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.
Vue d’ensemble
Section intitulée « Vue d’ensemble »La gestion de campagne assistée par l’IA propose deux interfaces complémentaires pour interagir avec la plateforme Askalot :
- Assistant de campagne - Un parcours guidé en plusieurs étapes, qui permet aux débutants de créer une campagne de A à Z
- Interface de conversation - Une interface conversationnelle disponible à tout moment, pour les demandes ponctuelles et les opérations complexes
Assistant de campagne
Section intitulée « Assistant de campagne »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.
Objectif
Section intitulée « Objectif »- 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
Étapes de l’assistant de campagne
Section intitulée « Étapes de l’assistant de campagne »L’aide de l’IA dans l’assistant de campagne
Section intitulée « L’aide de l’IA dans l’assistant de campagne »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 |
Analyse du sujet de recherche
Section intitulée « Analyse du sujet de recherche »L’IA analyse le sujet de recherche et le contenu du questionnaire pour recommander des facteurs de stratification adaptés.
Fonctionnement :
- Compréhension du sujet : l’IA analyse la description de la campagne et le questionnaire
- Recommandation de facteurs : elle propose les facteurs susceptibles d’introduire un biais s’ils ne sont pas contrôlés
- Propositions de distributions : elle recommande des distributions cibles fondées sur des données de population
- Explication des compromis : elle expose le rapport coût/bénéfice de l’ajout de chaque facteur
Exemple : étude des préférences partisanes
Section intitulée « Exemple : étude des préférences partisanes »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?Exemple : étude d’un produit de consommation
Section intitulée « Exemple : étude d’un produit de consommation »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?Détail de la configuration des facteurs
Section intitulée « Détail de la configuration des facteurs »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 |
Ajouter des facteurs personnalisés
Section intitulée « Ajouter des facteurs personnalisés »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.Aperçu de la qualité de la stratégie
Section intitulée « Aperçu de la qualité de la stratégie »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?Interface de conversation
Section intitulée « Interface de conversation »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.
Objectif
Section intitulée « Objectif »- 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
Capacités
Section intitulée « Capacités »Gestion des entités
Section intitulée « Gestion des entités »| 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 » |
Opérations sur les viviers
Section intitulée « Opérations sur les viviers »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) |
Opérations sur les campagnes
Section intitulée « Opérations sur les campagnes »| 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 » |
Exemples de conversations
Section intitulée « Exemples de conversations »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?Contexte de la conversation
Section intitulée « Contexte de la conversation »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 »
Architecture des agents
Section intitulée « Architecture des agents »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).
L’agent Gestionnaire
Section intitulée « L’agent Gestionnaire »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).
Outils MCP à la disposition des agents
Section intitulée « Outils MCP à la disposition des agents »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.
Fournisseur d’IA
Section intitulée « Fournisseur d’IA »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 |
Droits des utilisateurs
Section intitulée « Droits des utilisateurs »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) |
Bonnes pratiques
Section intitulée « Bonnes pratiques »Quand utiliser l’assistant de campagne
Section intitulée « Quand utiliser l’assistant de campagne »- 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
Quand utiliser l’interface de conversation
Section intitulée « Quand utiliser l’interface de conversation »- 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
Documentation associée
Section intitulée « Documentation associée »- Gestion des campagnes - Concepts fondamentaux des campagnes
- Génération de questionnaires assistée par l’IA - L’aide de l’IA pour la conception de questionnaires
- Génération de réponses par agents - Simulation de campagne avec des données synthétiques
- Analyse des résultats assistée par l’IA - L’aide de l’IA pour l’analyse des données