Le problème
Un nouveau conducteur réussit 30 % de ses trajets, contre 50 % pour un expérimenté. Premier trajet raté, il ne republie pas.
Ce que la data montrait
Trajets réussis : l’écart de départ
30 %
Nouveaux conducteurs
50 %
Conducteurs expérimentés
Gain de trajets réussis quand le nouveau a…Sur 100 000 trajets. En gris : aucun gain. Corrélations confirmées ensuite en entretiens.
Identité vérifiée
Description du trajet
Photo de profil
Acceptation automatique
Ce que j’ai fait
Data100 000 trajets analysés. Les signaux de confiance (identité, photo, description) manquent aux nouveaux.
Research10 entretiens. La photo et l’identité ne font pas choisir, elles départagent à horaire égal.
Priorisation10 problèmes, 3 features retenues, classées par impact et effort. Écartés : l’acceptation automatique (aucun gain dans la data) et le feedback après trajet (il vise le 2e trajet). Cible : +10 pts en 12 mois.
PrototypeMaquette Figma testée avec 4 personnes, 3 changements, puis appli web que j’ai codée seul avec Claude Code.
DeliveryRoadmap sur 4 mois, quick win d’abord. Le boost attend le mois 4 parce qu’il cumule les risques (confiance des passagers, conducteurs expérimentés pénalisés) : A/B test avec la note passagers comme garde-fou.
Le prototype
Prototype de formation, pas une application officielle BlaBlaCar. Les parcours conducteur et passager se lancent depuis le menu de démo.
Ouvrir le prototypeLa maquette Figma de l’équipeEn bref
40 %objectif de trajets réussis en 12 mois (30 % aujourd’hui)
~6points de trajets réussis identifiés par la data, sur les 10 visés
3changements après les tests
Ce que j’en retiens
« La data donne le quoi, la research donne le pourquoi. »Comment je travaille →