Le travail d'un UX researcher quantitatif commence là où cinq entretiens ne suffisent plus. Il conçoit des enquêtes, mesure la réussite des tâches sur des dizaines de participants, suit un score SUS d'une version à l'autre, analyse un tri de cartes ou des données Contentsquare et Amplitude. Il écrit du R, du Python ou du SQL. Préparer les questions d'entretien d'un UX researcher quantitatif demande donc d'aller sur la statistique, sans perdre de vue la conception des questions, qui fait la moitié de la qualité d'une enquête.
Le profil se confond facilement avec deux voisins. Le product data analyst lit les données d'usage et les tests A/B. Le UX researcher généraliste mène des entretiens et ajoute parfois une enquête. Le quantitatif se distingue par la mesure des attitudes et de l'utilisabilité : échelles validées, échantillonnage, benchmarks répétés. Un résultat ambigu, deux taux de réussite proches sur vingt personnes par exemple, montre s'il parle d'intervalle avant de conclure.
En France, ces postes restent peu nombreux et souvent fondus dans des offres de UX researcher. Le PDF fournit 30 questions sur six axes, un cas de 20 minutes et une grille de 1 à 4.
Échelles, outils et langages du UX researcher quantitatif
SUS, UMUX-Lite, SEQ et NPS
Les questionnaires standardisés. Le SUS, créé par John Brooke en 1986, compte dix items et donne un score de 0 à 100 dont la moyenne, sur les études compilées par MeasuringU, se situe autour de 68. L'UMUX-Lite tient en deux items, le SEQ mesure la difficulté d'une tâche sur sept points. Le NPS mesure une intention de recommandation, pas l'utilisabilité.
Qualtrics et outils d'enquête
Qualtrics est la référence des enquêtes complexes : logique de filtres, quotas, randomisation, MaxDiff. Typeform ou Google Forms suffisent pour des enquêtes simples. La façon dont la personne prépare et prétest un questionnaire compte plus que l'outil.
Tests non modérés à grande échelle (Maze, UserTesting)
Des dizaines ou des centaines de participants réalisent seuls des tâches sur un prototype ou un produit. Les outils mesurent réussite, temps et chemins. Le researcher définit des critères de réussite vérifiables et trie les participants inattentifs.
Optimal Workshop (tri de cartes, tree testing)
Les tests d'architecture de l'information. Le tri de cartes révèle comment les utilisateurs regroupent les contenus, le tree test vérifie qu'ils trouvent un élément dans une arborescence. Les sorties se lisent en matrices de similarité, dendrogrammes, taux de réussite directe et premiers clics.
Contentsquare, Hotjar et Amplitude
L'analyse comportementale : cartes de clics, replays de sessions, signaux de frustration, entonnoirs. Ces outils montrent ce que font les utilisateurs à grande échelle. Le UX researcher quantitatif vérifie les définitions et la couverture du tracking avant de citer un chiffre.
R, Python et SQL
R (tidyverse) ou Python (pandas, statsmodels, scipy) pour nettoyer les réponses, calculer les intervalles et produire un rapport reproductible avec Quarto ou Jupyter. SQL pour extraire les données d'usage de l'entrepôt. Le niveau attendu est celui d'un analyste autonome, pas d'un développeur.
Statistiques appliquées à l'UX
Intervalles de confiance sur des proportions (Wald ajusté), moyenne géométrique des temps de tâche, tests de comparaison, calcul de puissance, corrections pour comparaisons multiples. Les ouvrages et articles de Jeff Sauro et James Lewis (MeasuringU) servent souvent de référence sur ces sujets.
MaxDiff et Kano
Deux méthodes de priorisation. MaxDiff force les répondants à choisir le plus et le moins important dans des listes courtes, ce qui évite les notes toutes élevées. Le modèle de Kano sépare les attentes de base des fonctionnalités qui créent de l'enthousiasme.
Le poste porte des intitulés variés : UX researcher quantitatif, quantitative UX researcher, chargé d'études UX, parfois UX researcher tout court avec une forte part d'enquêtes. Il existe surtout dans les organisations qui ont déjà une équipe de recherche et plusieurs produits à suivre dans le temps. Les profils viennent de la psychologie, de l'ergonomie, des études de marché, de la sociologie quantitative ou de la statistique. Aucune certification ne fait référence. Les meilleures preuves sont une enquête conçue et analysée, un benchmark répété, un script d'analyse que la personne peut montrer ou décrire.
Compétences d'un UX researcher quantitatif testées en entretien
- Conception de questionnaires
- Échelles standardisées (SUS, UMUX-Lite, SEQ)
- Échantillonnage et puissance
- Analyse statistique et intervalles
- Benchmarks et tests à grande échelle
- Données comportementales et code d'analyse
Cinq questions de statistique et de mesure UX
Chaque question vient avec ce qu'une bonne réponse contient et le signal qui doit vous alerter. Pas besoin d'être technique pour les poser : écoutez si le candidat raconte du vécu.
Question 1 · confirmé
Une enquête auprès des clients doit estimer une proportion à plus ou moins 5 points. Combien de réponses vous faut-il, et qu'est-ce qui peut fausser le résultat même avec ce nombre ?
Une bonne réponseAu seuil de 95 % et dans le cas le plus défavorable (proportion de 50 %), environ 385 réponses, moins si la population est petite grâce à la correction pour population finie. Le nombre ne protège pas des biais : non-réponse, autosélection des clients les plus contents ou les plus mécontents, couverture (seuls les clients actifs reçoivent l'e-mail). Il compare le profil des répondants à celui de la base et redresse si besoin.
Signal d'alerte« On prend 10 % de la base », ou l'idée qu'un gros échantillon corrige un biais de sélection.
Question 2 · confirmé
Deux versions d'un parcours obtiennent 70 % et 80 % de réussite, avec vingt participants chacune. La seconde est-elle meilleure ?
Une bonne réponseOn ne peut pas le dire. Avec la méthode de Wald ajustée, les intervalles de confiance à 95 % vont d'environ 48 à 86 % et de 58 à 93 % : ils se recouvrent largement. Un test de comparaison de deux proportions adapté aux petits effectifs (test exact de Fisher ou khi-deux N-1) est loin d'être significatif. Il présente l'écart avec son intervalle et propose un échantillon plus grand ou un plan intra-sujets.
Signal d'alerte« Dix points d'écart, donc la version B gagne », sans aucun intervalle.
Question 3 · junior à confirmé
Relisez cette question d'enquête : « Êtes-vous satisfait de la rapidité et de la clarté de notre nouvel espace client ? (Oui / Non) ». Que corrigez-vous ?
Une bonne réponseElle mesure deux choses à la fois, rapidité et clarté, donc une réponse ne dit pas laquelle pose problème. « Notre nouvel espace » oriente vers une réponse polie, et le oui/non écrase les nuances. Il fait une question par attribut, une échelle équilibrée de cinq ou sept points avec des libellés à chaque niveau, une option « non concerné », un ordre des items tiré au hasard, puis un prétest.
Signal d'alerteRemplacer seulement Oui / Non par une note de 1 à 5, en gardant les deux sujets dans la même question.
Question 4 · confirmé à senior
Vous mettez en place un benchmark UX semestriel du produit. Que mesurez-vous, et comment rendez-vous deux vagues comparables ?
Une bonne réponseLes mêmes tâches principales, avec les mêmes critères de réussite, le même profil et les mêmes quotas de participants, le même outil et la même répartition d'appareils. Par tâche : réussite avec son intervalle, temps en moyenne géométrique, SEQ. En fin de test : SUS ou UMUX-Lite. Il documente le protocole pour qu'une autre personne puisse le rejouer et compare les vagues avec leurs intervalles de confiance.
Signal d'alerteDes tâches réécrites à chaque vague, ou un changement de panel sans le signaler.
Question 5 · confirmé
Le score SUS est passé de 72 à 76 entre deux versions. Comment l'annoncez-vous à la direction ?
Une bonne réponseAvec la taille des échantillons et l'intervalle de confiance de chaque vague et de l'écart. Si l'écart n'est pas significatif, il dit qu'aucune amélioration n'est démontrée. Il traduit le score en rang percentile ou en lettre selon les références de MeasuringU (la moyenne se situe autour de 68) et rappelle qu'un SUS n'est pas un pourcentage. Il vérifie que le protocole n'a pas changé entre les deux vagues.
Signal d'alerte« L'utilisabilité a progressé de 4 % », sans intervalle ni contexte.
Recevez la fiche d'entretien complète en PDF
La fiche pour mener l'entretien de bout en bout, prête à imprimer ou à partager avec le manager.
- 30 questions sur 6 axes, avec la bonne réponse, le signal d'alerte et la relance
- Le niveau visé pour chaque question
- Une mise en situation de 20 minutes et ce qu'on attend du candidat
- La grille d'évaluation de 1 à 4, axe par axe
UX researcher quantitatif : les questions fréquentes
Quelle différence entre un UX researcher quantitatif et un product data analyst ?
Le product data analyst part des données d'usage : tracking, entonnoirs, rétention, tests A/B. Le UX researcher quantitatif mesure aussi ce que les données d'usage ne voient pas, comme l'utilisabilité perçue, la difficulté d'une tâche ou les attentes, par des enquêtes, des échelles validées et des benchmarks d'utilisabilité. Les deux se croisent sur l'analyse comportementale et travaillent souvent ensemble. Si le besoin se limite aux données d'usage, l'analyste suffit.
Quel bagage statistique est attendu d'un UX researcher quantitatif ?
Il doit calculer une taille d'échantillon, construire un intervalle de confiance sur une proportion ou une moyenne, choisir un test de comparaison adapté aux données et corriger des comparaisons multiples. Des notions de régression et de redressement d'échantillon sont attendues chez un senior. Le vocabulaire ne suffit pas : l'interprétation d'un résultat ambigu montre s'il annonce l'incertitude avant la conclusion.
Quel test technique pour un UX researcher quantitatif ?
Un exercice en deux temps tient en une heure. D'abord un questionnaire court contenant des erreurs de formulation, à corriger à voix haute. Ensuite un petit jeu de résultats, deux taux de réussite ou deux scores SUS sur de petits échantillons, à interpréter avec ou sans ordinateur. On voit la rigueur sur les questions et la prudence sur les chiffres, ce qu'un devoir à la maison montre moins bien.
R, Python ou SQL : lequel est exigé dans l'offre ?
Celui de l'équipe, mais sans en faire un filtre absolu. R reste très répandu chez les profils issus de la psychologie et des études, Python chez ceux qui viennent de la data. SQL devient nécessaire si la personne doit extraire elle-même les données d'usage. Un candidat solide dans un langage d'analyse apprend l'autre en quelques semaines. La compréhension statistique est plus longue à acquérir.
Pour structurer vos autres entretiens, consultez aussi nos pages sur les questions d'entretien de recrutement, la méthode de l'entretien structuré et la grille d'évaluation d'entretien.
