Pepyte - HR tech SaaS
Product Design
Décembre 2022 à Janvier 2025
Contexte
Pepyte — SaaS HR Tech B2B destiné aux recruteurs.
Mission
Concevoir une fonctionnalité de matching entre les fiches Offre et Candidat afin d’automatiser un processus jusque-là entièrement manuel, tout en conservant un haut niveau de contrôle et de compréhension côté utilisateur.
Contraintes
Avant cette fonctionnalité, le matching reposait sur des actions manuelles, chronophages et fortement dépendantes de l’expertise individuelle des recruteurs. L’automatisation devait donc rester lisible, explicable et inspirer confiance, sans dégrader la qualité de la prise de décision.
Use case
Mettre à disposition des recruteurs un parcours simple et orienté action, leur permettant de sélectionner une offre, de lancer un matching et d’obtenir instantanément une liste de candidats priorisée.
Les résultats sont conçus pour être immédiatement exploitables, compréhensibles et explicables, afin de faciliter la prise de décision tout en réduisant le temps passé sur des tâches à faible valeur ajoutée.
Résultats
1. Sélection de l'offre
2. Consulter les résultats et décider
3. Consulter le profil
Succès
· matching instantané offre ↔ candidats,
· priorisation claire grâce à un score lisible et expliqué,
· réduction drastique du temps de sourcing,
· actions directes : ajouter ou rejeter un candidat,
· adoption facilitée par une logique maîtrisée et transparente.
Étape 1 — Comprendre le matching manuel (Recherche)
Début du use case
Méthodes
J’ai commencé par analyser les pratiques existantes afin de comprendre comment le matching était réalisé manuellement par les recruteurs. Cette phase s’est appuyée sur une étude comparative d’outils de matching issus de différents secteurs, ainsi que sur des entretiens et ateliers menés directement avec les recruteurs.
Concrètement
L’analyse a porté sur les critères réellement utilisés dans la prise de décision, la distinction entre critères éliminatoires, neutres ou différenciants, la qualité et l’exploitabilité des données disponibles, ainsi que sur les arbitrages métier opérés au quotidien.
Résultats de l'étape 1
2/5
Cette phase a permis d’identifier 12 critères de matching exploitables, structurés selon trois niveaux de hiérarchisation, ainsi que trois critères d’exclusion. Elle a également permis de définir un seuil minimal pour le matching et de faire émerger des opportunités basées sur des tags et des champs structurés.
Atelier
Règles de matching
Étape 2 : Structuration du parcours utilisateur
3/5
Approche
Le matching étant une fonctionnalité centrale du produit, j’ai conçu un parcours dédié et clairement identifié dans l’interface, pensé pour accompagner l’utilisateur dans une logique de décision.
L’objectif était de guider le recruteur étape par étape, depuis la sélection d’une offre jusqu’à l’action finale, sans complexité inutile.
Parcours utilisateur
Le parcours s’articule autour d’un enchaînement simple et lisible : sélection de l’offre → lancement du matching → consultation des résultats → actions possibles.
Les résultats mettent en évidence les éléments correspondants, tandis que les éléments non pertinents restent visibles mais désactivés, afin de conserver de la transparence.
Le résultat
Chaque résultat affiche un score de matching, permettant un tri du plus pertinent au moins pertinent, et propose deux actions immédiates : ajouter le candidat ou rejeter la proposition. L’accès au profil complet est possible sans quitter la page, afin de limiter les ruptures de contexte et d’accélérer la prise de décision.
Résultats de l'étape 2
4/5
Parcours utilisateur
Le parcours propose une expérience rapide et dédiée, avec des résultats instantanés, permettant une prise de décision plus simple et plus efficace.
1. Sélection de l'offre
2. Consulter les résultats et décider
3. Consulter le profil
Étape 3 : Validation et itérations
fin du use case
Collaboration
Cette phase s’est appuyée sur des tests et des itérations menés en collaboration avec les recruteurs et l’équipe produit.
Concrètement
Les retours recueillis ont permis d’affiner les règles de matching, d’améliorer la clarté et compréhension globale des résultats afin de renforcer la confiance des utilisateurs et de faciliter la prise de décision.
Recommandation
Pour toute recommandation ou retour sur mon travail chez Pepyte, vous pouvez contacter Alexis Vaysse, co-CEO et cofondateur.
Merci pour votre attention
Vous pouvez consulter les autres études de cas
UX Research
UX Research
User Flow
Améliorations UX
Atelier
Entretiens
Figma
Notion
Mobbin
Consulter
Design System
Atomic Design
Variables
Modes
Documentation
Figma
Zeroheight
Consulter
Founding Design IA
Parcours utilisateur
Design System
Nouvelle application
Améliorations UX
Figma
Figma Make
Consulter