Prendre de meilleures décisions avec des personnalités Big Data

Un personnage est une figure imaginaire représentant un segment de personnes réelles, et c’est une technique de conception communicative visant à améliorer la compréhension de l’utilisateur. Au cours de plusieurs décennies d’utilisation, les personas étaient des structures de données, des attributs utilisateur de cadres statiques sans interactivité. Un persona était un moyen d’organiser des données sur la personne imaginaire et de présenter des informations aux décideurs. Ce n’était pas vraiment exploitable dans la plupart des situations.

Comment les personas et les données fonctionnent ensemble

Avec l’augmentation des données analytiques, les personas peuvent désormais être générées à l’aide de big data et d’approches algorithmiques. Cette intégration de personas et d’analyses offre des opportunités percutantes de déplacer des personas de fichiers plats de présentation de données vers des interfaces interactives pour les systèmes d’analyse. Ces systèmes d’analyse de personas fournissent à la fois la connexion empathique des personas et les perspectives rationnelles de l’analyse. Avec les systèmes d’analyse de persona, le persona n’est plus un fichier statique et plat. Au lieu de cela, ce sont des modes opérationnels d’accès aux données utilisateur. La combinaison de personnalités et d’analyses rend également les données utilisateur moins difficiles à utiliser pour ceux qui n’ont pas les compétences ou le désir de travailler avec des analyses complexes. Un autre avantage des systèmes d’analyse de persona est que l’on peut créer des centaines de personas basées sur les données pour refléter les diverses nuances comportementales et démographiques de la population d’utilisateurs sous-jacente.

Une approche «personas as interfaces» offre les avantages à la fois des personas et des systèmes d’analyse et résout les lacunes de chacun. Transformant à la fois le processus de création de persona et d’analyse, les personas en tant qu’interfaces ont des implications à la fois théoriques et pratiques pour la conception, le marketing, la publicité, les soins de santé et les ressources humaines, entre autres domaines.

Cette approche de persona as interface est le fondement du système d’analyse de persona, Automatic Persona Generation (APG). En poussant les progrès de la conceptualisation, du développement et de l’utilisation de la personnalité et de l’analyse, APG présente une intégration multi-couches complète offrant trois niveaux de présentation des données utilisateur, qui sont (a) la personnalité conceptuelle, (b) les mesures analytiques et (c) les données fondamentales.

APG génère des moulages de personas représentant la population d’utilisateurs, chaque segment ayant un persona. S’appuyant sur des intervalles de collecte de données réguliers, les personnalités basées sur les données enrichissent la personnalité traditionnelle avec des éléments supplémentaires, tels que la fidélité des utilisateurs, l’analyse des sentiments et des sujets d’intérêt, qui sont des fonctionnalités demandées par les clients d’APG.

En tirant parti des concepts de conception de systèmes de renseignement, APG identifie des modèles comportementaux uniques d’interactions des utilisateurs avec les produits (c’est-à-dire qu’il peut s’agir de produits, de services, de contenu, de fonctionnalités d’interface, etc.), puis associe ces modèles uniques à des groupes démographiques en fonction de la force de l’association. le modèle unique. Après avoir obtenu une matrice d’interaction groupée, nous appliquons la factorisation matricielle ou d’autres algorithmes pour identifier l’interaction latente de l’utilisateur. La factorisation matricielle et les algorithmes associés sont particulièrement adaptés pour réduire la dimensionnalité de grands ensembles de données en discernant des facteurs latents.

Comment fonctionnent les personas basés sur les données d’APG

APG enrichit les segments d’utilisateurs produits par des algorithmes en ajoutant un nom, une image, des commentaires sur les réseaux sociaux et des attributs démographiques appropriés (par exemple, l’état matrimonial, le niveau d’éducation, la profession, etc.) en interrogeant les profils d’audience des principales plateformes de médias sociaux. APG dispose d’une base de données interne méta-étiquetée contenant des milliers de photos protégées par le droit d’auteur achetées qui sont appropriées à l’âge, au sexe et à l’ethnie. Le système dispose également d’une base de données interne de centaines de milliers de noms qui sont également appropriés à l’âge, au sexe et à l’ethnie. Par exemple, pour le personnage d’une femme indienne dans la vingtaine, APG sélectionne automatiquement un nom populaire pour les femmes il y a vingt ans en Inde. Les personnages basés sur les données APG sont ensuite affichés aux utilisateurs de l’organisation via le système en ligne interactif.

APG utilise les données utilisateur fondamentales sur lesquelles les algorithmes du système agissent, transformant ces données en informations sur les utilisateurs. Ce résultat du traitement algorithmique est constitué de métriques et de mesures exploitables concernant la population d’utilisateurs (c’est-à-dire les pourcentages, les probabilités, les poids, etc.) du type que l’on verrait généralement dans les progiciels d’analyse standard de l’industrie. L’utilisation de ces métriques exploitables est le prochain niveau d’abstraction adopté par APG. Le résultat est un système d’analyse de personnalité capable de présenter des informations sur les utilisateurs à différents niveaux de granularité, avec des niveaux à la fois intégrés et adaptés à la tâche.

Par exemple, les cadres de niveau C peuvent souhaiter une vue de haut niveau des utilisateurs pour lesquels les personas seraient applicables. Les responsables opérationnels peuvent souhaiter une vision probabiliste pour laquelle l’analyse serait appropriée. Les responsables de la mise en œuvre doivent prendre des mesures directes de l’utilisateur, comme pour une campagne de marketing, pour laquelle les données individuelles de l’utilisateur sont plus appropriées.

Chaque niveau de l’APG peut être décomposé comme suit:

Niveau conceptuel, personas. Le niveau d’abstraction le plus élevé, le niveau conceptuel, est l’ensemble de personas qu’APG génère à partir des données en utilisant la méthode décrite ci-dessus, avec une valeur par défaut de dix personas. Cependant, APG peut théoriquement générer autant de personas que nécessaire. Le personnage possède presque tous les attributs typiques que l’on trouve dans les profils de personnage à fichier plat traditionnels. Cependant, dans APG, les personas en tant qu’interfaces permettent une interactivité considérablement accrue en tirant parti des personas au sein des organisations. L’interactivité est fournie de telle sorte que le décideur peut modifier le numéro par défaut pour générer plus ou moins de personas, le système étant actuellement configuré pour entre cinq et 15 personas. Le système peut permettre de rechercher un ensemble de personas ou d’exploiter des analyses pour prédire les intérêts des personas.

Niveau d’analyse: pourcentages, probabilités et pondérations. Au niveau analytique, les personas APG agissent comme des interfaces avec les informations sous-jacentes et les données utilisées pour créer les personas. Les informations spécifiques peuvent varier quelque peu selon la source de données. Néanmoins, le niveau d’analyse reflétera les métriques et les mesures générées à partir des données utilisateur fondamentales et créera les personas. Dans APG, les personas permettent d’accéder aux diverses informations analytiques via des icônes cliquables sur l’interface de persona. Par exemple, APG affiche le pourcentage de l’ensemble de la population d’utilisateurs qu’un personnage particulier représente. Cette analyse analytique est précieuse pour les décideurs afin de déterminer l’importance de la conception ou du développement pour un personnage spécifique et aide à résoudre le problème de la validité du personnage dans la représentation des utilisateurs réels.

Niveau utilisateur: données individuelles. En exploitant les métadonnées démographiques de l’algorithme de factorisation sous-jacent, les décideurs peuvent accéder au niveau d’utilisateur spécifique (c’est-à-dire, individuel ou agrégé) directement dans APG. Les données numériques des utilisateurs (sous diverses formes) sont le fondement des personas et des analyses.

Les implications des personnalités basées sur les données

Le changement conceptuel des personas des fichiers plats aux personas en tant qu’interfaces pour une meilleure compréhension de l’utilisateur ouvre de nouvelles possibilités d’interaction entre les décideurs, les personas et les analyses. En utilisant des personnalités basées sur les données intégrées comme interfaces aux systèmes d’analyse, les décideurs peuvent, par exemple, imprégner les systèmes d’analyse avec le bénéfice de personas pour former un lien psychologique, via l’empathie, entre les parties prenantes et les données des utilisateurs et avoir toujours accès aux informations pratiques. numéros d’utilisateur. Il y a plusieurs implications pratiques pour les gestionnaires et les praticiens. À savoir, les personas sont désormais exploitables, car les personas reflètent avec précision les données utilisateur sous-jacentes. Cet aspect d’implémentation full-stack n’était pas disponible auparavant avec les personas ou les analyses.

APG est un système entièrement fonctionnel déployé avec de vraies organisations clientes. Veuillez visiter https://persona.qcri.org pour voir une démo.

Ce contenu a été rédigé par Institut de recherche informatique du Qatar, Université Hamad Bin Khalifa, membre de la Qatar Foundation. Il n’a pas été rédigé par la rédaction de MIT Technology Review.