avuto più valore nei passaggi ripetitivi e soggetti a errore che nelle attività interpretative.
Cosa farei diversamente
- Formalizzerei prima nel programma il metodo di sincronizzazione tra i due filoni, invece di raffinarlo fase per fase
- Avvierei il research repo dal primo giorno invece che solo quando il problema dei due archivi separati è diventato visibile
Cosa ha funzionato e quali difficoltà ho incontrato
Cosa ha funzionato
Il flusso di qlaude ha funzionato anche in un contesto più delicato
La divisione proponi/decidi della codifica è passata dal contesto originale di qlaude alle trascrizioni di questo programma senza modifiche.
Il webhook ha eliminato la trascrizione manuale dello screening
I dati di prenotazione e screening passano dal webhook senza essere ricopiati a mano. Il flusso elimina quel passaggio di trascrizione; non verifica la correttezza delle risposte allo screening.
Sfide
Tenere allineati i due filoni ha richiesto scelte di metodo
Mettere le fasi qualitative e quantitative una accanto all'altra non basta perché si informino a vicenda. Sono servite decisioni di metodo esplicite, che le automazioni supportano ma non prendono da sole.
La revisione resta umana
In un prodotto di pagamento in cui la fiducia è centrale, un'ipotesi non validata su autenticazione o percezione di sicurezza può incidere sull'adozione su larga scala. Per questo la revisione deve restare in mano al ricercatore.
Il research repo andava avviato prima
È diventato un vuoto visibile solo dopo che due anni di storia qualitativa e quantitativa si erano già accumulati separatamente. Iniziarlo presto, anche in forma grezza, sarebbe costato meno che rincorrerlo adesso.
Prossimo progetto
qlaude: coding qualitativo assistito da AI