Anaïs Bernard • L’Oréal

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

Les utilisateurs ne faisaient plus confiance à la donnée

Quand l’algo se trompe (doublons, mauvais regroupements, références mal identifiées), les experts des marques se méfient et retournent à leurs méthodes manuelles d’avant.

Je vais plus sur consumer loop parce que c'est pas fiable.

Mathilde, Marketing project manager
L’équipe data débordée par les corrections manuelles

15 demandes par semaine via emails et Teams, sans système centralisé ni traçabilité. Plus le catalogue grandissait, moins la situation était tenable. On devait bientôt passer de 30 000 à 300 000 références produits.

On a déjà optimisé l'algo au max mais on a encore des erreurs à gérer à la main

Rémi, Data scientist
Les signalements partaient dans le vide

Les erreurs remontées n’étaient pas toujours corrigées. Et quand elles l’étaient, personne ne prévenait l’utilisateur. Beaucoup ont fini par arrêter de signaler.

heu… ça fait déjà 3 semaines que j'ai signalé l'erreur et c'est toujours pas corrigé…

Mathilde, Marketing project manager

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
Un accompagnement étape par étape (ici pour une erreur)
Toutes les erreurs possibles peuvent etre signalées.
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)
Trouver le problème en cherchant simultanément des produits et leurs variants
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.

Résultats

Ce que je laisse derrière moi

De la maquette à la production

La modale était livrée et en production à mon départ. Le back-office, spécifié et documenté dans Figma, attendait les devs fraîchement recrutés pour être développé.
Des utilisateurs qui se sentent enfin écoutés

Chaque déclaration déclenchait une notification de prise en charge. Pour la première fois, signaler une erreur ne partait plus dans le vide.
Une équipe data soulagée

Les 15 alertes par semaine sont progressivement descendues à 2, laissant l’équipe se concentrer sur ce qui compte vraiment : l’analyse de sentiment.

Temoignages

Ils peuvent témoigner, je ne les ai pas payés

François Pain Design director

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

Anaïs 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.

Identifier les erreurs de données

Cartographier les flows

Tester le nouveau back-office

De la maquette à la production

Des utilisateurs qui se sentent enfin écoutés

Une équipe data soulagée