En partenariat avec la French future Academy (Design Thinking Bootcamp), Barney (agence de Growth Hacking) et 40/60 (studio de Design) nous avons animé un workshop ayant pour thème l’alliance du Design et de la Data plus précisément la pensée Design & la Data Science.
Qu'est-ce que le Design Thinking ?
Le Design Thinking doit ses origines aux design, une méthode qui s’intéresse aux problèmes rencontrés par l’humain afin d’y trouver une solution. En 1991, le fondateur d’IDEO, David Kelley s’est rendu compte que cette approche Design de la résolution de problème pouvait être appliquée dans de vastes domaines tels que le marketing, la stratégie, la production. Un objectif : améliorer l’expérience client par l’innovation.
A quoi cela sert ? Où-est-ce qu'on le retrouve ?
Concevoir des nouveaux produits, de nouveaux services, espaces, organisations : les applications en sont nombreuses. Le but étant d’avoir la meilleure expérience utilisateur par l’innovation.
Comment le Design Thinking a-t-il trouvé la popularité ?
Nous sommes passés d’une ère marketing non plus centrée sur le produit conçu mais sur les problèmes rencontrés par les utilisateurs. Prenons l’exemple d’un clicker permettant de passer les solides d’une conférence :
-–> Avant le Design thinking, les marketeurs se demandaient comment faire en sorte que les clients aiment ce clicker. C’est le « Making people want things ».
-–> Avec des technologies et produits plus complexes, et par l’utilisation du Design Thinking, l’objectif est maintenant de créer un produit permettant de passer d’une slide à une autre. Il peut très bien s’agir d’un clicker comme d’autre chose. C’est le « Making things people want »
Dans la réalisation d’un projet, le Design Thinker doit respecter ce triptyque :
-–> la faisabilité technologique du produit / service : le rôle de l’ingénieur
-–> la désirabilité du produit / service : le rôle du Design Thinker
–-> la viabilité financière dont doit s’assurer le marketeur
Les étapes d'un projet Design Thinking
--> La recherche utilisateur : l’idée étant de se mettre à la place du futur utilisateur via l’empathie pour mieux comprendre son problème
–-> Définition et problématisation : l’objectif pour le Design Thinker est d’être sûr que ce problème est réel– Idéation : ce que l’on appellerait brainstorming, l’idée de chercher une solution
–-> Prototyper : mettre rapidement dans les mains du client les solutions que l’on veut apporter afin d’itérer et de l’améliorer
Un cas d'application : General Electric
Ce cas d’usage concerne l’utilisation de machines IRM développées par General Electric, et installées dans les hôpitaux pour enfants aux Etats-Unis. L’expérience d’un IRM n’étant déjà pas réjouissante pour tout adulte, celle-ci était très anxiogène pour les enfants qui ne voulaient pas réaliser l’IRM. Entre le corps médical et les proches de l’enfant, General Electric ne savait pas vraiment quoi y faire : technologie avancée, très couteuse, la rénovation de toutes ces machines n’était pas envisageable.
En allant interviewer les enfants, l’ingénieur en charge de l’installation de matériel médical a relevé plusieurs insights intéressants.
-–> le bruit de la machine apeurait vite les enfants
-–> l’esthétique terne et peu attirante de la machine jouant en sa défaveur
Une solution apportée a été celle de créer de véritables environnements autour de la machine IRM : pirates, château, océan, toutes les décorations, blouses du corps médical en ont été changées. Résultat : l’enfant se sentant d’autant plus à l’aise, General Electric fait désormais passer 5 enfant en une heure en IRM, au lieu d’un seul auparavant. Ainsi, un gain d’argent certain a été réalisé sans changer la technologie en amont, et en améliorant l’expérience de l’enfant.
La Data Science
A quoi sert-elle ? Où la trouve-t-on ?
Contrairement à la méthodologie du Design thinking, la donnée n’a pas d’âge très défini. Depuis que l’information existe, la donnée existe. Mais c’est plus récemment avec l’explosion de cette masse donnée que l’on discute réellement de « science de la donnée ». Cette science telle qu’on en parle aujourd’hui touche absolument tous les secteurs.
D’un autre côté, son attrait aux chiffres, valeurs numériques et statistiques rend les rôles de la Data Science très variés. On peut en citer ici quelques uns en prenant l’exemple de Airbnb :
–-> l’optimisation : c’est en faisant des tests statistiques que les équipes d’Airbnb ont conclu qu’avoir des photos attractives sur le profil d’un appartement encourageait d’autant plus la location d’un bien.
-–> l’automatisation : lorsqu’une location est réalisée par une particulier, un e-mail est envoyé directement à celui-ci. Ceci est rendu possible par une API permettant l’envoi d’un e-mail automatique.
–-> la création et la prédiction
Comment la Data Science est-elle devenir populaire ?
--> La Web Analytic : maintenant qu’une majorité d’actions utilisateur se passe sur un site internet, comprendre le comportement de celui-ci sur votre site internet est vital pour toute entreprise. L’analyse de ce comportement est ainsi d’améliorer un site, et finalement de proposer la meilleure offre adaptée à ce que les utilisateurs cherchent sur un site.
--> le Machine Learning & Big Data : l’idée du Machine learning est finalement de faire apprendre à des machines, de la même manière qu’un humain.
Pourquoi en venir à une telle action ?
Des débuts de l’humanité jusque 2005, nous avons crée 130 000 exabytes de données, soit 130 x 10^18, c’est à dire 13 avec 19 zéros qui le suivent ! Pour avoir un ordre d’idée, si l’on écrivant un énorme livre avec le papier de tous les arbres de la forêts amazonienne, on arriverait seulement à 1 exabytes de données.
Cette courbe présente la création de données en ZETABYTES (1000 exabtyes = 1 zetabytes) de 2010 à 2025 ! La droite qui la coupe correspond à ce que l’on est capable de gérer.
Conclusion : la création de données dépasse largement la capacité humaine. Le Machine Learning est finalement une des solutions possibles.
Quelques cas d'applications du Machine Learning
--> détection de fraude bancaire en fonction des caractéristiques d’un emprunteur
–-> prédiction de ventes futures en fonction d’une saisonnalité
-–> créer des moteurs de recommandation : netflix, youtube, autant d’exemple très connus.
-–> détection de cellules cancéreuses : grâce à la reconnaissance d’images, les algorithmes de Machine Learning parviennent à mieux reconnaitre la présence de tumeurs ou de cellules cancéreuses que les meilleurs chirurgiens de la planète.
Les étapes d'un projet Data
1. Collection de la données
2. Préparer les données : il peut s’agir par exemple de remplir ou supprimer les cases vides d’un fichier excel, de remplacer les données textuelles par des valeurs numériques etc
3. La phase d’entrainement d’algorithme permet de lui apprendre ce qu’il faut prédire, de quelle manière il va réaliser la prédiction, selon quelles caractéristiques…
4. Vient ensuite la phase de test où l’algorithme va être testé face à des données qu’il n’a jamais vu. Cette phase permet de savoir si les prédictions réalisées sont efficientes ou non.
5. Si l’algorithme n’a pas fait les prédictions souhaitées, nous allons réaliser le Data Ingeneering pour améliorer l’algorithme afin qu’il réalise les prédiction souhaitées de manière plus précise.
Cas pratique Design & Data : la voiture autonome
Pour ce produit, 2 technologies principales sont utilisées :
-–> Reconnaissance d’image : La caméra fixée sur le toit de la voiture permet de reconnaitre toute chose présente dans l’environnement de la voiture (piétons, panneau de signalisation, autres voiture etc).
--> La prédiction : après avoir reconnu son environnement, l’algorithme va prédire toutes les actions que va faire cet environnement (une voiture qui va changer de trajectoire, une route qui va virer etc) et va adapter son comportement (ralentissement, virage, clignotant etc)
En quoi ceci permet de grandes avancées ?
--> gain de temps : avec cette voiture, plus besoin de conduire et donc possibilité d’allouer votre temps à d’autres tâches
–-> gain d’espace : moins de bouchons et surtout des embouteillages moins longs
Mais aujourd’hui quel problème ?
Avec certains scandales éclatés à l’encontre d’Uber, la voiture autonome est encore largement critiquée par le grand public. C’est là où le Design peut aider à trouver la solution.Des insights intéressants sont sortis de la recherche utilisateur :
–-> Manque de confiance : pour l’utilisateur, il est impossible de maîtriser la voiture, en cas d’accident, il ne sait quoi faire.
-–> Le manque de confiance étant la principale cause pour laquelle les utilisateurs sont réfractaires, la pensée design a permis retrouver des solutions.
Une application permettant à l’utilisateur de suivre le comportement de la voiture et les actions qu’elle va mener. Un bouton « Start the ride » donnera à l’utilisateur la main sur le démarrage de la voiture. L’application permettra aussi d’arrêter la voiture et d’appeler un service client en cas de problème.
Le Design Hacking ?
Pensée par 40/60 studio et l’agence de Growth Hacking Barney, cette méthodologie du Design Hacking promeut l’alliance entre Design & Data : permettre d’améliorer l’expérience client et de mesurer avec les bonnes métriques cette satisfaction client.
Les nouveaux acteurs : design thinking & growth hacking
–-> le design de service : une branche du design qui va designer des écosystèmes, et non des produits. Un exemple du design de service sera le Vélib, entre une application, une carte, une borne, le tout, autour du produit (le vélo), tout un ensemble de services est proposé.
–-> le growth hacking & le produit market fit : le premier rassemble un certain nombre de techniques marketing permettant d’activer une croissance soutenue par une jeune entreprise. Le deuxième permet quant à lui de trouver le produit parfait, le plus adapté au marché dans lequel on se trouve. La Data Science permet d’apporter des conclusions sur le succès de telle campagne marketing ou tel produit.
La nouvelle méthodologie du Design Hacking
Un problème posé par les méthodes de Growth Hacking était le suivant. Elles n’étaient mises en place qu’à la phase d’optimisation du produit ou service designé et non à sa phase d’idéation.
De l’autre côté, le Design Thinker n’était pas à même de mesurer les retombées de son produit.
En somme, tout le produit était à refaire car les KPIs utilisés n’étaient pas les bons pour un produit donné. Revenir à la conception même du produit était donc nécessaire et une perte de temps et d’argent conséquente était réalisée. Une alliance entre les 2 paraissait évidente.
Finalement, qu’est de que le Growth hacking peut apporter au Design thinking ?
En reprenant l’exemple de la voiture autonome, utiliser les méthodes de la pensée design au moment même de la conception du produit aurait permis d’éviter cette perte de confiance structurelle liée à l’autonomie de la voiture : application permettant un suivi, bouton « start the ride » et bien d’autres.
Cette démarche User Centric permet de lier croissance d’entreprise et pensée design.
Le but étant de savoir si un produit ou service sera apprécié avant même de le concevoir, plusieurs actions sont réalisées :
1. Phase d’exploration : mettre en place une carte des acteurs pour établir toutes les parties prenantes de l’écosystème du produits ou service (dans la voiture autonome, l’utilisateur, mais aussi l’anciennement chauffeur, et les entreprises comme Uber, chauffeur privé etc). On se demande alors comment inclure tous ces acteurs dans notre nouveau produit. Le but étant d’abord d’élargir le spectre du simple produit ou service en proposant une expérience utilisateur, puis de mettre en place des métriques pertinentes.
2. Phase d’idéation : celle-ci sera la même, pour chercher à developper un produit
3. Implémentation : ici, le design hacker va faire en sorte de sortir la MVP (minimum viable product) pour que le produit ou service soit sorti le plus rapidement possible, afin d’itérer sur ce bien et de l’améliorer
4. Phases d’optimisation : de la même manière qu’un projet Data, on veut optimiser ce process.
En somme, de manière à avoir une étude de marché la plus pragmatique possible : une étude de marché prédictive
Le Design Hacker va itérer très rapidement sur le design du produit, sur les caractéristiques des recherches utilisateur réalisées, des publicités faites sur le Web etc. La donnée va correspondre, elle, à un outil à la décision dans tout ce processus d’itération.Nous vous invitons à consulter les articles medium de 40/60 Studio qui vous permettront d’en voir plus sur cette méthodologie.
Nous espérons que cet article & workshop sur l’alliance du Design et de la Data vous a plu, n’hésitez pas à consulter notre site Jedha.co si vous êtes curieux d’en savoir plus sur la Data Science.
