Les gens mentent sur l'avenir sans le vouloir. Une bonne enquête ne leur demande pas ce qu'ils voudraient : elle observe ce qu'ils ont déjà fait.
⏱️ Durée : environ 100 minutes · 🎓 Niveau : avancé · 🏅 Badge : Enquêteur de besoins
🎬 L'histoire
Pour savoir si les membres veulent un « mode communauté », Kodi envoie un sondage. 87 % répondent « oui, bonne idée ». Il lance la fonctionnalité : trois semaines plus tard, 4 % des membres l'ont ouverte. Maya revient avec dix entretiens. Elle ne pose aucune question sur le mode communauté. Elle demande : « Racontez-moi la dernière fois que vous êtes resté bloqué sur un cours. Qu'avez-vous fait ? » Sept personnes sur dix répondent : « J'ai cherché sur un moteur de recherche, puis posé la question à un collègue. »
« Le sondage mesurait la politesse, dit Maya. Les entretiens ont mesuré des faits. Le vrai problème n'est pas "pas de communauté" : c'est "être bloqué et ne pas savoir à qui demander au bon moment". La solution peut être autre chose qu'une communauté. »
Tu apprends à conduire des entretiens utiles (la règle du « Mom Test »), à distinguer faits et opinions, à regrouper des observations en thèmes, à estimer combien d'entretiens suffisent, à évaluer l'importance et la satisfaction des besoins, et à construire un arbre d'opportunités.
🎯 Ta mission
À la fin, je serai capable de :
- conduire un entretien de découverte centré sur le passé et les faits
- classer des phrases d'entretien en faits, opinions et promesses futures
- regrouper des observations en thèmes (affinités) et estimer la saturation
- calculer la marge d'erreur d'un sondage et en reconnaître les biais
- hiérarchiser des opportunités avec importance et satisfaction, et bâtir un arbre d'opportunités
🧩 Défi d'échauffement (5 XP)
Un ami veut ouvrir un café. Tu lui demandes : « Tu viendrais dans mon café ? » Il répond : « Bien sûr ! » Que vaut cette réponse ? Maintenant tu lui demandes : « La dernière fois que tu as voulu un café avant le travail, où es-tu allé, combien as-tu payé, et qu'est-ce qui t'a agacé ? » Laquelle des deux questions t'apprend le plus, et pourquoi ?
💡 Le concept
La découverte (discovery)
La découverte produit est le travail continu qui consiste à comprendre les problèmes des utilisateurs avant de construire. Elle réduit le risque de valeur (mission 1) à moindre coût. Elle est menée par le trio produit / design / technique, chaque semaine, pas une fois par an.
Les méthodes
| Méthode | Apprend | Limite |
|---|---|---|
| Entretien (5 à 8 personnes d'un segment) | pourquoi et comment, contexte, vocabulaire | petits échantillons, pas de chiffres généralisables |
| Observation (suivre quelqu'un au travail) | ce que les gens font réellement | coûteux |
| Sondage | combien, répartition, mesure | mauvais pour découvrir, biais de réponse |
| Données d'usage | ce que les gens font sur le produit | ne dit pas pourquoi |
| Support, avis, tickets | douleurs récurrentes | biais vers les mécontents |
| Tests d'usage | difficultés avec une interface |
Principe : combiner qualitatif (pourquoi) et quantitatif (combien).
La règle du « Mom Test »
Une maman dit toujours que ton idée est géniale. Pour obtenir une information fiable :
- Parle de leur vie, pas de ton idée.
- Demande des faits passés, pas des opinions ni des promesses (« comment as-tu fait la dernière fois ? » plutôt que « tu utiliserais ? »).
- Parle moins, écoute plus.
- Creuse : « pourquoi ? », « raconte-moi », « et ensuite ? », « combien ça t'a coûté ? ».
- Cherche les engagements (temps, argent, réputation) plutôt que les compliments.
| Phrase entendue | Nature | Valeur |
|---|---|---|
| « J'ai essayé trois outils le mois dernier. » | fait passé | forte |
| « Je paie 30 € par mois pour ça. » | fait / engagement | très forte |
| « Ça serait super d'avoir ça. » | opinion / compliment | faible |
| « Je l'utiliserais sûrement. » | promesse future | quasi nulle |
| « Pourquoi pas un tableau de bord ? » | solution proposée | à creuser : quel problème ? |
Biais à connaître
| Biais | Effet |
|---|---|
| Politesse / désirabilité sociale | on répond ce qui plaît |
| Confirmation | on retient ce qui confirme l'idée |
| Échantillon biaisé | interroger des amis, des fans, des gens faciles à joindre |
| Question orientée | « Ne trouvez-vous pas que… ? » |
| Biais de survie | on n'interroge que ceux qui sont restés |
Du verbatim aux thèmes
- Noter des citations et des faits (pas des interprétations).
- Regrouper par affinité : chaque thème = un type de problème.
- Compter combien de personnes (pas combien de citations) évoquent chaque thème.
- Distinguer fréquence et intensité (la douleur, le coût).
Combien d'entretiens ?
Si un problème touche une proportion p des utilisateurs, la probabilité qu'au moins une personne sur n l'évoque est 1 − (1 − p)ⁿ. Un problème qui touche 30 % des gens est entendu au moins une fois dans 5 entretiens avec 83 % de probabilité. On s'arrête à la saturation : quand de nouveaux entretiens n'apportent plus de thème nouveau.
Sondage : marge d'erreur
Pour une proportion p observée sur n répondants (confiance 95 %) : marge ≈ 1,96 × √(p(1−p)/n). Avec n = 100 et p = 50 % : ± 9,8 points. Avec n = 1 000 : ± 3,1 points. La marge ne protège pas des biais d'échantillon.
Importance et satisfaction
Pour hiérarchiser des besoins (Ulwick) : demander l'importance et la satisfaction actuelle (échelle 1 à 10). L'opportunité = importance + max(importance − satisfaction, 0). Haute importance + basse satisfaction = opportunité forte.
L'arbre d'opportunités
flowchart TB
R["Résultat visé : plus de cours terminés"] --> O1["Opportunité : je suis bloqué et ne sais pas à qui demander"]
R --> O2["Opportunité : je perds le fil après une pause"]
O1 --> S1["Idée : tutorat à la demande"]
O1 --> S2["Idée : questions-réponses par cours"]
O2 --> S3["Idée : résumé au retour"]
Description du schéma : un résultat visé en racine, deux opportunités (problèmes des utilisateurs) en dessous, et plusieurs idées de solutions sous chaque opportunité.
On choisit une opportunité, on explore plusieurs solutions possibles (jamais une seule), et on teste (mission 3).
🧠 Astuce : après chaque entretien, écris ce que la personne a fait, pas ce qu'elle a dit qu'elle ferait. Si ton compte rendu ne contient que des opinions, l'entretien n'a rien appris.
🔍 Exemple pas à pas
Problème : classer des phrases d'entretien (fait, engagement, opinion, promesse, solution), estimer par simulation combien d'entretiens sont nécessaires, regrouper des observations en thèmes, calculer la marge d'erreur d'un sondage et classer des opportunités selon importance et satisfaction.
import math, random, re
from collections import Counter, defaultdict
# ---------------- 1. fait ou opinion ? règle du Mom Test ----------------
def classer(phrase):
p = phrase.lower()
if re.search(r"\b(je paie|j'ai payé|j'ai acheté|je paye|abonn)", p): return "engagement"
if re.search(r"\b(j'ai|je suis allé|hier|la semaine dernière|le mois dernier|la dernière fois|j'étais)\b", p): return "fait passé"
if re.search(r"\b(je ferais|j'utiliserais|je voudrais|je serais|ça serait|ce serait|je pourrais|sûrement|probablement)\b", p): return "promesse / opinion"
if re.search(r"\b(il faudrait|pourquoi pas|vous devriez|et si)\b", p): return "solution proposée"
return "autre"
NOTES = ["La dernière fois, j'ai cherché sur un moteur de recherche puis j'ai demandé à un collègue.",
"Je paie 30 € par mois pour une plateforme de cours.",
"Ça serait super d'avoir une communauté.",
"J'utiliserais sûrement un tableau de bord.",
"Pourquoi pas un forum ?",
"La semaine dernière, je suis resté bloqué deux heures sur un exercice."]
resultats = [classer(n) for n in NOTES]
for n, r in zip(NOTES, resultats): print(f" {r:20s} ← ")
resultats == [, , , , , ]
(, )
(): - ( - p) ** n
()
n (, , , , ):
()
(proba_au_moins_un(, ), ) == (proba_au_moins_un(, ), ) ==
rng = random.Random()
PREVALENCES = [, , , , , , , , , , , ]
():
total =
_ (essais):
vus = ()
_ (n):
i, p (PREVALENCES):
rng.random() < p: vus.add(i)
total += (vus)
total / essais
()
courbe = {n: decouverts_apres(n) n (, , , , , , )}
n, v courbe.items(): ()
courbe[] > courbe[] < courbe[] - courbe[] < courbe[] - courbe[] +
THEMES = {: (, , , , ),
: (, , , , ),
: (, , , , ),
: (, , , )}
VERBATIMS = [, , ,
, , , ]
par_theme = defaultdict()
i, v (VERBATIMS):
theme, mots THEMES.items():
(re.search( + re.escape(m) + , v.lower()) m mots): par_theme[theme].append(i)
({t: (ids) t, ids (par_theme.items(), key= kv: -(kv[]))})
(par_theme[]) == (par_theme[]) == (par_theme[]) ==
(): * math.sqrt(p * ( - p) / n)
n (, , , , ):
()
(marge(, ) * , ) == (marge(, ) * , ) ==
n_necessaire = math.ceil(( / ) ** * )
(, n_necessaire)
n_necessaire ==
BESOINS = {: (, ), : (, ), : (, ), : (, ), : (, )}
(): importance + (importance - satisfaction, )
classement = (BESOINS.items(), key= kv: -opportunite(*kv[]))
besoin, (i, s) classement: ()
classement[][] == classement[-][] (, )
Lecture :
- Le classeur applique la règle du Mom Test : seules les phrases au passé et les engagements sont des faits. Les compliments, promesses et suggestions de solutions sont à manier avec prudence.
- Un problème qui touche 30 % des gens est entendu au moins une fois dans 5 entretiens avec 83 % de probabilité ; les thèmes découverts suivent une courbe à rendements décroissants : après 8 à 12 entretiens, on apprend peu de choses nouvelles.
- Le regroupement par affinité compte les personnes par thème : « blocage », « temps », « motivation » ressortent à égalité ici.
- Pour un sondage, la marge d'erreur passe de ± 9,8 points (n = 100) à ± 3,1 points (n = 1 000) — il faut 1 068 répondants pour ± 3 points. Mais une marge faible n'élimine pas les biais d'échantillon.
- Le besoin « trouver de l'aide quand je suis bloqué » (importance forte, satisfaction faible) est la plus forte opportunité.
✍️ À toi, avec aide (10 XP)
Tu veux savoir si le problème « les nouveaux membres ne savent pas par où commencer » est assez répandu. D'après les données d'usage, tu estimes qu'il touche environ 25 % des nouveaux membres.
- Combien d'entretiens faut-il pour avoir 90 % de chances d'entendre ce problème au moins une fois ?
- Combien pour l'entendre au moins trois fois avec 80 % de chances ? (Simule ou calcule avec la loi binomiale.)
- Pour le sondage de confirmation : combien de répondants pour estimer la proportion à ± 5 points près (95 % de confiance, p = 25 %) ?
💡 Indice 1
Cherche le plus petit n tel que 1 − 0,75ⁿ ≥ 0,9.
💡 Indice 2
Pour 'au moins 3', calcule 1 − P(0) − P(1) − P(2) avec math.comb.
💡 Indice 3
n = (1,96 / 0,05)² × p(1 − p).
✅ Réponse
import math
p = 0.25
n1 = next(n for n in range(1, 100) if 1 - (1 - p) ** n >= 0.90)
def au_moins(k, n): return 1 - sum(math.comb(n, i) * p**i * (1 - p)**(n - i) for i in range(k))
n2 = next(n for n in range(1, 100) if au_moins(3, n) >= 0.80)
n3 = math.ceil((1.96 / 0.05) ** 2 * p * (1 - p))
print(n1, n2, n3)
assert (n1, n2, n3) == (9, 16, 289)
- 9 entretiens suffisent pour entendre le problème au moins une fois avec 90 % de chances.
- Pour l'entendre au moins trois fois avec 80 % de chances, il en faut 16 : la confiance en un thème (« plusieurs personnes l'ont dit ») coûte beaucoup plus d'entretiens qu'une simple détection.
🚀 À toi, en solo (20 XP)
Analyseur de notes d'entretien. Écris un outil qui traite un corpus de 10 comptes rendus d'entretiens (que tu rédiges, 6 à 10 phrases chacun, avec des faits, des opinions, des promesses) et produit une synthèse :
- classe chaque phrase (fait passé, engagement, opinion/promesse, solution proposée) avec la fonction du cours et calcule, par entretien, la part de faits (qualité de l'entretien) ;
- regroupe les phrases en thèmes (mots-clés) et compte les personnes par thème (pas les citations) ;
- identifie les solutions proposées (à ne pas retenir telles quelles) et remonte au problème sous-jacent par thème ;
- marque les entretiens de faible qualité (moins de 40 % de faits) comme « à refaire » ;
- calcule la saturation : combien de thèmes nouveaux apportent les entretiens 6 à 10 par rapport aux 5 premiers ;
- produit un rapport texte : thèmes classés par nombre de personnes, avec 2 citations factuelles chacun.
✅ Pistes de correction
import re
from collections import defaultdict
def classer(phrase):
p = phrase.lower()
if re.search(r"\b(je paie|j'ai payé|j'ai acheté|abonn)", p): return "engagement"
if re.search(r"\b(j'ai|je suis allé|hier|la semaine dernière|le mois dernier|la dernière fois|j'étais|je me suis|je me sentais|j'avais)\b", p): return "fait passé"
if re.search(r"\b(je ferais|j'utiliserais|je voudrais|ça serait|ce serait|sûrement|probablement)\b", p): return "opinion"
if re.search(r"\b(il faudrait|pourquoi pas|vous devriez|et si)\b", p): return "solution proposée"
return "autre"
THEMES = {"blocage": ("bloqué", "coincé", "perdu"), "temps": ("pas le temps", "fatigué", "le soir"), "motivation": ("abandonné", "lâché", "seul"), "prix": ("cher", "abonnement")}
ENTRETIENS = {
"E1": ["Je me suis retrouvé bloqué deux heures sur un exercice.", "J'ai demandé à un collègue, qui n'a pas répondu.", ],
: [, , ],
: [, , ],
: [, ],
: [, , ],
: [, ],
: [, , ],
: [, ],
: [, , ],
: [, ],
}
qualite, theme_personnes, citations, vus = {}, defaultdict(), defaultdict(), []
e, phrases ENTRETIENS.items():
classes = [(p, classer(p)) p phrases]
faits = [p p, c classes c (, )]
qualite[e] = (faits) / (phrases)
themes_e = ()
p, c classes:
t, mots THEMES.items():
(re.search( + re.escape(m) + , p.lower()) m mots):
theme_personnes[t].add(e); themes_e.add(t)
c (, ) (citations[t]) < : citations[t].append()
vus.append(themes_e)
a_refaire = [e e, q qualite.items() q < ]
premiers = ().union(*vus[:]); nouveaux = ().union(*vus[:]) - premiers
(, a_refaire, , nouveaux )
t, personnes (theme_personnes.items(), key= kv: -(kv[])):
()
{, } <= (a_refaire) ({, , , } & (a_refaire)) theme_personnes[] >= {, , , }
⚠️ Pièges classiques
| Piège | Pourquoi c'est un problème | Comment l'éviter |
|---|---|---|
| Demander « utiliserais-tu ? » | Réponses polies, promesses sans valeur | Demander des faits passés et des engagements |
| N'interroger que des amis ou des fans | Échantillon biaisé | Recruter le segment visé, y compris les mécontents et les non-clients |
| Prendre une solution proposée pour un besoin | On construit la solution de quelqu'un d'autre | Remonter au problème (« pourquoi ? ») |
| Compter des citations, pas des personnes | Un bavard fausse le classement | Compter le nombre de personnes par thème |
🐉 Mini-boss (40 XP)
Synthèse de découverte de HashBox. Construis un jeu de données de 15 entretiens fictifs (10 à 12 phrases chacun, mélange de faits, opinions, promesses et solutions) sur le thème « abandon des nouveaux membres » et un sondage fictif de 400 réponses (graine fixée) sur 5 besoins (importance et satisfaction de 1 à 10).
- évalue la qualité de chaque entretien (part de faits) et marque ceux à refaire ;
- regroupe en thèmes, compte les personnes, et estime la saturation par courbe (thèmes nouveaux en fonction du nombre d'entretiens) ;
- calcule l'opportunité de chacun des 5 besoins avec intervalle de confiance bootstrap sur les moyennes ;
- construis un arbre d'opportunités (résultat visé → 3 opportunités → 2 idées chacune) sous forme de structure de données, et affiche-le ;
- identifie l'opportunité à explorer en premier et rédige l'énoncé de problème (Qui / difficulté / cause / conséquence) ;
- liste 3 biais possibles dans ton jeu de données et comment tu les atténuerais.
✅ Pistes de correction
Un bon dossier : chaîne de traitement entretien → qualité → thèmes → saturation; tableau d'opportunités avec intervalles qui se chevauchent ou non (la hiérarchie n'est affirmée que si les intervalles sont disjoints); arbre d'opportunités affiché en texte; énoncé de problème sans solution; biais cités (recrutement via la newsletter, biais de survie, politesse) avec contre-mesures (interroger des membres ayant abandonné, croiser avec les données d'usage).
⚡ Quiz éclair (15 XP si 4/5 ou plus)
1. Pour obtenir une information fiable en entretien, on demande plutôt :
- A. si elle utiliserait notre idée
- B. si elle trouve l'idée géniale
- C. ce que la personne a fait la dernière fois
2. Le nombre de personnes à interroger se juge par :
- A. la saturation : de nouveaux entretiens n'apportent plus de thème nouveau
- B. un chiffre fixe de 100
- C. le budget restant
3. L'opportunité d'un besoin est forte quand :
- A. l'importance est faible
- B. l'importance est forte et la satisfaction actuelle faible
- C. la satisfaction est maximale
4. 🔁 Révision mission 01 : Un résultat (outcome) est :
- A. une fonctionnalité livrée
- B. un fichier de spécifications
- C. un changement observable dans le comportement des utilisateurs
5. 🔁 Révision mission 01 : L'étoile du nord est :
- A. une métrique qui reflète la valeur délivrée aux utilisateurs
- B. le nombre de lignes de code
- C. le chiffre d'affaires du trimestre précédent
✅ Réponses
- C.
- A.
- B.
- C.
- A.
🪞 Je réfléchis (10 XP)
- Combien de fois, ce mois-ci, as-tu parlé à un utilisateur réel sans lui présenter ta solution ?
- Quel besoin que tu crois « évident » n'a jamais été vérifié par un fait ?
🎒 À retenir
- Entretiens : le passé et les faits, pas les opinions ni les promesses.
- Mom Test : parler de leur vie, pas de ton idée.
- Thèmes par affinité, comptés en personnes ; saturation.
- Sondage : marge d'erreur ≈ 1,96·√(p(1−p)/n), les biais restent.
- Opportunité = importance + max(importance − satisfaction, 0) ; arbre d'opportunités.
🏅 Récompenses
Total possible : 100 XP · 🏅 Badge Enquêteur de besoins
← Mission 01 — Product thinking · Mission 03 — Hypothèses et validation →
HEF-150 — Ingénierie produit

