Nous avons créé un événement Design & Data, afin de vous faire découvrir deux univers qui paraissent très éloignés, mais qui possèdent beaucoup d’atomes crochus ! Quoi de mieux d’allier les deux domaines pour une même mission, un même projet ? C’est ce que nous vous expliquions le 21 novembre 2018.
Vous avez raté cet événement ? Aucun problème, voici un article sur lequel vous pourrez retrouver tout ce qui a été dit.
L’alliance puissante du Design Thinking et de la Data Science pour une expérience utilisateur optimale.
Le Design Thinking : une approche innovante pour l’expérience utilisateur
Le Design Thinking tire ses origines du design en tant que méthode visant à résoudre les problèmes humains en trouvant des solutions adaptées. En 1991, David Kelley, fondateur d’IDEO, a réalisé que cette approche pouvait être appliquée à de nombreux domaines tels que le marketing, la stratégie et la production, dans le but d’améliorer l’expérience client par le biais de l’innovation.
L’utilité et les domaines d’application du Design Thinking sont variés. Il permet de concevoir de nouveaux produits, services, espaces et organisations, avec pour objectif d’offrir la meilleure expérience utilisateur grâce à l’innovation.
Le Design Thinking a gagné en popularité avec le changement de paradigme marketing, passant d’une approche centrée sur le produit à une approche axée sur les problèmes rencontrés par les utilisateurs. Par exemple, avant l’adoption du Design Thinking, les marketeurs se demandaient comment rendre les clients attirés par un clicker. Cependant, avec des produits et technologies de plus en plus complexes, le Design Thinking vise maintenant à créer un produit permettant de passer d’une diapositive à une autre, que ce soit un clicker ou autre chose. Cette évolution peut être qualifiée de “Faire des choses que les gens veulent” plutôt que de “Faire aimer aux gens les choses”.
Dans la réalisation d’un projet selon le Design Thinking, le concepteur doit respecter un triptyque composé de la faisabilité technologique du produit/service (rôle de l’ingénieur), de la désirabilité du produit/service (rôle du Design Thinker) et de la viabilité financière (responsabilité du marketeur).
Les étapes clés d’un projet basé sur le Design Thinking comprennent la recherche utilisateur, qui consiste à adopter l’empathie pour comprendre les problèmes des futurs utilisateurs, la définition et la problématisation pour s’assurer de la réalité du problème, l’idéation pour générer des idées et trouver des solutions, et le prototypage pour créer des prototypes rapidement et les améliorer grâce à l’itération.
Un exemple concret d’application du Design Thinking est celui de General Electric qui a réussi à améliorer l’expérience des enfants lors de l’utilisation de machines IRM. En interrogeant les enfants, l’ingénieur en charge du projet a découvert que le bruit de la machine et son apparence terne étaient des facteurs d’anxiété. Pour résoudre ce problème, General Electric a créé des environnements thématiques autour de la machine IRM, tels que des décors de pirates ou de châteaux, en modifiant également les tenues du personnel médical. Cette approche a permis de rendre les enfants plus à l’aise, d’augmenter le nombre de patients traités et d’améliorer l’expérience globale.
Design & Data : l’alliance de la science des données et du design
La Data Science et ses applications diverses
Contrairement au Design Thinking, la Data Science est une discipline qui existe depuis longtemps, étant donné que les données ont toujours fait partie de notre monde. Cependant, avec l’explosion récente des quantités de données disponibles, le terme “science des données” est devenu courant. Cette science touche désormais tous les secteurs.
La Data Science repose sur les chiffres, les valeurs numériques et les statistiques, ce qui lui confère une grande variété de rôles. Par exemple, chez Airbnb, la Data Science a été utilisée pour optimiser les annonces en démontrant que des photos attractives augmentaient la probabilité de location d’un bien. Elle a également permis d’automatiser l’envoi d’e-mails de confirmation après une réservation grâce à une API dédiée, ainsi que de créer et prédire des modèles.
La popularité croissante de la Data Science
La popularité de la Data Science s’est accrue grâce à plusieurs facteurs, notamment :
- L’analyse web : étant donné que la plupart des interactions utilisateurs se produisent en ligne, il est essentiel pour les entreprises de comprendre le comportement des utilisateurs sur leurs sites web. L’analyse de ce comportement permet d’améliorer les sites et de proposer des offres adaptées aux besoins des utilisateurs.
- L’apprentissage automatique et le Big Data : l’apprentissage automatique consiste à apprendre aux machines à partir de données, de la même manière que les humains. Depuis le début de l’humanité jusqu’en 2005, nous avons généré 130 000 exaoctets de données, soit 130 suivis de 18 zéros. L’ampleur de cette quantité de données a conduit au développement du Big Data et à l’utilisation de techniques d’apprentissage automatique pour en tirer des informations précieuses.
L’impact de la Data Science sur différents domaines
La Data Science a de nombreuses applications concrètes, telles que la détection de fraudes bancaires en analysant les caractéristiques des emprunteurs, la prédiction des ventes futures en fonction des tendances saisonnières, la création de moteurs de recommandation comme ceux de Netflix et YouTube, ou encore la détection de cellules cancéreuses grâce à la reconnaissance d’images, où les algorithmes de Machine Learning surpassent souvent les meilleurs chirurgiens.
Les étapes clés d’un projet basé sur la Data Science comprennent la collecte des données, la préparation des données (nettoyage, transformation, etc.), l’entraînement de l’algorithme sur des données d’apprentissage, le test de l’algorithme sur des données inconnues pour évaluer ses performances, et l’amélioration de l’algorithme par le biais de l’ingénierie des données si nécessaire.
Un exemple concret de l’application de la Data Science est la voiture autonome, qui utilise la reconnaissance d’images pour analyser l’environnement (piétons, panneaux de signalisation, etc.) et prédire les actions à prendre en fonction de ces informations. Cela permet d’améliorer l’efficacité du transport, de gagner du temps et de réduire les embouteillages.
L’importance de l’alliance du Design et de la Data
La confiance des utilisateurs est un aspect crucial de l’adoption de nouvelles technologies telles que la voiture autonome. En combinant les approches du Design Thinking et du Growth Hacking, il est possible de concevoir des produits et services répondant aux besoins des utilisateurs tout en mesurant leur satisfaction.
Le Design Hacking, une méthodologie combinant Design et Data
Le Design Hacking, développé par 40/60 Studio et l’agence de Growth Hacking Barney, est une méthodologie qui promeut l’alliance entre le Design et la Data pour améliorer l’expérience client et mesurer la satisfaction avec les bonnes métriques.
Les nouveaux acteurs dans ce domaine sont le design de service, qui se concentre sur la conception d’écosystèmes plutôt que de produits isolés, et le growth hacking et le product-market fit, qui visent à optimiser la croissance et à trouver le produit adapté au marché grâce à l’analyse des données.
La méthodologie du Design Hacking repose sur plusieurs phases, dont l’exploration pour cartographier les acteurs de l’écosystème, l’idéation pour générer des idées et développer le produit, l’implémentation pour créer rapidement un produit minimal viable (MVP) et l’optimisation pour améliorer le produit en se basant sur les données collectées.
En conclusion, l’alliance du Design et de la Data offre une approche puissante pour répondre aux besoins des utilisateurs, mesurer l’efficacité des produits et services, et favoriser la croissance des entreprises. Cette approche centrée sur l’utilisateur permet de prédire le succès d’un produit avant même de le développer, en utilisant des méthodes pragmatiques et itératives pour optimiser l’expérience client.