Skip to content

Hello⁠! Je suis Anaïs

L'Oréal

2023

Rendre fiable les reviews e-comm sur les produits beauté

Ou comment concevoir un système autonome pour ne plus corriger les erreurs de données à la main ?

Enjeu business

Les reviews sur les sites e-commerce sont une mine d’or si on fait confiance

Consumer Loop agrège les reviews de 30 000 produits beauté issus d’Amazon, Sephora, Walmart, etc.

Les équipes marketing et R&D de L’Oréal s’en servent pour prendre des décisions produit pour concevoir un nouveau rouge à lèvres, reformuler un soin, trouver ce que les consommateurs adorent chez un concurrent…

Problèmes utilisateurs

Ce que j’ai trouvé en arrivant

Méthodes

J’ai recadré les problèmes data avant de designer

  • Identifier les erreurs de données

    J’ai commencé par éplucher les feedbacks accumulés : emails, messages Teams, spreadsheet. Avec le PM, on a trouvé 3 types d’erreurs fondamentales que l’algorithme produisait.

    • Recherche secondaire
    • Idéation avec le PM

  • Cartographier les flows

    Nous allions concevoir une modale de signalement ainsi qu’un backoffice. Chaque type d’erreur devait pouvoir être analysée et corrigée facilement.

    • 3 userflows

  • Tester le nouveau back-office

    La création d’un back-office était le concept le plus critique à tester. Nous voulions savoir s’il aidait à comprendre l’algorithme et les futurs modérateurs prendraient du temps pour corriger.

    • 4 tests utilisateurs (Maze)

Choix design

Faire avec ce que l’algo peut absorber

Donner enfin un endroit où déclarer les erreurs

Avant, déclarer une erreur voulait dire retrouver le bon interlocuteur sur Teams et lui envoyer un message. Certains connaissaient le PM, d’autres non.

On a conçu une modale accessible depuis n’importe quelle page : l’utilisateur choisit d’abord s’il veut déclarer une erreur, un doublon ou demander une nouvelle référence, puis affine étape par étape jusqu’à la déclaration précise.

Le vocabulaire est celui des experts beauté, pas celui de la data.

  • Une modale accessible à tout moment

    Une modale accessible à tout moment

  • Un accompagnement étape par étape (ici pour une erreur)

    Un accompagnement étape par étape (ici pour une erreur)

  • Toutes les erreurs possibles peuvent etre signalées.

    Toutes les erreurs possibles peuvent etre signalées.

  • L'utilisateur peut donner le vrai nom de la référence produit

    L'utilisateur peut donner le vrai nom de la référence produit

Rendre visible ce que l'algo a fait

Pour corriger une erreur, encore faut-il comprendre comment elle s’est produite.

Ce nouveau back-office permet de voir simultanément la fiche produit telle qu’elle apparaît aux utilisateurs et les fiches produit de chaque distributeur qui la composent.

On rend visible la logique de l’agrégation pour que des experts beauté, sans bagage data, puissent identifier ce qui cloche et agir.

  • Back-office avec les fiches produits et leur composants (variants)

    Back-office avec les fiches produits et leur composants (variants)

  • Trouver le problème en cherchant simultanément des produits et leurs variants

    Trouver le problème en cherchant simultanément des produits et leurs variants

  • Modifier une fiche produit

    Modifier une fiche produit

Livrer par étapes, pas tout d'un coup

La solution idéale était claire dès le départ : un système en 4 étapes où les erreurs sont déclarées, analysées, corrigées, et l’utilisateur notifié.

Mais l’algorithme n’était pas prêt à recevoir des corrections manuelles. On a donc livré progressivement : d’abord la modale pour centraliser les signalements, puis un export Excel en attendant le back-office, puis le back-office pour investiguer et corriger.

Chaque étape rendait la suivante possible.

  • Flow avec un back-office qui permet d'analyser mais pas encore de corriger en direct.

    Flow avec un back-office qui permet d'analyser mais pas encore de corriger en direct.

Résultats

Ce que je laisse derrière moi

Temoignages

Ils peuvent témoigner, je ne les ai pas payés

François Pain Director of design

J'ai eu le plaisir de coacher Anaïs pendant trois ans au sein de notre équipe, et j'ai pu constater une évolution et une courbe d'apprentissage remarquables. Ses solides connaissances en product design et en product management lui permettent de créer des produits numériques à fort impact, tandis que son enthousiasme, sa résilience, son adaptabilité et sa détermination en font un atout précieux pour toute équipe. Je recommande chaleureusement Anais pour son expertise et sa passion pour l'innovation.

Eric Zhang Product manager

I have had the opportunity and the privilege to work closely with Anaïs for several months on different strategic products. Her hard skills were a great help for me :
→ She had the ability to challenge and input matters on the UX scope but also beyond it, on the product strategy itself
→ She always knew how help the team taking hindsight to raise the right questions
→ She was a true business partner for me and the numerous transparent talks we had were extremely helpful for me.
Beside all these hard skills, I also enjoyed working with Anaïs because she was a positive and joyful person.