Brouiller les frontières entre les études qualitatives et quantitatives, en proposant une nouvelle voie passionnante pour la collecte et l’interprétation des données. Voici comment nous abordons cette approche transformatrice avec les utilisateurs synthétiques, et ce qu’elle signifie pour l’avenir de l’expérience utilisateur et des études de marché, mais surtout pour l’avenir des entreprises.
L’équivalence des efforts : Qualitatif vs. Quantitatif
Traditionnellement, la recherche qualitative, caractérisée par des entretiens, des groupes de discussion et des études de cas, est considérée comme exigeant beaucoup de travail et de temps. D’autre part, la recherche quantitative, connue pour ses enquêtes, ses questionnaires et ses données numériques, était considérée comme plus évolutive mais manquant parfois de profondeur. Les distinctions entre la recherche qualitative et la recherche quantitative ont été bien définies par Creswell, dans « Research Design : Qualitative, Quantitative, and Mixed Methods Approaches ». Il a expliqué comment les méthodes qualitatives permettent de sonder en profondeur le comportement humain, les émotions et les motivations, tandis que les méthodologies quantitatives permettent d’obtenir des informations généralisables par le biais de mesures statistiques. Avec les utilisateurs synthétiques, cette différenciation commence à s’estomper. Réaliser 10 entretiens pour évaluer la désirabilité ou déployer 5 000 enquêtes peut désormais demander à peu près le même effort.
Trouver le bon filon : l’intersection de la qualité et de la quantification
Alors que nous passons d’ensembles de données strictement qualitatives à des ensembles de données plus quantitatives, il existe une intersection idéale – un point idéal où la profondeur des idées qualitatives rencontre l’étendue des données quantitatives. Ce point constitue un équilibre qui permet aux Product Manager d’obtenir des informations riches et approfondies tout en tirant parti de la robustesse des données à grande échelle. Cet équilibre signifie que les clients et les parties prenantes peuvent ensuite se concentrer sur les rapports synthétiques, en bénéficiant des avantages des deux types de recherche. Les utilisateurs synthétiques permettent aux connaissances qualitatives de Nielsen de s’allier à l’évolutivité quantitative. Cette fusion conduit à ce que Nielsen et Norman ont appelé la « triangulation », c’est-à-dire une compréhension globale des besoins et des comportements des utilisateurs grâce à l’utilisation de plusieurs méthodes. Le « cygne noir » de Nassim Taleb prend ici tout son sens : « Avoir plus de données ne vous rend pas nécessairement plus informé, mais cela vous rend plus confiant ». Le mélange de méthodologies qualitatives et quantiques alimenté par les utilisateurs synthétiques devrait, idéalement, offrir les deux – perspicacité et confiance. John W. Tukey, pionnier des données, a fait remarquer un jour: « La combinaison de quelques données et d’un désir ardent de réponse ne garantit pas qu’une réponse raisonnable puisse être extraite d’un ensemble donné de données. » Cela souligne l’importance d’intégrer des méthodologies qualitatives et quantitatives. Ce faisant, grâce aux utilisateurs synthétiques, les chercheurs parviennent à une compréhension plus holistique et plus fiable, garantissant à la fois la perspicacité et la confiance.
Comprendre le mélange : tirer le meilleur des deux mondes
Les utilisateurs synthétiques sont des outils qui nous aident à y voir plus clair dans un monde où nous, les humains, accordons trop d’importance à une seule histoire ou expérience, même si elle n’est pas commune. Daniel Kahneman en a parlé dans son livre « Thinking, Fast and Slow ». Robert Cialdini a fait de même dans « Influence : The Psychology of Persuasion », lorsqu’il a introduit le concept de rareté, selon lequel les gens attribuent plus de valeur aux opportunités lorsqu’elles sont perçues comme rares. En combinant des histoires détaillées (données qualitatives) avec des chiffres (données quantitatives), les chercheurs et toute personne au sein de l’entreprise peuvent obtenir une image plus claire et moins biaisée. Cela fait partie de notre mission : clarifier afin de favoriser une meilleure prise de décision. Lorsque la recherche implique des êtres humains, qu’il s’agisse de sujets ou de chercheurs, nous sommes conscients que des biais apparaissent. InnovFast est en mesure d’atténuer les éléments suivants : – Les biais d’interaction sont éliminés : Dans les études qualitatives, l’interaction même entre le chercheur et le participant peut introduire des biais. Par exemple, un participant peut fournir des réponses qu’il pense que le chercheur veut entendre (biais de désirabilité sociale). – L’effet d’attente de l’observateur est neutralisé : Parfois, les attentes d’un chercheur peuvent subtilement influencer le comportement des participants, conduisant à des résultats qui s’alignent sur les croyances du chercheur. – Le biais d’échantillonnage est corrigé par les utilisateurs synthétiques afin d’offrir une plus grande diversité par défaut : Même le processus de sélection des participants peut introduire un biais. Si un échantillon n’est pas représentatif de l’ensemble de la population, les conclusions peuvent être faussées. Les utilisateurs synthétiques peuvent parfois accorder trop d’importance aux douleurs et aux objectifs prédéfinis des utilisateurs. Nous nous efforçons de contrecarrer ce phénomène par des entretiens dynamiques, où l’accent est mis sur les objectifs de l’étude plutôt que sur les points de douleur observés chez les utilisateurs. Les utilisateurs synthétiques sont formés à partir de grandes quantités de données et génèrent des résultats basés sur des modèles dans ces données. Si les données d’entraînement présentent certains biais courants ou si les questions posées au modèle l’orientent dans une direction particulière, le modèle peut produire des résultats qui semblent biaisés ou qui mettent l’accent sur certains modèles plutôt que sur d’autres. Nous considérons qu’il s’agit là d’une caractéristique, et non d’un bogue, lorsque nous assurons la parité organique/synthétique. Néanmoins, beaucoup de choses sont faites pour atténuer ce dernier biais. – Diversité des données : Nous veillons à ce que les données d’entraînement des modèles que nous utilisons soient diversifiées et bien représentatives afin de produire des résultats plus équilibrés. – Questions objectives : nous concevons des questions qui offrent une certaine neutralité et ne penchent pas nécessairement en faveur d’un résultat particulier. – Évaluation régulière : nous évaluons périodiquement les performances et les résultats du modèle afin de vérifier l’absence de tendances ou de biais involontaires. Ainsi, non, les utilisateurs synthétiques n’ont pas de biais semblables à ceux des humains, mais leurs résultats peuvent toujours refléter les biais présents dans leurs données d’apprentissage ou dans la manière dont ils sont utilisés. Tout outil, quel que soit son degré d’avancement, doit être régulièrement évalué et perfectionné afin de garantir qu’il répond à l’objectif visé sans introduire de biais involontaires.
Un nouveau monde plus efficace avec de meilleurs produits et de meilleures entreprises
En déployant des utilisateurs synthétiques dans l’expérience utilisateur et les études de marché, en combinant la profondeur des perspectives qualitatives avec l’étendue des données quantitatives, nous pouvons anticiper une myriade de découvertes et d’avancées potentielles : – Profils d’utilisateurs plus riches : Nous les remarquons déjà. En fusionnant de vastes ensembles de données avec des expériences utilisateur détaillées, les utilisateurs synthétiques génèrent des profils d’utilisateur complets qui saisissent à la fois les grandes tendances comportementales et les nuances individuelles. Vous remarquerez qu’ils sont bien plus riches que la plupart des résultats de la recherche organique. – Perspectives prédictives : L’union des méthodes qualitatives et quantitatives permet de prédire avec plus de précision les comportements, les préférences et les besoins futurs des utilisateurs, ce qui facilite les ajustements proactifs dans la conception des produits ou la stratégie de marché. C’est ce qui nous enthousiasme le plus. – Des parcours utilisateurs affinés : Grâce aux utilisateurs synthétiques qui imitent les utilisateurs potentiels du monde réel, les entreprises peuvent tracer des parcours utilisateurs complexes, en identifiant les points de contact potentiels, les défis et les possibilités d’amélioration de l’engagement. C’est dans ce domaine que nous devons travailler davantage. – Méthodes de recherche hybrides : Nous pensons que ce mélange pourrait conduire à l’évolution de nouvelles méthodologies de recherche qui exploitent les forces des approches qualitatives et quantitatives, optimisant ainsi le processus de recherche. – Diverses perspectives : Les utilisateurs synthétiques, formés à partir d’une vaste gamme de données, peuvent simuler un éventail plus large de perspectives d’utilisateurs que ne le permet la recherche traditionnelle. Cela conduira inévitablement à des produits et des services plus inclusifs et plus accessibles. – Combler les fossés culturels : Grâce à l’accès à des données mondiales, les utilisateurs synthétiques peuvent donner un aperçu des nuances culturelles, des préférences et des comportements, ce qui aide les entreprises à adapter leurs offres à différentes zones géographiques ou démographiques. – Itération plus rapide : La capacité des utilisateurs synthétiques à traiter rapidement de grandes quantités de données et à fournir un retour d’information signifie que les entreprises peuvent itérer des conceptions, des campagnes ou des stratégies plus rapidement, en répondant de manière plus agile aux demandes du marché. – Compréhension émotionnelle plus profonde : Bien que les utilisateurs synthétiques ne possèdent pas d’émotions, leur capacité à analyser de vastes quantités de données qualitatives peut aider les entreprises à mieux comprendre les moteurs émotionnels qui sous-tendent les comportements des utilisateurs.
Exemples de cas d’usages des utilisateurs synthétiques
Action :Des utilisateurs synthétiques sont formés à l’aide de milliers d’avis organiques en ligne.
Résultat :L’entreprise constate que des mots comme « confiance », « déception » ou « soulagement » sont fréquemment utilisés. Les utilisateurs synthétiques indiquent qu’ils ne recherchent pas seulement des soins pour la peau, mais aussi un regain d’estime de soi. Les produits peuvent donc être améliorés en tenant compte de ce besoin émotionnel.
Scénario :Une compagnie aérienne souhaite améliorer son expérience en vol.
Action :Des utilisateurs synthétiques sont créés à partir de données d’enquête réelles sur les passagers.
Résultat: Les utilisateurs synthétiques révèlent rapidement qu’ils se sentent souvent « anxieux » à l’idée d’avoir des correspondances trop courtes. En réponse, ils suggèrent que la compagnie aérienne introduise des notifications plus rassurantes sur les vols en correspondance.
Évolution des considérations éthiques : Au fur et à mesure que nous approfondirons notre utilisation des utilisateurs synthétiques, nous ferons de nouvelles découvertes dans le domaine de l’éthique, de la protection de la vie privée et de l’utilisation des données. La manière dont les utilisateurs synthétiques sont déployés, les données auxquelles ils ont accès et les connaissances qu’ils génèrent nécessiteront des discussions et des lignes directrices continues en matière d’éthique. L’utilisation d’utilisateurs synthétiques dans l’expérience utilisateur et les études de marché signifie que nous pouvons combiner des connaissances personnelles approfondies avec des données volumineuses.
InnovFast plateforme Innovation et IA
Le point d’équilibre entre le qualitatif et le quantitatif peut donner lieu à de nouveaux concepts qu’il nous reste à découvrir. Nous estimons qu’il est essentiel d’équilibrer les deux aspects et de surveiller les problèmes éventuels. C’est en faisant bien les choses que l’on peut en tirer de réels avantages.
