Un point de terminaison MCP hébergé, en lecture seule, qui permet à Claude (ou à tout client compatible MCP) de lire les enquêtes et réponses de votre compte SurveyLane — pour résumer les réponses ouvertes, tester quelles différences sont significatives, trouver les facteurs clés, comparer les segments et rédiger les conclusions. Sans SDK, sans code de liaison.
Tout transport MCP en HTTP fonctionne. Pointez-le vers https://mcp.surveylane.app et incluez l'en-tête Authorization: Bearer slk_…. Le serveur parle StreamableHTTP sans état — les clients envoient les charges utiles de requête en POST sur le chemin racine.
Toute requête autre que GET /health doit porter un jeton Bearer. Les jetons sont personnels, en lecture seule, et affichés une seule fois à la création.
read
En lecture seule par conception
L'IA peut lister et analyser vos enquêtes, résultats et réponses — elle ne peut rien créer, modifier ni supprimer. À confier en toute sécurité à n'importe quel client MCP auquel vous voulez donner de la visibilité.
list_surveys, get_survey
get_results, get_open_text, get_funnel
get_responses, whoami
privacy
Confidentialité des répondants
Pour les enquêtes anonymes, les noms et adresses e-mail des répondants ne sont jamais renvoyés — uniquement des agrégats et des réponses anonymisées. Pour les enquêtes non anonymes, le choix que vous avez fait sur l'enquête est respecté.
isAnonymous appliqué côté serveur
les outils d'agrégation n'exposent jamais de PII
limité à votre seul compte
Les jetons sont par utilisateur et révocables
Chaque requête d'outil est limitée à vos propres données et ne peut pas voir d'autres comptes. Révoquez un jeton compromis depuis Paramètres → API access — c'est effectif immédiatement.
04Outils · 22
Tout ce que l'IA peut appeler. Tout en lecture seule. Chacun renvoie de simples briques de base (décomptes, distributions, texte brut) — le modèle se charge de l'interprétation.
whoami
read
Return the caller's plan and account context.
list_surveys
read
List the caller's surveys with response totals and completion rate.
get_survey(survey_id)
read
Get the full structure of a survey (groups, questions, options). No responses, no PII.
Aggregated results per question: choice counts, rich numeric summary (mean/median/stddev/quartiles + histogram), and scale distributions with NPS/top-2-box. Optional `filter` ({question_id, equals}) restricts to a subgroup; optional `segment_by` (a choice question id) returns results split per option. yes_no/single_choice counts are correct (not just multiple_choice).
get_open_text(question_id, limit, offset)
read
Free-text answers for one question, paginated. Use to summarise themes/sentiment.
Individual responses as a compact answer matrix (response x question), paginated. PII (name/email) is omitted by default and only included with include_pii=true on a non-anonymous survey. Use question_ids to fetch only specific columns and keep payloads small. Prefer get_crosstab/get_results for analysis.
get_funnel(survey_id)
read
Drop-off funnel: total vs completed responses, per-question answered/shown/skipped and reached counts. Conditional (branched) questions report drop-off relative to who actually saw them, not all starters.
get_crosstab(question_a, question_b)
read
Cross-tabulate two questions of the same survey. Numeric×numeric returns a Pearson correlation; otherwise a contingency table (counts of A categories × B categories).
get_group_summary(survey_id)
read
Roll-up of numeric/VAS scores per question group (cluster): pooled group mean + per-question means, so clusters are comparable at a glance.
get_data_quality(survey_id)
read
Data-quality signals for a survey: completion-time stats (median/quartiles + speeders) and straightlining detection (respondents giving near-identical answers across numeric/scale questions).
compare_surveys(survey_a, survey_b)
read
Compare two surveys (e.g. baseline vs follow-up). Matches numeric/VAS questions by text and reports per-question mean deltas, sorted by magnitude. Useful for 0-meting vs nameting.
Statistically test whether a target question differs across subgroups defined by another question. Numeric target -> Welch t-test (two groups) or one-way ANOVA (all groups), with Cohen's d / eta². Categorical target -> chi-square + Cramér's V. Returns p-values so you don't over-interpret small samples.
get_correlation_matrix(survey_id, group_id)
read
Pairwise Pearson correlations (with p-values, significance) across all numeric/VAS questions, sorted by strength. Optionally scope to one group/cluster. One call instead of N² crosstabs.
key_drivers(survey_id, target)
read
Driver analysis: rank all numeric questions by their correlation (with p-value) to a target numeric question. Answers 'what most relates to low energy / high stress?'.
scale_reliability(survey_id)
read
Cronbach's alpha per question group (cluster) over its numeric items, with an interpretation. Validates whether a cluster measures one coherent construct before averaging it.
query_cohort(survey_id, where, aggregate)
read
Define a cohort with multiple AND/OR conditions (numeric ranges, option matches, answered/not_answered) and get its size/share. With aggregate=true, returns full get_results-style aggregates for just that cohort.
Post-stratification weighting on a single variable: supply target shares for a demographic question (e.g. gender 50/50) and get weighted numeric means vs unweighted, plus Kish effective sample size. Corrects sample skew.
Build a composite index from chosen items (optional per-item weight/reverse/min-max, optional 0..100 normalization) and get its distribution overall and per segment. E.g. a wellbeing index from selected VAS questions.
auto_insights(survey_id, top_n)
read
Automatically scan every segmentation question × numeric question, ANOVA-test each, and return the significant differences ranked by effect size (eta²). The 'do the analysis for me' tool, guarded by significance.
Free-text verbatims for a question (text answers, or the 'other' texts of a choice question), optionally linked to another numeric question's score and filtered by a score range (e.g. comments of the lowest scorers). Includes keyword frequency.
response_timeline(survey_id, bucket)
read
Response volume over the fielding period: started/completed per day or hour, cumulative and completion rate. Shows when responses came in (e.g. after a reminder) and where people abandon.
report_bundle(survey_id, driver_target)
read
One call returns a full analysis pack: overview results, per-cluster summary, scale reliability, data quality, funnel, and auto-insights (optionally key drivers for a target). Feeds a report/PDF directly.
Aucun outil ne correspond à votre recherche.
05Invites
Modèles d'invites hébergés sur le serveur que l'IA invoque directement. Dans Claude Code : /mcp__surveylane__<name>. Un clic vous donne une analyse guidée complète au lieu d'avoir à poser vous-même les bonnes questions.
analyze_surveyAnalyze a survey
Run a full analysis of a survey's results and write a report with findings and recommendations.
06Exemples d'invites
De vraies questions que vous pouvez coller dans votre client IA — d'un résumé rapide aux tests de significativité, à l'analyse des facteurs clés, aux cohortes, à la pondération et aux comparaisons avant/après. Le modèle décide quels outils appeler et les enchaîne ; vous restez en langage naturel.
“Lesquelles de mes enquêtes ont le plus de réponses ?”
“Donne-moi le taux de complétion de chaque enquête.”
“Quelles enquêtes sont encore en brouillon, et lesquelles sont clôturées ?”
“Quand mon enquête Aanmelden interventieperiode a-t-elle reçu sa dernière réponse ?”
“Résume les résultats de mon enquête de satisfaction client.”
“Quel est le NPS de l'enquête X ? Montre les promoteurs, passifs et détracteurs.”
“Montre-moi la distribution des notes pour la question ‘probabilité de recommander’.”
“Quels sont la moyenne, la médiane et la dispersion du score ‘effort’ ? Montre un histogramme.”
“Donne-moi le pourcentage top-2-box pour chaque question de notation.”
“Regroupe les réponses ouvertes à la question de feedback en 3–6 thèmes, chacun avec un décompte.”
“Quel est le sentiment global des réponses en texte libre ?”
“Montre-moi les commentaires des personnes ayant donné une note de 3 ou moins en satisfaction.”
“Quels sont les mots-clés les plus utilisés dans les retours ouverts ?”
“Extrais les réponses ‘autre, veuillez préciser’ pour la question des canaux.”
“Où les répondants abandonnent-ils l'enquête X ?”
“Quelle question présente le plus grand abandon réel (en ignorant les questions conditionnelles) ?”
“Combien de personnes commencent par rapport à celles qui terminent mon enquête d'intégration ?”
“Parmi les personnes ayant atteint la question 8, combien y ont réellement répondu ?”
“Compare le NPS par département.”
“Découpe chaque résultat par sexe pour que je voie les différences.”
“Croise la satisfaction avec la question de la tranche d'âge.”
“Construis un tableau de contingence de la région contre la question ‘va renouveler’.”
“Les personnes qui ont terminé l'enquête nous notent-elles différemment de celles qui ont abandonné ?”
“La différence de satisfaction entre les équipes est-elle statistiquement significative, ou juste du bruit ?”
“Compare le stress entre les hommes et les femmes avec un t-test et une taille d'effet.”
“Lance une ANOVA sur le score d'énergie selon les tranches d'âge — donne-moi la p-value.”
“Le département A obtient une meilleure note que B, mais les échantillons sont petits — est-ce réel ?”
“Teste si la réponse ‘va recommander’ dépend de la région (chi-square).”
“Compare l'indice de bien-être entre travail assis et physique avec un t-test de Welch — l'écart est-il réel vu la petite taille des groupes ?”
“Lance un chi-square : le signalement de comportements inappropriés dépend-il du département ?”
“Parmi tous mes découpages par segment, lesquels résistent à une correction pour comparaisons multiples ?”
“Qu'est-ce qui influence le plus fortement le score d'énergie ? Classe les questions.”
“Quels facteurs sont les principaux moteurs d'un faible NPS ?”
“Montre-moi une matrice de corrélation de toutes les questions de notation.”
“Qu'est-ce qui corrèle le plus avec la satisfaction globale ?”
“Quels comportements sont liés à un meilleur bien-être ?”
“Classe les facteurs d'une journée de travail sereine — qu'est-ce qui réduit le plus le stress ?”
“Quels comportements (mouvement, sommeil, alimentation) sont corrélés à un meilleur score de bien-être ?”
“Montre les corrélations deux à deux les plus fortes sur toutes les questions à échelle, les plus grandes d'abord.”
“Combien de personnes sont assises plus de 8 heures par jour ET ne font jamais d'exercices de mobilité ?”
“Construis une cohorte de détracteurs et montre comment ils ont répondu à tout le reste.”
“Quelle part des répondants sont très motivés mais déclarent un stress élevé ?”
“Filtre sur les personnes ayant choisi ‘à distance’ à la question 3 et résume leurs résultats.”
“Compare la cohorte ‘forte sédentarité’ au reste des répondants.”
“Construis un indice de bien-être à partir des questions d'énergie, de sommeil et de stress, ventilé par département.”
“Crée un indice de satisfaction et montre-le par région.”
“Inverse le codage des items négatifs et calcule un score global unique.”
“Le groupe ‘engagement’ constitue-t-il une échelle fiable ? Donne-moi le Cronbach's alpha.”
“Lesquels de mes groupes sont suffisamment fiables pour être rapportés comme un seul chiffre ?”
“Calcule un indice de bien-être à partir de l'énergie, du sommeil, de la récupération, de la concentration et du stress, ventilé par tranche d'âge.”
“Donne-moi l'alpha de Cronbach par cluster et dis-moi quelles échelles sont assez fiables pour être moyennées.”
“Utilise l'indice de cette enquête comme mesure de référence pour comparer après la période d'intervention.”
“Mon échantillon est composé à 70% d'hommes — repondère les résultats vers une répartition 50/50.”
“Pondère pour que chaque département compte également et recalcule les moyennes.”
“Le déséquilibre de genre change-t-il les scores principaux ? Montre pondéré vs non pondéré.”
“Quelle est la taille d'échantillon effective après pondération ?”
“Compare cette vague à l'enquête de l'an dernier et montre les plus grands changements.”
“Montre les écarts entre le point de référence et le suivi par question, du plus grand au plus petit.”
“Comment les réponses sont-elles arrivées sur la période de collecte — le rappel a-t-il aidé ?”
“Signale toute réponse de faible qualité : répondants trop rapides ou répondant en ligne droite.”
“Quel était le temps médian pour compléter l'enquête ?”
“Qu'est-ce qui ressort de cette enquête ? Fais remonter automatiquement les plus grandes différences significatives.”
“Parcours chaque segment et donne-moi les principales conclusions classées par taille d'effet.”
“Lance une analyse complète de l'enquête X et rédige un rapport avec conclusions et recommandations.”
“Utilise l'invite analyze_survey sur ma dernière enquête.”
“Donne-moi les conclusions principales plus trois actions concrètes pour l'équipe.”
“Scanne automatiquement chaque segment et classe les différences significatives par taille d'effet.”
“Rédige un rapport de direction : conclusions clés, ce qui est statistiquement solide, et cinq actions concrètes.”
“Produis un rapport confidentiel au niveau du groupe que je peux remettre à l'équipe de direction.”
07Des données à un rapport soigné
Demandez une analyse complète à votre IA : elle lit les chiffres directement depuis les outils MCP, puis un petit script les transforme en un PDF à votre charte, prêt pour le comité de direction. Voici le déroulé et un exemple.
1
Demandez en langage clair
“Lance une analyse complète et rédige un rapport confidentiel au niveau du groupe, avec conclusions et recommandations.”
2
L'IA appelle les outils
Elle enchaîne report_bundle, key_drivers, compute_index, test_significance et d'autres — tous en lecture seule, tous limités à votre compte.
3
Un script génère le PDF
Transmettez les chiffres renvoyés à un petit script ReportLab (ou HTML‑vers‑PDF) avec vos couleurs et votre logo. Relancez-le dès que les données changent.
Vision au niveau du groupe de l'énergie, la concentration, le stress et la récupération.
97démarrés
86complétés
89%complétion
69.2indice de bien-être
Le bien-être en un coup d'œil (0–100)
Sécurité psychologique84
Motivation79
Concentration72
Énergie71
Qualité du sommeil70
Stress (calme)64
Plus grande opportunité
22% restent assis plus de 8 h/jour et ne font jamais de mobilité — une cohorte concrète pour l'intervention. Le mouvement et l'alimentation ont le plus d'effet.
Généré via le serveur MCP SurveyLane · Confidentiel — au niveau du groupe uniquement
Exemple illustratif — entreprise fictive, chiffres au niveau du groupe uniquement.
08Limites de débit
Par utilisateur, fenêtre glissante de 60 secondes. Atteindre la limite renvoie une erreur d'outil propre avec une indication retry_after_seconds — pas un HTTP 429 — pour que votre client IA puisse temporiser sans interrompre la conversation.
reads
120 / min
Comptabilisé sur l'ensemble de vos jetons, donc créer plus de jetons ne peut pas multiplier le budget. Tous les outils sont de pures lectures de base de données.
scope
read v1
En lecture seule dans cette version. La colonne de portée existe afin que des outils d'écriture puissent être ajoutés plus tard, derrière une mise à niveau explicite.
Indications de temporisation, pas de HTTP 429
Le SDK MCP n'a pas de sémantique de réessai au niveau du transport. Les clients IA lisent BIEN le texte de l'erreur — la réponse rejetée inclut un retry_after_seconds précis.
09FAQ
Ouvrez Paramètres → API access dans SurveyLane et cliquez sur révoquer sur la ligne du jeton. C'est effectif immédiatement — la requête suivante depuis ce jeton échoue à l'authentification.
Le trafic MCP utilise POST sur ce même chemin racine. Un GET de navigateur (Accept: text/html) obtient cette page d'aide ; le flux SSE GET autonome d'un client MCP (Accept: text/event-stream) est refusé avec un 405, car notre transport sans état n'envoie aucune notification initiée par le serveur.
Uniquement lorsque l'enquête n'est pas anonyme. Pour les enquêtes anonymes, les noms et adresses e-mail des répondants ne sont jamais renvoyés — les outils ne restituent que des agrégats et des réponses anonymisées. Le réglage de confidentialité que vous avez choisi sur l'enquête est appliqué côté serveur.
Non. Chaque requête est limitée à votre propre compte via votre jeton personnel, et les données ne circulent que vers le client MCP que vous avez connecté (par ex. votre propre Claude). Le serveur ne renvoie jamais les enquêtes d'un autre utilisateur.
Le serveur renvoie la distribution brute de 0–10 comme briques de base ; l'IA calcule le NPS (promoteurs moins détracteurs). Cela garde le serveur simple et laisse le modèle raisonner sur les chiffres, paginer les grands ensembles de résultats et expliquer son raisonnement.
Pas dans cette version — le serveur MCP est en lecture seule et conçu pour l'analyse. Les jetons sont émis avec une portée de lecture. Des outils de création pourraient arriver plus tard, derrière une portée d'écriture distincte.
Oui. Demandez une analyse complète à votre IA : elle extrait les chiffres directement des outils (report_bundle, key_drivers, compute_index …) ; un petit script les transforme ensuite en un PDF à votre charte. Voyez la section Rapports pour un exemple concret.
Tout client compatible MCP via HTTP — Claude Code, Claude Desktop et Cursor sont décrits sous Installation, mais tout ce qui parle le Model Context Protocol fonctionne.
Non. Le serveur ne fait que lire vos données et les transmettre au client MCP que vous avez connecté ; SurveyLane ne les envoie nulle part ailleurs et ne s'en sert pas pour entraîner quoi que ce soit. Ce que vous demandez à votre client IA relève des conditions du fournisseur de ce client.
Oui. Les outils renvoient le contenu propre à votre enquête — néerlandais, allemand, français ou autre — et l'IA analyse et rédige dans la langue que vous demandez. Cette page elle-même est disponible en quatre langues.
En temps réel. Chaque appel d'outil lit la base de données SurveyLane au moment de la requête : vous travaillez toujours avec les réponses les plus récentes — sans synchronisation ni export.
