Dos dados às decisões: repensando a exploração no iOverlander
O iOverlander é uma plataforma gerida pela comunidade que ajuda viajantes a encontrar e compartilhar lugares ao redor do mundo. O produto enfrentava dificuldades com navegação, confiança no conteúdo e na transformação de dados em decisões úteis.
Em 30 segundos
Problema
O app reunia muitos dados gerados por usuários, mas mostrava todos com o mesmo peso, e quem viajava tinha dificuldade para achar locais confiáveis rapidamente.
O que fiz
Redesenhei a experiência de descoberta: hierarquia de informação mais clara, pins de mapa mais limpos e navegação mais simples entre mapa e lista.
Resultado
Um formulário contínuo de check-in (antes, mais de 10 telas) e decisões mais rápidas na estrada, com sinais mais claros de qualidade e atualidade.
Visão geral
O iOverlander é uma plataforma de viagens feita pela comunidade, usada por overlanders para encontrar locais de acampamento, serviços e pontos de interesse no mundo todo. O conteúdo é gerado pelos próprios usuários e o uso é principalmente no celular, muitas vezes na estrada.
Problema
O paradoxo da descoberta
O iOverlander abriga uma riqueza incrível de dados gerados pelos usuários, mas o volume excessivo havia se tornado um problema. A interface apresentava as informações de forma igualitária, independentemente da relevância, forçando os usuários a filtrar o excesso de ruído para encontrar necessidades básicas durante a viagem.
- Os usuários tinham dificuldade para encontrar lugares relevantes rapidamente.
- As informações eram densas e difíceis de escanear em dispositivos móveis.
- Faltavam sinais visuais de confiança para a atualidade e a qualidade das avaliações.
- Incompatibilidade de navegação entre a visualização do mapa e as visualizações de lista detalhadas.
Os usuários não estavam enfrentando problemas com a falta de dados, eles estavam lutando para compreendê-los, confiar neles e agir rapidamente com base neles.
Processo
Como o trabalho chegou até aqui
Das hipóteses aos wireframes: a pesquisa, a definição e os esboços por trás das decisões.
Hipóteses
Com o que eu sabia até ali, escrevi seis hipóteses para guiar o próximo passo: as entrevistas com usuários.
Entrevistas com usuários
Cinco entrevistas com overlanders, recrutados pelo Instagram (principalmente casais e quem viaja de van, carro ou trailer) e feitas na mesma semana. Os insights abaixo são os pontos de dor que eles relataram.
How Might We
Com os insights das entrevistas, fiz um exercício de How Might We dividido pelos temas que os usuários trouxeram: detalhes do local, salvar locais, adicionar novos locais e a página inicial.
Brainstorm de soluções
Para cada tema, um brainstorm de possíveis soluções. As ideias ficaram misturadas de propósito, para abrir espaço a soluções que cruzam os temas.
Priorização MoSCoW
As ideias organizadas em Must, Should, Can e Won't, para decidir o que moldaria o início do design das telas.
Personas
Com um caminho claro sobre quais soluções testar, desenhei quatro personas a partir dos casos das entrevistas, para checar se eu estava deixando passar alguma oportunidade.
Fluxo do usuário: escolher onde ficar
Os fluxos foram o exercício que mais me ajudou: mostraram o quanto a experiência atual estava ruim. Este cobre a escolha de um lugar para passar a noite.
Fluxo do usuário: planejar a viagem
Foram três fluxos no total, todos baseados nos insights das entrevistas, como o de que nem todo mundo planeja os locais antes de pegar a estrada, ao contrário do que eu supunha.
Fluxo do usuário: adicionar um local
O fluxo que mostrou o maior problema: um formulário de 18 páginas e a necessidade de estar no ponto exato (ou saber as coordenadas) literalmente impedem as pessoas de adicionar locais.
Esboços antes das telas
Com o problema definido, peguei papel e caneta para esboçar um redesenho ideal antes de abrir o Figma.
Wireframes
Os esboços guiaram os wireframes de média fidelidade, onde planejei o layout e a estrutura de conteúdo em torno do que os usuários precisavam.
Solução
Decisões e abordagem
Solução 1
Escaneabilidade em vez de densidade
Reestruturei os cartões de locais para destacar primeiro os fatores críticos de tomada de decisão: ícone da categoria, distância exata e uma pontuação agregada de sentimento, movendo as avaliações de texto detalhadas para baixo na hierarquia.
Solução 2
Alinhamento de comportamento real
Fluxos principais de usuários projetados em torno de necessidades imediatas ("Encontrar combustível perto de mim agora") em vez de navegação aberta, reduzindo o tempo para ação.
Solução 3
Confiança através do contexto
Foram introduzidos indicadores visuais claros sobre a atualização dos dados. Uma localização verificada ontem supera visualmente uma que não é atualizada há três anos, como deve ser.
Solução 4
Simplificando o check-in em um único fluxo
Reduzi a experiência de check-in de um fluxo fragmentado e de várias etapas (mais de 10 telas) para um formulário único e contínuo, otimizado para o uso no mundo real. Agora, os usuários podem escanear, responder e concluir o processo de uma só vez, reduzindo o atrito em situações de mobilidade.
Solução
Um caminho mais claro pela frente
O design final traz clareza estrutural para a experiência de overlanding. Pins de mapa mais limpos e uma hierarquia tipográfica distinta transformam dados em inteligência prática.
Outros cases
Todos os cases
E se você pudesse simplesmente fazer uma pergunta ao seu público?
Segmentos de público estáticos reimaginados como personas com IA que respondem, explicam e se mantêm baseadas em dados de pesquisa reais.
Construindo um sistema conectado para o conhecimento de pesquisa
Uma camada de inteligência centralizada que conecta todas as pesquisas e insights em uma única fonte de verdade conversacional.