1. La documentation fragmentée : informations éparpillées entre Confluence, Jira, emails et notes de réunion

2. La traduction des besoins utilisateurs en spécifications techniques : processus souvent laborieux et sujet aux interprétations avec une forte influence de l’intuition (qu’il faut conserver)

3. Le maquettage itératif chronophage : itérations multiples consommant un temps précieux

4. La perte d'informations au cours du temps: détails importants oubliés entre les phases du projet

Temps gagné : 60%

Temps gagné : 20%

• En phase UX : génération rapide de wireframes en React / SVG pour tester différentes approches d’UI design et experience utilisateur

• En phase BI : création de composants React / SVG pour donner des idées de visualisation et d’organisation de frontend

• En phase validation : génération automatisée de jeux de test pour créer une V1 sans dépendre de l’avancement de la data engineering.

Temps gagné : 30%

Temps gagné : 30%

1. Préoccupations de confidentialité : Tous les documents téléchargés sont stockés sur l'infrastructure Google. Google indique dans sa documentation que les informations ne sont pas utilisées pour l'entraînement des modèles.
⚠️ Pour les projets impliquant des données sensibles ou soumises à des réglementations strictes (RGPD, HIPAA), cela peut constituer un obstacle majeur.

2. Absence de connectivité internet : L'impossibilité d'accéder au web limite sa capacité à contextualiser certaines informations métier spécifiques ou à vérifier des faits récents.

3. Limitation de taille des corpus : Le plafond de 500 000 mots par projet peut devenir contraignant pour les projets complexes comportant de nombreux entretiens utilisateurs. Mais c’est quand même une limite haute ! 🙂

4. Absence d'API : L'impossibilité d'automatiser l'ajout de documents ou l'extraction d'insights ralentit le workflow. On est qu’au début, attendons de voir comment cela s’améliore.

1. Limitation de messages quotidiens : Avec un forfait Claude Pro, la limite de messages quotidiens peut être rapidement atteinte lorsque plusieurs membres d'équipe partagent le même compte, entraînant une rupture du workflow en pleine journée.

2. Coûts d'abonnement : À 20$/mois par utilisateur pour Claude Pro, l'addition devient substantielle pour une équipe complète, surtout pour des startups ou des indépendants.
👍 Prendre une licence au début c’est suffisant

1. Biais de récence : Tendance à favoriser les sources récentes même lorsque des références plus anciennes mais faisant autorité seraient plus pertinentes.

2. Sources parfois incomplètes : Pour les domaines très spécialisés (comme certains aspects de la BI), les sources peuvent être limitées ou mal contextualisées.

3. Contrôle limité des sources : Impossibilité d'exclure certaines sources ou de privilégier des sources académiques dans certains cas.

4. Difficultés avec les variations orthographiques des noms propres

1. Un meeting = un document : Fireflies génère un document séparé pour chaque réunion, alors que l'idéal serait d'avoir un document unique par projet qui s'incrémente à chaque nouvelle réunion.

python
import requests
from google.oauth2 import service_account
from googleapiclient.discovery import build

def append_transcript_to_gdoc(transcript_id, gdoc_id):
    # Récupérer la transcription via l'API Otter
    transcript = requests.get(f"https://api.otter.ai/v2/transcripts/{transcript_id}",
                             headers={"Authorization": f"Bearer {OTTER_API_KEY}"})

    # Formater la transcription
    formatted_transcript = format_transcript(transcript.json())

    # Ajouter au document Google
    credentials = service_account.Credentials.from_service_account_file('credentials.json')
    docs_service = build('docs', 'v1', credentials=credentials)

    requests = [
        {
            'insertText': {
                'location': {'index': 1},
                'text': formatted_transcript
            }
        }
    ]

    docs_service.documents().batchUpdate(documentId=gdoc_id, body={'requests': requests}).execute()

1. LlamaIndex en déploiement local : Pour les projets avec des contraintes de confidentialité strictes, vous pouvez tester un déploiement local de LlamaIndex connecté à un LLM local (comme Llama 3 70B). Cette solution assure que les données restent entièrement dans l'infrastructure de l'entreprise.

2. Obsidian avec plugin AI : Pour des projets de taille moyenne, Obsidian combiné au plugin Smartcomplete ou Canvas AI offre une solution locale impressionnante pour créer des "mémoires projet" qui respectent la confidentialité.

1. Claude Team Plan : Pour les équipes de plus de 5 personnes, le plan d'équipe de Claude devient plus économique et offre un plus grand nombre de messages partagés.

2. API Claude avec quotas par utilisateur : Pour les équipes techniques, l'utilisation de l'API Claude avec un système de quotas par utilisateur permet une meilleure gestion des limites et un suivi précis de l'utilisation.

1. Phase de découverte (Perplexity + Claude)
• Recherche contextuelle du domaine métier
• Génération d'hypothèses de besoins utilisateurs
• Création de guides d'entretien semi-structurés

2. Phase d'entretiens (Fireflies/Otter.ai + NotebookLM)
• Capture des entretiens utilisateurs
• Analyse thématique automatisée
• Extraction des besoins fonctionnels et émotionnels

3. Phase de conception (Claude + NotebookLM)
• Génération de wireframes basés sur les insights
• Création de composants visualisation spécifiques
• Validation des wireframes avec les extraits d'entretiens pertinents

4. Phase de spécification (NotebookLM + Claude)
• Génération de spécifications techniques
• Création automatisée de tests d'acceptation
• Documentation des choix de conception

5. Phase d'itération (Toute la stack)
• Capture des feedbacks utilisateurs
• Synthèse des points d'amélioration
• Génération rapide de nouvelles alternatives

1. Commencez petit : Intégrez d'abord un seul outil (Claude est le plus polyvalent) avant d'élargir votre stack

2. Documentez vos prompts efficaces : Créez une bibliothèque personnelle de prompts BI qui fonctionnent bien

3. Validez toujours les outputs : L'IA peut halluciner, particulièrement sur les aspects techniques de la BI

4. Partagez la méthode, pas seulement les résultats : Formez vos collègues à votre approche pour amplifier l'impact et l’adoption en interne

5. Mesurez pour convaincre : Documentez systématiquement vos gains de temps pour justifier l'investissement

1. Agents spécialisés UX/BI : Des outils IA dédiés spécifiquement à la génération de visualisations de données avancées, avec une compréhension native des principes de data viz et des bonnes pratiques UX

2. Intégration native avec les outils BI : Des connecteurs directs entre les LLMs et Power BI/Tableau pour automatiser la création de dashboards et faciliter l'itération rapide sur les visualisations. Looker Studio pourrait d’ailleurs le faire avec NotebookLM mais de là à ce que es équipes se parlent 😄

3. Génération automatique de jeux de données de test : Pour valider plus rapidement les hypothèses de visualisation sans dépendre de données réelles potentiellement sensibles. Claude est une bonne solution à date tout de même.

4. Tests utilisateurs augmentés par l'IA : Simulation de réactions utilisateurs pour pré-tester les interfaces avant les sessions réelles

5. Système de transcription unifiée multi-réunions

6. Modèles multimodaux spécialisés en UX/BI : Des modèles capables d'analyser simultanément des wireframes, des données et des retours utilisateurs pour suggérer des améliorations basées sur cette compréhension multimodale

1. Commencer par intégrer un seul outil (probablement Claude) pour les tâches à plus forte valeur ajoutée

2. Tester progressivement différentes configurations et solutions alternatives

3. Participer aux programmes bêta des nouvelles solutions qui émergent chaque mois

LOUIS DUBRUEL

Lead dashboard & BI chez unnest Je vous aide à donner vie à vos tableaux de bord et produits data au service de vos utilisateurs.

Fan de Looker Studio depuis le début, je développe mes compétences de dashboard design pour délivrer la bonne information à la bonne personne avec la meilleure visualisation.

---

Références : L’Oréal, Club Med, HomeBox

#Dashboard #dashboarddesign #UI #UX #Dashboard #PowerBI