Analyse Prédictive pour l’UX : Guide Complet & Outils
Même avec les meilleures analyses prédictives du secteur, nous ne pouvons pas voir l’avenir avec une précision de 100 %. Mais malgré cela — et heureusement pour nous — les humains sont des créatures prévisibles. Cela signifie que vous pouvez utiliser le comportement passé de vos utilisateurs pour avoir une compréhension assez précise de ce qu’ils feront ensuite.
En gestion de produit et en analyse de données, nous appelons ce processus « analytique prédictive des données », et il s’agit de l’un des outils les plus précieux pour concevoir des produits avec une expérience utilisateur exceptionnelle.
Voyons donc ce qu’est l’analytique prédictive et comment vous pouvez l’utiliser pour optimiser votre expérience utilisateur.
Vous voulez plus de The CPO Club ?
Inscrivez-vous gratuitement pour terminer la lecture de cet article :
Have an account? Log In
De quoi s’agit-il avec l’analytique prédictive ?
L’analytique prédictive consiste en une approche avancée de la science des données visant à analyser les données produits et utilisateur à votre disposition afin de prévoir (d’où le terme « prédictive ») les actions que vos utilisateurs entreprendront et la façon dont votre produit se comportera à l’avenir.
Essentiellement, cela consiste à examiner vos données avec l’aide de modèles statistiques, d’outils spécialisés et d’algorithmes d’apprentissage automatique afin de détecter certains schémas de comportement. En partant du principe que ces schémas resteront relativement stables dans le futur, vous pouvez extrapoler vos données sur la base de ces tendances et formuler des hypothèses éclairées sur les usages à venir.
Avertissement : il s’agit ici d’informations très générales, mais nous ne faisons qu’effleurer la surface d’un ensemble de compétences précieuses. Pour approfondir, je vous suggère de consulter notre liste de formations en analytique produit et d’en suivre une chaque année ou tous les deux ans.
Les avantages de l’analytique prédictive incluent :
- Une meilleure qualité de prise de décision : Avec une vision claire de ce qui vous attend, vous serez en mesure de prendre des décisions ayant plus de chances de conduire au succès.
- Une meilleure efficacité : Les prévisions vous permettent aussi d’identifier à l’avance les futurs problèmes d’efficacité si vous maintenez tout en l’état. Vous avez donc l’opportunité d’optimiser votre efficacité en amont. Cela peut vous aider à réduire les coûts, baisser les prix et obtenir un sérieux avantage concurrentiel.
- Une meilleure gestion des risques : Certains types d’analytique prédictive vous permettent d’anticiper les risques business/juridiques/financiers à venir. Encore une fois, cela vous permet de prévenir ces risques avant qu’ils ne se concrétisent.
- Une meilleure personnalisation pour l’utilisateur : La personnalisation des fonctionnalités et contenus est le summum de l’UX. Grâce à l’analytique prédictive, vous pouvez ravir vos utilisateurs avec des suggestions et expériences parfaitement adaptées à leurs besoins.
Ça a l’air fantastique, non ?
Eh bien oui, mais il y a un bémol. Il est impossible d’avoir une prévision 100 % précise des résultats futurs. Nous ne sommes pas des diseuses de bonne aventure dans un RPG fantastique, après tout.
Quelle que soit la prévision obtenue, elle sera précise à 70-80 % au mieux. Gardez donc bien cela à l’esprit lorsque vous prenez des décisions importantes sur la base de vos résultats.
Exemples d’analytique prédictive dans des produits connus
Le manque de précision absolue ne signifie toutefois pas que vous ne pouvez pas tirer parti de ces enseignements prédictifs. En fait, l’analytique prédictive est à l’origine de certains des plus grands succès produits que l’on connaisse.
Voici trois exemples de réussite de grandes entreprises tech pour illustrer mon propos.
Exemple 1 : le célèbre moteur de recommandation de Netflix
L’une des principales raisons pour lesquelles les gens aiment Netflix est sa capacité à recommander d’excellents programmes. Ce moteur de recommandation est d’ailleurs l’une des deux clés du succès de Netflix (l’autre étant son formidable système de diffusion de contenu).
Netflix utilise l’intelligence artificielle et des techniques statistiques pour comprendre les préférences de chaque utilisateur et recommander des programmes qu’ils sont susceptibles d’apprécier.
Ce qu’ils font concrètement : ils analysent les programmes que vous avez déjà regardés, si vous les avez abandonnés ou visionnés jusqu’au bout, ainsi que vos centres d’intérêt locaux pour prédire les catégories et types d’émissions susceptibles de vous plaire.
Ils vont même jusqu’à personnaliser la vignette d’illustration en fonction de vos intérêts.
Si Netflix remarque que vous regardez beaucoup de films/séries avec un certain acteur, il vous affichera une version de la vignette où cet acteur figure au premier plan. (Et si vous ne le saviez pas, maintenant vous ne verrez plus que ça !)
L’expédition anticipée d’Amazon
Vous vous souvenez lorsque j’ai mentionné comment vous pouvez améliorer l’efficacité grâce à l’analytique prédictive ? C’est exactement ce que fait Amazon avec son processus d’expédition anticipée.
Il s'avère que le comportement d’achat humain est assez prévisible. Nous avons tendance à acheter certains produits à intervalles réguliers (par exemple, de la lessive chaque mois) ou selon une certaine saisonnalité (décorations de Noël, etc.). Heureusement pour Amazon, ils possèdent toutes ces données et peuvent exécuter des analyses prédictives dessus.
Grâce à leurs modèles statistiques, ils peuvent préexpédier les bons types de produits (et en bonne quantité) dans leurs entrepôts. Cela leur permet de réduire considérablement le temps de livraison pour les consommateurs finaux et de limiter le nombre de produits à renvoyer vers un autre entrepôt où la demande est plus forte.
Voici à quoi ressemble le processus dans leurs brevets.
Dans ce schéma particulier, Amazon démontre la modification en temps réel de l’adresse de destination du produit.
Prédictions de trafic sur Google Maps
J’adore la fonction trafic sur Google Maps. Elle est incroyablement précise et rapide.
Et savez-vous comment ils ont atteint ce niveau de précision ? C’est exact — l’analytique prédictive !
Google dispose de données sur pratiquement tout ce qui se passe dans n’importe quelle ville. La grande majorité des conducteurs utilisent un appareil Android ou un autre service Google avec la géolocalisation activée. Donc, s’ils voient un groupe de smartphones se déplacer lentement sur une autoroute, ils l’identifient comme un embouteillage.
Mais Google est aussi capable de solutions bien plus intelligentes pour prévoir le trafic. Comme ils connaissent les grands événements dans chaque ville (par exemple, un grand match sportif), ils en tiennent également compte lors de la planification des itinéraires. Par exemple, si vous devez traverser la ville en 1 heure et qu’un match va bientôt commencer, l’algorithme de Google vous fera éviter les grands axes qui risquent d’être envahis par les supporters au moment où vous les atteindrez.
Jusqu’ici, nous avons examiné l’analytique prédictive comme un outil générique entre les mains des entreprises. Cependant, le sujet principal d’aujourd’hui est d’appliquer cette technique fascinante pour améliorer votre UX. Laissez-moi donc vous expliquer comment élever la recherche UX à un tout autre niveau grâce à l’analytique prédictive.
Techniques d’analytique prédictive pour la recherche UX
Le domaine de l’analytique prédictive est assez vaste en ce qui concerne les différentes techniques applicables pour résoudre des problèmes quotidiens. Mais aujourd’hui, je veux que l’on se concentre sur les trois les plus adaptées à la recherche UX : l’analyse de régression, les arbres de décision et l’analyse des séries temporelles.
Régression
Si vous avez un profil professionnel ou un bagage en mathématiques, ce terme vous est peut-être familier. Oui, il s’agit du modèle classique de régression statistique capable de reconnaître des schémas dans vos données.
De façon plus concrète, la régression (plus précisément la régression linéaire) correspond à votre ligne de tendance — une ligne sur le graphique qui montre si l’activité utilisateur que vous analysez est en hausse ou en baisse.
Les lignes de tendance sont un outil que mon équipe UX et moi utilisons constamment sur nos graphiques Amplitude, car elles nous aident à transformer des données brouillonnes en tendances visibles, et à savoir si nos modifications UX ont eu des effets positifs.
Voici un exemple de régression :
Nous avons simplifié le parcours d’acquisition avec l’équipe UX il y a trois mois et voulons vérifier si le nombre d’inscriptions a augmenté depuis.
Voici un graphique des inscriptions utilisateurs sur les 90 derniers jours, pouvez-vous me dire s’il est en hausse ou non ?
Évidemment non, c’est bien trop brouillon.
Mais, laissez-moi changer le type de mesure du graphique en une formule via la barre latérale.
Et ajouter une ligne de tendance.
Maintenant, le graphique des inscriptions ressemble à ceci.
Avec la ligne de tendance ajoutée, nous pouvons voir que nos changements ont eu un effet positif sur notre acquisition. Cependant, cette variation est trop faible pour être statistiquement significative ; je dirais donc que nos modifications UX n’ont pas produit de véritable différence.
Arbres de Décision
Les arbres de décision comptent parmi les structures de modèles d’IA les plus populaires pour analyser vos données et en tirer des conclusions utiles.
Un réseau de neurones, dans ce cas, prend votre ensemble de données initial et commence à le diviser en sous-groupes selon certaines conditions, puis divise ces sous-groupes en d’autres groupes, et ainsi de suite. Au final, vous obtenez quelque chose qui ressemble à un arbre inversé.
Après avoir construit cet arbre, l’algorithme vous donnera une réponse en se basant sur les données que vous possédez. Dans l’exemple ci-dessus, l’arbre de décision vous dira si vous devez prendre le bus pour aller à l’école ou y aller à pied.
Voyons maintenant comment nous pouvons résoudre les problèmes UX avec ces modèles. Imaginez que vous essayez de réduire le taux d’abandon de panier de votre boutique e-commerce. Lorsque vous appliquez l’algorithme d’arbre de décision à vos données d’utilisateurs, vous obtenez le résultat suivant.
En regardant l’arbre de décision ci-dessus, nous pouvons comprendre les facteurs principaux qui affectent le taux d’abandon. Dans ce cas, nous devons ajouter des fonctionnalités/expériences utilisateurs qui :
- Encouragent les utilisateurs à passer commande avant que leur panier ne devienne trop important.
- Assurent que les frais de livraison soient visibles et faciles à repérer sur tous les types d’appareils.
- Encouragent les utilisateurs à se connecter.
- Accélèrent le chargement de nos pages.
Nous pouvons ensuite utiliser des outils d’analytique prédictive pour voir lequel de ces facteurs aura le plus d’impact sur le taux d’abandon, afin de mieux prioriser nos solutions.
Analyse des Séries Chronologiques
L’analyse des séries chronologiques regroupe des techniques de modélisation plus avancées. Comme son nom l’indique, ce type d’analyse s’applique à des types spécifiques de données (principalement des historiques de données liées au temps).
Une des meilleures façons d’incorporer l’analyse des séries chronologiques dans votre processus UX serait de prédire vos indicateurs UX clés (par exemple, l’engagement, la rétention, le taux de désabonnement, etc.) en vous basant sur les comportements utilisateurs issus des données passées et de voir s’ils sont susceptibles de s’améliorer à l’avenir ou non. Si les prédictions indiquent une baisse de vos indicateurs, c’est un signe qu’il y a un problème à corriger.
Je ne vais pas entrer ici dans les détails de la mise en œuvre de l’analyse des séries chronologiques, car nous allons explorer juste après la fonctionnalité Prévisions d’Amplitude qui utilise cette méthodologie.
Meilleurs Modèles d’Apprentissage Automatique et Services pour l’Analytique Prédictive
Bien que l’analytique prédictive présente de nombreux avantages, elle comporte aussi un inconvénient principal : elle est notoirement difficile à réaliser manuellement. Heureusement, Internet regorge de solutions et outils de recherche capables d’exécuter ces modèles analytiques pour vous d’un simple clic.
Voyons donc comment vous pouvez profiter de différents types d’outils pour anticiper l’avenir de votre expérience utilisateur.
Utilisation d’Outils d’Analyse Produit
La manière la plus rapide et la plus simple de faire de l’analytique prédictive consiste à utiliser les outils d’analyse produit relativement avancés à votre disposition. Pour les tâches courantes, il s’agit généralement d’Amplitude. Pour des workflows plus avancés impliquant l’exploration de données, vous pouvez envisager des outils d’analytique prédictive avancés comme Domo ou Tableau.
À titre personnel, pour ce type d’usage j’utilise quotidiennement Amplitude. Voyons donc comment exploiter certaines de ses fonctionnalités pour anticiper l’avenir de votre produit.
Cohortes Prédictives
La première fonctionnalité disponible dans Amplitude qui peut vous aider est appelée « Cohortes Prédictives ».
Amplitude utilisera ses modèles d’IA prédictive pour constituer des cohortes d’utilisateurs selon leur probabilité d’accomplir certaines actions ou d’adopter certains comportements.
Vous pouvez ensuite utiliser ces cohortes dans vos analyses en créant des graphiques et en comparant le comportement des membres de votre cohorte avec le reste des utilisateurs. Il est aussi possible de faire des tests A/B en s’appuyant sur ces cohortes pour voir si les modifications de l’expérience utilisateur influencent leur comportement ou non.
Comment Créer une Cohorte Prédictive dans Amplitude
- Pour commencer, ouvrez simplement la section cohortes dans Amplitude et cliquez sur « Prédire une Cohorte ».
2. Ensuite, vous pouvez commencer à définir le comportement qui vous intéresse.
Dans ce cas, nous souhaitons regrouper les personnes les plus susceptibles d'acheter pour 25 $ ou plus de chansons et de vidéos.
En fonction de vos besoins, les modèles d'Amplitude analyseront vos données passées et nouvelles et vous fourniront une prédiction accessible dans la section cohortes.
3. Nous pouvons transformer cette prédiction en une cohorte exploitable en cliquant dessus et en l'enregistrant comme une cohorte.
4. Si vous le souhaitez, vous avez la possibilité d'affiner la sélection en choisissant le percentile de la base d'utilisateurs que vous souhaitez inclure dans votre cohorte. Mais je vous recommande de conserver la sélection par défaut et de l'enregistrer en cliquant sur le bouton « Enregistrer comme cohorte ».
Voilà ! Vous disposez maintenant d'une cohorte dynamique basée sur des modèles prédictifs que vous pouvez utiliser quasiment partout dans Amplitude, y compris dans vos graphiques, analyses et tests A/B.
Prévisions
Une autre fonctionnalité d'Amplitude qui s'est avérée très utile pour moi et mon équipe UX est leur moteur de prévision natif. Il automatise le processus et utilise à la fois la régression, l'analyse de séries temporelles et son propre ensemble de modèles d'IA pour fournir une prévision de vos indicateurs clés.
D'après mon expérience, l'une des applications les plus pratiques de cette fonctionnalité pour l'UX est la prévision des taux de conversion du tunnel d'activation.
Comment prévoir les taux de conversion du tunnel d'activation dans Amplitude
1. Imaginons que le tunnel d'activation de votre outil CRM pour les services financiers se compose de trois événements—inscription, ajout d'intégration et création d'opportunité. Si nous observons le taux de conversion au fil du temps, il ressemblera à cela.
À présent, vous avez déjà mis en place quelques améliorations UX dans le parcours il y a une semaine et souhaitez savoir si cela a apporté des améliorations tangibles. Pour cela, demandons à Amplitude de nous fournir une prévision pour les 30 prochains jours.
2. Cliquez sur le bouton « Anomalie + Prévision » puis cliquez sur le bouton « Ajouter une prévision » ensuite.
Les modèles d'Amplitude vont se charger et nous donner un graphique ressemblant à celui-ci.
Comme nous pouvons le voir, il n'y a pas de croissance visible de notre taux de conversion dans le tunnel (ce qui est plus courant que vous ne le pensez). L'enseignement à en tirer est de prévoir une nouvelle série d'améliorations UX.
Utiliser les API cloud de modèles prédictifs
L'utilisation d'outils d'analyse produit pour la modélisation prédictive des données est très pratique lorsque le problème que vous essayez de résoudre est relativement simple. Cependant, si vous avez besoin de quelque chose de plus avancé, vous pouvez opter pour des API de modèles de machine learning tiers.
Voici deux prestataires que mon équipe a trouvés utiles par le passé.
API Machine Learning AWS
Le service cloud d'Amazon regorge de divers modèles d'IA pour l'informatique décisionnelle auxquels vous pouvez vous connecter via API. La pile comprend également des modèles d'analytique prédictive.
- Il y a Amazon Forecast, qui peut fonctionner avec des données de séries temporelles—vous permettant d'observer l'effet de votre UX sur le long terme.
- Il y a aussi Amazon Personalize, qui vous fournit un moteur de personnalisation évolutif et personnalisable à utiliser pour recommander des produits et services pertinents à vos clients (exactement comme le font Netflix et TikTok).
Infrastructure IA de Google
Contrairement à Amazon, Google ne propose pas de modèles prédictifs d'IA préconfigurés. À la place, vous accédez à leur vaste ensemble d'outils pour réaliser de l'analyse de big data et construire vos propres modèles de deep learning prédictifs avec l'aide de votre équipe actuelle de data scientists.
Les outils de Google sont particulièrement adaptés à la gestion de grands volumes de données et à l’identification de futures tendances au sein de celles-ci (leurs fonctionnalités de gestion des données sont impressionnantes). Outre les prévisions, vous pouvez également utiliser leur gamme d’outils pour vos besoins d’analyses descriptives, de campagnes de marketing sur le cycle de vie, d’analyses business, de finances (par exemple, les scores de crédit), et plus encore.
Ainsi, si les modèles prêts à l’emploi d’Amazon ne parviennent pas à résoudre le problème spécifique que vous rencontrez, Google est le service qu’il vous faut.
Un aperçu du futur pourrait sauver votre expérience utilisateur
Nous aimerions tous pouvoir prédire l’avenir. Si tel était le cas, nous créerions des produits parfaits avec l’UX la plus attrayante au monde—pour le meilleur ou pour le pire. En attendant, l’analyse prédictive est l’alternative la plus proche pour nous aider à prendre des décisions UX basées sur les données et à ravir nos clients avec d’excellentes expériences.
N’oubliez pas de vous abonner à notre newsletter pour plus de ressources et de guides en gestion de produit, ainsi que les derniers podcasts, interviews et autres idées d’experts et de leaders du secteur.