Les retours clients remontés au produit, Startup SaaS B2B, équipes CSM, sales et produit
Après chaque réunion, ce que disent vos clients arrive dans Jira, trié, noté et rattaché aux bonnes idées.
Avant : ce que disent les clients en réunion n'arrive jamais à l'équipe produit.
Résultat
20 minpar semaine pour consolider les retours clients, contre 6 h avant
Chaque réunion Teams est lue par l'IA. Chaque retour devient une fiche notée et rangée dans la bonne boîte à idées de Jira, avec une alerte quand un gros client est concerné. Les to-do de chaque réunion arrivent dans Notion, au nom de chacun.
Le contexte
Les CSM et les commerciaux entendaient chaque semaine des bugs, des demandes et des frustrations. Tout restait dans les transcripts Teams. Marketing, produit et développement travaillaient chacun de leur côté, et le product manager passait des heures à recouper des notes éparses, quand il le faisait.
Pour qui
Product managers, équipes CSM et commerciales, direction produit et marketing qui veulent décider sur ce que disent vraiment les clients.
Ce qui a été construit
Les transcripts des réunions Teams sont récupérés automatiquement toutes les 30 minutes et déposés sur un drive partagé, qui déclenche le traitement. Chaque transcript est stocké dans une base de données, puis lu par GPT-4.1, qui en extrait les retours clients. Chaque retour reçoit trois notes : sa fiabilité, le poids du client et le coût si on ne fait rien, puis une catégorie. Dans une base qui les rapproche par le sens, le CSM confirme le rattachement de chaque retour à une idée existante ou en crée une nouvelle, le product manager navigue des retours aux idées et inversement, et l'analyse suit les tendances et les volumes. Une fois validé d'un clic dans Notion, le retour est poussé dans la bonne boîte à idées de Jira Product Discovery avec son score de confiance. Le même passage extrait aussi les to-do de la réunion, au nom de chaque personne, et les range dans une base Notion par réunion. L'auteur du dépôt est prévenu dans Teams en fin de traitement. Un agent IA interne fait le tour en continu, rattache les nouveaux retours aux idées existantes, et publie un point chaque semaine avec des alertes pour les gros clients.
Résultats
- réunions analysées en 8 semaines
- 1 240réunions analysées en 8 semaines
- retours rangés dans Jira
- 312retours rangés dans Jira
- alertes gros clients
- 47alertes gros clients
En une minute
Ce que j'en retiens
- Noter la fiabilité de chaque retour évite de noyer le produit sous des remarques isolées.
- Rattacher les retours aux idées existantes vaut plus que créer de nouvelles fiches : c'est ce qui fait monter les vrais sujets.
- L'alerte gros client est la fonctionnalité que la direction regarde en premier.
Contexte d'usage
Construit pour une startup SaaS B2B dont les équipes marketing, produit et développement ne se parlaient pas. Aucun transcript n'est plus relu à la main. Développé et hébergé sur l'écosystème Microsoft Azure.
Stack concernée
- Collecte
- Microsoft Teams, Microsoft Graph, Drive partagé
- Données
- PostgreSQL sur Azure, pgvector
- IA
- GPT-4.1, Agent interne
- Destination
- Jira Product Discovery, Notion
- Garde-fous
- Validation humaine avant Jira, Alerte de coût quotidienne, Alerte d'erreur dans Teams
- Hébergement
- Microsoft Azure
Un process similaire vous coûte du temps ?