UserVoice : écouter les apprenants chaque lundi
1 retour sur 3 concerne le contenu.
Une plateforme EdTech reçoit des milliers de retours d'apprenants par an, répartis entre quatre sources, et jamais lus ensemble.
Je les ai réunis dans une seule table. L'IA classe chaque retour avec un score de confiance et laisse les cas douteux à un humain. Le bilan se lit en cinq minutes, chaque lundi.
On pensait surtout à des bugs. La donnée a désigné le contenu, et l'effort s'est déplacé vers sa qualité.
Le point de départ
Les retours arrivent par quatre sources : l’enquête NPS, le test de niveau, la fin de parcours, et un formulaire de retour libre présent sur toutes les pages du site.
Quand j’ai lancé UserVoice, en septembre 2026, ces retours n’étaient pas qualifiés. Chacun restait dans sa source, et les mêmes sujets revenaient sans qu’on sache s’ils étaient déjà traités.
L’hypothèse implicite voulait que nos problèmes soient surtout des bugs.
Écouter chaque lundi
Je suis parti d’une question à laquelle je voulais pouvoir répondre chaque lundi, en cinq minutes. Quels sujets reviennent le plus ? Sont-ils traités ? Un nouveau sujet est-il apparu sans que personne l’ait vu ?
Pour y répondre, il fallait lire les quatre sources ensemble. Je les ai réunis dans une seule table. Chaque retour y garde le contexte du jour où il a été donné, et se relit ainsi des mois plus tard.
Chaque retour est ensuite qualifié sur deux axes. S’il signale un bug, il reçoit une signature parmi 35. Sinon, il reçoit un ou plusieurs thèmes de satisfaction parmi 29, puisqu’un même commentaire peut en citer plusieurs.
Ce que la donnée a montré
De mars à septembre 2026, un retour sur trois laissé dans le formulaire du site concerne le contenu.
L’enquête NPS le confirme. Sur deux mois de l’été 2026, près d’un commentaire sur cinq touche aux explications, aux exercices ou aux traductions. La moitié sont des critiques ou des demandes.
Les bugs restent suivis, signature par signature. Mais la satisfaction se joue d’abord sur la qualité du contenu et de ses explications, et c’est donc là qu’il y a le plus à gagner.
Ce que j’ai construit
J’ai mené UserVoice seul, avec Claude Code pour écrire le code.
L’IA classe chaque retour et y joint un score de confiance. Sous un seuil, ou quand deux réponses sont trop proches, le retour part dans une file de validation humaine. Chaque validation enrichit les exemples donnés à l’IA. Des règles mécaniques prennent le relais sur les cas évidents, comme les réponses vides ou les doublons. La file de validation humaine a fondu de 87 % en trois jours.
Au-dessus de la table, le tableau de bord a deux couches : l’une montre ce qui bouge, l’autre avance une explication. Le bilan du lundi croise le volume de chaque sujet et son statut de traitement. C’est lui qui répond à la question de départ.
Chaque décision est tracée dans un registre et le code est vérifié par des tests. On peut revenir sur un seuil en sachant pourquoi il a été fixé.
La donnée a désigné le contenu : le second projet de ce portfolio, l’audit qualité du contenu, part de ce constat.
Pour aller plus loin
Ce que j'ai écarté
- Une double catégorisation humaine. Seule la signature se saisit ; le reste se déduit des données datées.
- Toute écriture dans la source. On la lit, on ne la modifie jamais.
- Un rapport organisé par variations statistiques. On n'y voyait pas si un sujet était traité.
Les pièges payés
- Des identifiants très longs, que les tableurs corrompaient en les passant en notation scientifique.
- Des virgules décimales dans l'une des sources.
- Un tableau de bord figé sans que personne ne s'en aperçoive.