Une méthode cohérente pour transformer les données comportementales en gains mesurables.
Comment j’ai construit un cadre d’optimisation fondé sur les données qui a transformé la connaissance client en améliorations produit continues, sur plusieurs marques retail.
L'approche, en bref
Les parties prenantes proposaient des améliorations chaque semaine, et aucune des idées n'était mauvaise, c'était bien là le problème : ce qui manquait, c'était une façon partagée de décider quelles idées méritaient vraiment un investissement avant d'être construites. J'ai bâti à la place une boucle reproductible : la recherche produisait des données, les données produisaient une hypothèse, les hypothèses devenaient des prototypes, et les prototypes devenaient des expériences mesurées dont les résultats alimentaient l'hypothèse suivante.
Le défi n'a jamais été un manque d'idées. C'était la confiance : une façon reproductible de savoir quelles idées méritaient l'investissement.
Mon rôle, en bref
J'ai construit et piloté personnellement ce cadre d'optimisation fondé sur les données, avec un soutien d'agence intégré en cours de route pour une capacité technique et de recherche plus approfondie. Touchez une tuile pour voir le détail complet.
Ce sur quoi j'ai travaillé
Le Framework
Porté l'ensemble de la boucle personnellement sur plusieurs marques retail, pas seulement l'exécution de tests individuels.
Méthodes de Recherche
Modéré des laboratoires d'utilisabilité, de la recherche guérilla, des entretiens clients et de l'observation en magasin, aux côtés de l'analytique comportementale, de l'analyse d'entonnoir et de tests A/B et multivariés — l'analytique montrait où les gens partaient, seule une session en laboratoire montrait pourquoi.
Le Centre de Recherche
Un registre vivant de ce qui avait été testé et appris, archivé délibérément — y compris les tests échoués — afin que chaque décision suivante soit plus rapide et mieux informée.
Pensée Cross-Canal
Un changement sur une page produit mobile devait aussi se refléter dans les chiffres d'un centre d'appels et la fréquentation d'un magasin, pas seulement dans un rapport d'entonnoir.
L'équipe
Programme LeadMark Jones
Porté le framework, le centre de recherche et la pensée cross-canal personnellement ; fait appel à du soutien là où une capacité technique ou de recherche plus approfondie était nécessaire.
Développeurs Front-End
Construit les tests les plus simples moi-même ; fait appel à des développeurs pour ceux nécessitant plus de profondeur technique qu'un outil de test sans code ne pouvait gérer.
Data Scientists
Accès via le même soutien d'agence, utilisé pour renforcer la base de preuves derrière une hypothèse avant de s'engager dans une construction.
Intervieweurs de Recherche Utilisateur
M'ont maintenu proche de chaque session sans que je sois celui qui posait toutes les questions, pour que je puisse me concentrer sur la direction que devait prendre la conversation.
Soutien à la Synthèse
Transformé des preuves brutes en décisions comme un exercice partagé, pas quelque chose résolu seul à un bureau.
Impact, en bref
Sur six ans, le cadre a produit 120 initiatives de recherche et d'optimisation documentées et 42+ expériences nommées et codifiées individuellement aux résultats communiqués, et non des succès sélectionnés. Le Sélecteur d'échantillons Harveys a apporté +13.2% de conversion et +69.2% d'interaction avec 84.2% de chances de battre le contrôle, avec un retour prévu de £388,467 sur six mois ; la Calculatrice de financement a généré +30.4% de conversion, +31% de transactions et +14.1% de demandes de financement supplémentaires ; et Acheter par type a atteint le double du taux de conversion moyen du site, générant 14.53% du chiffre d'affaires du site sur la période. Comme chaque résultat alimentait l'hypothèse suivante, il ne s'agissait pas de succès isolés mais d'une méthode cumulative et reproductible pour décider quoi construire ensuite.
Contributions
Construit et piloté personnellement, avec un soutien d'agence intégré là où une capacité technique ou de recherche plus approfondie était nécessaire. Voici la répartition honnête — touchez une tuile pour voir le détail complet.
Ce sur quoi j'ai travaillé
Le Framework
Porté l'ensemble de la boucle personnellement sur plusieurs marques retail, pas seulement l'exécution de tests individuels.
Méthodes de Recherche
Modéré des laboratoires d'utilisabilité, de la recherche guérilla, des entretiens clients et de l'observation en magasin, aux côtés de l'analytique comportementale, de l'analyse d'entonnoir et de tests A/B et multivariés — l'analytique montrait où les gens partaient, seule une session en laboratoire montrait pourquoi.
Le Centre de Recherche
Un registre vivant de ce qui avait été testé et appris, archivé délibérément — y compris les tests échoués — afin que chaque décision suivante soit plus rapide et mieux informée.
Pensée Cross-Canal
Un changement sur une page produit mobile devait aussi se refléter dans les chiffres d'un centre d'appels et la fréquentation d'un magasin, pas seulement dans un rapport d'entonnoir.
L'équipe
Programme LeadMark Jones
Porté le framework, le centre de recherche et la pensée cross-canal personnellement ; fait appel à du soutien là où une capacité technique ou de recherche plus approfondie était nécessaire.
Développeurs Front-End
Construit les tests les plus simples moi-même ; fait appel à des développeurs pour ceux nécessitant plus de profondeur technique qu'un outil de test sans code ne pouvait gérer.
Data Scientists
Accès via le même soutien d'agence, utilisé pour renforcer la base de preuves derrière une hypothèse avant de s'engager dans une construction.
Intervieweurs de Recherche Utilisateur
M'ont maintenu proche de chaque session sans que je sois celui qui posait toutes les questions, pour que je puisse me concentrer sur la direction que devait prendre la conversation.
Soutien à la Synthèse
Transformé des preuves brutes en décisions comme un exercice partagé, pas quelque chose résolu seul à un bureau.
Le problème n'a jamais été un manque d'idées.
Les parties prenantes proposaient des améliorations chaque semaine. Le Produit voulait une chose. Le Marketing en voulait une autre. Le Merchandising avait sa propre liste. Aucune d'entre elles n'était mauvaise. C'était bien là le problème. Chaque idée semblait raisonnable en réunion.
Ce qui n'existait pas, c'était une façon partagée de répondre à cinq questions avant de construire quoi que ce soit : Quels problèmes comptent réellement ? Quelles idées méritent un investissement ? Quelles opportunités sont commercialement rentables ? Quels changements doivent être priorisés ? Quelles hypothèses doivent encore être validées ?
Sans cela, la priorisation devenait une négociation, pas une décision.
Le défi n'a jamais été un manque d'idées. C'était la confiance : une façon reproductible de savoir quelles idées méritaient l'investissement.
Artefact de preuve : le backlog d'hypothèses. Une file dense et désordonnée de propositions concurrentes, avant qu'un cadre partagé n'existe pour arbitrer entre elles.
Une boucle, en marche continue.
La recherche produisait des données. Les données produisaient une hypothèse. Les hypothèses devenaient des prototypes. Les prototypes devenaient des expériences. Les expériences produisaient de nouvelles données, qui alimentaient l'hypothèse suivante.
L'expérience individuelle n'a jamais été le sujet. La boucle, si.
Toutes les idées ne méritaient pas la même quantité de données avant leur mise en ligne. Certaines étaient résolues rapidement, corrigées et publiées, sans test formel nécessaire. D'autres portaient une réelle incertitude, et celles-là passaient par la boucle complète : recherche, prototype, test, résultat. Le jugement consistait à savoir laquelle était laquelle.
Toutes les idées n'avaient pas besoin du même poids de données. Les corrections rapides et les hypothèses testées ont été traitées comme deux catégories distinctes dès le départ.
À quoi ressemblait vraiment la boucle, une fois.
Les cinq temps suivants forment un seul projet réel, le Sélecteur d'échantillons Harveys, et ils correspondent exactement à la boucle ci-dessus.
Le plan, énoncé avant toute construction.
Ayant constaté, lors d'une recherche modérée, que les utilisateurs avaient du mal à changer les options de couleur sur la page produit mobile de Harveys, nous nous attendions à ce que repositionner le sélecteur améliore la facilité de navigation. Nous avons mesuré cela avec le taux de conversion et l'interaction avec les échantillons, définis avant le lancement du test, et non choisis après coup pour flatter le résultat.
Le problème, trouvé en laboratoire.
Les échantillons de couleur se trouvaient sous l'image du produit, dans un panneau défilant séparé. Changer de couleur ne mettait pas visiblement à jour l'image sans défilement. Les utilisateurs remontaient pour vérifier que cela avait fonctionné, puis redescendaient pour continuer à choisir. Une friction minime, répétée constamment, sur la page portant le plus de poids commercial du site.
Résolu à moindre coût, avant que cela ne devienne coûteux.
Un croquis, testé sur papier avec des collègues qui n'étaient pas designers. Puis un wireframe, portant la même structure dans un prototype d'écran rapide. Chaque étape ne coûtait presque rien et écartait les idées qui n'auraient pas survécu au contact d'un vrai client.
Seulement une fois la direction assurée.
Design visuel complet, validé une fois de plus par une recherche guérilla sur un prototype fonctionnel, avant la moindre ligne de code de production. Alors seulement, un test A/B formel : une répartition du trafic 50/50 entre le contrôle redessiné et une variation plus audacieuse, menée auprès de vrais clients.
Communiqué à sa valeur réelle et honnête.
+13.2% de hausse du taux de conversion. +69.2% de hausse de l'interaction. Une probabilité de 84.2% de battre le contrôle, calculée par des statistiques bayésiennes et communiquée sans arrondir à la hausse. Retour prévu : £388,467 sur six mois.
Ce n'est pas le test qui a trouvé le problème. C'est une personne, regardant les mains d'une autre personne hésiter, qui a trouvé le problème. Le test nous a dit ce que cela valait.
L'apprentissage n'est pas venu du test. Il est venu du fait de regarder quelqu'un faire défiler l'écran.
Pas une fois. À répétition.
Le Sélecteur d'échantillons n'était pas un cas particulier. C'était la même boucle, appliquée à un problème différent, sur six ans et deux marques.
Calculatrice de financement
- Problème
- Les utilisateurs avaient du mal à comprendre et à utiliser la calculatrice de financement sur les pages produit mobiles.
- Preuve
- La recherche modérée a révélé une confusion à un point d'interaction précis de la page produit mobile.
- Approche
- La calculatrice a été reformatée ; mesurée sur trois indicateurs, pas un seul : taux d'ajout au panier, taux de conversion et taux de demande de financement.
- Résultat
- +30.4% de taux de conversion, +31% d'augmentation des transactions et +14.1% d'augmentation du nombre de demandes de financement
- Apprentissage
- Mesurer trois résultats plutôt qu'un seul a empêché un succès étroit de masquer un problème plus large.
Optimisation du tunnel de commande
- Problème
- Le tunnel de commande perdait 18% de tout le trafic aux Détails de paiement, pire sur mobile (22%) que sur ordinateur (13%).
- Preuve
- Les trois modes de paiement se comportaient très différemment : 67% des utilisateurs choisissaient le Financement, mais PayPal, choisi par seulement 6%, avait la plus forte chute, à 42%.
- Approche
- Les chiffres de l'entonnoir n'étaient qu'une seule source. Une évaluation heuristique, un benchmark concurrentiel, des enregistrements de sessions et un service blueprinting ont été triangulés avant de valider les améliorations via un programme de laboratoires et de tests A/B en 2017–18.
- Résultat
- +27% de conversion à la commande, mesuré sur un test A/B de quatre semaines avant le déploiement complet.
- Apprentissage
- L'analytique a mis en évidence les symptômes. La recherche a révélé les causes. Le tunnel de commande n'était pas un problème : c'étaient trois parcours différents portant un seul nom.
Recherche et navigation
- Problème
- Les clients recouraient constamment à la recherche, mais celle-ci était visuellement cachée dans l'en-tête, une friction pour les personnes ayant l'intention d'achat la plus claire.
- Preuve
- L'exposer a fait progresser les sessions avec recherche et la progression vers la page produit, mais a aussi réduit l'usage du localisateur de magasins et adouci la conversion parmi les personnes qui recherchaient, un signe que la variation touchait aussi des utilisateurs à moindre intention, pas seulement davantage des mêmes.
- Approche
- Aucune nouvelle fonctionnalité, aucun changement de texte : la barre de recherche elle-même est restée intacte. Rendue visible, puis mesurée sur l'ensemble du tunnel, pas seulement l'usage de la recherche isolément.
- Résultat
- +54% de hausse des sessions avec recherche · +51% de hausse de progression vers la page produit
- Apprentissage
- Le plus gros chiffre unique de tout le programme est venu du fait de rendre visible un outil déjà existant, et non d'en construire un nouveau, même si cela a changé qui l'utilisait, pas seulement combien.
Borne SleepPRO
- Problème
- La borne construite par le fournisseur comportait trop d'étapes et peu de repères : les tests en magasin montraient que les clients ne pouvaient pas la parcourir sans assistance.
- Preuve
- Des sessions modérées en magasin avec de vrais clients ont révélé exactement où les gens se bloquaient, écran par écran.
- Approche
- Un parcours plus simple a été croqué, un prototype d'écran rapide construit, testé avec des collègues qui ne l'avaient jamais vu, puis itéré.
- Résultat
- +25% de conversion en magasin · +60% d'utilisation par les clients
- Apprentissage
- L'interface par défaut d'un fournisseur n'est pas une contrainte figée. C'est juste une autre interface, et elle répond au même processus que tout ce qui est construit en interne.
Acheter par type
- Problème
- Les utilisateurs ne pouvaient pas trouver rapidement des produits correspondant à leurs besoins clés.
- Preuve
- La recherche et les données comportementales pointaient toutes deux vers la même friction : les gens avaient du mal à passer de la page d'accueil à la bonne catégorie de produit.
- Approche
- Des boutons d'accès rapide « Acheter par type » ont été ajoutés à la page d'accueil, renvoyant directement vers la bonne catégorie de produit.
- Résultat
- Taux de conversion combiné de 0.45%, le double de la moyenne du site de 0.22%, générant 14.53% du chiffre d'affaires du site sur la période (£103,657 sur £713,240)
- Apprentissage
- Bien que moins d'utilisateurs utilisent désormais la navigation principale pour la plupart des produits, davantage atteignent le produit qu'ils veulent, plus vite, via Acheter par type.
Rien de tout cela ne reposait sur l'instinct.
Chaque hypothèse de ce programme est partie de données, pas d'une opinion. Laboratoires d'utilisabilité modérés, recherche guérilla, entretiens clients, observation en magasin, enquêtes. Analytique comportementale, analyse d'entonnoir, analyse de sortie, segmentation par appareil, tests A/B et multivariés.
Aucune des deux ne suffisait seule. L'analytique pouvait dire où les gens partaient. Seule une session de laboratoire pouvait dire pourquoi.
Le comportement réel des répondants, pas le résumé d'un designer : la répartition des moyens de paiement qui a façonné la refonte du tunnel de commande.
Acte V : Ce qui s'accumule
Chaque expérience devenait quelque chose que la suivante pouvait exploiter.
Un test qui échouait n'était pas supprimé. Il était archivé, séparément, délibérément : sa propre catégorie, non fondue parmi les succès. Sur six ans, cette discipline a construit quelque chose de plus grand que n'importe quelle refonte de page individuelle : un registre vivant de ce qui avait déjà été essayé, de ce qui avait déjà été appris, et de ce qui méritait encore d'être posé comme question.
Le programme n'a pas seulement amélioré le produit. Il est devenu plus rapide à améliorer le produit, année après année, parce qu'il y avait de moins en moins à redécouvrir.
Les données ne prouvaient pas seulement des décisions individuelles. Elles rendaient chaque décision suivante plus rapide et mieux informée.
120 cartes · 13 listes · 177 pièces jointes. Y compris une archive permanente et dédiée aux tests perdants et non concluants : conservés, non écartés.
Le travail qui n'a jamais touché un écran.
La taxonomie de KPI derrière ce programme ne s'arrêtait pas au site web. Aux côtés de la conversion en ligne, chaque initiative était également étiquetée par rapport au support de vente à distance et à la fréquentation en magasin, la preuve que la réflexion ici n'a jamais été limitée à une fenêtre de navigateur. On attendait qu'un changement sur une page produit mobile se répercute sur les chiffres d'un centre d'appels et sur la fréquentation d'un magasin, pas seulement dans un rapport d'entonnoir.
Le centre de recherche lui-même est un artefact de leadership, pas seulement une archive de recherche. Choisir de construire une mémoire organisationnelle partagée, structurée et consultable (plutôt que de laisser six années de recherche vivre dans des boîtes de réception et des présentations oubliées) est en soi une décision que seule prend une personne qui pense au-delà de ses propres livrables.
Réflexion
Ce qui s'est réellement accumulé.
La plus grande leçon n'était pas qu'une expérience ait amélioré la conversion. C'était que la prise de décision fondée sur les données s'accumule : chaque résultat affine l'hypothèse suivante, chaque échec est archivé plutôt que répété.
La recherche, le prototypage et l'expérimentation n'ont jamais été des disciplines séparées ici. C'était le même instrument, utilisé à des vitesses différentes : un croquis réduit l'incertitude pour le coût d'un après-midi ; un test guérilla, pour le coût d'une journée ; un test A/B, pour le coût d'une construction.
En construisant un cadre reproductible, l'optimisation a cessé d'être une succession de projets pour devenir une capacité organisationnelle. C'est encore vrai de ma façon de travailler aujourd'hui.
Voir la même discipline appliquée à un programme de discovery plus long et à plus fort enjeu.