La datavisualisation dans la conception

Au-delà des algorithmes, des test A/B et de l’analyse des données, le but de la datavisualisation est de développer la compréhension des utilisateurs en adoptant une meilleure approche des données recueillies.
Au sein d’une entreprise, il est parfois difficile pour les équipes de comprendre et d’analyser les données qu’elles reçoivent: Les tests A/B, les études de marché, les enquêtes…
Alors que devons-nous prendre en compte dans cette masse de données et comment pouvons nous les exploiter ?
Pour comprendre ce qu’est la datavisualisation, nous allons procéder par élimination en commençant par montrer ce qu’elle n’est pas, puis nous expliquerons comment la visualisation de données peut améliorer l’expérience utilisateur.
????????????

Mythe 1 : Les données ne sont qu’une affaire de chiffres

L’analyse de l’activité sur un site est généralement représentée par des indicateurs numériques tels que le nombre de visites, le temps passé par l’utilisateur sur le site, les clics sortants. Dans ces cas là, les chiffres sont une manière simple de retranscrire les habitudes d’une personne.
Cependant, réduire les habitudes de millions de personnes à quelques chiffres peut ne pas être aussi utile et fiable qu’on puisse le croire. En effet, les études analytiques ne peuvent apporter l’ensemble des réponses relatives à des comportements humains, parfois subjectifs et changeants en fonction de l’individu : Quel est le ressenti de l’utilisateur? Qu’est-ce qui l’a séduit le plus sur l’interface? Pourquoi va-t-il la recommander?
Au même titre que dans les études sociales et la médecine, on ne considère pas les études qualitatives comme sûres. Il en va de même pour la datavisualisation. Les seules vraies données qui peuvent être considérées sont les traces laissées par les utilisateurs quelque soit la source.

Mythe 2 : Les données sont objectives

Les données quantitatives sont généralement des repères reflétant des actions. Ces données sont ensuite compilées par des machines et non par des personnes. Comme il s’agit de faits indiscutables, ces données ont généralement plus de poids.
Même si la quantité de données est énorme, on ne doit cependant pas les considérer comme étant totalement objectives, car même si celles-ci sont recueillies par des machines elles restent interprétées par des humains (où l’erreur est possible).
Par exemple, les données des réseaux sociaux montrent uniquement l’action de certaines types de populations:  Les inscrits sur Twitter ou Facebook  qui utilisent certains hashtags, les fans et followers d’une page… Autrement dit, les gens qui acceptent de participer à une étude correspondent à une minorité et ne reflètent pas la totalité de la population. En prenant ces données comme des vérités vraies, on fini par tomber dans des préjugés.
Comme pour le principe d’incertitude d’Heisenberg les résultats peuvent changer simplement en observant le sujet. L’environnement peut être neutre, le comportement de l’utilisateur peut se trouver changer du fait qu’il est observé. Il existe très peu d’études qui laissent réellement à l’utilisateur l’opportunité de s’exprimer purement et simplement. C’est aussi le cas avec les études quantitatives où les comportement peuvent être modifiés en fonction de la manière dont les questions sont posées.
training
De plus, quand on compare les études réalisées à distance et les entretiens avec un observateur, on remarque des différences de comportement. Les gens ont légèrement tendance à donner des impressions plus positives quand ils sont avec un observateur que lorsqu’ils font leurs retours chez eux.
Les données, grosses ou petites ne peuvent pas être sûres à 100%. Elles ont leurs limites et les préjugés peuvent modifier leurs interprétations.

Mythe 3 : Plus c’est grand, mieux c’est

worlds-biggest-laptop-3
Cette engouement pour le Big Data suggère le pouvoir de révéler les plus grands secrets de l’humanité et de prévoir le futur. On peut l’admettre, parfois lorsqu’il s’agit de données, plus il y a  d’informations mieux c’est.
C’est valable également lorsqu’on traite d’éléments subjectifs, comme les émotions basées sur des expériences personnelles: Plus il y a de réponses plus les données peuvent être sûres.
Quand on pense plus grand, on a tendance à se pencher sur de nombreux indicateurs. Mais la quantité considérable de données est aussi une affaire de diversité et par extension, de diverses sources.
On ne peut pas s’attendre à avoir toutes les réponses que l’on souhaite sur le comportement des utilisateurs simplement en consultant les chiffres. Toutes les données rassemblées, qualitatives et quantitatives, doivent servir à améliorer à la fois le développement et l’aspect d’un produit. Il s’agit davantage de créer et de classifier les éléments rassemblés dans un ordre logique afin de les jauger, les comprendre et définir une piste à suivre.
Les données provenant de différentes sources apportent une vision plus nuancée qui permet d’aboutir à un résultat cohérent.
Plus c’est grand, mieux c’est. Plus c’est vaste, mieux c’est.

Mythe 4 : Les données ne concernent que les Managers (et pas les concepteurs)

On se sert souvent de faits pour faire valider des décisions dans la conception de sites ou d’applications.
Il est parfois tentant d’utiliser ces données pour appuyer son avis, un choix personnel ou pour résoudre des conflits entre les équipes. S’en servir comme preuve factuelle est une petite partie des objectifs de la visualisation de données. Si vous utilisez de la visualisation de données dans la conception il y a 3 manières de l’aborder :

  • Se servir des données pour l’amélioration du produit équivaut à itérer.
  • Récupérer les données dans une période donnée, en fonction des évolutions des versions ou même en se comparant aux concurrents.
  • Se servir des données, c’est analyser différentes études pour découvrir de nouveaux modèles et de nouvelles tendances.

Les données sont triées en fonction des attentes, par conséquent un manager et un UX Designer analyseront des types de données différentes.
Chaque équipe a des références propres et n’a pas connaissance des données appartenant aux autres équipes.  La visualisation de données ne consiste pas uniquement à arbitrer le vrai du faux, elle sert à améliorer et à découvrir de nouvelles possibilités. C’est une nouvelle manière d’appréhender les habitudes d’utilisation des individus via la technologie.

Mythe 5 : L’analyse de données est un frein à l’innovation

L’analyse est perçue comme une antithèse de l’innovation d’une certaine manière. Cela s’explique de 3 façons :

  1. On se sert des résultats recueillis de manière retrospective. Même s’ils permettent de découvrir de nouveaux modèles et de nouvelles tendances, ils n’aident pas à prédire les comportements.
  2. La visualisation des données est de l’ordre de la méthodologie plus que de la stratégie. Les études quantitatives associées aux test A/B peuvent être utiles pour corriger des erreurs ou apporter des améliorations à un produit mais elles ne permettent pas la création d’une expérience utilisateur unique.
  3. Les données recueillies ne représentent pas uniquement la partie emmergée de l’iceberg. Savoir où les utilisateurs ont cliqué, combien de fois ils ont scrollé nous aide à définir comment créer un produit. Mais ils n’apportent pas grand chose sur le ressenti de l’utilisateur concernant le design, ses motivations, ses attentes ou son ressenti.

Il y a forcément une utilité à l’accumulation de ces données. Le problème n’est pas les données en elles-mêmes, c’est la manière dont elles sont exploitées.

Mythe 6 : Il y a une seule bonne manière de se servir des données dans la conception

En réalité, il n’y a pas une règle unique commune qui peut fonctionner quelque soient les équipes. Cependant quelques méthodologies peuvent relativement bien fonctionner:

  • Utiliser des données provenant de différentes sources : analyse d’audience, tests A/B, médias sociaux, services clients, tests utilisateurs…
  • Prendre en compte le contexte dans lequel les tests sont effectués. Quelque soit le type de test le contexte influence parfois les retours des utilisateurs, il est important de les comprendre.
  • S’assurer que les données prennent en compte l’état d’esprit des personnes testées. Pour cela, on utilise des moyennes de référence.
  • Se servir des données pour suivre l’évolution en terme d’habitude et de besoins, explorer de nouveaux modèles et rechercher les problèmes plus en profondeur.
  • Décider du type de données utiles pour en tirer des résultats concluants.
  • Créer un moyen de partager et d’échanger avec les équipes sur ce qui a été recueilli et réfléchir ensemble à une base commune.

ab-testing
L’utilisation des données doit aller au-delà des algorithmes, des tests utilisateurs ou des analyses d’audience. L’objectif est de se servir de ces données pour avoir une meilleure compréhension des habitudes des utilisateurs.
Thierry Andrianalisoa- DA @UX-Republic