Opportunity Solution Tree

L'arbre se lit de haut en bas en quatre couches. À la racine se trouve un unique outcome souhaité — un objectif mesurable que l'équipe poursuit, comme augmenter l'activation ou réduire le délai de valeur. En dessous se ramifient les opportunités : des besoins, des points de douleur et des désirs client exprimés dans les propres termes du client, mis au jour par la découverte continue. Sous chaque opportunité se trouvent des solutions candidates, et sous chaque solution se trouvent les tests d'hypothèse ou expériences qui sondent si la solution va réellement faire bouger l'opportunité.

La structure est délibérément un arbre, pas une liste. Un unique outcome se ramifie en plusieurs opportunités, chaque opportunité en plusieurs solutions, chaque solution en plusieurs tests. Cette ramification force une équipe à tenir plus d'une option à chaque niveau, ce qui est l'antidote au fait de s'engager sur la première idée qui semble plausible.

Le rôle de l'arbre est de rendre les décisions de découverte visibles et contestables. Parce que chaque solution remonte vers une opportunité et chaque opportunité vers l'outcome, n'importe qui peut demander « quel besoin client cela sert-il, et quel objectif ce besoin fait-il bouger ? » Une fonctionnalité incapable de répondre à ces questions est exposée comme un travail orphelin avant de consommer un sprint.

Il reformule aussi la priorisation. Au lieu de classer un backlog plat de fonctionnalités, l'équipe compare d'abord les opportunités par rapport à l'outcome — en évaluant quel besoin, s'il était résolu, ferait le plus avancer l'objectif — et n'explore les solutions qu'à l'intérieur de la branche choisie. Torres appelle cela « comparer des opportunités, pas des solutions », et cela garde les cadres de scoring comme RICE honnêtes en s'assurant que les éléments notés sont de véritables besoins client plutôt que des fonctionnalités précuisinées.

L'erreur la plus courante est d'écrire des solutions déguisées en opportunités. « Ajouter une intégration Slack » est une solution ; la véritable opportunité est « je perds la trace des mentions parce qu'elles vivent dans un autre outil ». Quand la couche des opportunités est remplie de fonctionnalités, l'arbre s'effondre en backlog et son pouvoir comparatif disparaît. Les opportunités doivent être formulées comme des besoins client, dans le langage du client, distinctes de toute solution particulière.

Un second échec consiste à traiter l'arbre comme un artefact ponctuel. Il est censé évoluer chaque semaine à mesure qu'arrivent de nouvelles preuves d'entretien — des branches sont ajoutées, coupées et repondérées. Un arbre qui n'a pas changé depuis un mois est généralement le signe que la découverte s'est discrètement arrêtée. Un troisième piège consiste à sauter entièrement la couche d'expérimentation et à livrer la première solution sous une opportunité, ce qui abandonne la génération d'options que la structure est censée imposer.

Un opportunity solution tree n'est fiable qu'à hauteur des preuves sous chaque branche. En pratique, ces preuves — la note d'entretien, le ticket de support, le signal d'usage, le revenu derrière le compte qui l'a soulevée — vivent généralement dans des outils séparés, si bien que les opportunités dérivent des besoins réels vers des suppositions et que les outcomes perdent leur lien avec le comportement réel des comptes.

Un système d'exploitation produit comme AIOProductOS garde ces preuves reliables sur une colonne vertébrale partagée : son flux Insights fait apparaître le feedback juste à côté de l'enregistrement Customer-360 et du revenu derrière lui, si bien qu'une opportunité peut montrer quels comptes payants l'ont soulevée avant de mériter une branche, et l'outcome à la racine peut être suivi par rapport à de véritables analytics produit plutôt qu'un chiffre copié dans une diapositive. L'arbre reste un outil de découverte ; la colonne vertébrale garde les preuves qui le sous-tendent à jour.