L'analyseur de résultats d'enquêtes
Pourquoi ce prompt est important
Teams that manually code open-ended survey responses spend an average of 2-3 full workdays per survey cycle doing it by hand, and rushed manual analysis under deadline pressure frequently misses early attrition signals buried in a handful of written comments — the same signals that show up as a resignation spike two quarters later once it's too late to act.
À quoi nous l'utilisons
A People Ops manager just closed a 340-response employee engagement survey across the engineering organization and has 48 hours to present findings to the VP of Engineering before a headcount planning meeting, with only a raw CSV export and no built-in analytics dashboard.
Prompt
<p>Act as a senior people-insights analyst who has spent a decade turning raw survey exports into findings that change how leadership makes decisions.</p><p><strong>Context:</strong> I ran a survey titled [SURVEY NAME/PURPOSE — e.g. "Q3 Employee Engagement Survey"] with [NUMBER] respondents out of [TOTAL POPULATION] invited (response rate). The survey included both closed-ended (rating scale, multiple choice) and open-ended questions. The audience for your analysis is [AUDIENCE — e.g. "the VP of People and the executive team"], and the decision they need to make is [DECISION — e.g. "whether to fund a retention initiative for the engineering org"].</p><p><strong>Task:</strong> Analyze the raw survey data below and produce a findings report that helps the audience make that decision. Do not just describe what the data says — identify what matters most and what to do about it.</p><p><strong>Constraints:</strong><br/>- Report exact percentages and counts, never vague terms like "most" or "many."<br/>- Explicitly flag any finding based on a subgroup smaller than [MINIMUM SAMPLE SIZE — e.g. 15] respondents as low-confidence.<br/>- Distinguish correlation from causation — if two data points move together, say so, but do not claim one caused the other unless the data supports it.<br/>- When coding open-ended responses into themes, report how many distinct responses support each theme, and include 1-2 verbatim quotes (anonymized) per theme.<br/>- If closed-ended and open-ended responses conflict on the same topic, surface the conflict explicitly rather than picking one to report.</p><p><strong>Output Format:</strong><br/>1. <strong>Executive Summary</strong> (2-3 sentences: the single most important finding and its business implication)<br/>2. <strong>Quantitative Breakdown</strong> (key metrics by question, with response rate and any notable subgroup differences)<br/>3. <strong>Qualitative Themes</strong> (3-5 themes from open-ended responses, ranked by frequency, each with supporting quote(s))<br/>4. <strong>Sentiment Analysis</strong> (overall tone breakdown: positive/neutral/negative, and what's driving negative sentiment specifically)<br/>5. <strong>Recommended Actions</strong> (2-4 specific actions, each tied to a finding above, with a suggested owner)</p><p>[PASTE RAW SURVEY DATA HERE — CSV, table, or list of responses]</p>
Résultat
Executive Summary
Engineering engagement scores dropped from 7.8 to 6.4 (out of 10) this quarter, driven primarily by a sharp decline in perceived career growth (42% rated it 3/10 or lower, up from 18% last quarter) — this is the strongest single predictor of the resignation intent flagged in open-ended responses.
Quantitative Breakdown
- Response rate: 340/410 (82.9%), a strong sample.
- Overall engagement: 6.4/10 average, down from 7.8/10 last quarter (n=340).
- Career growth satisfaction: 42% rated 3/10 or lower (143 respondents), up from 18% (61 respondents) last quarter.
- Manager relationship score held steady at 7.6/10 — this is not where the decline originates.
- Note: the 12-person Platform sub-team scored notably lower (5.1/10 average) but this is a low-confidence finding given the small subgroup size.
Qualitative Themes
1. Lack of promotion clarity (61 mentions) — "I don't know what I need to do to get to senior, and neither does my manager."
2. Increased on-call burden (44 mentions) — "On-call has doubled since the reorg and nobody adjusted expectations."
3. Positive team culture (38 mentions) — "My immediate team is the best part of this job," consistent with the steady manager relationship score.
Sentiment Analysis
58% negative, 27% neutral, 15% positive on open-ended responses overall — a reversal from last quarter's 45% positive. Negative sentiment concentrates almost entirely around career progression and on-call load; sentiment toward direct managers and team culture remains positive, indicating the issue is structural/organizational rather than a management-quality problem.
Recommended Actions
1. Publish clear leveling criteria for senior promotion — People Ops + Eng Leadership, next 30 days.
2. Audit on-call rotation load post-reorg and rebalance — Eng Managers, next 2 weeks.
3. Follow up individually with the 12-person Platform sub-team given its lower score, before drawing org-wide conclusions from that group.
La plupart des prompts « analysez cette enquête » renvoient un score moyen et un paragraphe vague sur les thèmes. Ce n'est pas utile lorsque la décision à prendre est de financer un programme de fidélisation ou de restructurer une équipe. L'analyseur de résultats d'enquêtes est conçu pour mettre en lumière ce qui change réellement une décision, et pour être honnête sur ce que les données ne peuvent pas vous dire.
Pourquoi ce prompt est structuré ainsi
La section Contraintes est celle qui fait le travail le plus important. Exiger des pourcentages exacts au lieu de « la plupart des répondants » force le modèle à réellement travailler avec les chiffres plutôt qu'à les reformuler. La consigne de signaler tout sous-groupe en deçà d'une taille d'échantillon minimale comme étant de faible confiance existe parce qu'il est extrêmement facile pour une IA — ou un analyste humain sous pression de délais — de tirer une conclusion catégorique à partir de 8 personnes et de la présenter avec la même autorité qu'un résultat fondé sur 300.
La contrainte de distinction entre corrélation et causalité est encore plus importante avec une analyse générée par l'IA qu'avec une analyse humaine, car les modèles de langage sont suffisamment fluides pour énoncer une affirmation causale de manière persuasive même lorsque les données ne justifient qu'une corrélation. Exiger du modèle qu'il distingue les deux, et qu'il fasse apparaître les contradictions directes entre les notations fermées et les commentaires ouverts plutôt que de choisir discrètement ce qui sert un récit plus cohérent, garantit l'honnêteté du résultat.
Les cinq sections du format de sortie correspondent directement à ce dont un décideur a réellement besoin. L'« analyse de sentiment » demande spécifiquement ce qui alimente le sentiment négatif — et non pas seulement le pourcentage — car un score négatif sans facteur identifié n'est pas actionnable. Les « actions recommandées » exigent que chaque action soit rattachée à un constat précis ci-dessus, ce qui empêche le modèle de générer des conseils génériques (« améliorer la communication ») déconnectés de ce que l'enquête a réellement montré.
Comment bien l'utiliser
Remplissez précisément les champs public cible et décision — une analyse rédigée pour un vice-président décidant d'un budget de fidélisation ne ressemble pas à celle rédigée pour une équipe RH concevant les questions de l'enquête du trimestre suivant. Pour les cycles d'enquêtes récurrents (engagement trimestriel, retours post-événement, NPS client), sauvegardez votre version renseignée et remplacez les données brutes à chaque cycle afin d'obtenir une structure de rapport cohérente pour comparer trimestre après trimestre.
Points clés
La valeur ici ne réside pas dans la compression des données — elle réside dans l'application de la même discipline qu'un analyste humain rigoureux mettrait en œuvre : distinguer ce qui est statistiquement solide de ce qui est un signal faible, retracer le sentiment jusqu'à son facteur réel, et relier chaque recommandation à des preuves spécifiques. Utilisez-le chaque fois qu'une décision dépend de données d'enquête et que vous ne disposez pas de jours pour coder manuellement les réponses ouvertes.