The unpredicTable. Service design and unpredictable contexts. New tools and methodologies for service designers

The object of this thesis is the development of a new tool dedicated to Service Designs facing what are called "Uncertain Contexts". In such contexts, the uncertainty related to the design environment in which a Service Designer may find himself is linked to the unpredictability with which the actors involved operate, interact and behave. For this reason, contexts that initially present very similar characteristics can be very different in reality for design purposes and can also change over time as the way of acting of those who are part of them changes. Facing these environments with a human-centered approach, my experience allowed me to perceive the lack of a consolidated theory able to define and classify these types of specific contexts and the lack of dedicated tools to support the Designer. The aim of this thesis is therefore to create a theoretical basis for the definition of such contexts and to develop a practical tool dedicated to Designers who are designing in these areas. The thesis, developed in the field on real cases, focuses in particular on one of those design areas where the characteristic of unpredictability is more evident: the collaborative living. On the basis of my analysis, there are three macro typologies that can be used to identify and classify the uncertain contexts in which the Service Designer may find himself operating: Consolidated type, Proactive type and Hostile type. This classification derives from the type of behaviour that users can assume and that give rise to one type rather than another. To the first type, the Consolidated type, belong design contexts whose actors are organized in a cohesive group, which shares a common goal to pursue and an active and collaborative behavior. Proactive contexts, on the other hand, are determined by a group of people not yet perfectly formed and whose objectives are still being defined but who share an attitude of participation and collaboration. Users instead of a Hostile context are characterized by a more conservative behaviour, distrustful and less open to each other. This classification has also highlighted the challenges that a Service Designer faces. In fact, uncertain contexts are difficult to fully understand due to two characteristics: complexity and mutability. Complexity concerns particularly the phase of data and information collection, which generally turns out to be many and different. In addition, the collection of information often requires continuous updating as it is acquired at different stages of design. A careful organization of the information becomes therefore fundamental in order to be able to use it in the best possible way during the concept definition phase. The implementation of information and the change of the way people act and behave also determines the unpredictability and therefore the mutability of these contexts that must be constantly monitored. On the basis of these considerations the "Unpredict Table" was born, an software online tool that offers Service Designers a theoretical and practical reference for the analysis and design of these contexts. The tool is in fact divided into sections that offer a practical aid to the design in the research phase, that is the collection and analysis of data, and auxiliary sections that allow the various designers who use this tool to exchange information to share experiences and ideas. The Service Designer can use this online tool as a virtual collector according to a simple but effective classification of all the data acquired during the research phase. The data entered are processed in real time to offer a graphical display, through the "Unpredictable map", which highlights the information and its links. The designer can now use this map to modify or highlight only the data he considers most interesting and on which he will develop the design focus. The tool also allows the designer to identify patterns of behaviors of the users he is working with in order to easily classify them and decide which role to assign them in a profitable way for design purposes. To manage the mutability and complexity of data described above the tool will be developed on the Machine Learning principle: a methodology that can use statistical methods to manage data patterns. It is based on the ability of machines to "learn from experience": given a set of data, i.e. a series of complete examples to be used as an indication, it is able to process them and develop its own logic to improve its operation for the benefit of the users.

L’oggetto di questa tesi è lo sviluppo di un nuovo strumento dedicato ai Service Design che si trovano ad affrontare quelli che sono definiti “Contesti Incerti”. In tali contesti, l’incertezza legata all’ambito progettuale in cui un Service Designer può trovarsi è legata all’imprevedibilità con cui gli attori che ne fanno parte operano, interagiscono e si comportano. Per questo motivo contesti che inizialmente presentano caratteristiche molto simili possono risultare nella realtà molto diversi ai fini progettuali e possono inoltre risultare mutevoli nel tempo al modificarsi del modo di agire di chi ne fa parte. Affrontando questi ambienti con un approccio human-centered, la mia esperienza mi ha permesso di constatare la mancanza di una teoria consolidata in grado di definire e classificare questa tipologia di contesti specifici e la mancanza strumenti dedicati a supporto del progettista. Scopo di questa tesi è stato quindi quello di realizzare una base teorica per la definizione di contesti di questo tipo e di sviluppare uno strumento pratico dedicato ai Designer che si trovano a progettare in questi ambiti. La tesi, sviluppata sul campo su casi reali, si focalizza prendendo in particolare come oggetto uno di quegli ambiti progettuali in cui la caratteristica della imprevedibilità si manifesta con maggiore evidenza: quello dell’abitare collaborativo. Sulla base dell’analisi condotta, tre sono le macro tipologie che possono essere utilizzare per identificare e classificare i contesti incerti in cui il Service Designer può trovarsi ad operare: di tipo Consolidato, di tipo Proattivo e di tipo Ostile. Questa classificazione deriva dal tipo di comportamento che possono assumere gli utenti e che danno vita ad una tipologia piuttosto che un’altra. Al primo tipo, quello Consolidato, appartengono i contesti progettuali i cui gli attori sono organizzati in un gruppo coeso, che condivide un obiettivo comune da perseguire e un comportamento di tipo attivo e collaborativo. I contesti di tipo Proattivo invece sono determinati da un gruppo di persone a volte non ancora perfettamente formato ed i cui obiettivi sono ancora in via di definizione ma che condividono un’attitudine alla partecipazione e alla collaborazione. Gli utenti invece di un contesto di tipo Ostile sono caratterizzati da un modo di agire e di pensare più conservativo, diffidente e meno aperto gli uni verso gli altri. Questa classificazione ha permesso di mettere in evidenza anche le sfide che un Service Designer si trova ad affrontare. I contesti incerti infatti risultano difficili da comprendere pienamente per due caratteristiche: la complessità e la mutabilità. La complessità riguarda in particolare la fase di raccolta dei dati e delle informazioni che generalmente risultano essere molte e diverse. Spesso inoltre la raccolta di informazioni richiede un continuo aggiornamento poiché esse vengono acquisite in diversi momenti della progettazione. Un’attenta organizzazione delle informazioni diventa dunque fondamentale per poterle utilizzare al meglio in fase di concept definition. L’implementazione delle informazioni e il mutamento del modo di agire e comportarsi delle persone inoltre determina l’imprevedibilità e dunque la mutabilità di questi dati che devono poter essere costantemente monitorati ed aggiornati. Sulla base di queste considerazioni nasce the “Unpredict Table”, un tool software online che offre ai Service Designer un riferimento teorico e pratico per l’analisi e la progettazione di servizi in contesti di questo tipo. Il tool infatti è suddiviso in sezioni che offrono un ausilio pratico alla progettazione nella fase di ricerca, ovvero nella raccolta ed analisi dei dati, e sezioni ausiliarie che permettono ai vari Designer che fanno uso di questo strumento di scambiare informazioni per condividere esperienze ed idee. Il Service Designer può sfruttare questo strumento online come raccoglitore virtuale secondo una classificazione semplice ma efficace di tutti i dati raccolti nella fase di ricerca. I dati inseriti vengono elaborati in real time per offrirne una visualizzazione grafica, tramite the “Unpredictable map”, che mette in evidenza le informazioni ed i relativi legami. Il progettista può a questo punto utilizzare questa mappa per modificare o evidenziare solo i dati che ritiene più interessati e su cui svilupperà il focus della progettazione. Lo strumento permette inoltre al progettista di identificare pattern di comportamento degli utenti con cui si trova a lavorare per poterli facilmente classificare e decidere di conseguenza quale ruolo assegnare loro in modo proficuo ai fini della progettazione. Per gestire la mutabilità e la complessità dei dati precedentemente descritta lo strumento è sviluppato sulla base del principio del Machine Learning: una metodologia in grado di utilizzare metodi statistici per gestire pattern di dati. Essa si basa sull’abilità delle macchine di “apprendere dall’esperienza”: dato un set di dati, ovvero una serie di esempi completi da utilizzare come indicazione, essa è in grado di elaborarli e sviluppare una propria logica per migliorare il funzionamento a vantaggio degli utilizzatori.