Construire des personas fiables par la méthode mixte — approche qualitative confirmée par segmentation statistique
Comment dépasser les personas « intuitifs » grâce à une démarche mixte rigoureuse : 10 entretiens, questionnaire auprès de 102 clients, codage des réponses libres et clustering K-means pour révéler que la fonction dans l'entreprise — et non le secteur ou la fréquence d'achat — est le seul vrai facteur différenciant.
- Rôle
- UX Research Lead
- Durée
- 1 mois
- Outils
- Qualtrics, R Studio, Figma
Contexte
Chez RAJA, les décisions produit reposaient sur une vision fragmentée des utilisateurs — quelques typologies informelles construites à partir d'hypothèses internes. Les équipes pensaient connaître leurs clients : grandes entreprises, PME, secteurs variés. Mais ces catégories n'avaient jamais été validées sur la base des comportements réels.
L'objectif était de construire des personas ancrés dans la réalité : non pas dans l'intuition, mais dans une démarche mixte — qualitative pour explorer, quantitative pour confirmer. Le défi était de passer de données qualitatives riches à des segments statistiquement robustes, directement utilisables par les équipes design et produit.
Démarche
Exploration qualitative
10 entretiens semi-directifs de 60 minutes conduits en France auprès de clients issus des secteurs porteurs de RAJA, avec des tailles d'entreprise variées cohérentes avec la répartition réelle de la base clients. Sessions menées à deux interviewers avec double codage pour fiabiliser l'analyse thématique. Cette phase a permis d'identifier la nature des tâches liées aux achats comme dimension clé à explorer quantitativement.
Construction du questionnaire
Conception d'un questionnaire structuré à partir des dimensions identifiées en phase qualitative. 28 variables mesurées couvrant le rôle dans les achats, l'usage des outils numériques, les objectifs et le processus d'achat. Intégration de questions fermées (échelles, items comportementaux) et de questions ouvertes. Déployé auprès de 102 clients via le panel interne et la base clients RAJA.
Codage des réponses libres
Analyse de contenu systématique des réponses ouvertes recueillies auprès des 102 répondants. Catégorisation et recodage en variables binaires (True/False) pour rendre les données exploitables par l'algorithme de clustering. Cette étape charnière entre richesse qualitative et rigueur quantitative a été la plus chronophage de la démarche.
Segmentation par K-means
Application du K-means sur les variables binaires issues du codage — choix pragmatique face à la nature des données, qui a privilégié l'opérationnalité. Nombre optimal de clusters déterminé par la méthode du coude, qui a convergé à k=3. L'analyse a révélé que la seule dimension réellement discriminante est la fonction du client dans son entreprise : ni le secteur d'activité, ni la fréquence de commande ne conditionnaient le rapport à l'achat sur RAJA.fr.
Nombre optimal de clusters — Méthode du coude
Le coude à k=3 a confirmé le nombre optimal de segments
Définition des personas par parangon
Pour chacun des 3 clusters, sélection du répondant parangon — le cas le plus représentatif du centroïde — pour ancrer chaque persona dans un individu réel plutôt qu'un profil moyen fictif. Trois personas identifiés. Fiches personas rédigées sur Figma (format A5, texte descriptif et tags caractéristiques) et diffusées aux équipes produit et design.
Résultat clé
Le secteur d'activité et la fréquence de commande ne différencient pas les acheteurs RAJA.
La seule variable discriminante : la fonction du client dans son entreprise. Un résultat contre-intuitif qui a d'abord suscité de la déception — avant de reconfigurer durablement le modèle mental des équipes sur leurs utilisateurs.
Les 3 personas
Trois segments ont été identifiés, chacun ancré dans un répondant parangon réel. Les fiches personas détaillées (format A5, Figma) sont confidentielles. Le profil offline a été exclu du scope de conception digital.
Le commandeur offline
Hors scope digitalL'acheteur de métier
L'entrepreneur aux manettes
Contenu anonymisé — fiches détaillées soumises à NDA
Enseignements
- La segmentation attendue — par secteur d'activité ou fréquence de commande — n'a pas émergé des données. La seule variable réellement discriminante était la fonction du client dans son entreprise. Un résultat contre-intuitif qui a suscité de la déception avant d'être accepté.
- Un des 3 clusters a révélé un profil « commandeur offline » qui n'utilise pas du tout le site internet — un segment invisible dans les analytics mais bien réel dans la base clients.
- Le recodage des réponses libres en variables binaires a été l'étape charnière de la démarche : c'est elle qui a rendu possible l'analyse statistique sur des données initialement qualitatives.
- Le choix du parangon plutôt qu'un profil moyen a considérablement facilité l'appropriation des personas par les équipes — un individu réel est plus mémorable qu'une liste d'attributs.
Impact
3 personas B2B construits par méthode mixte et ancrés dans des individus réels (méthode du parangon). 2 des 3 personas ont été retenus comme cibles prioritaires pour les phases de conception — le profil offline étant exclu du scope digital. Les personas sont toujours utilisés par les équipes, et ont ouvert l'appétit pour une prochaine itération intégrant des dimensions psychologiques plus fines.
- 10
- entretiens
- 28
- variables
- 102
- répondants
- 3
- personas (2 retenus)
Travaillons ensemble
Cette étude de cas vous a intéressé ? Discutons de ce que la recherche utilisateur peut apporter à votre produit.