Spectre

Client : AKKODIS
Rôle : Recherche utilisateur, création de wireframes, tests utilisateur
Durée : 6 mois
Contexte : Développement d’un système de recommandation personnalisé pour le e-commerce, axé sur l’intégration des préférences subjectives des utilisateurs afin d'améliorer leur satisfaction.

Problème ou opportunité

Problème identifié :
Les systèmes de recommandation traditionnels peinent à répondre aux préférences individuelles, ce qui conduit à des suggestions génériques et une faible satisfaction utilisateur.

Objectif :
Créer un système de recommandation hyper-personnalisé qui utilise les données comportementales et préférentielles des utilisateurs pour proposer des suggestions pertinentes dans le domaine de l’e-commerce (notamment les vêtements).

Utilisateurs principaux :

Acheteurs en ligne de vêtements :

Besoins : Des recommandations adaptées à leurs goûts, styles et comportements pour réduire l'effort de recherche et améliorer l'expérience d'achat.

Chefs de produit et acheteurs sur des sites e-commerce :

Besoins : Une interface intuitive (back-office) pour : Configurer les recommandations et suivre leurs performances. Comprendre les tendances utilisateurs pour optimiser l'offre produit.

Générer des rapports sur l'efficacité des recommandations pour soutenir des décisions stratégiques.

Processus

Étape 1 : Analyse des besoins

Identification des limites des systèmes de recommandation existants pour les acheteurs en ligne et les administrateurs.

Définition des objectifs spécifiques du projet SPECTRE pour répondre à ces besoins :

Offrir des recommandations pertinentes et personnalisées aux acheteurs.

Permettre aux administrateurs de surveiller et ajuster les recommandations via un back-office.

Étape 2 : Recherche utilisateur

Interviews utilisateur :

Acheteurs en ligne : Identifier leurs attentes et frustrations concernant les recommandations actuelles.

Chefs de produit e-commerce : Comprendre leurs défis dans la gestion des systèmes de recommandation.

Création de personas :

Acheteurs : Différents profils d’acheteurs avec des préférences variées (styles, budgets).

Administrateurs : Personnes responsables de la gestion des performances sur le site e-commerce.

Conception d’un parcours utilisateur (journey map) pour chaque cible, en mettant en évidence les points de friction et les opportunités.

Étape 3 : Collecte et traitement des données

Collecte des données comportementales (clics, historique d’achat) et déclaratives (préférences stylistiques) des acheteurs.

Nettoyage et anonymisation des données pour garantir leur qualité et respecter les normes de confidentialité.

Étape 4 : Prototypage et conception du back-office

Création de wireframes et prototypes fonctionnels pour :

Le système de recommandation visible pour les acheteurs en ligne.

Le back-office destiné aux administrateurs, permettant de :

Configurer et ajuster les recommandations.

Visualiser les tendances et performances en temps réel.

Générer des rapports pour analyser les données utilisateur.

Étape 5 : Tests et optimisation

Tests utilisateurs :

Acheteurs : Validation de la pertinence et de la qualité des recommandations.

Administrateurs : Évaluation de l'ergonomie et de la praticité du back-office.

Collecte de retours pour affiner l'algorithme et améliorer l’expérience utilisateur.

3. Résultat et impact

Solution proposée :

Un système de recommandation pour les acheteurs, capable de :

Comprendre et prédire leurs préférences grâce à des algorithmes avancés (deep learning, filtrage collaboratif).

Offrir une expérience d'achat personnalisée et engageante.

Un back-office pour les administrateurs, incluant :

Des outils de configuration des recommandations.

Des rapports visuels sur les performances et les tendances utilisateurs.