21 VI 019 - Amphi Berger - Emmanuelle Marévéry

@flupa #UXDAYS19 @mareverie

1
 Hello !

Ingénierie
Design
Psychologie/neurosciences

Consultante + Formatrice
UX strategist / User scientist
UR / GUR (game UR) 27 pays
UX maniac / UX activist 584 études et tests utilisateurs
243 000 users

2
Mes études prédisent-elle le comportement final?

Matériaux Humains

3
 POURQUOI ?
Consumers don’t think how they feel
They don’t say what they think and
They don’t do what they say
1. Les utilisateurs déclarent souvent David Jeanne Ogilvy
n’importe quoi

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

2. En tant que chercheurs, nous sommes

limités dans nos raisonnements

Les prévisions humaines sont erronées et

biaisées
Nous prenons […] des décisions conformes à
nos intérêts

Kahneman Thaler 4
 Le cerveau est plus fait pour spéculer sur des causes
que pour anticiper les conséquences

Mon père, bayésien

Comment prédire? 5
Comment je suis tombée
amoureuse de la data … 2012
11 000 avis

Source : Emeline Mercier

6
 La data, c’est quoi ?

Quels enjeux ?

DATA
Comment fait-on pour l’utiliser ?

4 usages du text mining (analyse de textes)

Perspectives UX + Data

7
DATA

• Datas = Données
jeux de données

• Big Datas = « grosses » données

données massives

En 2018 : 13 000 000 000 000 000 000 000 octets source : @lorilewis @officiallychadd 8
 +50%
Taux de conversion
Bonjour Angélique
Que dois-je faire ?

Bien reçu. Je fais au plus

vite

Source : black mirror Saison 5

Pas de soucis
A tout à l’heure

Source : BFM, journal du geek, LCI

Source : Bill Poster UK, deep face project
9
10
 On ne peut détester quelque chose ou
quelqu’un que l’on comprend

Orson Scott Card

UX strategist Ender

11
AUJOURD’HUI À quoi vous sert la donnée ?

Compréhension utilisateur
Business model Maturité UX
Impact Business
Analyse de parcours, suivi des
KPI, Data driven UX (métrique,
analytic/reporting/dashboard) Modéliser / prédire
Web analytics
Google Analytics
Adobe Analytics Expliquer/corréler
Content Square
At Internet
…
Décrire/mesurer

#CRO #Dataanalytics #Webanalytics

Rien/presque rien

12
Comment mettre en œuvre
la donnée sur ses projets?

13
 DATA PROCESS

Contextualisation
Cadre et hypothèses Interprétation

Récolter les Préparer Donner Actionner

Définir le données et Traiter les du sens à la dans son
cadre brutes données donnée projet

Datas/ big datas Data analysis Connaissance

Jeux de données Data mining
Rendre visible
Dataviz
14
Cadre du projet

A quelle problématique doit répondre la data ?

Que faut-il chercher ?

130 000 rasoirs par an

1 million de datas récoltées sur
les rasoirs chaque année
14 000 kilomètres de poils
coupés

Quoi chercher ?
15
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

16
Récolter de la data

Où ?
Les données de votre
application/site
Autre contenu et données
Avis clients (store)
déjà analysées : Source : anwser the puclic
UGC (contenu généré par Articles (medium, blog,…)
les utilisateurs) IPSOS
Etude quanti antérieure Google trends
Answer the public
Transcription d’interview Francoscopie
Open data Wikipédia
Influenceurs
Google Analytics Facebook audience
Recherche scientifique … Attention :
Comprendre le cadre et les limites
… Vérifier la représentativité des résultats
RGPD + CNIL
17
Récolter de la data

Cas d’étude :
Faible engagement, chute des ventes.
Quelle recommandation ?

18
 Récolter de la data

Recommandation :

L’analyse des avis youtube : attentes, ressentis et besoins Mettre les chansons les plus
(chansons, chorégraphie, artiste, esthétique,…) consensuelles en début de jeu

L’analyse des teasers : préférence et intérêt des chansons

Teaser Sortie
• Cela n’a rien coûté !
du jeu • Cela a pris 3 heures
10 juin 2019 5 novembre 2019 • Excellente fiabilité (data
analytics in game + interviews)

Teaser

intérêt préférence 19
Récolter de la data

Créer de la data
Etudes quantitatives on line
Complétion de phrase sur Twitter
Sondage sur les réseaux sociaux
Cas d’étude : Observation quantitative

20
 Traiter la donnée
Cas d’étude : c’est quoi l’UX ? Outils :
Wordle / Wordart (gratuit, facile)
XLSTAT / SPSS / R/python/ Orange3
Texte Comptage automatique (payant, complexe)

Source : wordart wikipedia 17/06/2019 Version Française Version Anglaise

21
Traiter la donnée

Chiffre
Taille (cm) Poids (kg)
162 54 Corrélation n’est pas causalité
179 76
158 46 Corrélation = ça apparaît en
186 91
168 72
même temps (description)
172 86
150 45 Causalité = un évènement cause
180 78
174 65
l’autre (explication)
Modèle prédictif
Ceci est un jeu de Régression linéaire
données

22
Traiter la donnée
Plus il y en a mieux c’est !
mécanisme apprentissage
Logiciel, data scientist, courage

Recommandation
Tableau software
Sphinx IQ
Adobe Omniture
Google analytics
Google Data Studio
XL stat

Conférence de Lydie : UX+IA

https://www.you
tube.com/watch
?v=e0MnL7kYU-4
Source : pawelcislo.com
#AI
#Machine learning
#Deep learning 23
24
Donner du sens

Dataviz : savoir rendre visible ses données

David McCandless

Source : Infographics Hunter

25
Donner du sens

Adopte-une-démarche-scientifique.com
« Ce qui est affirmé sans preuve,
peut être nié sans preuve, Euclide
Interpréter les résultats
pour modifier ou
rejeter la théorie Théorie

Observation - Utiliser la théorie

résultats pour faire une
prédiction/hypothèse
Démarche
scientifique
Réaliser une
expérience

Prédiction -
Hypothèse
Expérience Construire une expérience La mathématique est une science dangereuse :
pour tester elle dévoile les supercheries et les
26
erreurs…,
Galilée
Donner du sens

Faire parler les chiffres

• Diminution constante du nombre

de morts
• Baisses plus spectaculaires avant
• Pas de lien direct de causalité

Source : zaptele 29/01/2019

CONTEXTUALISER !

La Limitation ont produits des résultats

Résultats historiques
C’est le taux le plus bas jamais enregistré Sur une durée suffisamment longue, l'espérance de vie
tombe, pour tout le monde, à zéro.

53% des statistiques ne veulent rien dire

27
Donner du sens

Etudes hybrides

Statistiques Psychologie
Décrire Comprendre et expliquer
Mesurer et hiérarchiser

Attitude de géomètre Attitude d’explorateur

28
 Observation
DUX (domyos user experience) Usage et attitudes qualitative
U&A, DUX, Big Five, EMS28
Questionnaire psychométrique de segmentation utilisateur
Validation de la grille

Interview On line On line Etude on line mondiale Observation

quantitative
Construction Elimination Validation Info Personnalité Pratique
des items items, validation psychométrique démo/socio Profil motivationnel sportive
des dimensions Echantillonnge

Attente produit / innovation

Recherche psycho Langage design /wording
- Autoefficacité Avis client Table ronde
Interview Biométrie
- Tolérance à l’effort
- Embodiement conduite electrodermale, Etude post achat Holistique
Echantillonage
eye tracking, caméra
thermique Test de fitting
Interview On line
Test de détection défaut

Test utilisateur (appréciation)

quanti
quali Test longue durée
Donner du sens

Big datas + thick datas

30

Approche plus qualitative qui donne du

contexte et du sens à la big data

Approche plus qualitative

qui donne du contexte à la big data
Donner du sens
Quel poids à la naissance ?
Quel jour d’accouchement ?
Big data « bourrin » Big data avec modèle
*formule de Hadlock
Poids moyen à la naissance Estimation échographie*
3,500 kg Echo 1 = 3,200 kg
Echo 2 = 3,300 kg
(2,6 à 4kg)
Echo 3 = 3,200 kg
Durée moyenne Estimation échographie
268 jours DPA
(242 à 273 jours) 30 janvier
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 …
Thick data
Antériorité
bébé1 = 3,780 kg
Bébé3 =3,860 kg
bébé2 = 3,850 kg
Antériorité
Bébé3 = 274 jours
bébé1 = 273 jours 8 février 2019
bébé2= 274 jours
9 février
31
Actionner

« MétaUserResearch » Valeur de Formation Métier

schwartz initiale
Réussite Marketing UX designer

Stimulation Graphisme UX/UI

Garantie ROI Bienveillance Sciences humaines Ergonome

Hédonisme Web design UX designer

De quoi convaincre
Preuve … … …

Rassurer
Belle présentation

Bénéfice
Waw effect
utilisateur

Tips Source : Etude 2018/2019 N=132

32
Ethique
 Text mining
Quand la donnée est du texte ?

33
TEXT MINING
Fouille de texte

Source : https://www.mauricelargeron.com/ 34
 4 Usages du text mining

Trouver les bons mots Classifier ses produits

Désignation produit, titre, ou services
bénéfices utilisateurs, #hashtag,
Architecture, menus, filtres
SEO

Améliorer User research

l’eXpérience Utilisateur indirecte

35
Wording

Sur les vêtements

Le problème c’est la couleur

Le problème c’est la taille
Le problème c’est la respirabilité

36
Wording

Occurrence Cooccurrence Corrélation

Fréquence Apparition simultané de Deux choses liées
d’apparition d’un mot deux mots

Respirabilité > Ventilation Couleur < > délaver

37
Classification
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 ?
200 cannes à pêche à Décathlon.

Expert User research Data /

Chasse/pêche classique comptage
Prix Prix Compacité
Moulinet Matériau Pliabilité
Longueur Poids Enfant/adulte
Rendement Longueur Rendement
Poids du poisson Mouche / hameçon …
Type d’eau ...
…
38
Classification DIAGRAMME TRUITE

NIVEAU 2

Nom des cannes à pêche

Mot utilisé par les clients
Les petits pois sont-ils :
dans les accompagnements ?
dans les légumes verts ?
dans les plats préparés ?
dans les menus végétariens ?
…
=> Regardons la proximité

39
Classification

DENDROGRAMME (arbre)

Patriotisme/ emploi euro / banque / PS

NIVEAU 2

Rassemblement national
Corpus analysés : 107 000 mots
• Élements du programme
• Communiqués
• Analyses d’experts RN-friendly

Conclusion :
7 clusters

Source : ://iramuteq.org/Members/pmarchand/l2019economie-au-fn-programme-our-hetorique
40
Classification

NIVEAU 2

Le contenu : Les livres

Similarité entre les épisodes, les chapitres, les tomes.

SOURCE http://iramuteq.org/Members/pmarchand/l2019economie-au-fn-
Game of thrones #TextMiningChallenge programme-ou-rhetorique 41
Améliorer l’UX

NIVEAU 2

Analyse émotionnelle
Ex : Réseaux sociaux

Sur vos tests :

INTENSITE
(Faible – description / Fort – insulte, majuscule, point
d’exclamation)
VALENCE
(négative – neutre – positive)
QUOI
(problème, émotion, qualité, …)

42
Améliorer l’UX

Diagramme Kano/café

Avis sur les hôtels

Silence Prix
Propreté

Beauté

Diagramme de Kano ou café ^_^

Trip advisor
Source : https://towardsdatascience.com/scraping-tripadvisor-text-mining-and-
sentiment-analysis-for-hotel-reviews-cc4e20aef333
43
UR indirecte
Card sorting VS Classification des avis

Sketchingforux.com

45
UR indirecte

Niveau de langage
Type de phrase
Nombre de mots
Faute d’orthographe

Max_Lardeur
Euh chérie… ça fait déjà 3 heures que tu “lis des avis“ sur PornHub

46
Et demain ?

47
 UX + DATA
Le duo de demain
Perspectives
Encore beaucoup d’usages à inventer dans nos
métiers et de solutions en cours de développement
(Data mining open source…)

breathtaking Not breathtaking

@stefgillot 5 juin 2018 48
Science-fiction ? • Adaptation en temps réel

Téléphone bouge / application en mode marche

Vitesse de tape au clavier / proposer de l’aide

49
 Science-fiction ?
Votre imagination sera la limite de
votre usage de la data

50
Science-fiction ? • Dépistage/diagnostic des pathologies (Alzheimer, dys,
burnout… ), médecine prédictive

• Démontrer des théories (sciences) et pour faire

avancer la recherche et nos connaissances en
psychologie

51
 TAKE AWAY UX + DATA A quoi vous sert la 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 !

Comment ça marche ?

Créer ou Traiter Interprétation

récupérer

52
Emmanuelle Marévéry twitter@mareverie
Merci !!!

MERCI !
contact@colorlink.fr
marevery@gmail.com
twitter @mareverie
53