1

Les Mesures de l'importance

des critres de satisfaction
ou d'image
4 Dcembre 2003
2
INTRODUCTION
Il nexiste pas lheure actuelle un secteur dactivit
(automobile, transport, mdia, grande consommation,
banque , mais aussi industrie, mdical ) o la mesure
de la satisfaction ou de limage nest pas un lment
prpondrant de sa stratgie.

3
INTRODUCTION
Dun simple constat dvolution sur telle ou telle
enseigne, ces baromtres de satisfaction ou dimage sur
des produits ou services doivent permettre aujourdhui
des analyses de plus en plus fines, aussi bien en terme
stratgique (identification des facteurs les plus
importants) quoprationnels (axes de progrs pour
amliorer la performance).


4
INTRODUCTION
Dans tous les cas, lobjectif central est doptimiser les
actions marketing (enseigne, produits, services )

Selon les secteurs dactivit, lobjectif secondaire se
dcline sur le fait dtre bon sur toutes les composantes ,
ou, plus souvent, dtre bon et de le rester dans tels ou
tels domaines prioritaires pour lannonceur.


5
Depuis de nombreuses annes, diffrentes publications
ont montr la relation globale :
QUALITE
SATISFACTION
FIDELITE
PROFIT
et les bnfices endognes ("rachat") ou exognes
(" bouche oreille") quune entreprise peut en tirer.
6
Nombre de consultants sont intervenus ou interviennent
encore sur cette relation (et les modles dvaluation sy
affrant) et il nest pas notre propos dy revenir.

Aujourdhui, toutes les entreprises pour lesquelles nous
travaillons en Data-Mining ont lgitim le fait que
fidliser est moins coteux que conqurir et tout le
monde est daccord sur le fait que la satisfaction est le
rsultat des composantes dune attitude (annes 1980)

7
COGNITIVE
Ce que lindividu sait ou crot savoir
AFFECTIVE
Le sentiment que lindividu prouve
CONATIVE
Pr-disposition de lindividu au passage lacte
8
Ce qui nous intresse aujourdhui, cest ce quapporte les
nouvelles mthodes statistiques en particulier dans
leurs lments cognitifs Multi-attributs .
Plus prcisment, le postulat toutes ces mthodes
(classiques ou de 3
me
gnration) repose sur le modle
qui considre que la satisfaction globale provient dune
satisfaction sur diffrents critres, hirarchiss par leur
importance (et c'est l'objet de notre intervention).

9
Rappelons le cadre gnral de la mesure de la satisfaction
et la mise au point idale de linstrument de mesure.
QUALITATIF
Focus et entretiens individuels
Recherche des attributs
Mthode projective
Mthode des dclencheurs de mmoire
Mthode des incidents critiques de Flanaghan

10
QUANTITATIF
Vague 0 (test)
Un grand nombre d'attributs sont soumis
un chantillon
Phase de rduction ditems
ANALYSE FACTORIELLE
(parmi les mthodes existantes)
CONSTITUTION DUN QUESTIONNAIRE FINAL
11
Les mthodes d'analyse factorielles visent
essentiellement deux objectifs
retrouver l'information contenue dans un tableau individus
x variables en remplaant les variables par nombre plus
petit de variables les facteurs
comprendre les liens entre variables
12
chelle de satisfaction : lchelle numrique 1-10
Plusieurs intrts par rapport aux chelles smantiques :
Modulation plus fine du jugement
Plus grand pouvoir discriminant
Proximit de la notation scolaire
Traitement statistique spcifique aux variables
numriques
Possibilit de voir des volutions dune vague
lautre
Pouvez- vous indiquer ci-dessous la note qui caractrise le mieux votre
satisfaction lgard de de votre voiture.
10 signifiant que vous tes trs satisfait, 1 pas du tout, les notes
intermdiaires permettant de nuancer votre jugement
13
Si lon se penche maintenant sur traitement de
linformation et si lon se base sur le postulat de dpart,
la pratique actuelle est de considrer une dmarche
statistique base sur les corrlations entre la
satisfaction globale et les satisfactions par attributs.

14
Les difficults rencontres dans la mesure
de ces liens rsident gnralement dans le
corpus danalyse lui-mme.
chantillon trop faible
Trop ditems corrls entre eux

Instabilit
Pas robuste
Invraisemblable
Explicables sur une vague pas deux !
Ne donne pas le dclencheur des modifications
15
Nous vous prsenterons donc diffrentes mthodes pour
calculer les poids des critres de satisfaction et d'image
Lensemble de ces travaux de recherche a t effectu par
SOCIO Logiciels sur des logiciels danalyse SPSS / BMDP
SIMCA P / SAS, en utilisant la technique de la fort
permettant de mesurer la stabilit de la mthode :
Il sagit dune mthode itrative sur 10 tirages
alatoires des interviews jugeant le modle (sur des
Bases de Donnes avec des populations plus
importantes, ce peut tre 100 tirages alatoires).
16
Si avec 10 exprimentations diffrentes, cest--dire
un mme calcul sur une mme mthode donne des
rsultats similaires (et ce sur les 2 annes) :
Mthode stable et robuste
dans le cas contraire :
Mthode instable
17
Nous avons travaill sur un champ de donnes issu dune
enqute automobile ralise en 2001 et 2002 sur un pays
et le modle phare dun segment donn.
chantillon chaque vague de 1500 individus
Batterie dexprimentation de 9 items (batterie rduite
juge sur une note de 1 10)
Et bien sr une note globale.
La Base de travail
18
Le champ des donnes "exprimental" n'a pas t pris au
hasard. Le pays pris en compte est rput dans ce
domaine pour son "conservatisme", le modle de
segment choisi n'a subi aucun changement lors des deux
annes tudies, , ni de restyling, ni de nouvelles
communications mdia ou hors mdia. Un modle
prenne.. donc rien priori susceptible de modifier
l'influence d'une srie de notes sur la satisfaction
gnrale, d'une anne sur l'autre.

La stabilit de la hirarchie de l'importance
des items sera donc le critre principal de
notre analyse.
La Base de travail
19
Et pourtant les diffrentes mthodes de calcul dont
l'objectif est priori le mme, c'est--dire mesurer les
poids de ces items et leurs ventuelles volutions,
montrent des disparits / instabilits importantes.

Mais de la mme faon qu'on admet maintenant qu'il
n'y a pas qu'une seule typologie (factorielle, canonique,
discriminante, PLS et maintenant cartes de
Kohonen), il faut admettre qu'il n'y a pas qu'une seule
mthode de hirarchisation

Le tout est d'obtenir, selon la problmatique pose, la
meilleure hirarchisation, c'est--dire in fine, celle qui
permet de conjuguer
stabilit
robustesse
simplicit d'interprtation
20
Bilan dimage
Rgression linaire
Rgression squentielle pas pas
Rgression en cascade
Rgression PLS
Rgression RIDGE
Rseaux Baysiens
APB = SATCLI (solution SOCIO)

LES MTHODES TESTES
21
Qu'est-ce qu'on a dans cette
exprimentation ?
9 items jugs sur des notes de 1 10
Ligne
Prix
Qualit
Technique
Consommation
Vitesse
Place
Confort
Sre

et une note globale de 1 10
22
IMPORTANT
Dans toutes ces analyses, il est important de dire que
l'on ne mesure que ce que l'on a.
En d'autres termes, on suppose que l'ensemble des
items recouvre le champ d'investigation considr !

Par contre posteriori, on peut valuer le fait qu'il
manque de l'information (items), sans videmment
pouvoir dire ce qu'elle recouvre.

Comment ?
par la valeur des indicateurs de convergence
et par le biais entre les valeurs prdites et les
valeurs observes (Y' et Y)
23
Des notes de satisfaction en entre
En 2001 Rang
2001
En
2002
Rang
2002
Delta
des valeurs
absolues des
diffrences
Ligne 8.01 5 8.09 5 0
Prix 7.51 8 7.48 9 1
Qualit 8.35 1 8.44 4 0
Technique 8.20 4 8.35 2 2
Consommation 7.44 9 7.49 8 1
Vitesse 8.24 2 8.25 3 1
Place 7.78 7 7.88 6 1
Confort 7.85 6 7.84 7 1
Sre 8.23 3 8.23 4 1
Note globale 8.48 8.42
8
In fine, on constate peu d'carts 0.66 en
moyenne et un R2 de 0.97 [maximum 1]
cohrence des notes
Plus le delta est lev
plus la diffrence est
importante
entre 2001 et 2002
24
Notes de satisfaction
Sre
Confort
Place
Vitesse
Technique
Qualite
Ligne
Consommation
Prix
R
2
= 0,9741
7,40
7,60
7,80
8,00
8,20
8,40
8,60
7,20 7,40 7,60 7,80 8,00 8,20 8,40 8,60
2
0
0
2

2001
25
Mais qu'en est-il de l'importance des
items dans la note globale ?
LE BILAN D'IMAGE

Mthode :
On rappelle qu'il s'agit d'une analyse bivarie, base
sur les corrlations entre la note globale et chacun
des items jugs.

Les inter corrlations entre items ne sont pas prises
en compte
26
LE BILAN D'IMAGE - RANG DES ITEMS
Sre
Confort
Place
Vitesse
Technique
Qualite
Ligne
Consommation
Prix
R
2
= 0,4669
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2
0
0
2

2001
27
Au niveau des rangs, beaucoup de changements entre
2001 et 2002, la somme des carts de rangs entre 2002
et 2001 est trs leve : 12.
Le coefficient de rgression (valeur du R2 est faible).

Beaucoup d'instabilit dans les rangs des items
mthode proscrire pour l'analyse de la
satisfaction
Aucune prise en compte des inter-corrlations
LE BILAN D'IMAGE Conclusions
28
Mthode :
Le modle de rgression linaire consiste trouver
une relation entre :
une variable expliquer (la note globale) et "n"
variables explicatives (les items)
la rgression est multiple car il y a plusieurs variables
explicatives

Il s'agit de dterminer l'importance individuelle de
chaque item sur la satisfaction, indpendamment les
uns des autres (principe d'indpendance sous-
jacent).
RGRESSION LINAIRE
29
RGRESSION LINAIRE - RANG DES ITEMS
Sre
Confort
Place
Vitesse
Technique
Qualite
Ligne
Consommation
Prix
R
2
= 0,2844
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2001
2
0
0
2

30
C'est la mthode la plus connue, et c'est galement la
mthode dans ce cas d'espces oublier.
La somme des carts de rangs est 18, R2
catastrophique

RGRESSION LINAIRE Conclusions
31
Mthode :
On cherche dans la batterie d'items et de manire
itrative, les items corrls positivement avec la note
globale et ce tant qu'on ne trouve pas de
coefficients de corrlation ngatifs.
on calcule ainsi une premire srie de poids
le process est ritr avec tous les autres items
RGRESSION SEQUENTIELLE PAS A PAS
32
RGRESSION SEQUENTIELLE PAS A PAS
Note globale = a x it-5 + b x it-6 + (fin c < 0)
Note globale = a' x it-7 + b' x it-9 + (fin c < 0)

Les coefficients a, b, a', b', sont pondrs sur les valeurs du R2
33
RGRESSION SPP RANG DES ITEMS
Prix
Consommation
Ligne
Qualite
Technique
Vitesse
Place
Confort
Sre
R
2
= 0,6944
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2
0
0
2

2001
34
Mme si les rsultats s'amliorent, la valeur du R2
reste faible et surtout la somme des carts de rang
reste importante (12).
RGRESSION SEQUENTIELLE PAS A PAS
Conclusions
35
Mthode :
On dfinit " priori" des "familles smantiques" de
manire qualitative .Tous les items parlent de la mme
chose : exemples accueil au point de vente, amabilit
des vendeurs, temps d'attente dans la concession
On a donc en entre, la note des items et la note des
familles
on calcule d'abord le poids des items dans la famille
on calcule ensuite une note pondre de la famille
on calcule enfin le poids des familles reconstitues
dans la note globale
le poids final des items = le poids des items dans la
famille x le poids de la famille dans la satisfaction
globale
RGRESSION EN CASCADE
36
RGRESSION EN CASCADE RANG DES ITEMS

Sre
Confort
Place
Vitesse
Technique
Qualite
Ligne
Consommation
Prix
R
2
= 0,8382
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2001
2
0
0
2

37
La valeur du R2 est bonne, et la somme des carts des
rangs est correcte (7).

Cependant deux rserves :
le choix " priori" des familles
la dernire rgression dans les familles a tout son
sens car les familles sont indpendantes .Par
contre , les premires, par famille, portent sur des
items corrls.
RGRESSION EN CASCADE Conclusions
38
Mthode :
On va d'abord faire une analyse factorielle des items
sous contrainte.
On fait la rgression entre la note globale et les
facteurs ainsi dfinis, et non pas avec les items.
Des coefficients VIP donnent en final l'importance
des items (Somme = 100, tous positifs)
RGRESSION PLS (Partial Least Square)
39
RGRESSION PLS RANG DES ITEMS

Sre
Confort
Place
Vitesse
Technique
Qualite
Ligne
Consommation
Prix
R
2
= 0,49
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2001
2
0
0
2

40
Assez "tendance" ces dernires annes, la rgression
PLS montre ici ses faiblesses :

Elle ragit mal quand les items sont moyennement
corrls
Le R2 reste faible, la somme des carts de rang est
importante : 14
RGRESSION PLS Conclusions
41
Mthode :
Dveloppe depuis une quinzaine d'annes, elle est
assez utilise dans les enqutes "organoleptiques".
Elle traite assez bien les principes de co-linarit entre
items, les principes mathmatiques sous-jacents sont
assez complexes.
RGRESSION RIDGE
42
RGRESSION RIDGE RANG DES ITEMS
1
Sre
Confort
Place
Vitesse
Technique
Qualite
Ligne
Prix
Consommation
R
2
= 0,3211
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2
0
0
2

2001
43
Les rsultats ne sont pas bons !
la somme des carts de rang est trs importante : 18,
le coefficient de R2 faible.
la mthode est donc trs instable
RGRESSION RIDGE Conclusions
44
Mthode :
Les rseaux Baysiens sont le rsultat du mariage
entre la statistique et l'intelligence artificielle. Ils ont
ainsi la capacit de dcouvrir des relations, de les
formaliser et de les englober.
Ils font partie des programmes statistiques de 3me
gnration (principe d'auto-apprentissage).
RESEAUX BAYESIENS
45
RESEAUX BAYESIENS RANG DES ITEMS
Prix
Consommation
Ligne
Qualite
Technique
Vitesse
Place
Confort
Sre
R
2
= 0,64
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2001
2
0
0
2

46
RESEAUX BAYESIENS Conclusions
Si l'on accepte le fait que cette technique ne rponde
pas des rgles statistiques prcises (c'est le modle
qui cherche et non pas le statistiticien), force est de
constater que les rsultats sont corrects :
R2 assez satisfaisant
somme des carts de rangs correcte : 10
Nanmoins la mthode reste dans le temps assez
instable.
47
Mthode :
Ce sont diffrentes mthodes qui sont utilises
successivement :

APB-SATISFACTION SOCIO -
ACP
dfinir des facteurs, des composantes
de la satisfaction
Rgression
PLS
entre la note globale et les facteurs
(quasi indpendants) poids des
facteurs
Rseaux
Baysiens
entre les coordonnes factorielles et les
items poids des items dans les facteurs
L'importance finale = poids des items x poids des facteurs
48
APB-SATCLI RANG DES ITEMS

Sre
Confort
Place
Vitesse
Technique
Qualite
Ligne
Prix
Consommation
R
2
= 0,9344
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
2
0
0
2

2001
49
J
APB-SATCLI Conclusions
R2 trs fort, proche de 1, et du R2 qui mesurait le
lien des notes 2001 2002
une somme des carts de rang trs faible : 4

GRANDE STABILITE ET ROBUSTESSE DU
MODELE SOCIO APB-SATCLI
50
Comparatif entre les diffrentes mthodes
12
18
12
7
14
10
4
0
2
4
6
8
10
12
14
16
18
20
Bilan
d'image
Rgression
linaire
Rgression
squentielle
pas pas
Rgression
en cascade
Rgression
PLS
Rseaux
Baysiens
APB Satcli
SOCIO
Somme des carts de rang
51
Mais . quoi a sert tout ???
CONCLUSIONS
A optimiser les ressources sur les composantes de
la relation client, afin dtablir des plans dactions
marketing au travers dune matrice priorit dactions.
A mesurer les volutions dans leur dimension
Temps, mais aussi par pays, segments de march :
. matrice Renault vs march
. matrice Renault vs benchmark
A construire une segmentation client en utilisant les
diffrents impacts mesurs
Valorisation clients