Data-driven personas: criação e validação de estereótipos baseados em dados

Abstract

A transformação digital amplia a relevância de dados para iniciativas em design e inovação, criando oportunidades para ferramentas como as Personas, que traduzem informações sobre usuários em insights aplicáveis. No entanto, a criação de Personas por métodos quantitativos exige expertise técnica e carece de critérios claros de validação, dificultando sua adoção por pequenas organizações. Diante desse desafio, esta dissertação propõe uma abordagem quantitativa acessível para construção e validação de Personas baseadas em dados. Classificada como pesquisa aplicada, qualitativa e exploratória, adota o método Design Science Research (DSR) conforme Dresch, Lacerda e Antunes Júnior (2020). A abordagem inclui uma Revisão Sistemática da Literatura (RSL) para mapear métodos existentes e identificar lacunas, além da proposição de um artefato projetado para facilitar a implementação em contextos com recursos limitados. A pesquisa envolveu a aplicação do artefato em uma situação-caso, cobrindo coleta, análise, segmentação e validação de Personas com técnicas simplificadas de estatística descritiva e heurísticas ajustadas. Como diferencial, este trabalho propõe um modelo estruturado de validação, permitindo medir a precisão das Personas geradas e aprimorá-las iterativamente. Os achados incluem diretrizes teóricas para otimizar a criação e validação de Personas baseadas em dados, além de heurísticas aplicáveis a diferentes contextos. As contribuições práticas compreendem um guia para utilização do artefato, demonstrando sua eficácia na construção de Personas mais precisas e acessíveis. As discussões finais ressaltam o potencial da abordagem para democratizar métodos quantitativos e ampliar a confiabilidade das Personas em processos de design e inovação.

Abstract: Digital transformation enhances the relevance of data in design and innovation initiatives, creating opportunities for tools such as Personas, which translate user information into actionable insights. However, the creation of Personas using quantitative methods requires technical expertise and lacks clear validation criteria, making their adoption challenging for small organizations. Addressing this issue, this dissertation proposes an accessible quantitative approach for constructing and validating data-driven Personas. Classified as applied, qualitative, and exploratory research, it adopts the Design Science Research (DSR) method as described by Dresch, Lacerda, and Antunes Júnior (2020). The approach includes a Systematic Literature Review (SLR) to map existing methods and identify gaps, along with the development of an artifact designed to facilitate implementation in resource-limited contexts. The research involved the practical application of the artifact in a case study, covering data collection, analysis, segmentation, and validation of Personas using simplified descriptive statistics and adjusted heuristics. As a key contribution, this study proposes a structured validation model, enabling the measurement of Persona accuracy and iterative improvement. The findings include theoretical guidelines for optimizing the creation and validation of data-driven Personas, as well as heuristics applicable to different contexts. Practical contributions comprise a guide for using the artifact, demonstrating its effectiveness in generating more precise and accessible Personas. The final discussions highlight the potential of this approach to democratize quantitative methods and enhance the reliability of Personas in design and innovation processes.