Transport Monitoring System — як «маленька» фіча прискорила обробку інцидентів на 34%

Це кейс про систему моніторингу транспорту: мережа AI-камер, якою керують оператори. Система допомагає запобігати інцидентам на дорогах, мінімізувати наслідки й каталогізувати випадки для аналізу — щоб місто було безпечнішим.

Ми з командою Anthracite рік працювали з клієнтом над інтерфейсом. Після релізу MVP база даних росла, AI-модель розумнішала — і ми поступово додавали нові функції. Тут дві історії з цього року: як ми проєктували іконки через дослідження і як одна «маленька» фіча несподівано дала великий результат.

Частина 1. Іконки камер: чи окупається дослідження

Іконки камер — ключовий спосіб сповістити оператора про виявлені інциденти на дорогах і вулицях. Типів камер багато, і кожен спеціалізується на своєму: одна аналізує обличчя у відео, інша фіксує порушення правил. Щоб швидко звітувати про інциденти й викликати спецслужби, оператор має миттєво зчитувати на мапі тип камери, її категорію, функцію та статус.

Задача: спроєктувати набір іконок, які оператори легко розпізнають. Викликів вистачало: понад 15 типів камер, основні категорії, наявність AI-модуля, варіації розміру й орієнтації, статуси та пріоритети інцидентів. А ще потрібен був простий процес додавання нових камер на наявні екрани й керування оновленнями.

Почали з дослідження: чимало часу присвятили тому, як камери виглядають у реальному житті. Це дало базові елементи для зображення кожного типу.

Хоч система і працює на AI-камерах, керують нею люди. Тому ми провели кілька ітерацій юзабіліті-тестів з операторами й допрацьовували дизайн під тих, хто користується ним щодня.

Порогом розпізнаваності обрали >80%: гнатися за 100% немає сенсу — у реальних сценаріях оператор працює з кількома камерами одночасно, а не вгадує їх по одній. Із цим бенчмарком ми фіналізували дизайн нових іконок.

Іконки стали частиною дизайн-системи: впорядкований набір компонентів, який пришвидшив збирання нових екранів.

Паралельно ми зафіксували дизайн-принципи, гайдлайни й правила для дизайн-команди та розробників — щоб дизайн і його імплементація лишалися консистентними.

А щоб спростити впровадження, зібрали прототипи, які точно показували, як нові функції камер мають працювати в продукті:

Додатковий час на дослідження й інтеграцію іконок у дизайн-систему виглядає як зайва інвестиція — але довгострокова вигода беззаперечна: більше впевненості в рішеннях і помітно швидші оновлення, модифікації та нові екрани.

Частина 2. «Маленька» фіча на великі 34%

Уявіть: авто потрапляє в ДТП, і десять камер фіксують це з різних ракурсів. Донедавна оператори вручну зводили ці потоки в один звіт про інцидент. Без цього система заростає некласифікованими інцидентами і бʼє по ефективності. Навіть коли AI навчився знаходити й обʼєднувати повʼязані інциденти, валідація лишалася за оператором.

Задача: скоротити час на обʼєднання і мінімізувати помилки. Але головний виклик — фіча мала безшовно вписатися в робочий процес: система працює 24/7, і зламати наявну ефективність підтримання порядку в місті ми не мали права.

Discovery

Ми спостерігали за роботою операторів протягом дня і провели глибинні інтервʼю — це дало погляд на проблему з різних боків. Ключове зі спостережень:

• оператори кидають задачі на півдорозі, коли прилітає термінове;
• пошук потрібного інциденту тягнеться довго;
• помилки обʼєднання створюють затори в черзі опрацювання.

А це — з інтервʼю:

• незавершені задачі викликають тривогу;
• гонитва за KPI часом призводить до помилок і фрустрації;
• повна документація інцидентів зʼїдає багато часу;
• частину дотичних записів просто пропускають.

Стало ясно: оператори й так перевантажені подіями на екрані — особливо в години пік, коли інцидентів найбільше. Додати когнітивного навантаження означало б зробити гірше. Тому нульову гіпотезу ми поставили на теорію ментальних моделей: звичні патерни з масових застосунків формують очікування й поведінку в схожих інтерфейсах.

Нульова гіпотеза: звичні патерни взаємодії з масових застосунків допоможуть операторам безшовно вбудувати нову фічу у свій робочий процес.

Оператори — звичайні люди зі звичайними застосунками в телефоні. Швидке опитування показало, якими саме, — і це напрямило гіпотези для прототипів.

Прототипи

Як альтернативу розглянули й ручний сценарій — раптом операторам звичніше керувати процесом самим:

Далі порадилися з розробниками і зважили кожну гіпотезу за вартістю реалізації — у прототипи пішло те, що обіцяло ефект без зайвих витрат.

Тести

Провели модеровані юзабіліті-тести на прототипах. Ефективність міряли кількома метриками: task success rate, час на задачу та learnability — успішність виконання задач з часом.

Learnability була критичною для клієнта: оператори мали звикнути до фічі якнайшвидше, а перехід на новий воркфлоу — пройти непомітно. Тому результати learnability ми рахували з подвійною вагою. І хоч прототип V1 показав кращий середній час, V3 виграв за навчаністю — і став фінальним рішенням.

Фінал

Тести підтвердили центральну гіпотезу: звичні патерни обійшли «ручні» альтернативи — хоч ті й були ближчі до наявного воркфлоу операторів. У продакшн пішов прототип з нотифікацією у форматі «червоної бульбашки» і стосом фото: він чітко сигналізує про обʼєднані інциденти й перехоплює увагу оператора.

Після релізу ефективність воркфлоу операторів зросла на 34%. Особливо фіча виручала в кутових кейсах, де оператори раніше втрачали по 5–9 хвилин на задачу. А ще спостереження після релізу показали: додаткової роботи — на кшталт чистки системи від випадкових пропусків — поменшало приблизно на 2 години на тиждень. Це 8 зекономлених годин на місяць на оператора і помітно більше задоволення від роботи.

Підсумок

Два епізоди — один підхід: дослідження перед дизайном. Іконки, зібрані на реальних камерах і тестах з операторами, дали системі візуальну мову, яку зчитуєш миттєво. А «маленька» фіча, поставлена на ментальні моделі й перевірена метриками, дала +34% до швидкості обробки інцидентів.

Art director: Sydorov Alex · дизайн і текст: Lisa Furina · Anthracite Studio