3 novembre 2026Mis à jour le Fathy Shalaby13 min de lecture
Comment analyser des entretiens clients : un modèle de synthèse
Transformez vos notes d’entretien en preuves produit : une méthode en six étapes, un modèle de synthèse à copier, une grille de confiance, et ce que dit la recherche sur la taille d’échantillon et l’IA.
Pour analyser des entretiens clients, consignez ce que chaque personne a réellement fait et dit dans la journée qui suit l’appel, gardez ces observations séparées de votre interprétation, regroupez-les d’un entretien à l’autre selon la situation dans laquelle se trouvaient les gens, et rédigez des constats qui renvoient à leurs preuves et à une décision produit précise. Tout le reste, des notes autocollantes au tagging par IA, n’est qu’une manière de faire ces quatre choses plus vite.
Un entretien client peut produire une transcription, une page de notes et une douzaine d’idées. Ce n’est pas encore un insight produit. Ce guide propose aux petites équipes produit, aux ingénieurs produit et aux builders IA une méthode reproductible, un modèle de synthèse d’entretiens clients à copier, et les travaux de recherche qui fondent les règles empiriques.
L’essentiel
Prévoyez le temps nécessaire. GOV.UK suggère environ 1 heure d’analyse pour 2 heures de recherche (GOV.UK) ; le Nielsen Norman Group recommande de prévoir au moins autant de temps pour l’analyse que pour la collecte (NN/g, 2022).
Analysez d’abord chaque entretien séparément, puis cherchez des schémas. Teresa Torres commence la synthèse entre entretiens après trois à quatre entretiens (Product Talk).
Les thèmes se stabilisent plus tôt qu’on ne le croit : dans l’étude de Guest et ses collègues sur 60 entretiens, 34 des 36 codes les plus fréquents étaient apparus dès l’entretien 6 (NN/g, 2021).
Les entretiens vous disent ce qui se passe et pourquoi, pas à quelle fréquence. Utilisez l’analytique ou une enquête pour la prévalence.
L’IA accélère le premier passage mais doit être vérifiée : dans une étude, elle ne concordait avec les codeurs humains que sur 36 à 47 % des codes au niveau de l’élément (Prescott et al., 2024).
Quelle différence entre analyse et synthèse d’entretiens ?
Les deux mots sont souvent employés l’un pour l’autre, mais ce sont deux tâches distinctes :
Analyse d’entretien : que s’est-il passé dans cette conversation, et qu’est-ce qui reste flou ?
Synthèse : quels schémas et quelles différences significatives apparaissent d’une conversation à l’autre, et que signifient-ils pour une décision ?
L’analyse se fait entretien par entretien, le plus tôt possible ; les équipes qui pratiquent la continuous discovery la font chaque semaine. La synthèse se fait sur un ensemble d’entretiens portant sur la même décision. Les mélanger est la raison la plus fréquente d’une synthèse ratée : on passe d’un appel marquant à un schéma. Un workflow de customer discovery pour ingénieurs produit vous aide à préparer les conversations, et le guide des questions d’entretien client explique quoi demander. Les étapes ci-dessous commencent à la fin de l’appel.
Quelle méthode de synthèse choisir ?
Méthode
Origine
Temps par entretien
Idéal pour
Point faible
Affinity mapping
Méthode KJ de Jiro Kawakita, années 1960 (Wikipedia)
Elles se combinent bien. Une configuration type pour une petite équipe : un snapshot par entretien, des lignes de preuves pour tout ce qui compte pour une décision, et une séance d’affinity mapping une fois la série d’entretiens terminée.
Comment analyser des entretiens clients, étape par étape
1. Nommez la décision avant de trier les notes
Écrivez la décision produit que vous cherchez à améliorer et l’incertitude qui la sous-tend. Par exemple :
Décision : devons-nous construire un parcours automatisé de récupération des imports ?
Inconnue : les gens perdent-ils régulièrement du temps à récupérer des imports échoués, ou est-ce un agacement occasionnel ?
Preuves utiles : un exemple récent, les étapes suivies, la fréquence, et ce qu’ils ont fait quand l’import a échoué.
Cela évite que l’analyse devienne une chasse aux citations intéressantes. La question peut évoluer au fil de ce que vous apprenez, mais consignez le changement pour que l’équipe sache quelle décision chaque constat éclaire. Le guide du processus de product discovery montre d’où vient cette décision.
2. Consignez les observations avant d’y ajouter du sens
Peu après chaque conversation, notez des moments concrets tant que le contexte est frais. Le guide de GOV.UK sur l’analyse d’une session de recherche demande aux équipes d’écrire chaque observation, une citation ou un comportement, sur sa propre note avant de discuter de sa signification, et de mettre constats et actions sur des notes de couleurs différentes (GOV.UK).
Gardez quatre choses séparées :
Observation : la participante a ouvert un tableur, supprimé deux colonnes et retenté l’envoi.
Mots de la participante : une citation courte et exacte, avec l’horodatage de la transcription.
Interprétation : le processus d’import n’explique peut-être pas quelles colonnes sont obligatoires.
Idée : afficher un aperçu et laisser l’utilisateur associer les colonnes avant l’envoi.
Les deux dernières sont utiles, mais ce ne sont pas des preuves. Gardez une référence à la source à côté de chaque citation ou action pour qu’un collègue puisse la vérifier.
3. Remplissez le modèle de synthèse, une ligne par moment
Créez une ligne de preuve par moment utile, et non une par grand thème. Un seul entretien peut contenir plusieurs situations.
Champ
Ce qu’il faut consigner
Source
ID de l’entretien, date, et un lien ou un horodatage
Situation
Ce que la personne essayait de faire et ce qui l’a déclenché
Preuve
L’action précise ou la courte citation, au plus proche de l’original
Contournement
Ce qu’elle fait aujourd’hui, y compris d’autres outils ou personnes
Conséquence
Temps, risque, retard, travail perdu ou autre effet concret
Interprétation
Un besoin ou une explication possible, étiqueté comme hypothèse
Inconnue
Ce que cet entretien n’a pas établi
Prochaine étape
Une décision, une question de suivi ou un test qui pourrait réduire l’incertitude
Utilisez un code de participant, pas de données personnelles, sur un tableau partagé. N’incluez que les enregistrements, citations ou informations identifiantes que votre consentement de recherche vous autorise à partager. Un modèle d’entretien client cohérent rend comparables les lignes issues de différents intervieweurs.
Exemple fictif
Supposons qu’un participant décrive comment il nettoie un fichier CSV avant de l’envoyer. L’observation : il a supprimé deux colonnes et réessayé. La conséquence : le premier envoi a échoué et il a refait la tâche. « Les utilisateurs ont besoin d’un assistant d’import propulsé par l’IA » est une interprétation et une idée de solution, pas un constat.
La prochaine étape pourrait être d’observer une autre personne réaliser la même tâche et de vérifier si l’échec vient d’exigences peu claires, de fichiers hétérogènes ou d’autre chose. Cet exemple est inventé ; ce n’est pas un résultat client de Specky.
4. Comparez les schémas sans aplatir les différences
Après une série d’entretiens, regroupez les lignes autour d’une situation utilisateur, comme « récupérer un import échoué » ou « retrouver les bonnes données avant une revue ». C’est de l’affinity mapping : le Nielsen Norman Group recommande d’écrire d’abord les notes de manière indépendante, pendant environ 5 à 10 minutes, pour éviter les biais, puis de les regrouper en clusters et de prioriser ceux-ci, par exemple par vote à points (NN/g, 2024).
Évitez de regrouper par mots de solution comme « tableau de bord » ou « IA » : des personnes différentes emploient le même mot pour des problèmes différents. Dans le vocabulaire de l’analyse thématique, commencez par des codes descriptifs (de quoi parlent les données) avant les codes interprétatifs (ce que vous pensez que cela signifie) (NN/g, 2022).
Pour chaque thème candidat, consignez :
Le thème en une phrase.
Les ID d’entretien qui l’étayent, avec les références de sources.
Les entretiens qui ne collent pas ou montrent un autre workflow.
Le segment ou le contexte auquel le thème s’applique.
Ce qu’il vous reste à apprendre.
Ne transformez pas « trois personnes l’ont mentionné » en « la plupart des clients ont ce problème ». Les échantillons d’entretiens sont choisis pour apprendre, pas pour estimer la prévalence.
5. Rédigez des constats capables de faire évoluer une décision
Un constat utile relie une situation à des preuves et explique pourquoi cela compte. Gardez-le assez précis pour que l’équipe puisse le contester :
Quand [utilisateur ou contexte précis] essaie de [tâche], il [comportement observé ou contournement], ce qui entraîne [conséquence étayée]. Nous ne savons toujours pas [incertitude importante].
Les conseils de GOV.UK pour partager les constats suggèrent un titre qui énonce ce que vous avez appris, une ou deux phrases de faits et une ou deux sur l’importance, avec 5 à 10 constats par série (GOV.UK). Un constat court assorti de liens vers sa source vaut mieux qu’une longue présentation que personne ne peut retracer.
Ajoutez un niveau de confiance, en vous appuyant sur la grille ci-dessous.
6. Transformez les constats en prochaine étape, pas en déversoir de backlog
Pour chaque constat, choisissez une action :
Poursuivre la discovery si la situation ou la cause reste floue.
Tester un prototype si l’incertitude porte sur l’utilisabilité ou le workflow.
Vérifier une autre source si la décision dépend de la fréquence ou de l’impact business.
Rédiger une exigence si le problème et le comportement souhaité sont compris.
Ne rien faire pour l’instant si les preuves ne changent aucune décision en cours.
Reliez toute exigence à son constat et à ses sources, pour que les builders voient pourquoi le changement existe et quelles hypothèses restent ouvertes. Le passage du constat au ticket est traité dans comment stopper l’érosion des insights. Pour rédiger une spec à partir de preuves vérifiées, le générateur de PRD par IA gratuit de Specky est un point de départ possible ; relisez chaque exigence à la lumière des preuves d’origine.
Comment évaluer la confiance dans un constat d’entretien ?
« Confiance élevée » doit signifier que la preuve est directe et cohérente pour le contexte énoncé, pas que le constat est universellement vrai. Une grille simple :
Confiance
Profil de preuves
Prochaine étape typique
Élevée
Comportement observé (pas une opinion) chez 3 personnes indépendantes ou plus du même segment, sans contradiction inexpliquée
Rédiger une exigence ou tester une solution
Moyenne
Récits cohérents de 2 à 3 personnes, ou comportement chez 1 personne plus des tickets ou de l’analytique à l’appui
Suivi ciblé ou test de prototype
Faible
Une anecdote marquante, ou des opinions sur ce que les gens feraient
Garder comme signal ; ne pas construire dessus
Contesté
Preuves crédibles qui vont dans des directions différentes
Chercher un segment ou une condition qui explique la divergence
Ces seuils sont un point de départ, pas une référence. Fixez les vôtres avant de regarder les preuves.
Combien d’entretiens clients faut-il analyser ?
Il n’existe pas de chiffre unique, mais la recherche donne des fourchettes utiles. Le Nielsen Norman Group recommande de commencer avec environ 5 à 6 participants et de n’en recruter d’autres que tant que vous apprenez encore des choses nouvelles (NN/g, 2021). Le même article résume deux études classiques :
Guest, Bunce et Johnson (2006) ont analysé 60 entretiens par séries de 6. Sur 36 codes très fréquents, 34 étaient apparus dans les 6 premiers entretiens et 35 dans les 12 premiers.
Griffin et Hauser (1993) ont estimé que 20 à 30 entretiens font émerger 90 à 95 % des besoins clients pour une catégorie de produits.
Une revue systématique de 2022 portant sur 23 études a observé une saturation entre 9 et 17 entretiens, principalement pour des groupes relativement homogènes et des questions étroites (Hennink & Kaiser, 2022). Si vos utilisateurs relèvent de plusieurs segments, prévoyez-en davantage et analysez chaque segment séparément avant de les combiner.
L’IA peut-elle aider à analyser des entretiens clients ?
Oui, comme premier passage vérifié par une personne. Deux comparaisons évaluées par des pairs montrent la tendance :
Prescott et al. (2024) : ChatGPT et Bard ont reproduit 71 % (5 sur 7) des thèmes trouvés de façon inductive par des codeurs humains, en environ 20 minutes contre 567. Mais la concordance sur le codage d’éléments individuels était de 36 à 47 %, et les auteurs recommandent des approches hybrides (JMIR AI).
Sakaguchi et al. (2025) : sur 30 entretiens cliniques japonais, ChatGPT-4 concordait avec les chercheurs humains sur plus de 80 % des thèmes descriptifs, mais sur seulement environ 30 % des thèmes nécessitant une interprétation culturelle ou émotionnelle (JMIR).
Les deux études relèvent de la recherche en santé, pas de la product discovery ; prenez donc ces chiffres comme un avertissement plutôt que comme une prévision. La règle pratique : confiez à l’IA une tâche bornée. Demandez-lui d’extraire des observations, de garder les citations mot pour mot avec leur horodatage, de lister les preuves contradictoires et d’étiqueter les interprétations à part, puis vérifiez son résultat par rapport à la transcription. Ne collez pas de données confidentielles ou personnelles dans un outil à moins que votre consentement, votre contrat et vos règles de traitement des données ne l’autorisent. Pour des prompts et un tableau de vérification, consultez la synthèse de recherche client assistée par IA.
Modèle de synthèse d’entretiens clients à copier
Collez-le dans un document et faites-en une copie par série de recherche :
Décision à prendre :
Question à laquelle nous cherchons à répondre :
Participants et contexte de recrutement :
Segments représentés (et nombre par segment) :
Ligne de preuve (à répéter pour chaque moment)
- ID d’entretien / lien vers la source / horodatage :
- Situation de l’utilisateur et déclencheur :
- Ce que la personne a fait ou dit :
- Contournement actuel :
- Conséquence :
- Observation, interprétation ou idée :
- Ce que cela ne nous dit pas :
Thème candidat (à répéter pour chaque thème)
- Constat (Quand... il... ce qui entraîne... Nous ne savons toujours pas...) :
- ID d’entretien à l’appui et références de sources :
- Cas contradictoires ou différents :
- Segment ou contexte où cela s’applique :
- Confiance (élevée / moyenne / faible / contestée) et raison :
- Question ouverte :
- Prochaine étape (poursuivre / prototype / vérifier une source / exigence / rien pour l’instant) :
Erreurs courantes dans l’analyse d’entretiens
Attendre la fin de tous les entretiens. Les détails s’effacent en quelques jours. Analysez d’abord chaque appel, puis faites la synthèse.
Compter les mentions au lieu des personnes. Un client qui répète une plainte reste un seul point de donnée.
Regrouper par demande de fonctionnalité. Regroupez par situation et par job ; les demandes sont des interprétations.
Faire disparaître les contradictions dans une moyenne. Une divergence révèle souvent un segment que votre premier thème avait masqué.
Sauter la décision. Une synthèse sans décision nommée produit des présentations intéressantes et aucun changement.
Analysez chaque conversation tant qu’elle est fraîche, puis comparez les entretiens qui portent sur la même décision et le même contexte utilisateur. Commencez à chercher des schémas après trois à quatre entretiens, comme le suggère Torres, et attendez-vous à ce que les principaux thèmes d’un segment assez homogène apparaissent en 6 à 17 entretiens environ. Aucun nombre ne rend des entretiens qualitatifs statistiquement représentatifs ; utilisez d’autres méthodes pour la prévalence.
Que faire quand les interviewés se contredisent ?
Gardez les deux cas. Vérifiez si les personnes diffèrent par leur rôle, leur expérience, leur déclencheur, leurs contraintes ou leurs contournements. Une contradiction peut révéler un segment ou une condition que votre premier thème avait masqué. Marquez le thème comme contesté, consignez ce qui expliquerait la divergence, et prévoyez un entretien de suivi ou un test qui la cible, plutôt que d’en lisser la différence.
La synthèse d’entretiens est-elle la même chose qu’un entretien JTBD ?
Non. Un entretien Jobs to Be Done est une manière de mener une conversation : il reconstitue les circonstances et la progression derrière un choix. La synthèse est le travail d’organisation et d’interprétation des preuves issues d’une ou plusieurs sessions, quel que soit le style d’entretien. Vous pouvez, et devriez souvent, synthétiser des entretiens JTBD avec les mêmes lignes de preuves et la même grille de confiance que ci-dessus.
Combien de temps faut-il pour analyser un entretien client ?
Prévoyez environ la moitié de la durée de l’entretien en plus pour l’analyse d’un seul entretien, en phase avec les 1 heure d’analyse pour 2 heures de recherche de GOV.UK. L’interview snapshot de Torres prend 15 à 25 minutes après un entretien de 20 à 30 minutes. Un codage thématique complet des transcriptions prend bien plus de temps et convient à des études plus vastes plutôt qu’à un rythme hebdomadaire.
Quel est le meilleur outil de synthèse d’entretiens ?
Le meilleur outil est celui qui garde chaque constat relié à sa source. Un tableur avec les colonnes de lignes de preuves ci-dessus convient à la plupart des petites équipes. Les tableaux blancs conviennent aux séances d’affinity mapping, et les dépôts de recherche aident lorsque plusieurs personnes mènent des entretiens. Quel que soit l’outil, chaque constat doit avoir un lien fonctionnel vers le moment de la transcription qui l’étaye.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing