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