Synthétiser la recherche

Si vous voyez des placeholders peu familiers ou avez besoin de vérifier quels outils sont connectés, consultez CONNECTORS.md.

Synthétisez la recherche utilisateur provenant de plusieurs sources en insights et recommandations structurés.

Utilisation

/synthesize-research $ARGUMENTS

Workflow

1. Recueillir les entrées de recherche

Acceptez la recherche provenant de toute combinaison de :

Texte collé : Notes d'entretien, transcriptions, réponses d'enquête, commentaires
Fichiers téléchargés : Documents de recherche, feuilles de calcul, résumés d'enregistrements
~~base de connaissances (si connectée) : Rechercher des documents de recherche, des notes d'entretien, des résultats d'enquête
~~retours utilisateur (si connectés) : Extraire les tickets de support récents, les demandes de fonctionnalités, les rapports de bugs
~~analytics produit (si connectées) : Extraire les données d'utilisation, les métriques d'entonnoir, les données comportementales
~~transcription de réunion (si connectée) : Extraire les enregistrements d'entretien, les résumés de réunion et les notes de discussion

Demandez à l'utilisateur ce qu'il a :

Quel type de recherche ? (entretiens, enquêtes, tests d'utilisabilité, analytics, tickets de support, notes d'appels commerciaux)
Combien de sources / participants ?
Y a-t-il une question ou une hypothèse spécifique qu'ils enquêtent ?
Quelles décisions cette recherche informera-t-elle ?

2. Traiter la recherche

Pour chaque source, extrayez :

Observations clés : Qu'ont dit, fait ou expérimenté les utilisateurs ?
Citations : Citations textuelles qui illustrent les points importants
Comportements : Ce que les utilisateurs ont réellement fait (par rapport à ce qu'ils disent faire)
Points de friction : Frustrations, contournements et besoins non satisfaits
Signaux positifs : Ce qui fonctionne bien, moments de satisfaction
Contexte : Segment utilisateur, cas d'usage, niveau d'expérience

3. Identifier les thèmes et modèles

Appliquez l'analyse thématique — voir Méthodologie de synthèse de recherche ci-dessous pour des conseils détaillés sur l'analyse thématique, le mappage d'affinité et les techniques de triangulation.

Groupez les observations en thèmes, comptez la fréquence entre les participants et évaluez la sévérité de l'impact. Notez les contradictions et surprises.

Créez une matrice de priorités :

Fréquence élevée + Impact élevé : Conclusions prioritaires
Fréquence faible + Impact élevé : Important pour des segments spécifiques
Fréquence élevée + Impact faible : Améliorations de qualité de vie
Fréquence faible + Impact faible : Noter mais déprioritiser

4. Générer la synthèse

Produisez une synthèse de recherche structurée :

Aperçu de la recherche

Méthodologie : types de recherche, nombre de participants/sources
Question(s) de recherche : ce que nous avons cherché à apprendre
Chronologie : quand la recherche a été menée

Conclusions principales

Pour chaque conclusion majeure (viser 5-8) :

Déclaration de conclusion : Une phrase claire décrivant l'insight
Preuve : Citations, points de données ou observations de soutien (avec attribution de source)
Fréquence : Combien de participants/sources soutiennent cette conclusion
Impact : Comment cela affecte significativement l'expérience utilisateur ou l'activité
Niveau de confiance : Élevé (preuve solide), Moyen (suggestif), Faible (signal précoce)

Ordonnez les conclusions par priorité (fréquence × impact).

Segments utilisateur / Personas

Si la recherche révèle des segments utilisateur distincts :

Nom et description du segment
Caractéristiques et comportements clés
Besoins uniques et points de friction
Estimation de la taille si les données sont disponibles

Domaines d'opportunité

En fonction des conclusions, identifiez les domaines d'opportunité :

Quels besoins utilisateur ne sont pas satisfaits ou sous-desservis
Où les solutions actuelles échouent
Quelles nouvelles capacités créeraient de la valeur
Priorisés par impact potentiel

Recommandations

Recommandations spécifiques et actionnables :

Ce qu'il faut créer, modifier ou enquêter davantage
Lié à des conclusions spécifiques
Priorisé par impact et faisabilité

Questions ouvertes

Ce que la recherche n'a pas répondu :

Lacunes de compréhension
Domaines nécessitant une enquête supplémentaire
Méthodes de recherche de suivi suggérées

5. Examiner et approfondir

Après avoir généré la synthèse :

Demandez si des conclusions ont besoin de plus de détails ou d'un cadrage différent
Offrez de générer des artefacts spécifiques : documents de persona, cartes d'opportunités, présentations de recherche
Offrez de créer des plans de recherche de suivi pour les questions ouvertes
Offrez de rédiger les implications produit (comment les conclusions doivent influencer la feuille de route)

Méthodologie de synthèse de recherche

Analyse thématique

La méthode principale pour synthétiser la recherche qualitative :

Familiarisation : Lisez toutes les données. Faites-vous une idée du paysage global avant de coder quoi que ce soit.
Codage initial : Parcourez les données systématiquement. Marquez chaque observation, citation ou point de données avec des codes descriptifs. Soyez généreux avec les codes — il est plus facile de fusionner que de diviser ultérieurement.
Développement de thèmes : Groupez les codes connexes en thèmes candidats. Un thème capture quelque chose d'important dans les données par rapport à la question de recherche.
Examen de thèmes : Vérifiez les thèmes par rapport aux données. Chaque thème a-t-il suffisamment de preuves ? Les thèmes sont-ils distincts les uns des autres ? Racontent-ils une histoire cohérente ?
Affinement de thèmes : Définissez et nommez chaque thème clairement. Écrivez une description de 1-2 phrases de ce que chaque thème capture.
Rapport : Rédigez les thèmes comme des conclusions avec preuves de soutien.

Mappage d'affinité

Méthode collaborative de groupage des observations :

Capturer les observations : Écrivez chaque observation, citation ou point de données distinct comme une note séparée
Regrouper : Groupez les notes connexes en fonction de la similarité. Ne prédéfinissez pas les catégories — laissez-les émerger des données.
Étiqueter les groupes : Donnez à chaque groupe un nom descriptif qui capture le fil conducteur commun
Organiser les groupes : Arrangez les groupes en groupes de niveau supérieur si des modèles émergent
Identifier les thèmes : Les groupes et leurs relations révèlent les thèmes clés

Conseils pour le mappage d'affinité :

Une observation par note. Ne combinez pas plusieurs insights.
Déplacez les notes entre les groupes librement. Le premier regroupement est rarement le meilleur.
Si un groupe devient trop grand, il contient probablement plusieurs thèmes. Divisez-le.
Les valeurs aberrantes sont intéressantes. Ne forcez pas chaque observation dans un groupe.
Le processus de groupage est aussi précieux que le résultat. Il crée une compréhension partagée.

Triangulation

Renforcez les conclusions en combinant plusieurs sources de données :

Triangulation méthodologique : Même question, méthodes différentes (entretiens + enquête + analytics)
Triangulation de sources : Même méthode, participants ou segments différents
Triangulation temporelle : Même observation à différents moments dans le temps

Une conclusion soutenue par plusieurs sources et méthodes est bien plus forte qu'une soutenue par une seule source. Quand les sources sont en désaccord, c'est intéressant — cela peut révéler des segments utilisateur ou des contextes différents.

Analyse des notes d'entretien

Extraire les insights des notes d'entretien

Pour chaque entretien, identifiez :

Observations : Qu'a décrit le participant comme faisant, expérimentant ou ressentant ?

Distinguez entre les comportements (ce qu'ils font) et les attitudes (ce qu'ils pensent/ressentent)
Notez le contexte : quand, où, avec qui, à quelle fréquence
Signalez les contournements — ce sont des besoins non satisfaits déguisés

Citations directes : Déclarations textuelles qui illustrent puissamment un point

Les bonnes citations sont spécifiques et vivides, pas génériques
Attribuez au type de participant, pas au nom : « Admin entreprise, équipe de 200 personnes » pas « Sarah »
Une citation est une preuve, pas une conclusion. La conclusion est votre interprétation de ce que la citation signifie.

Comportements vs préférences déclarées : Ce que font les gens diffère souvent de ce qu'ils disent vouloir

Les observations comportementales sont des preuves plus fortes que les préférences déclarées
Si un participant dit « Je veux la fonctionnalité X » mais son workflow montre qu'il n'utilise jamais de fonctionnalités similaires, notez la contradiction
Cherchez les préférences révélées par le comportement réel

Signaux d'intensité : À quel point cela importe au participant ?

Langage émotionnel : frustration, enthousiasme, résignation
Fréquence : à quelle fréquence rencontrent-ils ce problème
Contournements : combien d'effort consacrent-ils à contourner le problème
Impact : quel est la conséquence quand les choses tournent mal

Analyse inter-entretiens

Après avoir traité les entretiens individuels :

Cherchez des modèles : quelles observations apparaissent chez plusieurs participants ?
Notez la fréquence : combien de participants ont mentionné chaque thème ?
Identifiez les segments : les différents types d'utilisateurs ont-ils des modèles différents ?
Surfacez les contradictions : où les participants sont-ils en désaccord ? Cela révèle souvent des segments significatifs.
Trouvez les surprises : qu'a mis en doute vos hypothèses précédentes ?

Interprétation des données d'enquête

Analyse quantitative d'enquête

Taux de réponse : À quel point l'échantillon est-il représentatif ? Les faibles taux de réponse peuvent introduire un biais.
Distribution : Regardez la forme des réponses, pas seulement les moyennes. Une distribution bimodale (beaucoup de 1 et 5) raconte une histoire différente qu'une distribution normale (beaucoup de 3).
Segmentation : Décomposez les réponses par segment utilisateur. Les agrégats peuvent masquer des différences importantes.
Signification statistique : Pour les petits échantillons, soyez prudent dans le tirage de conclusions de petites différences.
Comparaison de référence : Comment les scores se comparent-ils aux référentiels sectoriels ou aux enquêtes précédentes ?

Analyse des réponses aux questions ouvertes d'enquête

Traitez les réponses ouvertes comme des mini notes d'entretien
Codez chaque réponse avec les thèmes
Comptez la fréquence des thèmes entre les réponses
Extrayez les citations représentatives pour chaque thème
Cherchez les thèmes qui apparaissent dans les réponses ouvertes mais non dans les questions structurées — ce sont des choses que vous n'avez pas pensé à demander

Erreurs courantes en analyse d'enquête

Rapporter les moyennes sans distributions. Une moyenne de 3,5 pourrait signifier que tout le monde est mitigé ou que la moitié adore et l'autre moitié déteste.
Ignorer les biais de non-réponse. Les personnes qui n'ont pas répondu peuvent être systématiquement différentes.
Sur-interpréter les petites différences. Un changement de 0,1 point NPS est du bruit, pas du signal.
Traiter les échelles de Likert comme des données d'intervalle. La différence entre « Tout à fait d'accord » et « D'accord » n'est pas nécessairement la même qu'entre « D'accord » et « Neutre ».
Confondre la corrélation avec la causalité dans les tabulades croisées.

Combiner les insights qualitatifs et quantitatifs

La boucle de rétroaction Qual-Quant

Qualitatif en premier : Les entretiens et l'observation révèlent CE QUI se passe et POURQUOI. Ils génèrent des hypothèses.
Validation quantitative : Les enquêtes et l'analytics révèlent COMBIEN et COMBIEN DE FOIS. Ils testent les hypothèses à grande échelle.
Approfondissement qualitatif : Retournez à des méthodes qualitatives pour comprendre les conclusions quantitatives inattendues.

Stratégies d'intégration

Utilisez les données quantitatives pour prioriser les conclusions qualitatives. Un thème provenant d'entretiens est plus important si les données d'utilisation montrent qu'il affecte de nombreux utilisateurs.
Utilisez les données qualitatives pour expliquer les anomalies quantitatives. Une baisse de la rétention est un nombre ; les entretiens révèlent que c'est à cause d'un changement d'onboarding déroutant.
Présentez les preuves combinées : « 47 % des utilisateurs interrogés signalent une difficulté avec X (enquête), et les entretiens révèlent que c'est parce que Y (conclusion qualitative) ».

Quand les sources sont en désaccord

Les sources quantitatives et qualitatives peuvent raconter des histoires différentes. C'est du signal, pas une erreur.
Vérifiez si le désaccord est dû à différentes populations mesurées
Vérifiez si les préférences déclarées (enquête) diffèrent du comportement réel (analytics)
Vérifiez si la question quantitative a capturé ce que vous pensez qu'elle a capturé
Rapportez le désaccord honnêtement et enquêtez davantage plutôt que de choisir une source

Développement de personas à partir de la recherche

Construire des personas basées sur les preuves

Les personas doivent émerger des données de recherche, pas de l'imagination :

Identifier les modèles comportementaux : Cherchez des groupes de comportements, objectifs et contextes similaires entre les participants
Définir les variables de distinction : Quelles dimensions différencient un groupe d'un autre ? (par exemple, taille de l'entreprise, compétences techniques, fréquence d'utilisation, cas d'usage principal)
Créer des profils de personas : Pour chaque groupe comportemental :
- Nom et description brève
- Comportements et objectifs clés
- Points de friction et besoins
- Contexte (rôle, entreprise, outils utilisés)
- Citations représentatives
Valider avec les données : Pouvez-vous dimensionner chaque segment de persona en utilisant des données quantitatives ?

Modèle de persona

[Nom du Persona] — [Description en une ligne]

Qui est-il :
- Rôle, type/taille d'entreprise, niveau d'expérience
- Comment il a trouvé/commencé à utiliser le produit

Ce qu'il essaie d'accomplir :
- Objectifs principaux et tâches à accomplir
- Comment il mesure le succès

Comment il utilise le produit :
- Fréquence et profondeur d'utilisation
- Workflows clés et fonctionnalités utilisées
- Outils qu'il utilise aux côtés de ce produit

Points de friction clés :
- Les 3 principaux frustrations ou besoins non satisfaits
- Contournements qu'il a développés

Ce qu'il valorise :
- Ce qui compte le plus dans une solution
- Ce qui le ferait changer ou lui faire abandonner

Citations représentatives :
- 2-3 citations textuelles qui capturent la perspective de ce persona

Erreurs courantes avec les personas

Personas démographiques : définir par âge/sexe/lieu plutôt que par comportement. Le comportement prédit mieux les besoins produit que la démographie.
Trop de personas : 3-5 est la zone idéale. Plus que ça et ils ne sont pas actionnables.
Personas fictifs : inventés selon les hypothèses plutôt que les données de recherche.
Personas statiques : jamais mises à jour à mesure que le produit et le marché évoluent.
Personas sans implications : un persona qui ne change aucune décision produit n'est pas utile.

Dimensionnement des opportunités

Estimer la taille d'une opportunité

Pour chaque conclusion de recherche ou domaine d'opportunité, estimez :

Utilisateurs adressables : Combien d'utilisateurs pourraient bénéficier d'adresser ceci ? Utilisez l'analytics produit, les données d'enquête ou les données de marché pour estimer.
Fréquence : À quelle fréquence les utilisateurs affectés rencontrent-ils ce problème ? (Quotidiennement, hebdomadairement, mensuellement, une seule fois)
Sévérité : À quel point ce problème affecte les utilisateurs quand il se produit ? (Bloqueur, friction significative, léger désagrément)
Volonté de payer : Adresser ceci entraînerait-il des mises à niveau, une rétention ou l'acquisition de nouveaux clients ?

Notation des opportunités

Notez les opportunités sur une matrice simple :

Impact : (Utilisateurs affectés) × (Fréquence) × (Sévérité) = score d'impact
Force des preuves : À quel point sommes-nous sûrs de la conclusion ? (Plusieurs sources > source unique, données comportementales > préférences déclarées)
Alignement stratégique : Cette opportunité s'aligne-t-elle avec la stratégie et la vision produit de l'entreprise ?
Faisabilité : Pouvons-nous réaliste adresser ceci ? (Faisabilité technique, disponibilité des ressources, délai d'impact)

Présenter le dimensionnement des opportunités

Soyez transparent concernant les hypothèses et les niveaux de confiance
Montrez le calcul : « D'après le volume de tickets de support, environ 2 000 utilisateurs par mois rencontrent ce problème. Les données d'entretien suggèrent que 60 % d'entre eux le considèrent comme un bloqueur significatif. »
Utilisez des plages plutôt que de fausses précisions : « Cela affecte 1 500-2 500 utilisateurs mensuellement » pas « Cela affecte 2 137 utilisateurs mensuellement »
Comparez les opportunités les unes aux autres pour créer un classement relatif, pas seulement des scores absolus

Format de sortie

Utilisez des en-têtes clairs et un formatage structuré. Chaque conclusion doit être autonome — un lecteur devrait pouvoir lire n'importe quelle conclusion et la comprendre sans lire le reste.

Conseils

Laissez les données parler. Ne forcez pas les conclusions dans un récit prédéterminé.
Distinguez ce que les utilisateurs disent de ce qu'ils font. Les données comportementales sont plus fortes que les préférences déclarées.
Les citations sont une preuve puissante. Incluez-les généreusement, avec attribution au type de participant (pas le nom).
Soyez explicite concernant les niveaux de confiance. Une conclusion de 2 entretiens est une hypothèse, pas une conclusion.
Les contradictions dans les données sont intéressantes, pas gênantes. Elles révèlent souvent des segments utilisateur distincts.
Les recommandations doivent être suffisamment spécifiques pour être actionnables. « Améliorer l'onboarding » n'est pas actionnable. « Ajouter un indicateur de progression au flux de configuration » l'est.
Résistez à la tentation de synthétiser trop de thèmes. 5-8 conclusions fortes sont mieux que 20 faibles.