Design : Cadre de conception CED pour l’intégration d’analyses avancées dans les logiciels d’aide à la décision

Alors que vous continuez à concevoir des interfaces et des expériences dans vos outils d’analyse qui s’appuient de plus en plus sur l’analyse et la prévision basées sur la machine, le défi de la conception commence à changer. Alors qu’auparavant, nous pourrions traiter de l’architecture de l’information et organiser toutes les métriques et statistiques en [hopefully] les bons emplacements et interfaces utilisateur pour l’analyse du globe oculaire, avec des analyses prédictives et prescriptives, vos objectifs UX commencent à changer.

La plupart d’entre vous ont probablement affaire à des services d’analyse et à des outils / produits d’aide à la décision qui ne sont pas entièrement des boîtes noires. En fait, certains d’entre vous peuvent être confrontés au problème opposé, comme l’explication de la boîte noire, ou amener les gens à faire confiance à «une nouvelle façon» d’obtenir des informations d’aide à la décision. J’espère que le cadre répond à la question: «Lorsque je dois présenter des analyses prédictives / prescriptives aux utilisateurs de manière utile, utilisable, fiable et précieuse dans mon logiciel / application, comment dois-je l’aborder?»

La réponse est un cadre de conception en trois parties appelé CED que j’ai vu bien fonctionner pour aider à rendre l’analyse déclarative utile et utilisable, sans surcharger l’utilisateur, et sans compter entièrement sur une boîte noire que l’utilisateur ne peut pas voir / faire confiance / comprendre. Je mentionne spécifiquement «déclaratif» car ce cadre est spécifiquement destiné aux situations où votre technologie fournit des déclarations, prédictions ou opinions explicites. Vous avez probablement un mélange d’analyses déclaratives et exploratoires dans votre produit / service, et c’est tout à fait normal.

DEC signifie Conclusion, Evidence, Data. Il est similaire aux données [DIKW] pyramide que vous connaissez peut-être.

Il s’agit d’un cadre de conception / UX destiné à renforcer la confiance des clients autour d’analyses avancées et fournit une «recette» de base que vous trouverez peut-être utile lorsque vous essayez de comprendre comment communiquer la valeur et la présentation des conclusions de votre logiciel. Je trouve également que cela peut être utile pour établir une vision UX / conception pour votre outil d’aide à la décision: bien qu’il puisse être «hors de portée» techniquement, cela peut inspirer la façon dont votre équipe itère vers une expérience analytique plus centrée sur l’humain.

Avant de vous montrer comment vous pouvez implémenter cela dans votre produit, reconnaissons que vos analyses existent probablement pour fournir un support basé sur des preuves pour les décisions d’origine humaine. Cependant, aussi logique que cela puisse paraître, vous savez peut-être que les humains ne prennent pas nécessairement des décisions de cette façon. Beaucoup d’entre vous ont probablement lu le livre de Daniel Kahneman, Penser vite et lentement, où il parle du système 1 (rapide) et du système 2 (lent). Vos clients prennent généralement des décisions en utilisant le premier, jusqu’à ce que vos analyses leur fournissent une surprise. Le système 2 concerne tout ce monde de pensée analytique. Le cadre ici a ces deux concepts à l’esprit, offrant aux utilisateurs un moyen de faire l’expérience de votre service en pensant d’abord au système 1 et au système 2, si nécessaire.

Le CED, une fois implémenté, peut être réparti sur plusieurs étapes / écrans / temps, ou peut littéralement être «un écran». Ce détail, cependant, n’a pas vraiment d’importance à ce stade. Le but ici est d’exprimer la valeur de vos analyses dans l’outil / produit d’une manière qui suit naturellement ce que vos utilisateurs ont besoin / veulent faire lorsqu’ils se connectent à votre outil, quel que soit le nombre d ‘«écrans» qui peuvent être requis. Dans le processus. Donc, ce que vous essayez de faire, c’est de divulguer progressivement plus d’informations si nécessaire, sans nécessairement imposer cette charge (ou toute l’expérience) à l’utilisateur.

Pour ce faire, vous essayez de «diriger» les conclusions en premier, de soutenir les preuves et, si nécessaire, de donner accès aux données. Cela signifie probablement qu’il y a une petite / courte / brève expérience / interface utilisateur lors de la livraison de la conclusion à l’utilisateur. Les preuves se cachent «au coin de la rue» et constituent votre présentation d’une partie de la justification de l’analyse ainsi que la prescription détaillée, le cas échéant. Cela peut être une expérience «d’exploration vers le bas» («cliquez pour plus de détails…»), mais en bref, c’est la prochaine couche de contenu / données / mots / texte qui explique quels facteurs ont été inclus – et NON inclus – dans la conclusion , pour aider le client à comprendre la confiance et les ingrédients qui ont mené à la conclusion. Vous pouvez également fournir un mécanisme de rétroaction à cette étape. Enfin, les mauvaises herbes: les données. Sous les preuves se trouvent des données brutes ou visualisées qui peuvent ou non faire partie de l’interface utilisateur / UX de votre application logicielle. Cela peut prendre de nombreux formats, et la façon dont cela est exprimé dans une interface utilisateur dépend fortement de votre produit / service / cas d’utilisation particulier.

Examinons chaque phase séparément, dans le contexte d’un exemple.

Un directeur de campagne dans une entreprise de marketing souhaite dépenser les budgets publicitaires de manière plus intelligente. Vous concevez une fonctionnalité / un produit / un service pour les aider à le faire avec moins de temps d’outil manuel et d’analyse du globe oculaire.

Hypothèses: le gestionnaire de campagne (notre utilisateur) exécute plusieurs campagnes publicitaires pour son client sur Facebook, Google et d’autres plateformes de publication. Ils ont des centaines de créations différentes (conceptions publicitaires discrètes). Le travail du directeur de campagne consiste à affiner le budget du client et à le dépenser judicieusement: il doit décider quelles créations laisser actives, lesquelles modifier, lesquelles désactiver, lieux / audiences avec lesquels il doit dépenser plus / moins de budget, etc. mis à part, il y a déjà des acteurs cloud / tech dans beaucoup de ces espaces avec différents outils pour automatiser certaines de ces étapes, supposons que pour l’instant, cet utilisateur doit simplement regarder les statistiques de la campagne pour prendre ces décisions. Vous proposez un nouveau produit ou service d’analyse pour les aider à dépenser le budget du client plus efficacement avec des solutions déclaratives / prescriptives au lieu de les forcer à interpréter des graphiques, des tableaux et des mesures par eux-mêmes. Vos données / technologie / modèle sont censés les aider à décider quelles annonces laisser, retirer, modifier ou recibler. Pour l’instant, vous commencez avec la plate-forme Facebook Ads (état d’esprit MVP, n’est-ce pas?) Et vous voulez montrer une valeur précoce avec votre investissement technologique à ce jour. Ainsi, dans cette première version, vous ne pouvez offrir que des analyses / informations sur la création, mais pas sur la tarification.

Pour l’instant, peu importe qu’il s’agisse d’IA, d’un modèle d’apprentissage automatique, de régressions linéaires ou d’une autre technologie propulsant ces analyses. Retirez votre chapeau de mise en œuvre et mettez votre casquette de conception. Votre objectif est de réfléchir à l’expérience que vous souhaitez que ce gestionnaire de campagne ait.

Alors, mettons-le dans le cadre du DÉC.

L’un des exercices que j’aime faire avec les clients au début de la phase de conception consiste à leur demander de me présenter les valeurs possibles de l’analyse normative sous forme de phrases. Si le produit / l’application pouvait être si bien réglé pour simplement me fournir un message texte contenant les bonnes informations au bon moment, quelles informations pourrait-il générer? Telle est la «conclusion» tirée par le logiciel / algorithme, peut-être accompagnée d’une prescription sur ce qu’il faut faire ensuite.

Caractéristiques d’une conclusion bien conçue:

• Il ne peut pas nécessairement nécessiter de visualisation des données. Il pourrait être mieux exprimé sous forme de texte et de mots simples.
• Il peut être vécu comme un message (push, email, SMS, alerte, etc.), éventuellement envoyé à un moment précis, informé et significatif. C’est quand? Vous devez étudier l’utilisateur pour le savoir.
• Il fournit suffisamment de contenu pour potentiellement informer ou inspirer des actions, même si le client ne prend pas immédiatement de mesures.
• Si le système peut classer le contenu comme une anomalie / inhabituel / inattendu, le contenu du message peut se modifier lui-même pour fournir un peu plus de renforcement et reconnaître le fait qu’un humain peut avoir du mal à croire (rappelez-vous la pensée du système 1 et du système 2? )
• Si nécessaire, il considère le temps: existe-t-il une fenêtre de pertinence? Expiration? Date limite?
• Ce pourrait être l’endroit / l’occasion d’ajouter du plaisir, de l’humour ou d’autres «délices» à votre service.
• Il peut nécessiter ou bénéficier d’avoir un permalien / une adresse dédié afin qu’il puisse être partagé ou consulté plus tard par des collègues ou surveillé pour son statut / validité.
• Il peut avoir un lien / une possibilité d’agir (possible dans un autre outil)

Ainsi, dans notre exemple de marketing, nous pourrions générer des idées de conclusions qui ressemblent à celles-ci. Ceux-ci pourraient bannir des messages sur votre interface utilisateur ou ils pourraient être livrés sous forme d’e-mails:

• La plupart de vos annonces (31/54) dans Campaign XYZ devraient probablement être désactivées. Ils devraient continuer à sous-performer les annonces restantes de 2 à 3 fois, ce qui coûterait le même prix à l’affichage. (La désactivation de ces 31 peut permettre au client d’économiser 23 000 $ en dépenses inefficaces, ce qui n’est pas un changement de taille). [Edit ads] [Full Analysis]
• Le verbe « acheter » dans Campaign XYZ surpasse les autres verbes sur les clics dans les titres de vos créations, quelle que soit l’image utilisée dans la création par 1,5x. La modification de ce paramètre pourrait réduire le CPA * de 3,45 $ à 1,32 $ et entraîner 412 clics supplémentaires si le budget complet est dépensé. Tu pourrais être un héros! [Edit ads] [Full Analysis]
• [Appname] prédit que les créations avec cette image [IMAGE] surpassera toutes les autres créations de la campagne et a suspendu toutes les annonces n’utilisant pas cette image. 10 nouvelles créations ont été créées en utilisant cette image pour votre examen / approbation.[Review Suggestions][Full analysis]

(* CPA = coût par acquisition)

Pouvez-vous voir comment ces messages sont conçus avec les fonctionnalités de la conclusion mentionnées précédemment? Ils fournissent peu de «preuves», mais ils fournissent une ligne de conduite et, dans ce dernier cas, ont déjà pris des mesures (création de nouvelles créations pour approbation des utilisateurs). Chaque message fournit également un moyen rapide de plonger dans l’analyse complète ou de prendre une action logique (généralement la modification des publicités, dans cet exemple). Pourquoi le faisons-nous de cette façon? Il est possible que les utilisateurs finissent par faire suffisamment confiance au message pour prendre des mesures immédiates, sans avoir à valider l’analyse à chaque fois. Ils peuvent également ne pas agir immédiatement, mais peuvent revoir l’alerte / le message et être prêts à le faire à une date ultérieure et ne veulent pas avoir à se connecter à votre service juste pour accéder au lien « action ». Certes, de nombreux utilisateurs vont d’abord vouloir explorer les preuves (le lien d’analyse complète), alors examinons cela ensuite:

La preuve (E) est la deuxième partie de l’expérience, accessible à partir de l’inclusion (C) qui a été tirée précédemment. La ligne entre ces données et la troisième étape, les données, est un peu grise, mais la majeure partie de la conception fonctionne «dans les zones grises». Cependant, il existe également certaines caractéristiques clés:

• Une page / écran ou une section d’interface utilisateur fournissant une sélection de données et un support visuel pour la conclusion. Il explique pourquoi le logiciel a généré la conclusion et comment il est arrivé à cela. Il exprime visuellement les corrélations trouvées par le logiciel.
• Existe probablement à une URL / un emplacement permanent ou semi-permanent (partageable, mais peut-être peut-être intégré l’expiration)
• Si vous utilisez un framework « IA explicable », c’est probablement là que vous montrez une partie de ce contenu
• Peut être interactif ou de nature rapport (non interactif)
• Fournit une méthode permettant aux humains de donner une rétroaction au système (par exemple, les données de formation), ou aux humains dans la boucle (vous!), Ou les deux. (Solliciter des commentaires est particulièrement important au début et pendant la voyage de noces phase).
• Peut indiquer des facteurs / fonctionnalités / variables connus qui n’ont pas été pris en compte et qui sont potentiellement pertinents pour l’utilisateur. (Reconnaître les défauts / lacunes pour établir la confiance).

Dans notre scénario de gestion de campagne marketing, cela pourrait signifier que la partie (E) de la preuve de l’UX comprend:

• Preuve visuelle que certaines annonces / créations ne fonctionnent pas bien (mesures de performances projetées pour les gagnants par rapport aux perdants, peut-être sous la forme de petits graphiques étalés sur les échantillons de créations)
• Une liste de facteurs ne pas inclus dans l’analyse (par exemple, « n’a pas regardé les annonces créées au cours des dernières 48 heures; n’a pas pris en compte les créations diffusées sur les appareils mobiles (32% de toutes les impressions); etc.)
• Une possibilité «d’accepter» la recommandation ou de passer à l’étape suivante (lien vers l’interface utilisateur de l’annonce, création automatique des créations recommandées, pause / arrêt des mauvais artistes, etc.)
• Une liste des caractéristiques incluses dans le modèle et les niveaux de confiance («IA explicable») exprimés en langage clair
• Peut-être une méthode pour exécuter la simulation avec certaines fonctionnalités du modèle désactivées (par exemple, « ne tenez pas compte des campagnes que nous avons menées sur la plate-forme Google; LinkedIn et Facebook uniquement »)
• Liens pour plonger en profondeur dans les données détaillées (étape 3) – qui est couvert ensuite.

Nous avons couvert (C) l’inclusion, ce qui conduit ensuite à (E) la preuve. La plupart des efforts de conception de l’expérience utilisateur de votre client doivent être consacrés à fournir une bonne valeur et une expérience utilisateur au client dans ces deux premières catégories, de sorte qu’il n’a pas besoin d’aller dans les mauvaises herbes de la troisième étape qui accède directement à (D) ata qui a été utilisé pour générer les informations présentées lors des deux premières étapes.

Si les clients pénètrent régulièrement dans la troisième étape de votre produit (D) ata, cela peut indiquer que vous avez des améliorations à apporter au cours des deux étapes précédentes. Dans ce cadre, l’objectif n’est pas de «cacher» les ata (D) sous-jacents à vos clients. Au lieu de cela, nous voulons mettre plus d’analyse lourde sur le logiciel plutôt que sur le client. Si vous voyez des clients aller régulièrement en profondeur, au-delà du stade de preuve (E), savez-vous pourquoi? Est-ce parce que:

• Ils ne font pas confiance aux analyses (peut-être ont-ils été brûlés dans le passé ou le produit n’a-t-il pas encore gagné leur confiance)?
• Ils n’ont pas compris les informations ou les ont trouvées utiles et ont supposé qu’ils devraient les reconstituer eux-mêmes?
• L’inclusion (C) ou l’évidence (E) a été perçue comme étant erronée, incomplète, incroyable ou trop risquée pour croire en valeur nominale?
• Ils ont besoin d’une preuve pour quelqu’un d’autre (partie prenante, patron, etc.)?

Comprendre ces «pourquoi» peut vous aider à comprendre comment concevoir l’expérience relative à l’accès aux données sous-jacentes. Cela signifie que vous devez décider si l’interface utilisateur nécessite une visualisation, des exportations CSV, des tables visibles, un tri, un filtrage, etc. En général, je n’investirais pas une tonne de temps et de ressources pour concevoir cette partie de votre interface utilisateur. En tant que tel, vous souhaiterez probablement vous concentrer davantage sur la possibilité pour l’utilisateur d’exporter les données à explorer dans ses propres outils tels qu’Excel, etc.
En termes d’interface utilisateur Web, c’est un bon endroit pour utiliser des cadres d’interface utilisateur stock qui peuvent vous fournir des composants tels que des tableaux de données qui ont des fonctions de tri et de filtrage intégrées.

Une chose importante avec les exportations et pour rendre cette expérience aussi efficace que possible: envisagez d’inclure également les informations des étapes précédentes (Conclusions et preuves antérieures du logiciel). Ils peuvent apprendre comment votre logiciel est parvenu à ces conclusions, ce qui, à son tour, peut informer leur confiance et leur compréhension de votre produit à l’avenir.

Il convient également de noter que le niveau de risque ici peut être suffisamment bas ici pour que notre client, le directeur de campagne, ne prenne tout simplement pas le temps de faire une analyse du globe oculaire et ait peut-être déjà «évolué» vers d’autres responsabilités professionnelles. L’effort requis pour analyser manuellement des données très complexes peut ne pas valoir la peine, et d’ailleurs: c’est pourquoi ils ont acheté votre service, non?!

Quoi qu’il en soit, sans connaissance spécifique du domaine et sans parler au client, il est difficile de fournir des fonctionnalités d’interface utilisateur spécifiques pour notre cas d’utilisation de gestion de campagne, car nous ne savons pas ce que l’utilisateur va faire de ces informations en dehors de votre application. Cependant, nous pouvons réfléchir à certaines idées qui peuvent être utiles ou qui peuvent stimuler votre propre imagination:

• Téléchargez les données brutes par période, par objet (créations publicitaires spécifiques), par campagne, par fournisseur / source.
• Fournir des métadonnées sur les données (horodatages, date de leur collecte, état des sources de données, par exemple, sont-elles à jour)
• Fournissez des calculs supplémentaires sur les données que vous savez qu’ils peuvent vouloir faire (par exemple, des feuilles de calcul supplémentaires ou des téléchargements avec des sommes, des moyennes, des min / max, des écarts, des totaux de groupe, etc.) – en les enregistrant efficacement certaines étapes dans Excel
• Si pertinent et non propriétaire, fournissez des informations sur les modèles utilisés dans l’analyse du logiciel, le cas échéant. Gardez à l’esprit: il peut s’agir davantage de renforcer la confiance grâce à la transparence plutôt que de les aider à comprendre ou à utiliser les modèles par eux-mêmes en dehors de votre écosystème.

Il n’y a pas de solution magique de conception pour chaque produit d’analyse qui implique de fournir une aide à la décision aux utilisateurs, mais lorsque vous introduisez une analyse déclarative (explicative), il existe des moyens de concevoir vos interfaces autour d’une expérience qui fournit progressivement plus d’informations, uniquement si nécessaire. Dans l’ensemble, n’oubliez pas que l’objectif des utilisateurs peut être de réduire au minimum le temps passé dans votre outil (ils peuvent souhaiter une valeur élevée dans le moins de temps possible). En tant que tel, nous voulons passer plus de temps à fournir à l’utilisateur une inclusion (C) crédible, précise et utilisable, et à nous assurer que la conception de la preuve (E) renforce autant que possible ces inclusions (C). La troisième étape de l’expérience, l’exploration manuelle (D) ata, est l’endroit où vous souhaitez probablement dépenser le moins de ressources, mais nous ne devons pas l’oublier totalement, car il peut y avoir des moments où cette transparence est importante. Laissez vos sessions de recherche client et vos tests vous aider à savoir comment et où passer plus de temps pour bien faire l’expérience utilisateur. Plus vous comprendrez l’espace des problèmes des clients, plus il sera facile de comprendre comment présenter les informations dans votre interface utilisateur de manière à fournir à vos clients une UX analytique exceptionnelle. Bonne chance!

Photo gracieuseté de Filip Patock / Flickr.