UX Days 2019 by Flupa - Conférence : Emmanuelle Marévéry
1 j'aime528 vues
Emmanuelle Marévéry présente l'importance de l'analyse des données dans la conception UX, en soulignant les erreurs cognitives humaines et l'utilisation de big data pour comprendre le comportement des utilisateurs. Elle explique comment récolter et traiter des données tout en respectant les contraintes éthiques, et propose des méthodes pour optimiser l'expérience utilisateur grâce à des études quantifiées et qualitatives. Marévéry conclut que la combinaison de l'UX et des données est essentielle pour le succès des projets futurs.
![1. Les utilisateurs déclarent souvent
n’importe quoi
4Kahneman Thaler
2. En tant que chercheurs, nous sommes
limités dans nos raisonnements
POURQUOI ?
Je ne paierai pas plus de 3€ pour ce service
Je tuerai pour des chaussures de running roses
Je veux qu’on me propose une newsletter
Les prévisions humaines sont erronées et
biaisées
Nous prenons […] des décisions conformes à
nos intérêts
Consumers don’t think how they feel
They don’t say what they think and
They don’t do what they say
David Jeanne Ogilvy](https://image.slidesharecdn.com/uxdays2019byflupa-emmanuellemarevery-190722053347/85/UX-Days-2019-by-Flupa-Conference-Emmanuelle-Marevery-4-320.jpg)
UX Days 2019 by Flupa - Conférence : Emmanuelle Marévéry
- 1. 1 21 VI 019 - Amphi Berger - Emmanuelle Marévéry @flupa #UXDAYS19 @mareverie
- 2. 2 Hello ! Ingénierie Design Psychologie/neurosciences Consultante + Formatrice UX strategist / User scientist UR / GUR (game UR) UX maniac / UX activist 27 pays 584 études et tests utilisateurs 243 000 users
- 3. Mes études prédisent-elle le comportement final? 3 HumainsMatériaux
- 4. 1. Les utilisateurs déclarent souvent n’importe quoi 4Kahneman Thaler 2. En tant que chercheurs, nous sommes limités dans nos raisonnements POURQUOI ? Je ne paierai pas plus de 3€ pour ce service Je tuerai pour des chaussures de running roses Je veux qu’on me propose une newsletter Les prévisions humaines sont erronées et biaisées Nous prenons […] des décisions conformes à nos intérêts Consumers don’t think how they feel They don’t say what they think and They don’t do what they say David Jeanne Ogilvy
- 5. Le cerveau est plus fait pour spéculer sur des causes que pour anticiper les conséquences 5 Mon père, bayésien Comment prédire?
- 6. 6 Comment je suis tombée amoureuse de la data … 2012 11 000 avis Source : Emeline Mercier
- 7. DATA 7 La data, c’est quoi ? Quels enjeux ? Comment fait-on pour l’utiliser ? 4 usages du text mining (analyse de textes) Perspectives UX + Data
- 8. 8 • Datas = Données jeux de données • Big Datas = « grosses » données données massives source : @lorilewis @officiallychaddEn 2018 : 13 000 000 000 000 000 000 000 octets DATA
- 9. 9 Bonjour Angélique Que dois-je faire ? Bien reçu. Je fais au plus vite Pas de soucis A tout à l’heure +50% Taux de conversion Source : BFM, journal du geek, LCI Source : black mirror Saison 5 Source : Bill Poster UK, deep face project
- 10. 10
- 11. On ne peut détester quelque chose ou quelqu’un que l’on comprend 11 Orson Scott Card UX strategist Ender
- 12. AUJOURD’HUI Business model Analyse de parcours, suivi des KPI, Data driven UX (métrique, analytic/reporting/dashboard) 12 Web analytics Google Analytics Adobe Analytics Content Square At Internet … Compréhension utilisateur Maturité UX Impact Business Rien/presque rien Décrire/mesurer Expliquer/corréler Modéliser / prédire À quoi vous sert la donnée ? #CRO #Dataanalytics #Webanalytics
- 13. Comment mettre en œuvre la donnée sur ses projets? 13
- 14. 14 DATA PROCESS Définir le cadre Récolter les données brutes Donner du sens à la donnée Actionner dans son projet Datas/ big datas Jeux de données Data analysis Connaissance Data mining Préparer et Traiter les données Rendre visible Dataviz Contextualisation InterprétationCadre et hypothèses
- 15. 130 000 rasoirs par an 1 million de datas récoltées sur les rasoirs chaque année 14 000 kilomètres de poils coupés Quoi chercher ? 15 A quelle problématique doit répondre la data ? Que faut-il chercher ? Cadre du projet
- 16. 16 Récolter de la data Les règles 1. Il y a TOUJOURS de la donnée accessible et utile sur vos projets 2. Il y a TOUJOURS de la donnée accessible et utile sur vos projets 3. Si vous ne trouvez pas de données, relisez le point 1
- 17. Les données de votre application/site Avis clients (store) UGC (contenu généré par les utilisateurs) Etude quanti antérieure Transcription d’interview Open data Google Analytics Recherche scientifique … 17 Attention : Comprendre le cadre et les limites Vérifier la représentativité des résultats RGPD + CNIL Où ? Récolter de la data Autre contenu et données déjà analysées : Articles (medium, blog,…) IPSOS Google trends Answer the public Francoscopie Wikipédia Influenceurs Facebook audience … Source : anwser the puclic
- 18. Cas d’étude : Faible engagement, chute des ventes. Quelle recommandation ? 18 Récolter de la data
- 19. 19 Teaser • Cela n’a rien coûté ! • Cela a pris 3 heures • Excellente fiabilité (data analytics in game + interviews) Recommandation : Mettre les chansons les plus consensuelles en début de jeu Récolter de la data 10 juin 2019 5 novembre 2019 Teaser Sortie du jeu L’analyse des avis youtube : attentes, ressentis et besoins (chansons, chorégraphie, artiste, esthétique,…) L’analyse des teasers : préférence et intérêt des chansons intérêt préférence
- 20. Créer de la data Etudes quantitatives on line Complétion de phrase sur Twitter Sondage sur les réseaux sociaux Cas d’étude : Observation quantitative 20 Récolter de la data
- 21. 21 Traiter la donnée Texte Comptage automatique Outils : Wordle / Wordart (gratuit, facile) XLSTAT / SPSS / R/python/ Orange3 (payant, complexe) Version Française Version AnglaiseSource : wordart wikipedia 17/06/2019 Cas d’étude : c’est quoi l’UX ?
- 22. Taille (cm) Poids (kg) 162 54 179 76 158 46 186 91 168 72 172 86 150 45 180 78 174 65 22 Modèle prédictif Régression linéaire Corrélation n’est pas causalité Corrélation = ça apparaît en même temps (description) Causalité = un évènement cause l’autre (explication) Ceci est un jeu de données Traiter la donnée Chiffre
- 23. 23 #AI #Machine learning #Deep learning Plus il y en a mieux c’est ! mécanisme apprentissage Traiter la donnée Source : pawelcislo.com Logiciel, data scientist, courage Recommandation Tableau software Sphinx IQ Adobe Omniture Google analytics Google Data Studio XL stat https://www.you tube.com/watch ?v=e0MnL7kYU-4 Conférence de Lydie : UX+IA
- 24. 24
- 25. Dataviz : savoir rendre visible ses données 25 David McCandless Source : Infographics Hunter Donner du sens
- 26. Adopte-une-démarche-scientifique.com 26 « Ce qui est affirmé sans preuve, peut être nié sans preuve, Euclide La mathématique est une science dangereuse : elle dévoile les supercheries et les erreurs…, Galilée Théorie Prédiction - Hypothèse Expérience Observation - résultats Construire une expérience pour tester Interpréter les résultats pour modifier ou rejeter la théorie Réaliser une expérience Utiliser la théorie pour faire une prédiction/hypothèse Démarche scientifique Donner du sens
- 27. 27 La Limitation ont produits des résultats Résultats historiques C’est le taux le plus bas jamais enregistré • Diminution constante du nombre de morts • Baisses plus spectaculaires avant • Pas de lien direct de causalité Sur une durée suffisamment longue, l'espérance de vie tombe, pour tout le monde, à zéro. 53% des statistiques ne veulent rien dire Donner du sens Source : zaptele 29/01/2019 Faire parler les chiffres CONTEXTUALISER !
- 28. 28 Statistiques Décrire Mesurer et hiérarchiser Psychologie Comprendre et expliquer Etudes hybrides Attitude de géomètre Attitude d’explorateur Donner du sens
- 29. Info démo/socio Pratique sportive DUX (domyos user experience) Questionnaire psychométrique de segmentation utilisateur Biométrie Test utilisateur (appréciation) Profil motivationnel Personnalité Langage design /wording Observation quantitative Usage et attitudes U&A, DUX, Big Five, EMS28 Attente produit / innovation Interview Table rondeAvis client On line Construction des items Elimination items, validation des dimensions On line Validation psychométrique Echantillonnge Etude on line mondiale Observation qualitative Etude post achat Validation de la grille conduite electrodermale, eye tracking, caméra thermique Recherche psycho - Autoefficacité - Tolérance à l’effort - Embodiement Interview On line Interview Test longue durée Test de fitting Holistique Test de détection défaut Echantillonage quali quanti
- 30. 30 Big datas + thick datas Approche plus qualitative qui donne du contexte à la big data Donner du sens Approche plus qualitative qui donne du contexte et du sens à la big data
- 31. Poids moyen à la naissance 31 Estimation échographie* Antériorité 3,500 kg (2,6 à 4kg) Echo 1 = 3,200 kg Echo 2 = 3,300 kg Echo 3 = 3,200 kg bébé1 = 3,780 kg bébé2 = 3,850 kg Antériorité DPA 30 janvier bébé1 = 273 jours bébé2= 274 jours 9 février Big data « bourrin » Thick data *formule de Hadlock Estimation échographie Prise en compte des facteurs individuels influents sur le poids et la durée de grossesse (ipsatif) IMC, origine ethnique, poids à la naissance, métabolisme, âge maternel … Bébé3 =3,860 kg Big data avec modèle Quel poids à la naissance ? Quel jour d’accouchement ? Durée moyenne 268 jours (242 à 273 jours) Bébé3 = 274 jours 8 février 2019 Donner du sens
- 32. 32 Preuve Rassurer Garantie ROI De quoi convaincre Waw effect Ethique Tips Bénéfice utilisateur Belle présentation Valeur de schwartz Formation initiale Métier Réussite Marketing UX designer Stimulation Graphisme UX/UI Bienveillance Sciences humaines Ergonome Hédonisme Web design UX designer … … … Actionner Source : Etude 2018/2019 N=132 « MétaUserResearch »
- 33. Text mining Quand la donnée est du texte ? 33
- 34. 34 TEXT MINING Fouille de texte Source : https://www.mauricelargeron.com/
- 35. 35 Trouver les bons mots Désignation produit, titre, bénéfices utilisateurs, #hashtag, SEO Classifier ses produits ou services Améliorer l’eXpérience Utilisateur User research indirecte 4 Usages du text mining Architecture, menus, filtres
- 36. Le problème c’est la couleur Le problème c’est la taille Le problème c’est la respirabilité 36 Wording Sur les vêtements
- 37. 37 Occurrence Cooccurrence Couleur < > délaver Corrélation Respirabilité > Ventilation Fréquence d’apparition d’un mot Apparition simultané de deux mots Deux choses liées Wording
- 38. Quel(s) critère(s) selon vous serai(en)t efficace(s) pour les organiser sur le net/en magasin ? Quels mots clefs ? Filtres pour choisir ? Quelles allégations présenter ? 38 User research classique Prix Matériau Poids Longueur Mouche / hameçon ... Expert Chasse/pêche Prix Moulinet Longueur Rendement Poids du poisson Type d’eau … Data / comptage Compacité Pliabilité Enfant/adulte Rendement … Classification 200 cannes à pêche à Décathlon.
- 39. 39 Classification Nom des cannes à pêche Mot utilisé par les clients DIAGRAMME TRUITE Les petits pois sont-ils : dans les accompagnements ? dans les légumes verts ? dans les plats préparés ? dans les menus végétariens ? … => Regardons la proximité NIVEAU 2
- 40. 40 Classification Rassemblement national euro / banque / PSPatriotisme/ emploi Corpus analysés : 107 000 mots • Élements du programme • Communiqués • Analyses d’experts RN-friendly Source : ://iramuteq.org/Members/pmarchand/l2019economie-au-fn-programme-our-hetorique Conclusion : 7 clusters NIVEAU 2 DENDROGRAMME (arbre)
- 41. 41 Classification Game of thrones #TextMiningChallenge Similarité entre les épisodes, les chapitres, les tomes. Le contenu : Les livres SOURCE http://iramuteq.org/Members/pmarchand/l2019economie-au-fn- programme-ou-rhetorique NIVEAU 2
- 42. 42 Améliorer l’UX Analyse émotionnelle Ex : Réseaux sociaux NIVEAU 2 Sur vos tests : INTENSITE (Faible – description / Fort – insulte, majuscule, point d’exclamation) VALENCE (négative – neutre – positive) QUOI (problème, émotion, qualité, …)
- 43. 43 Propreté Silence Beauté Prix Améliorer l’UX Trip advisor Avis sur les hôtels Diagramme de Kano ou café ^_^ Source : https://towardsdatascience.com/scraping-tripadvisor-text-mining-and- sentiment-analysis-for-hotel-reviews-cc4e20aef333 Diagramme Kano/café
- 44. 45 UR indirecte Card sorting VS Classification des avis Sketchingforux.com
- 45. 46 UR indirecte Max_Lardeur Euh chérie… ça fait déjà 3 heures que tu “lis des avis“ sur PornHub Niveau de langage Type de phrase Nombre de mots Faute d’orthographe
- 46. Et demain ? 47
- 47. Perspectives Encore beaucoup d’usages à inventer dans nos métiers et de solutions en cours de développement (Data mining open source…) 48@stefgillot 5 juin 2018 UX + DATA Le duo de demain breathtaking Not breathtaking
- 48. 49 • Adaptation en temps réel Science-fiction ? Téléphone bouge / application en mode marche Vitesse de tape au clavier / proposer de l’aide
- 49. 50 Science-fiction ? Votre imagination sera la limite de votre usage de la data
- 50. 51 • Dépistage/diagnostic des pathologies (Alzheimer, dys, burnout… ), médecine prédictive Science-fiction ? • Démontrer des théories (sciences) et pour faire avancer la recherche et nos connaissances en psychologie
- 51. 52 TAKE AWAY UX + DATA • Enormes enjeux • Omniprésente et exponentielle • Rapide / peu coûteux • Utile à toutes étapes d’un projet • UX + Data = le duo de demain • Ayez le reflexe data ! A quoi vous sert la data ? Comment ça marche ? Créer ou récupérer Traiter Interprétation Emmanuelle Marévéry twitter@mareverie