Nous avons prototypé nos idées à l’aide de techniques de jeu de rôle, dont le Body Storming, et avons scénarisé de nombreuses situations vécues lors d’une tempête de neige. Les participants ont simulé les vécus de différents types d’utilisateurs (ex : une personne âgée seule dans son domicile), intégrant des éléments d’environnement, (ex : une plaque de glace, accumulation de neige) et de design (ex : un coussin gonflable portable).

En donnant à chaque joueur la parole et l’espace pour simuler l’interaction, cet atelier a fait émerger des situations inédites, des obstacles et des solutions qui ont révélé des éléments importants à considérer lors de la conception.

En réfléchissant sur la façon dont l’idéation a évolué tout au long de la journée, nous avons observé comment les données statistiques mettaient en lumière certains aspects du problème à envisager, mais aussi comment elles échouaient à capturer certains autres éléments importants comme le contexte de vie et d’utilisation, et les circonstances particulières à chaque situation, ce qui a déclenché de nouvelles idées.

Nous ne sommes pas tout seul à observer ce fait, plusieurs chercheurs contemporains en design qui utilisent les données du big data s’exposent également à leurs limites. L’analyse statistique peut nous dire ce qui se passe dans un contexte donné, mais comprendre le pourquoi et le comment on pourrait améliorer les situations et les produits nécessite l’ajout de méthodes complémentaires.

Dans son article “Les préjugés cachés dans le Big Data“, Kate Crawford fait une mise en garde contre le “fondamentalisme des données” , qui tend à masquer les causes des comportements des personnes. Elle recommande de faire une recherche qualitative rigoureuse pour éclaircir les préjugés et les points “obscurs” des statistiques. L’article de Wired “Vos Big Data sont inutiles si vous ne les appliquez pas au monde réel” affirme que les données recueillies dans un contexte d’observation isolé sont de simples « traces de nos actions et nos comportements ». L’anthropologue Tricia Wang affirme que le Big data a besoin de données “d’épaisseur” ou d’un aperçu du contexte pour être utile aux concepteurs.

En résumé, la recherche ethnographique ou contextuelle agit comme un pont, permettant aux organisations d’identifier ce qu’elles ne savent pas mais devraient savoir, et déclenche quelque chose que le Big Data n’évoque pas explicitement : l’inspiration.