Entraînez un modèle sur vos réponses d’enquête, scorez tous les autres

SurveyAnalytica

10 Sep 2026

Environ un client sur huit seulement répond à votre enquête. Voici comment utiliser ses réponses comme étiquettes d’entraînement, pour qu’un modèle vous dise ce que vivent les sept autres.

Environ un client sur huit remplit votre enquête. Vos rapports reposent sur ces réponses. Les sept autres ne vous disent rien — mais vous avez déjà leurs données : ce qu’ils ont acheté, la date de leur dernière connexion, la fréquence de leurs contacts avec le support, ce sur quoi ils ont cliqué. Vous savez ce qu’ils ont fait. Vous ignorez seulement ce qu’ils en ont pensé.

Cet article montre, écran par écran, comment combler cet écart dans SurveyAnalytica : joindre les données, créer les variables, entraîner le modèle sur vos réponses d’enquête prises comme étiquettes, puis scorer les clients qui n’ont jamais répondu.

Environ un client sur huit remplit votre enquête. Vos rapports reposent sur ces réponses.

Les sept autres ne vous disent rien. Mais vous avez déjà leurs données : ce qu’ils ont acheté, la date de leur dernière connexion, la fréquence de leurs contacts avec le support, ce sur quoi ils ont cliqué. Vous savez ce qu’ils ont fait. Vous ignorez seulement ce qu’ils en ont pensé.

C’est cet écart que l’on comble ici.

Données comportementales & transactionnelles~100 %

Vous les avez pour tout le monde, en permanence. Elles montrent ce que les gens ont fait, pas ce qu’ils ont ressenti.

Réponses aux enquêtes~12 %

Seule une petite partie répond. Mais ce sont les seuls à vous avoir dit ce qu’ils ont ressenti.

Alors, plutôt que de courir après un meilleur taux de réponse, servez-vous des réponses que vous avez déjà pour apprendre à un modèle ce que signifient ces comportements. Puis appliquez-le à tout le monde.

Votre enquête cesse d’être le rapport. Elle devient le corrigé.

La mise en place

Sept étapes. Chaque écran ci-dessous est réel, avec les boutons nommés tels que vous les trouverez.

Étape 01

Rapatriez les événements — et les personnes auxquelles ils se rattachent

Pourquoi cette étapeUn modèle ne peut apprendre que des données qu’il voit vraiment. Aujourd’hui, vos commandes sont dans un système et vos fiches clients dans un autre, et ni les unes ni les autres n’ont une forme exploitable pour l’entraînement. Cette étape réunit les deux au même endroit.

Workspace ▸ Data ▸ Create Data Hub · Contact Lists ▸ Import Contacts

Il vous faut deux choses. Un jeu de données contient les événements : commandes, sessions, tickets, clickstream. Une liste de contacts contient les personnes auxquelles ces événements se rattachent. Choisissez From a flow si les données continuent d’arriver, ou Upload a file pour un import ponctuel.

Create Data Hub

Upload a fileCSV, Excel, images ou documents depuis votre ordinateur.

Industry dataClonez un jeu de données public sélectionné dans votre espace de travail.

From a flowLaissez une automatisation écrire des lignes dans ce jeu de données.

Assistant :UploadPrepareRefinePublishAnalyze

Le clickstream a sa propre porte d’entrée : Connectors Marketplace ▸ Clickstream Publisher ▸ Create Clickstream workflow, puis installez le SDK — Vanilla JS, Next.js, React, React Native, Flutter ou iOS.

Les contacts arrivent des deux mêmes façons : Upload CSV, ou un flow qui les ajoute au fur et à mesure qu’ils apparaissent dans vos systèmes. Configurez ensuite les champs — c’est là que la réponse du modèle sera écrite plus tard.

Contact List — Manage Contact Fields

Import ContactsUpload CSVQuick Add Standard Fields

Field ID	Display Label	Type
email	Email	Email
plan	Plan	Dropdown
tenure_months	Tenure (months)	Number
experience_flag	Experience	Dropdown

Add Custom FieldSave Field Schema

Ajoutez experience_flag dès maintenant et laissez-le vide. L’étape 07 y écrira la prédiction. Sur ce même écran, vous filtrerez ensuite dessus pour construire un segment.

Étape 02

Joignez comportement et feedback sur votre propre identifiant

Pourquoi cette étapeUn modèle apprend à partir d’exemples, et un exemple exige le comportement et la réponse sur la même ligne. Séparées, votre table de commandes et vos réponses d’enquête n’ont rien à enseigner. Jointes, chaque ligne dit : voici ce qui s’est passé, et voici ce que la personne en a pensé.

Workspace ▸ Analytics model ▸ Data & Relationships

Glissez vos sources sur le canevas et reliez-les. La liste de contacts est la colonne vertébrale : tout s’y rattache, parce que c’est la seule table qui s’accorde sur l’identité du client.

Le volet enquête est déjà relié

Si vous avez diffusé l’enquête vers une liste de contacts, vous n’avez rien à réconcilier. Chaque invitation porte un identifiant de session généré avec l’ID du contact, sa liste, son e-mail et son nom, si bien que la réponse revient estampillée de son auteur.

Et vous envoyez généralement une enquête à propos de quelque chose : une commande qui vient de partir, un ticket qui vient d’être clos, une livraison qui vient d’arriver. Transmettez cette référence sous forme de variable personnalisée — numéro de commande, numéro de ticket, ID de transaction — et elle se retrouve elle aussi sur la réponse. Idem pour les enquêtes envoyées depuis votre propre routeur e-mail ou via un lien sur votre site.

La réponse ne revient donc pas flottante au niveau du client. Elle revient attachée à l’objet précis dont elle parlait.

Les options de rapprochement ci-dessous concernent donc les systèmes que vous ne maîtrisez pas : la base de commandes, l’export du helpdesk, le tableur de la finance. Vos données de feedback, elles, arrivent propres.

Pour ceux-là, How to match et Normalize keys règlent les écarts sans lancer de chantier de nettoyage de données.

Analytics model — Data & Relationships

Basic DetailsData & RelationshipsPreview

Available Data Sources — click to add to canvas

Contact List · la colonne vertébrale

customers · contactId · email · plan · tenure_months · experience_flag

Survey · étiquettes — arrive déjà relié

csat_responses · contactId · orderId · sid

Dataset · comportement

orders_2026 · orderId · customer_email

How should the two keys be matched?

Exact match

Ignore case

Starts with · Contains

Close match (fuzzy) · Max differences: 2

Within range · Near (distance)

Normalize source field

trim spaces

Normalize target field

lowercase

Observez la forme : le comportement est renseigné pour tout le monde, les réponses d’enquête seulement pour certains. Cet écart est tout l’enjeu. Les lignes avec réponse entraînent le modèle. Les lignes sans réponse sont celles que vous prédisez.

Cela mérite qu’on s’y arrête, car c’est ce que la plupart des outils d’enquête ne savent pas faire. Une note qui arrive avec un numéro de commande vous dit quelle commande l’a provoquée. Vous ne devinez pas laquelle des quarante transactions d’un client a déclenché l’avis à deux étoiles — vous le savez, et le modèle aussi.

Vous avez donc deux façons de construire le jeu d’entraînement, et le choix dépend de la question posée :

Une réponse, une transaction. Joignez la réponse à la commande ou au ticket dont elle provient. Chaque ligne est une interaction unique et son résultat — la livraison avait trois jours de retard, le paiement a demandé quatre tentatives, et le client a mis deux sur cinq. Ce modèle prédit une interaction : cette commande part-elle de travers ?
Un client, plusieurs transactions. Agrégez les événements par personne — nombre de commandes, retard de livraison moyen, tickets du dernier trimestre — et rapprochez-les de la note globale qu’il vous donne. Ce modèle prédit une relation : ce client est-il en train de vous échapper ?

Les deux sont utiles et répondent à des questions différentes. Le premier attrape une mauvaise expérience tant qu’elle est encore rattrapable. Le second vous dit qui appeler ce mois-ci. Vous pouvez construire les deux à partir de la même vue jointe ; l’agrégation se fait à l’étape suivante.

Étape 03

Créez les variables qui portent le signal

Pourquoi cette étapeLes modèles se débrouillent mal avec les colonnes brutes. « Dernière connexion : 3 mars » ne dit rien à un modèle. « 47 jours depuis la dernière connexion, alors que l’habitude est de 4 » lui dit beaucoup. Si vous construisez la vue par client de l’étape précédente, c’est aussi ici que se fait l’agrégation — comptages, moyennes et totaux, voilà ce qui transforme quarante lignes de commandes en une seule ligne sur une personne.

Analytics ▸ Predictions ▸ Feature Engineering ▸ Open Studio

Choisissez une transformation dans la liste, ou écrivez l’expression vous-même. Idem pour l’étiquette : une note brute de 0 à 10 est difficile à prédire, mais regroupée en promoteurs, passifs et détracteurs, elle devient simple.

Feature Studio — Transformations

ScalingEncodingCleaningInteractionsDatetimeTextSelection

Bin / Bucket

One-Hot Encode

Normalize (0-1)

Standardize

Ratio

Cross Features

Extract Components

Fill Missing

TF-IDF

Word Count

Polynomial

Log Transform

Add Custom Feature — Expression (SQL)

— réponses de détracteurs par compte, 90 derniers jours
COUNTIF(nps_score <= 6) OVER (PARTITION BY customer_id)

Preview resultApply Selection

Les commentaires écrits comptent aussi. Word Count et TF-IDF transforment le champ libre que personne n’avait le temps de lire en quelque chose d’exploitable par le modèle.

Étape 04

Choisissez un modèle et définissez l’étiquette

Pourquoi cette étapeC’est ici que l’enquête fait son travail. Target Column est la réponse que vous apprenez au modèle à produire — votre réponse d’enquête. Feature Columns sont ce à partir de quoi il apprend. Réussissez cet appariement et le reste est mécanique.

Analytics ▸ Predictions ▸ Model Selection → Data Preparation → Training

Le catalogue couvre Classification, Regression, Forecasting, Clustering, Image et Text. Si vous préférez ne pas choisir, AI Recommend propose un modèle et une cible à partir de vos colonnes.

Predictions — Training Studio

Model SelectionData PreparationTrainingResults & Comparison

Model Name

Experience Predictor v1

Model type

Boosted Tree Classifier

Feature Columns

sessions_30ddays_since_last_sessiontickets_per_monthlate_deliveries_qweekday_of_orderverbatim_wordcount

Target Column

nps_band ← l’étiquette d’enquête

Train / Test Split

80 / 20

Start TrainingTrain with Grid Search

Étape 05

Comparez les versions, puis passez-en une en live

Pourquoi cette étapeVotre premier modèle est rarement le meilleur, et le chiffre d’exactitude le flatte. Si 90 % de vos clients sont satisfaits, un modèle qui répond « satisfait » à chaque fois affiche 90 % d’exactitude et ne sert à rien. C’est à cette étape que vous le repérez.

Analytics ▸ Predictions ▸ Results & Comparison ▸ Versions

Regardez la précision et le rappel plutôt que l’exactitude. Entraînez un second modèle, comparez les deux, et appuyez sur Mark as Live pour celui en qui vous avez confiance.

Model Performance

0.87Accuracy

0.79Precision

0.71Recall

0.91ROC AUC

Version	Primary metric	Trained
v3 · Boosted Tree	0.91 ROC AUC	today	LIVE
v2 · Logistic Reg.	0.84 ROC AUC	2 days ago	Mark as Live

Feature Importance et Confusion Matrix se trouvent sous Detailed Metrics.

Étape 06

Déployez-le — et faites-le parler votre langue

Pourquoi cette étapeUn modèle qui reste dans l’onglet Predictions ne peut rien faire. Le déploiement en fait quelque chose qu’un flow peut appeler. C’est aussi ici que vous transformez un nombre comme 0,83 en un mot sur lequel votre équipe peut agir, parce que personne ne pilote une réunion de rétention avec une colonne de décimales.

Predictions ▸ Deploy as Agent, then Agents ▸ open the agent ▸ Deploy

Le déploiement vous donne un service qui sait quelles entrées il lui faut et ce qu’il renvoie. Le code généré est modifiable, vous pouvez donc ajouter la sortie dont votre équipe a réellement besoin.

Agent Builder — ML Prediction Agent

index.jspackage.jsonInput SchemaOutput SchemaEnvironment

// dériver l’état que votre équipe examine, pas un float brut
const pos = probs.find(p => String(p.label) === ‘detractor’);
out.experience_flag = pos
? (pos.prob >= 0.7 ? ‘at_risk’ : pos.prob >= 0.4 ? ‘watch’ : ‘healthy’)
: null;

Déclarez experience_flag dans l’onglet Output Schema pour qu’il apparaisse dans le Flow Designer.

BuildTestDeploySave Agent

Faites la conversion ici, une fois pour toutes. Placez plutôt le seuil de 0,7 dans neuf automatisations distinctes, et le réentraînement du modèle rendra silencieusement les neuf fausses.

Étape 07

Scorez au moment de l’événement, pas dans le batch de nuit

Pourquoi cette étapeUne prédiction ne vaut quelque chose que tant que vous pouvez encore changer la suite. Contactez quelqu’un qui vient de galérer sur votre paiement et il vous écoutera. Demain, il est passé à autre chose, et vous présentez vos excuses à une personne qui a déjà tranché. Faites tourner tout ça en tâche planifiée et vous jetez l’essentiel de la valeur.

Flows ▸ Design ▸ Trigger, then Add Component

Alors démarrez le flow au moment où la chose se produit. Clickstream pour ce que les gens font sur votre site ou votre application. Webhook pour votre système de commandes ou votre helpdesk. Survey Response quand un feedback arrive. Contact List quand une fiche change.

Le nœud AI Agent appelle votre modèle. Condition envoie ensuite les clients sur des chemins différents.

Flow Designer

+ Add Component
Search actions…
In seriesParallel branch

Trigger · Clickstreamcheckout_error · payment_retry

AI AgentExperience Predictor → experience_flag

Conditionexperience_flag is at_risk

E-mail · rattrapage client+ Tâche pour le responsable de compte

Branche ElsePoursuivre le nurturing standard

Wait5 jours

Campaign Engagementopened · clicked · bounced

Contact List · mise à jourécrire experience_flag → fiche

+−⤢

TestSaveActivate

Glissez un nœud depuis Add Component, déposez-le sur le canevas, reliez-le. Une Condition sépare le chemin ; tout ce qui se trouve sous une branche ne s’exécute que pour les enregistrements qui l’ont satisfaite.

Les trois mêmes briques gèrent l’entrant. Quand un client vous écrit sur WhatsApp, par e-mail ou via un formulaire web, un déclencheur Message Channel lance le flow. Le modèle lit son message avec tout ce que vous savez déjà de lui, et la branche décide si cela demande un humain ou peut recevoir une réponse immédiate.

Flow Designer — entrant

Trigger · Message ChannelWhatsApp · e-mail · web entrants

AI Agentmessage + fiche → experience_flag

Conditionexperience_flag is at_risk

Tâche · affecter à un humainRouter vers le responsable de compte, avec le contexte

E-mail · réponse automatiqueRépondre tout de suite, sans escalade

Contact List · mise à jourjournaliser l’interaction

+−⤢

Même déclencheur, même modèle, même condition, pointés vers un autre signal. Un client à risque qui écrit atteint un humain. Tous les autres obtiennent une réponse immédiate.

Écrivez d’abord le champ dans la liste via Manage Fields ▸ Add Custom Field, puis filtrez dessus dans Advanced Filters et appuyez sur Create Dynamic List — le segment se réévalue à chaque envoi.

Gardez un déclencheur Schedule pour ce qui est vraiment lent : renouvellements de contrat, ancienneté, un passage mensuel sur tous ceux que le flux d’événements n’a jamais touchés. Signaux rapides sur l’événement, signaux lents sur une planification. Ce qu’il faut éviter, c’est un signal urgent qui attend dans un traitement de nuit.

La distinction qui garde tout ça honnête

Une prédiction est une supposition, pas une citation. Le modèle pense que ce client est mécontent. Le client, lui, n’a jamais rien dit. Gardez les deux séparés dans vos rapports, et ne dites jamais à quelqu’un que vous savez ce qu’il ressent.

C’est aussi pour cela qu’il faut continuer à interroger. Les nouvelles réponses sont ce qui permet de vérifier que le modèle a toujours raison. Et quand un modèle dérive, il dérive en silence : les scores continuent d’arriver, tout le monde continue de leur faire confiance, et de moins en moins de vraies réponses arrivent pour le détecter.

Ce qu’il faut réussir

Prédisez quelque chose qui appelle une action. Personne ne traite un 7 différemment d’un 8. Regroupez la note dans les catégories auxquelles vous réagissez vraiment, et prédisez celles-là.
Dites quel résultat vous intéresse. Le score de confiance du modèle porte sur la réponse qu’il a choisie, quelle qu’elle soit. Un « tout va bien » assuré et un « il s’en va » assuré reviennent tous les deux à 0,93 : nommez donc celui que vous surveillez.
Demandez pourquoi, pas seulement à quel point. Quelqu’un avec trois tickets ouverts attend des excuses et un rappel. Quelqu’un qui ne se connecte plus attend qu’on l’aide à démarrer. La même remise règle le cas de l’un et agace l’autre.
Laissez les gens sortir. S’ils repassent commande, marquez-les comme récupérés et arrêtez la séquence. Rien ne défait un sauvetage plus vite que trois e-mails de reconquête de plus une fois qu’ils sont revenus.
Gardez un groupe que vous ne contactez pas. Les taux d’ouverture ne vous diront pas si ça a marché. La comparaison avec des clients que vous avez délibérément laissés tranquilles, si.