Le rôle du design dans la recherche quantitative

Nous acquérons des connaissances en effectuant des recherches. La recherche et les connaissances tissent l'organisation tout au long des activités quotidiennes, en passant par les alignements de stratégies haut de gamme, et sont exécutées de différentes manières. Tout le monde profite d'une recherche de qualité.

Les recherches sont souvent classées en deux groupes: quantitatif et qualitatif. L'analyse quantitative dans différentes organisations est généralement effectuée par différentes équipes de Business Intelligence qui gèrent de vastes ensembles de données et les analysent à l'aide de méthodes modernes et modernes. Le consensus actuel semble être que plus les données sont volumineuses, meilleures sont les connaissances. L’approche qualitative, en revanche, est généralement utilisée comme méthode pour acquérir une compréhension approfondie des clients et des utilisateurs et est utilisée par une multitude d’experts différents (par exemple des concepteurs).

Le consensus actuel semble être que plus les données sont volumineuses, meilleures sont les connaissances.

Cet article n’examine pas en détail la façon dont ces deux mondes sont souvent négligés. Cependant, cette séparation absurde de ces deux méthodes de recherche a une incidence sur le sujet de cet article, car différents experts ont souvent du mal à comprendre les avantages et la valeur du travail de quelqu'un qu’ils ne comprennent pas tout à fait. Sur la base de mon expérience en matière d’analyse de données et de conception de services, je souhaite mettre en évidence les arguments suivants:

  1. Des données précieuses: les méthodes modernes d’analyse des données sont un moyen inefficace de mesurer le comportement des clients - les données peuvent avoir la même valeur, même si elles ne sont pas volumineuses.
  2. Une possibilité de conception: les concepteurs disposent de méthodes et d’outils pour créer d’excellentes métriques et expériences quantitatives, mais cette compétence est sous-utilisée.
Quel est le rôle de la créativité dans la recherche quantitative? Photo par Alice Achterhof sur Unsplash

Les données sont le phare d'une entreprise qui souhaite prendre des décisions optimales. Tout le monde veut être basé sur les données. Les technologies actuelles nous permettent de collecter des données sur à peu près n'importe quoi et autant que nous le voulons. Nous pourrions même avoir un outil astucieux pour analyser les données automatiquement et des algorithmes qui s'améliorent avec le temps, à mesure que plus de données sont collectées. Les données peuvent être utilisées pour prédire les tendances du marché, le comportement des clients et les taux de désabonnement des services. Au centre de tout cela, on peut facilement avoir l’impression que les données sont comme une boule de cristal nous montrant une vision claire de l’avenir. Et les personnes familiarisées avec des concepts tels que l'apprentissage automatique, les réseaux de neurones et les mégadonnées sont les seuls prophètes autorisés à interpréter ces informations mystérieuses.

Au centre de tout cela, on peut facilement avoir l’impression que les données sont comme une boule de cristal nous montrant une vision claire de l’avenir.

Cependant, lorsque nous utilisons ces méthodes Big Data, nous oublions facilement les concepts de base de la statistique et les hypothèses liées aux différentes méthodes que nous utilisons. Même l'une des méthodes les plus élémentaires que nous utilisons, la régression linéaire, contient des hypothèses qui ne sont pas toujours prises en compte avant l'analyse réelle. Celles-ci incluent des hypothèses sur la linéarité, l'indépendance des erreurs et la multicolinéarité, pour n'en nommer que quelques-unes. Si nous ne tenons pas compte de ces hypothèses, notre modèle prédictif sophistiqué du comportement de nos clients pourrait ne rien valoir. En outre, de nombreuses méthodes modernes, par exemple réseaux de neurones, peuvent être des processus de «boîte noire» où il est impossible de tirer des conclusions sur la causalité. De plus, comme les données sont collectées automatiquement et que nous ne pouvons pas nécessairement changer rapidement les éléments que nous mesurons, nous pouvons perdre le focus sur ce que nous essayons réellement de mesurer et avec quelles données. La validité et la fiabilité des différentes mesures doivent toujours être prises en compte.

Les données volumineuses ne sont ni très maigres ni agiles. Lorsque nous essayons de déterminer si un nouveau service a un impact ou non, ou ce que nos clients pensent vraiment de notre marque, nous ne pouvons pas toujours nous attendre à ce que ces réponses soient trouvées dans nos ensembles de données existants. Pour commencer, nous pourrions même ne pas savoir ce que nous entendons par impact. Ou, pour prédire quand nos clients quitteront notre service, nous ne pouvons pas réellement tirer de nombreuses conclusions sur les raisons pour lesquelles ces clients décident de partir, même si nous pouvons déterminer le moment où le client en question quittera le plus probablement le service. On ne peut pas s’attendre à ce que le problème que nous essayons de résoudre soit accompagné de «données volumineuses». Alors, comment pouvons-nous résoudre ce genre de problème?

Les données volumineuses ne sont ni très maigres ni agiles. Nous ne pouvons pas nous attendre à ce que le problème que nous essayons de résoudre soit accompagné de «données volumineuses».

Je peux imaginer que beaucoup de lecteurs vont maintenant penser que «hé, invitons les clients, interrogez-les et rassemblez la connaissance du« pourquoi »avec des méthodes qualitatives exploratoires». Oui pourquoi pas? Cette approche peut fournir des informations fantastiques sur les mentalités et les motivations de nos clients. Mais alors nous fonctionnons sous les limitations des méthodes qualitatives. Principalement, il est impossible de généraliser à la population (clientèle) avec des échantillons de petite taille.

Bien entendu, nous pouvons combiner des méthodes qualitatives et quantitatives même lors d’entrevues. Cependant, collecter un échantillon représentatif de clients et les interroger lors du codage numérique de leurs réponses prendrait beaucoup de ressources. L'envoi d'une enquête est toujours une option, mais souvent, les éléments de ces enquêtes incluent des métriques faciles à digérer et populaires telles que NPS.

Dans de nombreuses situations, des métriques créatives et des ensembles de données représentables collectés à la main (par exemple, des observations de guérilleros) donneraient des résultats plus exploitables et plus adaptés que les informations extraites de mégadonnées (par exemple, des données de journal depuis un service). Mais si nous ne sommes pas créatifs, nous sommes bloqués avec des métriques vagues comme NPS. Pour l’instant, je n’ai pas entendu d’explication définitive sur ce qu’elle mesure réellement et avec quelle efficacité, mais c’est traité comme le Saint-Graal de tous les chiffres (après les revenus, les bénéfices, etc.)

  1. Ne vous arrêtez pas aux chiffres: l’utilisation de métriques quantitatives ne devrait pas prendre fin même lorsque nous souhaitons collecter des données plus spécifiques.
  2. Mais attachons davantage les chiffres au monde réel: nous devrions vraiment être plus créatifs avec nos métriques!

Et c’est là que les designers entrent en scène! L'une des nombreuses choses que m'a appris le travail avec les concepteurs, c'est qu'ils sont extrêmement créatifs et très capables de voir les choses de manière holistique. En outre, il a été très intéressant de voir comment la psychologie (mon domaine d’étude) s’aligne sur l’approche et les méthodes de conception de services. Par exemple, les compétences acquises lors d'un entretien clinique sont remarquablement similaires à celles qu'utilisent les concepteurs lorsqu'ils interrogent un client. En fait, je pense que les concepteurs et les psychologues pourraient tirer parti de l'expertise de chacun (hé, je pense avoir découvert le sujet de mon prochain post).

Cependant, la créativité des concepteurs est sous-utilisée dans le contexte de la recherche quantitative. Lorsque vous essayez de mesurer des choses complexes telles que les mentalités, les expériences et les humeurs, vous devez sortir des sentiers battus tout en créant des métriques. Une compétence potentiellement très utile pour les concepteurs consiste à opérationnaliser (rendre les choses mesurables) ces phénomènes compliqués. Et comme tous les concepteurs le savent, il est normal d’expérimenter et de trébucher avant de trouver les bonnes solutions.

La créativité des concepteurs est sous-utilisée dans le contexte de la recherche quantitative.

Encourager les concepteurs à trouver leur valeur dans la recherche quantitative est un bon début. L'implémentation de workflows et de méthodes de conception établis peut s'avérer utile lors de la création de métriques uniques. La collecte de données quantitatives par vous-même peut donner des résultats fantastiques et ne prend pas beaucoup de temps. Mets tes mains dans le cambouis et fais quelques observations de guérilla. Avec des expérimentations concrètes, des métriques créatives, des observations astucieuses et des analyses légères, les concepteurs peuvent donner des informations tout aussi précieuses (et souvent plus utiles) à une organisation disposant de ressources limitées et basées sur des données intelligentes.

La taille n'a pas d'importance avec les métriques appropriées - le Big Data n'est pas toujours meilleur. Photo de Charles sur Unsplash