1H30 POUR :
[Mitch]
Agenda
COUR DE L’ACADEMY
10 min.
14:30
Entrée en salle
CONFERENCE ROOM
40 min.
14:40
En Théorie
CONFERENCE ROOM
5 min.
15:20
Questions
SALLE 🧅
30 min.
15:25
En Pratique
SALLE D’ACCUEIL
5 min.
15:55
ROTI 🍗
Toutes les équipes
Toutes les équipes
Toutes les équipes
Équipe Produit
Toutes les équipes
Équipe DSE
Équipe DATA
Équipe Design
SALLE 🍅
SALLE 🌻
SALLE 🥨
Plan du lieu
Plan du lieu
salle de
conférence
Plan du lieu
salle
🥬�
salle�🍅
salle
🧅
salle
🥕
salle
🍪
salle�🌮
salle
🥨
salle de
conférence
salle
🌻
salle
🌷
salle
🍔
salle
☘️
salle
🌵
salle 🧅
PRODUIT
DSE
DATA
DESIGN
salle 🍅
salle 🌻
salle 🥨
DISCLAIMER
STAY FOCUS
IT COULD BE FAST AND FURIOUS
Pionniers de l’Atomic Research
Daniel Pidcock crée le concept d’atomic research
Les équipes de france.tv, entâme des premiers tests sur Airtable
Les équipes fabriquent leur modèle dans Coda en ajoutant la dimension produit �et déploient progressivement à l’ensemble des produits numériques
Première édition de l’Atomic Accademy, Produit + Design
Roadshow : conférences nationales et internationales (La product Conf, UX Rep, Devoteam, The Product Tape…), interventions et accompagnement sur la mise en place d’un repository chez de nombreux acteurs du numérique ( Orange, Leboncoin, Seloger, Kry/livi, Gauge…)
�Daniel Pidcock en personne cite en exemple les équipes de france télévisions
Deuxième édition de l’Atomic Academy DSE, DATA, TECH, Design, Produit
Mai 2018
Mai 2020
Septembre 2020
Juin 2021
Juillet 2021 - auj.
janvier 2022
Avril 2022
Conserver notre avance de pionniers
Pourquoi une nouvelle édition de �la Product Atomic Academy ?
Pérenniser la culture
ÉLÉMENTS �DE LANGAGE
LEVEL 1
[Karim]
Qu’est-ce que l’Atomic Research° ?
C’est une méthode de récolte, de centralisation et d’exploitation de tous les types de sources d’enseignements utilisateur basée sur un concept de fractionnement de la connaissance
≠ Atomic design : approche de design modulaire qui garantit productivité et cohérence conçue par Brad Frost “On ne conçoit pas des pages mais des systèmes de composants”
* Théorisée en 2018 par Daniel Pidcock
Qu’est-ce qu’un référentiel (repository) ?
Un référentiel (repository) est un lieu de dépôt dans lequel des données sont conservées et exploitées.
Dans le concept d’Atomic Research c’est une base de donnée unique qui rassemble l’ensemble de la connaissance utilisateur depuis tous types de sources, pour l’ensemble des parti-prenantes. (Single source of truth)
Il peut être construit dans n’importe quel type d’environnement qui autorise des héritages entre les données (Airtable, Coda, Notion…)
Il peut recevoir des données de manière direct (automatisée) ou indirecte (saisie manuelle).
STORES
RS
DATAS
TESTS U
SRT
…
ETUDES
GUERILLA
RÉFÉRENTIEL
Qu’est-ce qu’une expérimentation ?
Une expérimentation est le contexte dans lequel nous avons pu observer des comportements utilisateurs
Elle peut être de plusieurs natures : quali ou quanti (test U, étude Ad Hoc, analyse de parcours, questionnaire, analyse de performance, commentaire store…)
Une expérimentation contient généralement plusieurs faits observés et elle est datée
Qu’est-ce qu’un fait observé ?
Un fait observé est l’affirmation d’un comportement utilisateur qui a pu être observé dans le cadre d’une expérimentation
Il peut être recueilli sous plusieurs formes, de manière plus ou moins synthétique, sous forme d’observation de l’usage de l’utilisateur, de verbatim, de synthèse…
Il est toujours rattaché à l’expérimentation d’où il a été recueilli pour en assurer la traçabilité
Qu’est-ce qu’un insight ?
Un insight est un enseignement vérifié, une vérité constatée, basée sur les motivations ou les difficultés rencontrées par nos utilisateurs
Il constitue la zone de collision entre plusieurs faits observés (il les corrobore) issus d’une ou de plusieurs expérimentations
Il doit être clair, concis et doit pouvoir déclencher une action
Une équipe doit pouvoir l’utiliser pour prendre les meilleures décisions et nourrir la roadmap (il ouvre le champ des solutions)
En résumé
Expérimentation
Ce que nous avons fait
Faits observés
Ce que nous avons observé
Insights
Ce qui nous fait penser que
Référentiel
Coda
C’est quoi des données quali ?
Des données qualitatives s'appuient sur des impressions, opinions et avis pour recueillir des informations destinées à décrire un sujet plutôt qu'à le mesurer.
LE POURQUOI �On utilise la recherche qualitative quand on cherche à comprendre quelque chose (concepts, pensées, expériences)
L’utilisateur exprime ses motivations
L’échantillon n’est pas nécessairement représentatif
Le quali génère une forte intuition pour expliquer un comportement
* La donnée quali nécessite un grand effort d’analyse
C’est quoi des données quanti ?
Des données quantitatives sont des �données brutes et concrètes*, collectées sous forme numérique. Structurées et statistiques, �ces données aident à tirer des conclusions générales.
LE COMMENT�On utilise la recherche quantitative quand on veut mesurer, confirmer ou tester quelque chose (un comportement, une théorie ou une hypothèse).
l’utilisateur est mesuré dans ses actions*
L’échantillon est généralement représentatif
Le quanti génère une connaissance qui peut être perçue comme une vérité absolue
1/8e
52k
67%
* On peut mesurer du déclaratif, on parlera alors de tendances
Répartition de nos types d’études
Tests utilisateurs
Entretien
Guerilla
Tri de carte
Retour Store
SRT
…
quali
quanti
Data AT
Data SEO
Data logs
Questionnaires Getfeedback
Sondages (Harris)�NPS (variable ordinale)
…
hybrides
Questionnaire Getfeedback réponse libre…
GRANDS PRINCIPES
LEVEL 2
Congrats +300pts !!
[Mitch]
FAITS OBSERVÉS
Nous avons observé que…
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
INSIGHTS
Ce qui nous fait penser que
Se détacher du contexte
D’UN MODÈLE DE DOCUMENTATION TRADITIONNEL �OÙ CHAQUE EXPÉRIMENTATION VA ÊTRE TRAITÉ INDÉPENDAMMENT DES AUTRES
FAITS OBSERVÉS
Nous avons observé que…
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
INSIGHTS
Ce qui nous fait penser que
Se détacher du contexte
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
INSIGHT
Ce qui nous fait penser que
À UN MODÈLE DE DOCUMENTATION FRACTIONNÉ
FAIT OBSERVÉ
Nous avons observé que…
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
ENSEIGNEMENT
Ce qui nous fait penser que
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
ENSEIGNEMENT
Ce qui nous fait penser que
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ 1
Nous avons observé que…
FAIT OBSERVÉ 2
Nous avons observé que…
FAIT OBSERVÉ 3
Nous avons observé que…
FAIT OBSERVÉ 4
Nous avons observé que…
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
ENSEIGNEMENT
Ce qui nous fait penser que
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
ENSEIGNEMENT Y
Ce qui nous fait penser que
ENSEIGNEMENT Z
Ce qui nous fait penser que
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
ENSEIGNEMENT
Ce qui nous fait penser que
traçabilité et confiance dans les sources
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
OBSERVATION 2
Nous avons observé que…
ENSEIGNEMENT Y
Ce qui nous fait penser que
OBSERVATION 3
Nous avons observé que…
OBSERVATION 1
Nous avons observé que…
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
ENSEIGNEMENT X
Ce qui nous fait penser que
ENSEIGNEMENT Z
Ce qui nous fait penser que
EXPÉRIMENTATION QUALI
FAIT OBSERVÉ QUALI
Nous avons observé que…
ENSEIGNEMENT �QUALI + QUANTI
Ce qui nous fait penser que
EXPÉRIMENTATION QUANTI
FAIT OBSERVÉ QUANTI
Nous avons observé que…
Nous avons fait…
Nous avons fait…
LE TURN-OVER DES ÉQUIPES NE MENACE PAS LA CONNAISSANCE PARTAGÉE
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
OBSERVATION B
Nous avons observé que…
INSIGHT B
Ce qui nous fait penser que
OBSERVATION C
Nous avons observé que…
OBSERVATION A
Nous avons observé que…
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
INSIGHT A
Ce qui nous fait penser que
INSIGHT C
Ce qui nous fait penser que
IL Y A UN AN
IL Y A 2 SEMAINES
EXPÉRIMENTATION A2
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ 2
Nous avons observé que…
ENSEIGNEMENT X
Ce qui nous fait penser que
FAIT OBSERVÉ 3
Nous avons observé que…
FAIT OBSERVÉ 1
Nous avons observé que…
EXPÉRIMENTATION A1
Nous avons fait… �(un test U, une analyse quanti,…)
PRODUIT A
PRODUIT B
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
ENSEIGNEMENT Y
Ce qui nous fait penser que
ENSEIGNEMENT X
Ce qui nous fait penser que
FAIT OBSERVÉ 2
Nous avons observé que…
FAIT OBSERVÉ 1
Nous avons observé que…
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
PRODUIT A
PRODUIT B
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
ENSEIGNEMENT X’
Ce qui nous fait penser que
SUPER INSIGHT X
Avoir confiance dans les sources
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
INSIGHT
Ce qui nous fait penser que
À UN MODÈLE DE DOCUMENTATION FRACTIONNÉ
ET ALLUVIAL (QUI AUTORISE UNE TOTALE TRAÇABILITÉ)
Croiser quali et quanti
EXPÉRIMENTATION A
ÉTUDE QUALI
FAIT OBSERVÉ
Nous avons observé que…
INSIGHT
Ce qui nous fait penser que
QUELQUE SOIT LE TYPE D’EXPÉRIMENTATION, QUALI OU QUANTI
EXPÉRIMENTATION B
ÉTUDE QUANTI
FAIT OBSERVÉ
Nous avons observé que…
Disposer d’une recherche qui n’est plus linéaire
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
INSIGHT
Ce qui nous fait penser que
PLUSIEURS FAITS OBSERVÉS, ISSUS DE PLUSIEURS EXPÉRIMENTATIONS PEUVENT CONVERGER VERS LES MÊMES INSIGHTS
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
Disposer d’une recherche qui n’est plus linéaire
UN SEUL FAIT OBSERVÉ PEUT DONNER LIEU À PLUSIEURS INSIGHTS
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
INSIGHT A
Ce qui nous fait penser que
INSIGHT B
Ce qui nous fait penser que
Disposer d’une recherche qui n’est plus linéaire
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
OBSERVATION B
Nous avons observé que…
INSIGHT B
Ce qui nous fait penser que
POUR UNE EXPÉRIMENTATION, PLUSIEURS FAITS OBSERVÉS PEUVENT CONVERGER VERS LE MÊME INSIGHT OU NOURRIR DES INSIGHTS DIFFÉRENTS,…
OBSERVATION C
Nous avons observé que…
OBSERVATION A
Nous avons observé que…
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
INSIGHT A
Ce qui nous fait penser que
INSIGHT C
Ce qui nous fait penser que
Disposer de tout l’historique des expérimentations
LE TURN-OVER DES ÉQUIPES NE MENACE PAS LA CONNAISSANCE PARTAGÉE
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
OBSERVATION B
Nous avons observé que…
INSIGHT B
Ce qui nous fait penser que
OBSERVATION C
Nous avons observé que…
OBSERVATION A
Nous avons observé que…
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
INSIGHT A
Ce qui nous fait penser que
INSIGHT C
Ce qui nous fait penser que
IL Y A UN AN
IL Y A 2 SEMAINES
Mutualiser les apprentissages
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
OBSERVATION B
Nous avons observé que…
INSIGHT B
Ce qui nous fait penser que
OBSERVATION C
Nous avons observé que…
OBSERVATION A
Nous avons observé que…
EXPÉRIMENTATION A
Nous avons fait… �(un test U, une analyse quanti,…)
INSIGHT A
Ce qui nous fait penser que
INSIGHT C
Ce qui nous fait penser que
PRODUIT A
PRODUIT B
EXPÉRIMENTATION B
Nous avons fait… �(un test U, une analyse quanti,…)
LES APPRENTISSAGES PEUVENT ÊTRE MUTUALISÉS LORSQUE LES TYPES D’UTILISATEURS, LES ENVIRONNEMENTS OU LES RECOUPEMENTS LE PERMETTENT ENTRE DIVERS PRODUITS
Nourrir la priorisation produit
INSIGHT A
Ce qui nous fait penser que
INSIGHT B
Ce qui nous fait penser que
INSIGHT C
Ce qui nous fait penser que
REACH
IMPACT
CONFIANCE
EFFORT
Nourrir la priorisation produit
ATOMIC RESEARCH
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
INSIGHT
Ce qui nous fait penser que
RECOMMANDATIONS
Les solutions envisagées
Nourrir la priorisation produit
EXPÉRIMENTATION
Nous avons fait… �(un test U, une analyse quanti,…)
FAIT OBSERVÉ
Nous avons observé que…
INSIGHT
Ce qui nous fait penser que
PRODUCT ATOMIC RESEARCH
PRIORISATION
Ce qui apporte le plus d’impact
un dispositif qui s'inscrit dans notre nouvelle gestion des opportunités et des initiatives
LES INPUTS
LA MATURATION
LE PROBLÈME
LA SOLUTION
La stratégie business
- Défis
Les nécessités
- Techniques
- Juridiques/Légales
- Événementielles
- AO
Les besoins utilisateurs
COLLECTER
Les opportunités
PRIORISER
Les initiatives
EXPLORER
Les Insights
DÉFINIR
EXPÉRIMENTER
DÉLIVRER
Les Epics
ITERER
PRIORISER
ATOMIC RESEARCH
NOURRIR
BÉNÉFICES
LEVEL 3
Congrats +400pts !!
[Karim]
Impact N°1
Un seul lieu pour toute la connaissance
Single source of truth
Synergies
Symétrie
La recherche atomique force une réflexion fondée sur des données probantes
Fact checking
Confiance
Insight centric
Pick and choose
Impact N°2
La priorisation à même le référentiel génère de l’impact business
Economique �Mutualiser les efforts de research multiproduits et multisupports et mieux maîtriser les dépenses
Culturel
la priorisation dans le repository guide la réflexion centrée utilisateur
Impact produit
la priorisation à même le référentiel permet de clarifier les besoins utilisateurs et génère de l’impact produit
Impact N°3
RÈGLES �DU JEU
LEVEL 4
Congrats +800pts !!
[Karim]
“Adhérer au concept d’atomic research nécessite d’adopter certaines postures philosophiques et quelques mises en garde”
DISCLAIMER
Favoriser une approche de maintenance à priori
Un nettoyage des données à posteriori
Un nettoyage des données à priori
On ne cherche pas à connaître une vérité absolue et exhaustive,
mais à être assuré via des données corroborées des insights majeurs
Autoriser une granularité variable des apprentissages
EXPÉRIMENTATION A
EXPÉRIMENTATION B
FAITS OBSERVÉS
SYNTHÉTISÉS
FAITS OBSERVÉS
EXHAUSTIFS
PRIORISATION DES INSIGHTS
Les critères de priorisation des insights ne tiennent pas compte du nombre d’observations mais du nombre d’expérimentations qui confirment l’insight et de l’équilibre quali/quanti
EXPÉRIMENTATION A
EXPÉRIMENTATION B
FAITS OBSERVÉS
SYNTHÉTISÉS
FAITS OBSERVÉS
EXHAUSTIFS
PRIORISATION DES INSIGHTS
La complémentarité quali quanti au coeur de l’atomic research
Le concept repose sur l’idée que c’est et en multipliant les sources de données et en combinant les méthodes complémentaires qualitatives et quantitatives
qu’on peut vérifier si les faits observés sont cohérents les uns avec les autres, et ainsi renforcer nos présomptions par un faisceau d’indices si l’on ne dispose pas de preuves irréfutables.
quali
quanti
X
Comment traiter Quali et Quanti sur un pied d’équité ?
Si on devait pondérer au niveau du nombre d’observations le quali perdrait nécessairement la bataille
1 verbatim
37% de nos utilisateurs
VS
C’est donc le nombre d’expérimentations dont le fait observé qui nourrit l’insight est hérité qui est pris en compte dans la priorisation
C’est ce qui explique qu’un fait observé peut tout autant être la synthèse des observations corroborées durant une expérimentation qu’une observation unitaire
Ne pas induire des biais à la racine
Récolter les observations est un exercice périlleux : Comment être suffisamment exhaustif et faire le tri sans apporter de biais ?
Tout enseignement, même s’il paraît inutile à date, peut se révéler utile à l’avenir �(ex : modification de ligne édito, périmètre produit… )
RÔLES ET RESPONSABILITÉS
LEVEL 5
Congrats +1200pts !!
[Mitch]
Rôles et responsabilité
Consulter la base
Nourrir la base
Assigner les insights
Prioriser
Tous les collaborateurs qui détiennent de la connaissance : (Saisie manuelle)
�- DSE
- Data�- Design
- Produit
Les agrégateurs (Saisie semi-automatisée)
Les UX designers
Tout le monde
Les PM
LE RÉFÉRENTIEL EN CHIFFRES
LEVEL 6
[Mitch]
Congrats +1500pts !!
09.2020
227
574
Date du lancement du référentiel Coda
Nbr. Total d’insights
Répartition totale Quali/Quanti
60/40
Nbr. Total d’expérimentations
7851
Nbr. Total de faits observés
Données collectées le 21 avril 2022
109
Nbr. Total de contributeurs
10
Nbr. de produits concernés
+100
Nbr. moyen de retours stores collectés par mois (après filtrage)
+500
Nbr. moyen de retours stores collectés par mois (avant filtrage)
PRISE �EN MAIN
LEVEL 7
[Mitch]
Congrats +1800pts !!
Pour chercher/identifier si le problème existe
Pour préparer un atelier
Pour justifier d’une conception
Pour prioriser ma roadmap
Pour savoir tout ce qui a été entrepris
→
→
→
→
→
Quand consulter le repository atomic �dans mon quotidien ?
Architecture du repository
https://coda.io/d/Copy-of-France-Televisions-Workspace_dpu5s9VAjGR/Atomic-Research_suMID#_luwFd
URL
Démo
→
Ce que nous avons fait
Comment bien rédiger une expérimentation
[Karim]
Comment bien rédiger une expérimentation
Une assignation au(x) produit(s) concerné
Exemple :
[france.tv] [francetvsport]
Comment bien rédiger une expérimentation
Un titre qui respecte la nomenclature
Sujet - Date - Institut/méthode
Exemple :
Jeux Paralympiques - Septembre 2021 - Questionnaire Usabilla
Une description exhaustive �de l’expérimentation,
Comment bien rédiger une expérimentation
Comment bien rédiger une expérimentation
Une complétion exhaustive de tous les critères :
→
Ce que nous avons observé
Comment bien rédiger un fait observé
Comment bien rédiger un fait observé
X% des utilisateurs...
L’utilisateur...
En tant qu’utilisateur…
verbatim
observation
observation
En tant qu’utilisateur j’observe qu’ “il n’y a pas de moteur de recherche c’est dingue en 2021 !!” �(Retour store)
Exemple :
L’utilisateur revient plusieurs fois sur la navigation et passe de page en page�(analyse CS)
Seulement 3% des utilisateurs utilisent le champ de recherche�(analyse AT Internet)
L’utilisateur n’a pas vu le champ de recherche�(Test U)
En tant qu’utilisateur j’observe qu’ “je n’avais pas vu le moteur de recherche au premier coup d’oeil” �(Test U)
Comment rédiger un fait observé
→
Ce que nous fait penser que
Comment bien rédiger un insight
Comment bien rédiger un insight
Il doit :
Il ne doit pas :
Comment bien rédiger un insight
“Le parcours d’inscription est un frein à la consommation des contenus”
“La publicité nuit à la perception du service”
“Le moteur de recherche est peu utilisé”
“Il manque un moyen de changer de chaîne depuis le player”
“Le champ de recherche n’est pas visible”
“Les enfants n’aiment pas l’école”
X% des utilisateurs...
L’utilisateur...
En tant qu’utilisateur…
Comment bien rédiger un insight
“Le parcours d’inscription est un frein à la consommation des contenus”
“La publicité nuit à la perception du service”
“Le moteur de recherche est peu utilisé”
“Il manque un moyen de changer de chaîne depuis le player”
“Le champ de recherche n’est pas visible”
est-ce que cette affirmation peut enclencher une action ?
“Les contenus additionnels sont appréciés”
✅
L’équipe peut accentuer la visibilité ou déplacer le champ de recherche
✅
L’équipe peut modifier le parcours d’inscription, expliquer ou simplifier
✅
L’équipe peut modifier la pression publicitaire ou la supprimer
✅
L’équipe peut valoriser la recherche ou tirer bénéfice de cet insight
✅
L’équipe peut proposer un moyen de changer de chaîne depuis le player
✅
L’équipe peut exploiter et mettre en valeur davantage ces contenus
comment vérifier que vos observations et insights sont correctement rédigés ?
Nous avons pu observer que…
Ce qui nous fait penser que…
L’utilisateur revient plusieurs fois sur la navigation et passe de page en page�(analyse CS)
“Le champ de recherche n’est pas visible”
✅
✅
Comment bien rédiger un insight
Il est vivant !!!
L’ insight est comme notre base de connaissance, il peut évoluer et doit régulièrement être ré-appréciée
Quand faire évoluer un insight ?
INSIGHT A
INSIGHT A’ (modifié)
Un insight peut évoluer dans le temps
Un insight peut être découpé ou rassemblé
INSIGHT A
INSIGHT A1
INSIGHT A2
INSIGHT B
INSIGHT C
INSIGHT B
Un insight peut être re-découpé
Plusieurs petits insights peuvent être finalement rassemblés en un seul afin d’être plus facile à prioriser
Quand faire évoluer un insight ?
“La durée des droits est insuffisante”
“La durée des droits devrait couvrir à minima la durée de diffusion d’une série”
“La durée des droits devrait couvrir à minima la durée d’une saison”
liste des observations +80
liste des observations +30
liste des observations +50
Qu’est-ce qu’un super insight ?
INSIGHT X
PRODUIT A
PRODUIT B
INSIGHT X JUMEAU
SUPER INSIGHT !
Un super insight apparaît lorsqu’on identifie que des insights cross produits sont identiques
Naturellement, et généralement c’est signe que nos utilisateurs sont multiples, ce qui amène certains produits plus matures à assigner les insights à des personas à même le référentiel
Peut-il y avoir des insights contradictoires ?
Comment mesure t’on la confiance ?
Il n’y a que du quali :
Une tendance nous laisse croire qu’il pourrait y avoir un problème
Il n’y a que du quanti :
Nous avons la preuve qu’il y a un problème mais on ne sait pas pourquoi
Il ya du quali et du quanti :
Nous avons la preuve qu’il y a un problème et nous savons probablement pourquoi
Il y a beaucoup d’expérimentations
+1
+5 expérimentations
qui confirment cet insight
On le sait depuis longtemps
+1
Il y a plus d’un an d’écart entre l’expérimentation la plus ancienne et la plus récente
Archiver ou relancer une étude ?
Le sujet est traitée ou �il y a au moins 1 an que nous n’avons pas eu a relancer de nouvelle étude dessus et de nouvelles observations
Plus les faits sont avérés, plus la confiance augmente, plus l’insight a de poids
BONNES PRATIQUES
LEVEL 5
Congrats +80000pts !!
[Mitch]
Assurer un entretien continu pour maintenir une base de donnée saine
Constituer et animer une communauté
#coda-atomic-research
Déployer progressivement
franceinfo
francetvsport
france.tv
Okoo
france 3 Régions
La 1ère Outre-mer
Lumni
francetv & vous
NowU
PIC / BO live
Design
Produit
Éprouver le concept
Déployer le concept
Tous
Valider le concept
Pérenniser la culture
- Onboarder les nouveaux arrivants
- Product Atomic Academy (annuel)
- Café du numérique (annuel)
- Synchro atomic (bi-mensuel)
- Self assessment (tous les six mois, T0, T1, T3)
- Rituels de maintenance (mensuel)
Célébrer avec le rapport trimestriel
[Emmanuel]
https://docs.google.com/presentation/d/1ipwKCiR_hbu4Y4Pt1yLfiPObmVPy3npENop3lveMhfg/edit?usp=sharing
A emporter
Mesurer la maturité et itérer
Avril 2021
Octobre 2021
T0
T1
6 mois
6 mois
T2
Avril 2022
[Karim]
Tendances du suivi de santé T0/T1/T2
T0
T1
T2
NPS
NPS
NPS
Enseignements clés du suivi de santé T0/T1/T2
Des régressions identifiées sur T2 : beaucoup de turn over, réduction de la bande passante des UX, forte baisse du traitement total des données observées…
Le réflexe de mise à jour se fait à nouveau au fil de l'eau et de façon plus anarchique (vs ritualisé)
Encore des asymétries de maturité entre les divers produits
Les PM ne sont pas tous impliqués
→
→
Les +
Les -
Une maturité collective qui tend à évoluer dans le bon sens
On observe une forte hausse de l'implication des autres expertises autour de la récolte de données. (Emergence de la data et de la dse pas présent avant)
Les récoltes de données sont de plus en plus homogène (moins de device sont favorisés)
→
→
→
→
→
Bientôt… �un nouveau référentiel
Résoudre
EXPÉRIMENTATION
Nous avons fait… �
FAIT OBSERVÉ
Nous avons observé que
INSIGHT
Ce qui nous fait penser
PRIORISATION
Ce qui apporte le plus d’impact
SOLUTION
Les solutions produites
HYPOTHÈSE
Le cadrage des expérimentations
2 Nouvelles dimensions
TOUT LE WORKFLOW EN UN SEUL LIEU
Nouvelles features
Visibilité cross expertises : �Kanban / Timeline
Espace de cadrage du besoin d’étude
Agenda (avec les moments édito “non autorisés)
Saisies simplifiées
+ d’automations
DIPLÔME
ARRIVÉE
High Score 10000000pts !!
Vous êtes désormais diplomés !
High Score 10000000pts !!
EN PRATIQUE
Utiliser le “faux” repository
https://coda.io/d/Copy-of-France-Televisions-Workspace_dpu5s9VAjGR/Atomic-Research_suMID#_luwFd
URL
Répartition dans les rooms
salle 🧅
PRODUIT
DSE
DATA
DESIGN
salle 🍅
salle 🌻
salle 🥨
KARIM
VERO
MITCH
DODO
CHRISTOPHE
LAILA
EMMANUEL
Rentrer la dernière restitution (ex restitution at internet)
Rentrer la dernière restitution (ex test u)
Prioriser les insights
Revoir le parcours global de rentrée de données, bonus : les tags, la découpe d’insights
Avant d’entrer dans les rooms
On fait tous ensemble un cas pratique concret qui correspond à notre expertise
on s’entraide, on commente, on fait des choix ensemble
On pose des questions
Ensuite, apr!s l’atomic academy chacun pourra se tourner vers le(s) designer(s) référent de son offre pour pratiquer
Pour chaque responsable de room
—
Penser qu’il faut un temps incompressible pour créer un compte coda (et penser à dire que c’est avec le compte ftv)
Connaître les bonnes pratiques qui figurent dans les slides masquées
Rassembler tout le monde 5 minutes avant la fin pour le ROTI !!
Un des participants diffuse et entre les données, tous ensemble commente, conseille par rapport à ce qui vient d’être appris
Plan du lieu
salle
🥬�
salle�🍅
salle
🧅
salle
🥕
salle
🍪
salle�🌮
salle
🥨
salle de
conférence
salle
🌻
salle
🌷
salle
🍔
salle
☘️
salle
🌵
salle 🧅
PRODUIT
DSE
DATA
DESIGN
salle 🍅
salle 🌻
salle 🥨
Plan du lieu
salle
🥬�
salle�🍅
salle
🧅
salle
🥕
salle
🍪
salle�🌮
salle
🥨
salle de
conférence
salle
🌻
salle
🌷
salle
🍔
salle
☘️
salle
🌵
salle 🧅
PRODUIT
DSE
DATA
DESIGN
salle 🍅
salle 🌻
salle 🥨
ROTI
ANNEXES
Comment ont-ils été construits ? Quelle est leur structure ?
Présentation globale
Ils sont issus uniquement du questionnaire quanti initial
Champs “contours”
Ces 2 champs permettent “d’entendre” la voix du persona. Ils illustrent les actions ou la pensée des utilisateurs de ce(s) type(s) de contenu(s), features, manières de consommer :
Pour choisir des verbatims, aller dans les observations et faire des recherches par mot clé pour repérer les meilleurs. Puis, à chaque test ou lors du tri des remontées store, mettre à jour si pertinent
Champs “verbatims”
Ces champs permettent d’illustrer comment ces appétences de contenus et consommation vont créer des leviers de motivation et de frustration :
Champs “insights”
Dans la rubrique Insight, il faut sélectionner les personas touchés par cet insight en se référant au document initial de segmentation. Cela permet :
Sélectionner les insights
Exemples (ils sont challengeables et illustrent la manière dont j’ai procédé jusqu’ici) :
Ce champ permet d’illustrer la variété du persona, à la fois en terme socio-demo et en terme de contenus.
Voir avec François et Louise pour mise à jour annuelle
Champs “dans la vraie vie”
qu’est-ce qu’un tag ?
Un tag a pour objectif de pouvoir accéder le plus rapidement possible à une donnée issue de l’Atomic Research, via les outils de recherche disponibles pour tous (PMs, POs, design…)
les bonnes pratiques du tag ?
les bonnes pratiques du tag ?
Accessibilité
accessibilité
Accessibilite
Handicap visuel
Inclusion
synonyme
mauvaise orthographe
mauvaise syntaxe
trop micro
Comment rédiger un fait observé
Une observation qui synthétise ce qu’on a observé, puis quelques verbatims utilisateurs pour illustrer
Pour un test U
Comment rédiger un fait observé
Une observation correspond à une réponse au questionnaire.
Pour une meilleure compréhension de l’observation et de la réponse préciser le contexte de la question
Une ligne d’observation correspond à une réponse
Dans le cadre de choix multiple il faut split en autant d’observation que de choix et pourcentage de réponse
Pour un questionnaire
Comment rédiger un fait observé
Une ligne d’observation par regroupement fait par les utilisateurs
D’autres observations peuvent être ajouter (verbatims, etc) si c’est pertinent
Pour un tri de cartes
Comment rédiger un fait observé
1 ligne d’observation par ligne de classement
Pour les autres NPS (avec questions ouvertes) synthétisé les retours
Pour le NPS
Comment rédiger un fait observé
On ajoute le retour quand il est exploitable (on connait la raison et le contexte du retour négatifs ou positifs)
Si le retour n’est pas exploitable (exemple “c’est nul”, “c’est trop bien” sans plus de contexte) on l’archive
Pour les retours stores
Faut-il ou non inscrire les bugs dans les faits observés ?
Oui, mais…
Comment bien rédiger un insight
“Le champ de recherche n’est pas visible”
On doit se poser la question : �est-ce que cette affirmation est issue de l’analyse des observations ?
En tant qu’utilisateur j’observe qu’ “il n’y a pas de moteur de recherche c’est dingue en 2021 !!” �(Retour store)
L’utilisateur revient plusieurs fois sur la navigation et passe de page en page�(analyse CS)
Seulement 3% des utilisateurs utilisent le champ de recherche�(analyse AT Internet)
L’utilisateur n’a pas vu le champ de recherche�(Test U)
En tant qu’utilisateur j’observe que “je n’avais pas vu le moteur de recherche au premier coup d’oeil” �(Test U)
✅
Choix de l’insight à associer à une observation
ex : verbatims la pub dégrade VS chiffres questionnaire usabilla
A modifier on avait dit que qu’on créer des insgiht qui se contredisaient et dire pk
Choix de l’insight à associer à une observation
ex : les insights sur la nav sur les télé qu’on a revus
Mesurer la confiance
En multipliant les sources, on peut ainsi vérifier si elles sont cohérentes les unes avec les autres, et renforcer nos présomptions par un faisceau d’indices si l’on ne dispose pas de preuves irréfutables.