Catégories
Astuces et Design

Se connecter avec la technologie – Une liste à part

Les gens n'ont pas toujours besoin d'un autre être humain pour ressentir un sentiment de connexion. Les liens émotionnels profonds que beaucoup de gens ont avec leurs animaux de compagnie le prouvent. (Il en va de même pour la popularité du Pet Rock dans les années 1970, mais ce ne sont que des spéculations.) Même Link in LA légende de Zelda avait un compagnon inanimé: son fidèle épée (voir figure 9.1).

L'article continue ci-dessous

Un écran de The Legend of Zelda où Link reçoit son épée d'un vieil homme disant `` C'est dangereux de partir seul! Prends ça.'
Fig 9.1 Même la compagnie d'une épée en bois vaut mieux que de s'aventurer dans Hyrule seul.

Il est également possible pour les gens de ressentir ce sentiment de connexion dans le contexte d'un changement de comportement sans avoir de relations directes avec les autres. En construisant votre produit d'une manière qui imite certaines des caractéristiques d'une relation de personne à personne, vous pouvez permettre à vos utilisateurs de se sentir connectés. Il est possible d'amadouer vos utilisateurs pour qu'ils tombent au moins un peu amoureux de vos produits; si vous ne me croyez pas, essayez d'amener un utilisateur d'iPhone à changer de système d'exploitation.

Il ne s'agit pas seulement de vraiment aimer un produit (même si vous voulez vraiment que les utilisateurs aiment vraiment votre produit). Avec les bons éléments de conception, vos utilisateurs pourraient se lancer dans un lien significatif avec votre technologie, où ils se sentent engagés dans une relation continue et bidirectionnelle avec une entité qui comprend quelque chose d'important à leur sujet, mais qui est manifestement nonHumain. Il s'agit d'un véritable attachement émotionnel qui fournit au moins certains des avantages d'une relation interhumaine. Ce type de connexion peut aider vos utilisateurs à s'engager plus profondément et plus longtemps avec votre produit. Et cela devrait finalement les aider à se rapprocher de leurs objectifs de changement de comportement.

Amplifiez l'anthropomorphisation # section2

Les gens peuvent forger des relations avec des nonles humains facilement en raison d'un processus appelé anthropomorphisation. Anthropomorphiser quelque chose signifie lui imposer des caractéristiques humaines. C'est ce qui se produit lorsque vous voyez un visage dans le tableau de formes sur le côté droit de la figure 9.2, ou lorsque vous poursuivez une conversation prolongée avec votre chat.(1)

Un assortiment des quatre mêmes formes côte à côte. Le regroupement à droite ressemble à un visage basé sur les positions des formes.
Fig 9.2 Le cerveau est conçu pour rechercher et reconnaître les caractéristiques humaines chaque fois qu'un schéma suggère qu'elles pourraient être présentes. Cela signifie que les gens interprètent le tableau de formes de droite comme un visage, mais pas celui de gauche.

Les gens trouveront les qualités humaines dans des formes qui ressemblent légèrement à un visage, mais vous pouvez aider à accélérer ce processus en imprégnant délibérément votre produit de caractéristiques physiques ou de personnalité qui ressemblent à des personnes. Les assistants vocaux comme Siri, Cortana et Alexa, par exemple, sont facilement perçus comme des humains par les utilisateurs grâce à leur capacité à mener une conversation un peu comme une personne (quelque peu décidée).

Certes, presque personne ne confondrait Alexa avec une vraie personne, mais ses caractéristiques humaines sont assez convaincantes. Certaines recherches suggèrent que les enfants qui grandissent autour de ces assistants vocaux peuvent être moins polis lorsqu'ils demandent de l'aide, car ils entendent des adultes exiger de leurs appareils sans dire s'il vous plaît ou merci. Si vous demandez à Siri le bulletin météo et qu'il y en a de petits à portée de voix, pensez à ajouter le autre mots magiques à votre demande.

Donc, si vous voulez que les gens anthropomorphisent votre produit, donnez-lui des caractéristiques humaines. Pensez à des noms, des avatars, une voix ou même quelque chose comme un slogan. Ces détails mettront les tendances anthropomorphisation naturelles de vos utilisateurs en hyperdrive.

Tout est personnel # section3

Les humains font bien la personnalisation. Vous ne traitez pas vos parents de la même manière que vous traitez votre conjoint de la même manière que vous traitez votre patron. Chaque interaction est différente en fonction de l'identité de la personne avec laquelle vous interagissez et de l'historique que vous avez avec elle. La technologie peut offrir le même type d'expérience personnalisée qu'une autre façon d'imiter les gens, avec de nombreux autres avantages.

La personnalisation est le couteau suisse de la boîte à outils de conception de changement de comportement. Il peut vous aider à définir des objectifs et des jalons appropriés, à fournir les bons commentaires au bon moment et à offrir aux utilisateurs des choix significatifs dans leur contexte. Elle peut également aider à forger un lien émotionnel entre les utilisateurs et la technologie lorsqu'elle est appliquée de manière à aider les utilisateurs à se sentir vus et compris.

Certaines applications ont de belles interfaces qui permettent aux utilisateurs de sélectionner des couleurs ou des images d'arrière-plan ou des emplacements de boutons pour une expérience «personnalisée». Bien que ces types de fonctionnalités soient agréables, ils ne grattent pas les démangeaisons d'appartenance à une véritable personnalisation. Lorsque la personnalisation fonctionne, c'est parce qu'elle reflète quelque chose d'essentiel pour l'utilisateur. Cela ne signifie pas qu'il doit être incroyablement profond, mais il doit être quelque peu plus significatif que si l'utilisateur a un fond rose ou vert sur son écran d'accueil.

Préférences personnalisées # section4

Lors de l'intégration ou au début de l'expérience produit de vos utilisateurs, permettez-leur de personnaliser les préférences qui façonneront leurs expériences de manière significative (ne pas juste des jeux de couleurs et des configurations de tableau de bord). Par exemple, Fitbit demande aux gens leurs noms préférés, puis les salue périodiquement en utilisant leur sélection. De même, LoseIt demande aux utilisateurs lors de la configuration s'ils aiment utiliser les données et la technologie dans le cadre de leur processus de perte de poids (figure 9.3). Les utilisateurs qui disent oui ont la possibilité d'intégrer des trackers et d'autres appareils à l'application; les utilisateurs qui disent non sont dirigés vers une expérience de saisie manuelle. L'expérience utilisateur change pour honorer quelque chose d'individuel sur l'utilisateur.

Captures d'écran de l'application LoseIt montrant qu'elle demande si un utilisateur aime regarder des données et utiliser la technologie, puis reconnaître son choix.
Fig 9.3 LoseIt donne aux utilisateurs la possibilité de partager leurs préférences technologiques lors de l'intégration, puis utilise ce choix pour façonner leur future expérience.

Si vous le pouvez, rappelez-vous les temps anciens lorsque Facebook a introduit une sorte de messages algorithmiques dans le fil d'actualité. Les utilisateurs de Facebook ont ​​tendance à être bouleversés chaque fois qu'il y a un changement spectaculaire de l'interface, mais leur frustration avec celle-ci a persisté, pour une raison fondamentale: Facebook à ce jour revient à son propre algorithme de tri par défaut, même si un utilisateur a choisi de organisez plutôt le contenu par date. Cette insistance répétée sur leur préférence par rapport aux utilisateurs rend moins probable que les utilisateurs se sentent «vus» par Facebook.(2)

Recommandations personnalisées # section5

Si vous avez déjà fait des achats en ligne, vous avez probablement reçu des recommandations personnalisées. Amazon est l'exemple par excellence d'un moteur de recommandation. Parmi les autres recommandations personnalisées fréquemment rencontrées, mentionnons les «personnes que vous connaissez» de Facebook et les «meilleurs choix de Netflix pour (votre nom ici)». Ces outils utilisent des algorithmes qui suggèrent de nouveaux éléments basés sur des données sur ce que les gens ont fait dans le passé.

Les moteurs de recommandation peuvent suivre deux modèles de base de personnalisation. Le premier est basé sur des produits ou des articles. Chaque élément est étiqueté avec certains attributs. Par exemple, si vous étiez en train de créer un moteur de recommandation d'entraînement, vous pourriez étiqueter l'élément «boucles biceps» avec «exercice des bras», «bras supérieur» et «utilise des poids». Un algorithme peut alors sélectionner les "pulldowns triceps" comme un élément similaire à recommander, car il correspond à ces attributs. Ce type d'algorithme de recommandation dit: "Si vous avez aimé cet article, vous aimerez cet article similaire."

Le deuxième modèle de personnalisation est basé sur les personnes. Les personnes qui ont des attributs en commun sont identifiées par un indice de similitude. Ces indices de similitude peuvent inclure des dizaines ou des centaines de variables pour faire correspondre précisément les personnes à d'autres qui leur ressemblent de manière clé. Ensuite, l'algorithme fait des recommandations en fonction des éléments que les utilisateurs similaires ont choisis. Cet algorithme de recommandation dit: "Les gens comme vous ont aimé ces articles."

En réalité, bon nombre des moteurs de recommandation les plus sophistiqués (comme ceux d'Amazon) mélangent les deux types d'algorithmes dans une approche hybride. Et ils sont efficaces. McKinsey estime que 35% de ce que Amazon vend et 75% de ce que les utilisateurs de Netflix regardent sont recommandés par ces moteurs.

Parfois, ce qui semble être des recommandations personnalisées peut provenir d'un type d'algorithme beaucoup plus simple qui ne prend pas du tout en compte les préférences de chaque utilisateur. Ces algorithmes pourraient simplement faire apparaître les suggestions les plus populaires parmi tout utilisateurs, ce qui n'est pas toujours une stratégie terrible. Certaines choses sont populaires pour une raison. Ou des recommandations peuvent être faites dans un ordre défini qui ne dépend pas du tout des caractéristiques de l'utilisateur. Cela semble être le cas avec l'application Fabulous Change Change qui propose aux utilisateurs une série de défis comme «boire de l'eau», «manger un petit déjeuner sain» et «faire de l'exercice le matin», que ces comportements fassent déjà partie de leur routine ou pas.

Lorsque les algorithmes de recommandation fonctionnent bien, ils peuvent aider les destinataires à ressentir que leurs préférences et leurs besoins sont compris. Lorsque je parcours les listes de lecture que Spotify crée pour moi, je vois plusieurs aspects de moi-même reflétés. Il y a une liste de lecture avec mon alt-rock préféré des années 90, une avec les artistes actuels que j'aime et une troisième avec certaines de mes musiques préférées des années 80 (figure 9.4). Amazon a une capacité similaire d'extrapoler avec succès ce qu'une personne pourrait aimer à partir de son historique de navigation et d'achat. J'ai toujours été étonné que même si je n'ai acheté aucun de mes ustensiles de cuisine d'Amazon, ils ont en quelque sorte compris que j'avais la ligne rouge KitchenAid.

Les mixages quotidiens de Spotify présentent trois ensembles distincts de styles musicaux basés sur les habitudes d'écoute de l'utilisateur.
Fig 9.4 Spotify reprend les détails des sélections musicales des utilisateurs pour construire des listes de lecture qui reflètent de multiples aspects de leurs goûts.

Un risque pour cette approche est que les recommandations peuvent devenir redondantes à mesure que la base de données des éléments se développe. Les produits de détail sont un exemple simple; pour de nombreux articles, une fois que les gens en ont acheté un, ils n'en ont probablement pas besoin d'un autre, mais les algorithmes ne sont pas toujours assez intelligents pour arrêter de recommander des achats similaires (voir la figure 9.5). Le même type de répétition peut se produire avec les programmes de changement de comportement. Par exemple, il existe de nombreuses façons de définir des rappels. Par conséquent, à un moment donné, il est préférable d'arrêter de bombarder un utilisateur avec des suggestions sur le sujet.

Un tweet d'Andy Richter disant `` J'ai commandé un siège de toilette d'Amazon et maintenant sur la base des annonces que je vois, ils doivent penser que j'ai une dépendance insatiable aux sièges de toilette ''
Fig 9.5 Lorsqu'un utilisateur n'a besoin que d'un nombre fini de quelque chose ou a déjà satisfait un besoin, il est facile pour les recommandations de devenir redondantes.

N'ayez pas peur d'apprendre # section7

La personnalisation basée sur les données comporte un autre ensemble de risques. Plus vous en savez sur les utilisateurs, plus ils attendent de vous des suggestions pertinentes et précises. Même la technologie la plus intelligente se trompe parfois. Donnez à vos utilisateurs la possibilité de signaler si votre produit est hors de la base et ajustez-le en conséquence. Non seulement cela améliorera votre précision au fil du temps, mais cela renforcera également le sentiment des utilisateurs d'être pris en charge.

Alfred était une application de recommandation développée par Clever Sense pour aider les gens à trouver de nouveaux restaurants en fonction de leurs propres préférences, ainsi que des contributions de leurs réseaux sociaux. Un des mécanismes d'Alfred pour collecter des données était de demander aux utilisateurs de confirmer quels restaurants ils aimaient à partir d'une liste de possibilités (voir figure 9.6). L'inclusion explicite de la formation dans l'expérience a aidé Alfred à faire de meilleures recommandations, tout en donnant aux utilisateurs la possibilité de signaler des erreurs jusqu'à un besoin de formation supplémentaire.(3)

L'application Alfred tente de deviner les endroits que l'utilisateur pourrait apprécier pour le dîner et demande si certains d'entre eux ont raison.
Fig 9.6 Alfred a inclus un mode d'apprentissage dans lequel les utilisateurs indiquaient les endroits qu'ils aimaient déjà manger. Ces données ont aidé à améliorer les recommandations ultérieures d'Alfred.

Il peut également être utile d'avoir un mécanisme permettant aux utilisateurs d'exclure certaines de leurs données d'un algorithme. Amazon permet aux utilisateurs d'indiquer quels articles de leur historique d'achat doivent être ignorés lors de la formulation de recommandations, une fonctionnalité utile si vous achetez des cadeaux pour des proches dont les goûts sont très différents des vôtres.

D'un autre côté, lancer délibérément une balle courbe aux utilisateurs est un excellent moyen d'en savoir plus sur leurs goûts et leurs préférences. Au fil du temps, les algorithmes deviendront probablement plus cohérents à mesure qu'ils s'amélioreront dans la mise en correspondance des modèles. L'ajout de la suggestion occasionnelle de briser le moule peut éviter l'ennui et mieux tenir compte des caprices des utilisateurs. Ce n'est pas parce que quelqu'un aime le yoga méditatif qu'il n'aime pas aussi faire du vélo de montagne de temps en temps, mais la plupart des moteurs de recommandation ne l'apprendront pas parce qu'ils seront trop occupés à recommander des vidéos de yoga et des exercices de pleine conscience. De temps en temps, ajoutez quelque chose dans le mix auquel les utilisateurs ne s'attendent pas. Ils le rejetteront ou lui donneront un tourbillon; de toute façon, votre moteur de recommandation devient plus intelligent.

Coaching personnalisé # section8

À un moment donné, les recommandations dans le contexte d'un changement de comportement peuvent devenir quelque chose de plus robuste: un véritable plan d'action personnalisé. Lorsque les recommandations passent de la phase «vous aimerez peut-être aussi» à «voici une série d'étapes qui devraient vous convenir», elles deviennent un peu plus compliquées. Une fois qu'un groupe de recommandations personnalisées a une sorte de cohésion pour guider systématiquement une personne vers un objectif, il devient encadrement.

Un coaching plus profondément personnalisé conduit à un changement de comportement plus efficace. Une étude du Dr Vic Strecher, que vous avez rencontrée au chapitre 3, a montré que plus un plan de coaching pour arrêter de fumer était personnalisé, plus les gens étaient susceptibles d'arrêter de fumer avec succès. Une étude de suivi réalisée par l'équipe du Dr Strecher a utilisé la technologie IRMf pour découvrir que lorsque les gens lisent des informations personnalisées, cela active les zones de leur cerveau associées à soi (voir figure 9.7). Autrement dit, les gens perçoivent les informations personnalisées comme pertinentes sur le plan neurologique.

Une image frontale et latérale d'une IRM montrant une activation (en jaune) dans le cortex préfrontal.
Fig 9.7 Il s'agit d'une image IRMf montrant l'activation dans le cortex préfrontal médian (mPFC) d'une personne, une zone du cerveau associée à soi. L'activité cérébrale a été enregistrée après avoir montré aux gens des informations de santé personnalisées.

Ceci est important car les gens sont plus susceptibles de se souvenir et d'agir sur les informations pertinentes. Si vous voulez que les gens faire quelque chose, personnaliser l'expérience qui leur montre comment.

D'un point de vue pratique, le coaching personnalisé aide également à surmonter un obstacle commun: les gens ne veulent pas passer beaucoup de temps à lire du contenu. Si votre programme ne peut fournir que les éléments les plus pertinents tout en laissant les éléments génériques sur le sol de la salle de découpe, vous offrirez un contenu plus concis que les gens pourront réellement lire.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *