Interviews terrain
Des entretiens menés en station de recharge, transcrits et structurés dans une base Notion que l’IA peut requêter.
Contexte
Sortir du bureau
Chez Chargemap, la recherche utilisateur passe surtout par des entretiens classiques : recrutés, cadrés, souvent menés avec des gens déjà dans notre écosystème. On conçoit un produit pour des conducteurs qui rechargent partout en France, mais on les écoute rarement là où ils rechargent vraiment.
Problème
Ce format a un angle mort : le biais de recrutement. On parle surtout à des utilisateurs déjà clients, déjà à l'aise, déjà convaincus. On ne mesure jamais vraiment à quel point notre produit, et même notre marque, restent (mé)connus en dehors de cette bulle. Pour un produit grand public, c'est un risque qu'on ne voit pas venir.
Recherche
On a inversé la logique : aller chercher le feedback là où il se trouve, sur les stations, au contact direct des conducteurs. Une recherche « en commando », sans recrutement préalable : on interroge qui se présente à la borne. La cible n'est plus filtrée. On tombe autant sur des habitués que sur des gens qui n'ont jamais entendu parler de Chargemap.
Le défi
Capter l'attention
Pourquoi un inconnu, en train de recharger, donnerait quinze minutes à deux personnes avec un micro ?
Exploiter la matière
Un entretien terrain, c'est de l'oral, du désordre, du contexte. Sans système pour le structurer, le terrain reste une collection d'anecdotes qu'on cite de mémoire, pas une donnée qu'on peut comparer et interroger.
Solution
1. Capter : offrir la charge
On proposait de régler la recharge en cours en échange de l'échange. Donnant-donnant : ça détend tout de suite, ça ouvre la porte, et ça respecte le temps des gens.
2. Structurer : une base de données pensée pour l'analyse
J'ai construit le dispositif dans Notion. Une base de dépôt où chaque interview devient une entrée catégorisée : profil, véhicule, lieu, type de conducteur, ancienneté en électrique, consentement. Sur place, on enregistre l'audio ; l'IA de Notion génère le transcript de chaque entretien. La base alimente automatiquement un dashboard de synthèse (répartition par sexe, tranche d'âge, type de conducteur, ancienneté EV).
3. Exploiter : interroger le terrain en langage naturel
Et surtout, la matière devient requêtable. Plutôt que de relire dix transcripts, je demande à l'IA d'extraire les verbatims sur un thème, de remonter les irritants récurrents, de regrouper les attentes. Le terrain passe d'anecdotes à base de connaissance.
Impact
Un vrai reality check. En sortant du cercle des utilisateurs recrutés, on a rencontré des conducteurs qui ne connaissaient pas Chargemap : un signal qu'un panel classique n'aurait jamais fait remonter, et qui recadre les priorités côté notoriété autant que côté produit.
Côté méthode, le dispositif est réutilisable : chaque session future vient enrichir la même base, le même dashboard, les mêmes requêtes.