Water Street Collective · Des biens de consommation pour la performance humaine

Le sport dans une application, la nutrition dans une autre, la récupération dans une troisième, la méditation ailleurs encore. La personne qui passe de l’une à l’autre est la seule chose qui tient la journée ensemble.

Water Street Collective voulait construire pour la journée plutôt que pour la catégorie : un système qui sait si quelqu’un est au travail, à l’entraînement ou endormi, et qui propose ce qu’il faut en conséquence.

La recherche a traversé des journées plutôt que des démos : comment une personne passe du bureau à l'entraînement puis au sommeil, vers quels produits elle tend la main à chaque tournant, et ce que ces produits devraient déjà savoir d'elle. Personne ne vit en catégories. On vit en journées.

La recherche a mené vers un constat peu à la mode. Les gens ne lisent plus le sur-mesure comme un luxe, ils le lisent comme la base, et un produit incapable de s’adapter passe désormais pour cassé plutôt que pour simple. La performance humaine est globale, donc les données doivent l’être aussi.

Nous avons donc cartographié tout l’écosystème avec la personne au centre. Les canaux se placent par proximité, pas par catégorie, des capteurs portés sur le corps jusqu’aux régulateurs en périphérie. Ce qui est le plus proche est lu le plus souvent. Ce qui est le plus éloigné fixe les contraintes que tout le reste doit respecter.

Cela a fixé l’architecture avant de fixer l’interface. Intégrer les points de contact, refermer la boucle, et laisser chaque interaction affiner la suivante.

L'expérience définie est une boucle qu'on regarde se fermer : la journée arrive comme une seule lecture, la lecture devient une suggestion, la suggestion reçoit un oui ou un non, et la réponse règle le lendemain. Le produit apprend la personne, et les produits suivants partent de la preuve.

Nous avons construit la preuve de concept pour un petit groupe, pas pour un marché. Sa mission : faire mûrir l’algorithme sur des journées réelles, avec un onboarding stratégique, un écran d’accueil issu des données, des relances programmées, des insights détaillés et une première approche des recommandations. Son apparence était volontairement sobre. Le design restait minimal à dessein : l’essentiel était un build fonctionnel, capable d’apprendre de journées réelles, et l’algorithme évoluait avec chacune d’elles. Le MVP est venu ensuite, une fois l’algorithme solide. La preuve de concept portait trois onglets. Le MVP en portait quatre, et le nouveau s’appelait Goals.

Des parcours personnalisés portés par un écran d’accueil adaptatif. Nutrition ciblée, respiration et méditation au même endroit. Une couche sensorielle conçue pour capter et afficher l’état de la personne, afin que le produit lui rende sa propre journée.

Construit sur des microservices modulaires avec des API à faible latence, dimensionné pour des millions de points de données IoT, conforme au RGPD par construction. Chaque écran et chaque état ont été dessinés une seule fois, pour que le développement parte d’une carte unique plutôt que d’un ensemble d’opinions. La personnalisation a été validée avec PANAS, la Positive and Negative Affect Schedule, plutôt que par affirmation.

L’écran d’accueil porte l’état entier, et la couleur derrière lui bouge comme la journée bouge. Les objectifs suivent le sommeil, la concentration et l’énergie face à une cible. Les recommandations traduisent cette lecture en action : quinze minutes de yoga, une tasse de thé, cinq minutes de respiration. Des données à l’entrée, une décision à la sortie.

Il n’y a pas de pourcentage en titre sur cette page, parce que les mesures convenues ici sont qualitatives et que nous ne les habillerons pas.

Ce que le travail a livré, c’est une boucle que l’on voit se refermer. Le lendemain, l’application pose une question simple : nous vous avons recommandé des activités, les avez-vous suivies ? Yoga, quinze minutes, 16:45. Thé, une tasse, 22:00. Oui ou non. Elle indique ensuite comment elle pense que cela a influencé la journée, comme une hypothèse et non comme un fait. La réponse nourrit la recommandation suivante, et les recommandations composent une box de produits qui correspond à ce que les données ont appris. Les points gagnés en suivant les conseils paient la box.

C’est l’argument pour construire cela au sein des biens de consommation plutôt qu’à côté. Les données des consommateurs atteignent le développement produit sans détour par une étude, si bien que la prochaine vague de produits part de preuves et non d’un brief. Cette boucle est l’actif.

Parcours. Water Street Collective, Londres.

Travail mené par les fondateurs de Formist plus tôt dans leur carrière.

Discipline. Produits de grande consommation · produits connectés · IA appliquée.

Propriété. Construit par le studio, opéré par le client.

La surface MVP : la journée en une lecture, les objectifs dessous, le creux que l'algorithme attrape, et la recommandation qui y répond.