Aller au contenu
Base de connaissances

Gestion de campagne assistée par l'IA

Cette page décrit les fonctionnalités de gestion de campagne assistée par l’IA, qui vous aident à concevoir et à gérer vos campagnes d’enquête au moyen d’interfaces conversationnelles.

La gestion de campagne assistée par l’IA propose deux interfaces complémentaires pour interagir avec la plateforme Askalot :

  1. Assistant de campagne - Un parcours guidé en plusieurs étapes, qui permet aux débutants de créer une campagne de A à Z
  2. Interface de conversation - Une interface conversationnelle disponible à tout moment, pour les demandes ponctuelles et les opérations complexes

L’assistant de campagne vous guide tout au long de la création d’une campagne et la rend accessible aux utilisateurs peu familiers des démarches de la recherche par enquête.

  • Faciliter la prise en main pour les nouveaux utilisateurs
  • Garantir que toutes les étapes requises sont effectuées, dans le bon ordre
  • Fournir une aide contextuelle et des recommandations à chaque étape
  • Limiter les erreurs en validant les saisies avant de poursuivre
Étape 1 : Conception de la campagneÉtape 2 : Public cibleÉtape 3 : Stratégie d'échantillonnageÉtape 4 : Vivier de répondantsÉtape 5 : Vérification et lancementNom et descriptionSélectionner ou créer un questionnaireChoisir le mode de campagneDéfinir les critères démographiquesFixer la taille d'échantillon viséeConfigurer les facteurs de stratificationSélectionner ou créer une stratégie d'échantillonnageExaminer les distributions ciblesChoisir l'indicateur de qualitéGénérer le vivier : taille demandée, facteur de suréchantillonnagePrévisualiser les indicateurs de qualité du vivierAffiner le vivier manuellement (facultatif)Récapitulatif de tous les paramètresEstimation des indicateurs de complétionLancer la campagne ou l'enregistrer comme brouillon

À chaque étape, l’assistant IA peut :

Étape Capacités de l’IA
Conception de la campagne Proposer un questionnaire en fonction des objectifs de recherche, recommander un mode de campagne
Public cible Recommander une taille d’échantillon selon les exigences statistiques, proposer des facteurs démographiques
Stratégie d’échantillonnage Analyser le sujet de recherche, recommander des facteurs de stratification au-delà du genre et de l’âge, proposer des distributions cibles, expliquer les compromis (voir Conception de la stratégie d’échantillonnage assistée par l’IA)
Vivier de répondants Expliquer les indicateurs de qualité, suggérer des améliorations si la distribution ne correspond pas aux cibles
Vérification et lancement Résumer la configuration de la campagne, signaler les problèmes potentiels

Exemple d’échange dans l’assistant de campagne

Section intitulée « Exemple d’échange dans l’assistant de campagne »
User: "I want to conduct a customer satisfaction survey"
AI: I'll help you set up a customer satisfaction campaign. Let's start with the basics.
Step 1: Campaign Design
What would you like to name this campaign?
[Input: Campaign Name]
I found these questionnaires that match "customer satisfaction":
- customer_satisfaction_nps.qml (NPS + open feedback)
- customer_satisfaction_detailed.qml (comprehensive 20-question survey)
Which would you like to use, or should I help you create a new one?

Conception de la stratégie d’échantillonnage assistée par l’IA

Section intitulée « Conception de la stratégie d’échantillonnage assistée par l’IA »

Concevoir un échantillon représentatif suppose de choisir les bons facteurs de stratification. Si le genre et l’âge sont des facteurs orthogonaux standard pour la plupart des recherches, de nombreuses études exigent des facteurs supplémentaires, propres à leur sujet. L’assistant IA vous aide à identifier et à configurer ces facteurs spécifiques.

Facteurs standard et facteurs spécifiques à la recherche

Section intitulée « Facteurs standard et facteurs spécifiques à la recherche »
Type de facteur Exemples Quand l’utiliser
Standard (toujours inclus) Genre, âge Toutes les campagnes : représentation démographique de base
Géographique Région, urbain/rural, département Recherches dépendant du lieu, comparaisons régionales
Socio-économique Revenu, niveau d’études, emploi Études de consommation, études économiques
Attitudinal Orientation politique, valeurs Sondages d’opinion, recherche sociale
Comportemental Usage de produits, consommation de médias Études de marché, études comportementales

L’IA analyse le sujet de recherche et le contenu du questionnaire pour recommander des facteurs de stratification adaptés.

Fonctionnement :

  1. Compréhension du sujet : l’IA analyse la description de la campagne et le questionnaire
  2. Recommandation de facteurs : elle propose les facteurs susceptibles d’introduire un biais s’ils ne sont pas contrôlés
  3. Propositions de distributions : elle recommande des distributions cibles fondées sur des données de population
  4. Explication des compromis : elle expose le rapport coût/bénéfice de l’ajout de chaque facteur
User: "I want to create a campaign to measure party preferences for the
upcoming election"
AI: For election polling, I recommend stratifying beyond standard demographics.
Standard Factors (recommended):
┌─────────────────┬────────────────────────────────────────┐
│ Factor │ Target Distribution │
├─────────────────┼────────────────────────────────────────┤
│ Gender │ Male 48%, Female 50%, Other 2% │
│ Age │ 18-29: 18%, 30-44: 22%, 45-59: 25%, │
│ │ 60+: 35% │
└─────────────────┴────────────────────────────────────────┘
Research-Specific Factors (recommended for election polling):
┌─────────────────┬────────────────────────────────────────┐
│ Factor │ Rationale │
├─────────────────┼────────────────────────────────────────┤
│ Education │ Strong correlation with voting │
│ │ patterns and party preference │
├─────────────────┼────────────────────────────────────────┤
│ Settlement Type │ Urban/suburban/rural divide affects │
│ │ political orientation significantly │
├─────────────────┼────────────────────────────────────────┤
│ Prior Vote │ Previous election choice is the │
│ (2022) │ strongest predictor of current intent │
└─────────────────┴────────────────────────────────────────┘
⚠️ Note on Political Orientation:
Including "left/right self-placement" as a stratification factor
is controversial - it can introduce bias if the target distribution
is incorrectly specified. I recommend using it for weighting
post-collection rather than pre-stratification.
Would you like me to:
1. Add Education and Settlement Type as factors?
2. Explain how to handle Prior Vote recall?
3. Show the statistical impact of each factor?
User: "Create a campaign for testing a new premium coffee brand"
AI: For premium product research, your sample needs to represent the
potential customer base, not just the general population.
Standard Factors:
┌─────────────────┬────────────────────────────────────────┐
│ Gender │ Male 48%, Female 50%, Other 2% │
│ Age │ Focus on 25-54 (primary coffee buyers) │
└─────────────────┴────────────────────────────────────────┘
Recommended Research-Specific Factors:
┌─────────────────┬────────────────────────────────────────┐
│ Factor │ Rationale │
├─────────────────┼────────────────────────────────────────┤
│ Income Bracket │ Premium products require disposable │
│ │ income - undersample low-income │
├─────────────────┼────────────────────────────────────────┤
│ Coffee │ Non-coffee drinkers are irrelevant; │
│ Consumption │ heavy users provide better insights │
├─────────────────┼────────────────────────────────────────┤
│ Purchase │ Supermarket vs. specialty store vs. │
│ Channel │ online affects brand perception │
└─────────────────┴────────────────────────────────────────┘
Should I configure these factors with recommended distributions?

Pour chaque facteur recommandé, l’IA fournit :

Paramètre Description
Chemin de l’attribut Le champ du répondant à utiliser (par ex. custom_attributes.education)
Type de facteur discrete (catégories), bucketed (tranches) ou geographic
Distribution cible Les proportions de la population à reproduire
Poids L’importance relative par rapport aux autres facteurs
Source des données Recensement, données de panel ou spécification personnalisée
User: "I also want to stratify by smartphone brand preference"
AI: I can add "Smartphone Brand" as a custom factor.
Configuration needed:
┌────────────────────┬──────────────────────────────────────┐
│ Setting │ Value │
├────────────────────┼──────────────────────────────────────┤
│ Factor Name │ Smartphone Brand │
│ Attribute Path │ custom_attributes.smartphone_brand │
│ Factor Type │ discrete │
│ Categories │ [Apple, Samsung, Other Android, │
│ │ Other, None] │
└────────────────────┴──────────────────────────────────────┘
What target distribution would you like?
Option A: Match market share (Apple 28%, Samsung 25%, Other Android 35%, ...)
Option B: Equal representation (20% each)
Option C: Custom distribution
Note: Your respondent database must have this attribute populated.
Currently 67% of respondents have smartphone_brand recorded.

Avant de finaliser, l’IA indique dans quelle mesure la stratégie est réalisable :

AI: Strategy Preview for "Election Poll Q1 2026"
Factors configured: Gender, Age, Education, Settlement Type
Achievability Analysis:
┌─────────────────┬───────────┬───────────┬─────────────────┐
│ Factor │ Target │ Available │ Match Quality │
├─────────────────┼───────────┼───────────┼─────────────────┤
│ Gender │ 48/50/2 │ 47/51/2 │ ✅ Excellent │
│ Age 18-29 │ 18% │ 12% │ ⚠️ Undersample │
│ Age 60+ │ 35% │ 41% │ ⚠️ Oversample │
│ Higher Ed │ 32% │ 38% │ ✅ Good │
│ Rural │ 28% │ 19% │ ❌ Gap │
└─────────────────┴───────────┴───────────┴─────────────────┘
Recommendations:
1. Young respondents (18-29) are underrepresented in your database.
Consider: Panel recruitment or oversample factor of 1.5x
2. Rural respondents are significantly underrepresented.
Options:
- Accept bias and apply post-stratification weighting
- Import additional rural respondents from external panel
- Reduce rural target to match available pool
How would you like to proceed?

L’interface de conversation permet d’effectuer, en langage naturel, des opérations ponctuelles et des tâches complexes en plusieurs étapes, sans passer par les formulaires classiques.

  • Permettre aux utilisateurs avancés d’exécuter rapidement des opérations en langage naturel
  • Traiter des demandes complexes qui portent sur plusieurs entités
  • Offrir un « partenaire de réflexion » pour la planification et l’analyse des campagnes
  • Prendre en charge les opérations en masse et la manipulation de données
Opération Exemple de demande
Créer des entités « Créez un nouveau projet nommé “Recherche T1” »
Modifier des entités « Mettez à jour la description de la campagne pour y ajouter la nouvelle échéance »
Interroger des entités « Montrez-moi toutes les campagnes actuellement actives »
Supprimer des entités « Retirez les répondants de test du vivier »

Opérations sur les stratégies d’échantillonnage

Section intitulée « Opérations sur les stratégies d’échantillonnage »
Opération Exemple de demande
Créer une stratégie « Créez une stratégie d’échantillonnage pour un sondage électoral, avec le niveau d’études comme facteur supplémentaire »
Modifier les facteurs « Ajoutez le type de commune comme facteur à la stratégie existante »
Analyser la couverture « Ma base de répondants permet-elle une stratégie de 1 000 répondants avec ces facteurs ? »
Comparer des stratégies « Montrez-moi en quoi les distributions cibles des deux stratégies diffèrent »

Les viviers sont conçus pour une seule campagne : les répondants qui ont déjà participé ne sont en général pas interrogés à nouveau. Servez-vous des stratégies (des modèles réutilisables) pour générer de nouveaux viviers pour vos nouvelles campagnes.

Opération Exemple de demande
Générer un vivier « Générez un vivier de 400 personnes à partir de la stratégie électorale pour ma campagne du T2 »
Fusionner des viviers « Fusionnez les viviers “Urbain” et “Périurbain” en un nouveau vivier “Métropole” »
Filtrer des viviers « Créez un nouveau vivier ne contenant que les répondants de 25 à 34 ans du vivier principal »
Analyser des viviers « Comment mon vivier actuel se situe-t-il par rapport à la distribution cible ? »
Actualiser des viviers « Régénérez le vivier à partir de la stratégie mise à jour » (conserve la taille demandée propre au vivier)
Opération Exemple de demande
Vérifier l’état « Quel est le taux de complétion de la campagne NPS ? »
Actions groupées « Envoyez une relance à tous les répondants qui n’ont pas commencé »
Réaffectation « Transférez les enquêtes inachevées de l’enquêteur A à l’enquêteur B »
Analyse « Comparez les taux de réponse des deux versions de la campagne »

Fusion de viviers

User: "Merge the 'Panel A' and 'Panel B' pools to get more respondents
for the satisfaction campaign"
AI: I'll merge those pools for you.
Found:
- Panel A: 450 respondents
- Panel B: 380 respondents
Creating merged pool 'Panel A + Panel B' with 830 respondents...
✓ Merged pool created successfully
Would you like me to:
1. Assign this pool to the satisfaction campaign?
2. Check for duplicate respondents between the pools?
3. Review the demographic distribution of the merged pool?

Requête complexe

User: "Show me which interviewers have the lowest completion rates
and suggest how to redistribute their workload"
AI: Analyzing interviewer performance for the active campaign...
Completion Rates:
┌─────────────────┬────────────┬───────────┬──────────┐
│ Interviewer │ Assigned │ Completed │ Rate │
├─────────────────┼────────────┼───────────┼──────────┤
│ Maria Santos │ 45 │ 42 │ 93% │
│ John Chen │ 50 │ 38 │ 76% │
│ Alex Kim │ 48 │ 22 │ 46% ⚠️ │
│ Sarah Johnson │ 52 │ 18 │ 35% ⚠️ │
└─────────────────┴────────────┴───────────┴──────────┘
Recommendation:
Alex Kim and Sarah Johnson have significantly lower completion rates.
I suggest redistributing their remaining 60 surveys to Maria Santos
and John Chen, who have capacity and higher completion rates.
Should I proceed with this redistribution?

L’interface de conversation conserve le contexte d’un message à l’autre, ce qui permet :

  • Des questions de suivi : « Maintenant, filtrez ce vivier pour ne garder que les femmes »
  • Des demandes de précision : « Qu’entendez-vous par “facteur de suréchantillonnage” ? »
  • Des démarches en plusieurs tours : construire pas à pas des opérations complexes
  • L’annulation : « En fait, annulez cette dernière fusion »

L’assistant de campagne et l’interface de conversation reposent sur l’agent Gestionnaire, qui interagit avec la plateforme Askalot au moyen d’outils MCP (Model Context Protocol).

Le Gestionnaire prend en charge le cycle de vie de la campagne : conception de la stratégie d’échantillonnage, génération du vivier de répondants, création de la campagne et supervision du terrain en cours. Il délègue le suivi de la collecte en cours — taux de réponse, couverture des segments, signalements de qualité — à un sous-agent superviseur de terrain, qui recommande des ajustements de quotas, de ciblage ou de calendrier. Pour la conception du questionnaire et l’édition du QML, le Gestionnaire vous oriente vers l’agent Concepteur (voir Génération de questionnaires).

Les agents ont accès à l’ensemble de l’API Askalot au moyen d’outils MCP (Model Context Protocol) couvrant les projets, les campagnes, les questionnaires, les répondants, les viviers, les stratégies d’échantillonnage, et bien d’autres encore.

Consultez la Référence de l’interface MCP pour la liste complète des outils disponibles et de leurs paramètres.

Ancrage dans la littérature sur l’échantillonnage

Section intitulée « Ancrage dans la littérature sur l’échantillonnage »

Lorsqu’on lui demande de justifier une stratégie d’échantillonnage — « pourquoi suréchantillonner la tranche des 65 ans et plus ? », « cette taille d’échantillon suffit-elle pour comparer des sous-groupes ? », « quel est l’effet de plan d’un plan stratifié dans ce cas ? » — l’agent Gestionnaire consulte la littérature méthodologique évaluée par les pairs sur l’échantillonnage (Heeringa, West & Berglund 2010 ; Bethlehem & Biffignandi 2012 ; Schouten et al. 2009, 2013 ; ainsi que Kish 1965 lorsqu’il est déterminant) et cite l’article et son année dans sa réponse. Voir Vue d’ensemble des fonctions assistées par l’IA → Ancrage dans une méthodologie évaluée par les pairs.

Les agents IA fonctionnent avec les modèles Claude d’Anthropic ; le service d’inférence local de la plateforme sert uniquement au plongement (embedding) des documents, pas aux tâches des agents. Vous choisissez explicitement le fournisseur dans les Paramètres du profil, sans aucun basculement automatique de l’un à l’autre (voir Fournisseur d’IA) :

Passerelle Modèles Cas d’usage
Anthropic API Claude Opus, Sonnet, Haiku Accès direct à l’API — clé facturée à l’usage
AWS Bedrock Claude Opus, Sonnet, Haiku Déploiements d’entreprise avec AWS IAM et contrôle de la résidence des données

Les fonctionnalités assistées par l’IA respectent le modèle de droits existant :

Rôle Accès à l’assistant de campagne Accès à la conversation
Propriétaire Complet Complet
Gestionnaire Complet Complet
Analyste Consultation seule Requêtes uniquement
Enquêteur Aucun Limité (ses propres enquêtes)

  • Pour une première création de campagne
  • Pour l’intégration de nouveaux membres de l’équipe
  • Pour les types de campagne courants, aux configurations classiques
  • Lorsque la validation étape par étape est importante
  • Pour les utilisateurs avancés qui savent ce qu’ils veulent
  • Pour les opérations complexes portant sur plusieurs entités
  • Pour les requêtes ponctuelles et l’exploration des données
  • Pour les opérations en masse sur des données existantes