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

52. 53
Merci !!!
contact@colorlink.fr
marevery@gmail.com
twitter @mareverie
MERCI !