# Visualisation de données
Vibe.co · 2024 · Lead Product Designer · Projet
Source : https://albancarmet.com/fr/project/data-visualization
Un tableau de bord temps réel qui traduit les données de campagne CTV en insights actionnables.
En une ligne : Ouverte par la moitié des annonceurs actifs
Équipe : PM, 1 développeur et moi · Durée : 3 semaines, dont 4 jours de design · IA : Aucune

## En bref

- Le problème : Les annonceurs s’appuyaient sur des exports bruts pour comprendre leurs campagnes, et l’un de nos plus gros clients était prêt à partir faute de tableau de bord.
- Ce que j’ai fait : J’ai conçu une vue modulaire, sur une seule grille et avec un seul modèle d’interaction, en quatre jours de design, pour pouvoir la livrer module par module.
- Résultat : 48 % des annonceurs actifs l’ont ouverte en trois mois, et 83 % lui donnent 4 ou 5 étoiles, au-dessus de l’objectif de 70 %.
- La limite : Seuls 29 % reviennent la semaine suivante, pour un objectif de 40 %, et l’export n’a jamais décollé.

## L'entreprise

Vibe est une plateforme publicitaire en self-serve pour la TV connectée. Des marques de toutes tailles, des jeunes marques en vente directe aux grands annonceurs, y achètent des spots sur les principales chaînes de streaming, ciblent leurs audiences (y compris les audiences d’acheteurs Walmart) et mesurent les ventes générées, comme elles le feraient sur le search ou les réseaux sociaux.
- Secteur : Ad tech · TV connectée
- Clients : Des milliers de marques, du DTC aux grands annonceurs
- Mon passage : Depuis déc. 2023 · Lead Product Designer

## Le produit : La plateforme

Sur Vibe, tout tourne autour de la campagne, et trois étapes reviennent tout au long de cette page.
- Importer des créas : Une créa est un spot vidéo. Les annonceurs importent les leurs sur la plateforme.
- Lancer une campagne : Une campagne fixe un objectif et se découpe en stratégies : qui toucher, avec quel budget.
- Mesurer : Le tableau de bord et les rapports montrent les dépenses, la portée et les ventes générées.

## Démarche

Chaque étape nourrissait la suivante. Aucune n’a fait appel à l’IA.
- Répondre : Un compte clé avait besoin de cette vue : il fallait montrer, vite, que nous pouvions la livrer. (sans IA)
- Sélectionner : La sélection de visualisations par cas d’usage établie par l’associate PM, sur des graphiques d3.js adaptés à notre charte. (sans IA)
- Structurer : Quatre jours de design : une grille et un modèle d’interaction pour tous les modules. (sans IA)
- Livrer : Module par module, dans les trois semaines. (sans IA)
- Mesurer : L’adoption, un sondage in-app et le taux de retour d’une semaine sur l’autre. (sans IA)

## Le problème — Les annonceurs avaient les chiffres, pas l’histoire

Le reporting se résumait à des exports CSV bruts et à des données cloisonnées, et les clients devaient présenter leurs résultats sans être analystes.
Et l’un de nos plus gros clients, qui avait besoin de ce type de tableau de bord, était prêt à partir.

## L’approche — Repenser la structure, pas l’ambition

Trois semaines au total, dont quatre jours de design. Le travail a donc porté sur une structure : des modules sur une grille commune, avec un seul modèle d’interaction, livrables un par un.

## Les arbitrages — Quatre décisions, et ce que chacune a coûté

Voici ce que chacune nous a fait perdre.

## Ce qui a été livré — Insights : tous les modules sur une même grille

Une nouvelle vue dans la plateforme, où les dimensions de ciblage et la performance des créas se trouvent enfin côte à côte.

## Contraintes

- Des données d’attribution complexes par nature : L’attribution TV mêle couverture, dépenses, conversions et dimensions de ciblage. Brute, elle ne raconte rien.
- Des lecteurs qui ne sont pas analystes : Les clients devaient pouvoir présenter leurs résultats tels quels, sans retraiter ni interpréter les données au préalable.
- Trois semaines, quatre jours de design : Trois semaines au total, dont quatre jours de design. La réponse n’a pas été de réduire l’ambition, mais de repenser la structure.

## Signaux et recherche

Pas de discovery formelle. Les décisions ont reposé sur ces signaux.
- Compte stratégique — Un client majeur qui menaçait de partir : L’un de nos plus gros clients avait besoin de ce type de tableau de bord et menaçait de partir. Il fallait montrer vite qu’on savait répondre.
- Produit (APM) — Une liste de visualisations par cas d’usage : L’APM avait identifié les visualisations qui répondaient le mieux aux cas d’usage de la plateforme. Je suis parti de cette liste, en m’appuyant sur les graphiques prêts à l’emploi de d3.js, rhabillés à notre charte.
- Produit existant — Des données déjà collectées, jamais montrées : Les dimensions de ciblage et la performance des créas existaient dans la plateforme, mais aucune vue ne les réunissait.

## Décisions et arbitrages

- Livrer module par module plutôt qu’un tableau de bord complet. Décidé avec : Ma PM et le développeur. Écarté : Toute la suite de reporting d’un coup — Attendre que chaque visualisation soit prête, et sortir un tableau de bord complet et cohérent. Retenu : Des modules autonomes, livrés par vagues — Chaque visualisation est un module indépendant posé sur une grille commune. Les modules pas encore livrés affichent un état « Coming soon ». Pourquoi : Un client majeur menaçait de partir : montrer qu’on était réactifs comptait plus que tout livrer d’un coup. Des modules indépendants permettaient de les sortir les uns après les autres. Ce que ça a coûté : Une expérience de reporting complète dès le premier jour : pendant un temps, une partie du tableau de bord était une promesse. Ce qui compense : Des états explicites « Coming soon » et « pas encore de données », pour qu’un module absent ne passe jamais pour un bug.
- Exporter chaque module en image plutôt que construire un moteur de rapports. Décidé avec : Ma PM et le développeur. Écarté : Un export de rapport complet — Ma première idée : générer un rapport complet qui assemble tous les modules. Envisagée, mais jamais conçue : trop longue à développer. Retenu : Un téléchargement par module — Chaque module a son bouton de téléchargement, qui l’exporte en image prête à présenter. Pourquoi : Le temps de développement et d’intégration. Exporter chaque module en image était bien plus simple, et l’utilisateur peut ensuite glisser les images dans un PowerPoint. Ce que ça a coûté : Une présentation en un clic : l’utilisateur monte encore lui-même sa présentation, image par image.
- Un seul modèle d’interaction pour tous les modules. Décidé avec : Ma PM et le développeur. Écarté : Des contrôles propres à chaque graphique — Placer les contrôles de chaque module là où sa mise en page et sa largeur le permettent. Retenu : Mêmes contrôles, même place, quelle que soit la largeur — Le sélecteur de métrique et le bouton de téléchargement sont au même endroit dans chaque module, large ou étroit. Pourquoi : La constance crée une habitude : l’utilisateur n’a jamais à chercher comment fonctionne un module. Ce que ça a coûté : Un peu de liberté de mise en page : les modules étroits doivent faire la place aux mêmes contrôles que les larges.
- Rééquilibrer la grille autour des données qui comptent le plus. Décidé avec : Ma PM et le développeur. Écarté : La première version de la grille — La largeur des modules suivait l’ordre de la liste plutôt que le poids de chaque donnée. Retenu : Des largeurs fixées par l’importance — Des modules plus larges pour les données les plus importantes, des mises en page allégées pour certains, et plus aucun blanc qui déséquilibre la page. Pourquoi : Mettre l’accent sur les données les plus importantes, et éviter un blanc qui aurait déséquilibré la page. Ce que ça a coûté : La simplicité d’une grille uniforme : chaque nouveau module demande de décider de sa largeur.

## Ce qui a été livré

- Le cœur de la dataviz : problème :  Solution : 

## Résultats

La moitié des annonceurs actifs ont adopté la vue et la notent bien. Mais l’usage reste occasionnel, et l’export n’a pas pris.
(Août → octobre 2026 · données produit et sondage in-app)
- 48 % : Des annonceurs actifs ont ouvert Insights en trois mois
- 83 % : De 4 ou 5 étoiles au sondage in-app — objectif : 70 %
- +60 % : Visites hebdomadaires en douze semaines
- 30 % → 36 % : Lecteurs de rapports qui passent sur Insights
- 29 % : Reviennent la semaine suivante — objectif : 40 %
Ce qui a marché :
- Les agences s’en servent dans leurs propres rapports clients, surtout la carte et les répartitions d’audience (observé par les CSM).
- Un module se détache : la carte géographique est le bloc le plus utilisé, le plus demandé et le plus commenté.
Ce qui n'a pas marché :
- Pas encore d’habitude : en médiane, un annonceur ouvre Insights 2 semaines sur 12, et le retour d’une semaine sur l’autre plafonne à 29 % pour 40 % visés.
- L’export par module est resté marginal : moins d’un compte Insights sur dix télécharge, sans progression.
- Aucun effet mesurable sur le support : les exports CSV n’ont pas baissé, et rien ne montre qu’Insights les remplace.

## Reste ouvert

Une vue qui plaît, pas encore une habitude. La plupart des annonceurs n’y reviennent que ponctuellement, et la demande se concentre sur la carte géographique. Monter la présentation reste aussi manuel : la générer directement depuis les données de campagne, c’est ce que les projets agentiques ont ensuite visé.
