Vous êtes sur la page 1sur 67
«Comment la participation aux communautés de marque en ligne influence les intentions d’achats du consommateur

«Comment la participation aux communautés de marque en ligne influence les

intentions d’achats du consommateur »

- Etude empirique d’application d’un modèle de modélisation en équations structurelles au

marché des opérateurs de téléphonie mobile français

Mémoire de fin d’études

Auteur: Jean-François Truc

Directeur de mémoire: M. Paul-Valentin Ngobo

Programme: Master of Science in marketing management

L’Edhec Business School n’exprime pas d’avis sur les propos tenus dans ce mémoire, qui sont placés

sous la seule responsabilité de leur auteur.

Table des Matières

1 Introduction

4

1.1 Identification des enjeux, formulation des questions de recherche

5

1.2 Méthodologie et delimitation

6

1.3 Structure du mémoire

8

2 Revue littéraire des concepts mis en jeu

8

2.1 Les communautés de marque en ligne

8

2.2 Composantes et effets théoriques de la participation aux communautés virtuelles

9

2.3 Cadre conceptuel et choix d’un modèle

10

2.3.1 Définition et intérêt de la modélisation en équations structurelles

10

2.3.2 Choix d’un modèle

10

2.3.3 Adaptation du modèle à notre contexte

15

3 Perspectives sur le marché français des opérateurs mobile

18

3.1 Présentation du marché choisi

18

3.2 Description qualitative des communautés des opérateurs

21

4 Méthodologie

26

4.1 Approche de recherche choisie

26

4.2 Conception du questionnaire

27

4.2.1 Critères démographiques retenus

27

4.2.2 Choix de l’échelle de mesure des indicateurs observés

28

4.3

Elaboration des items de mesure

29

4.4

Collecte des données

32

5 Exploitation des résultats de l’enquête

33

5.1

Choix et justification de la méthode PLS

33

5.1.1 Principes

33

5.1.2 Avantages de la méthode PLS

34

5.2

Analyse préliminaire sous SPSS

37

5.2.1 Caractéristiques de l’échantillon

37

5.2.2 Test de normalité

40

5.3

Analyse par la méthode PLS

41

5.3.1 Validation du modèle de mesure

42

5.3.2 Estimation du modèle structurel

45

5.3.3 Résultat de nos hypothèses de recherche

46

6 Conclusion

49

6.1 Interprétation des résultats et implications managériales

49

6.2 Limites de l’étude

52

 

6.3 Pistes

53

Bibliographie

55

Table des figures

60

Annexes

61

1

Introduction

Un des enjeux marketing majeur d’internet en tant que média est de faciliter la

communication entre les entreprises et les consommateurs. Il permet aux entreprises

commercialisant des biens ou des services de construire un lien réciproque avec leurs clients,

une véritable relation durable avec l’usager ou le consommateur, dont le but premier est la

fidélisation.

La mise en place de communautés virtuelles axées autour de marques et de produits est un

moyen plébiscité par les entreprises et les organisations pour arriver à cette fin. Ces

communautés conduisent à la construction d’une relation privilégiée entre leurs architectes et

leurs membres.

Un lien de communication direct est ainsi créé, permettant de véhiculer des messages

marketing personnalisés et non perçus comme purement publicitaires, puisque la démarche

d’adhésion du consommateur à la communauté est volontaire. Leur efficacité est alors

démultipliée.

C’est pourquoi on assiste à un bourgeonnement de ces communautés participatives en ligne, à

l’heure où la publicité et le référencement classique s’essoufflent, et ne suffisent plus aux

marques pour se démarquer efficacement et atteindre les clients.

Les internautes sont bombardés par la publicité en permanence et sont de plus en plus

apathiques, voire, comme le montre l’essor des bloqueurs de publicité, carrément hostiles aux

vecteurs traditionnels du marketing. Les annonceurs cherchent donc à tout prix à rétablir des

relations de proximité et de confiance avec eux.

A l’inverse, les communautés virtuelles réussissent mieux à motiver les consommateurs, et à

les impliquer dans des débats ou des échanges autour de produits ou services d’une marque.

On réalise donc tout l’intérêt de comprendre les effets de la participation des consommateurs

à de telles communautés, et plus particulièrement ses retombées sur la fidélité et les

intentions d’achats futures.

1.1 Identification des enjeux, formulation des questions de recherche

Il existe une pléthore d’articles de littérature scientifique sur les notions de communautés

virtuelles de marques et sur la fidélité des clients à une marque.

Il est par exemple établi que les consommateurs membres de la communauté en ligne d’une

entreprise dépensent plus après l’avoir rejointe qu’auparavant, et également plus que les

consommateurs non-membres (Machanda, Packard et al 2012).

Cependant, les travaux qui relient directement participation à ces communautés et retombées

en termes de fidélisation sont plus rares, et leurs conclusions ne font pas consensus.

Lors de mes recherches, j’ai par exemple découvert des études sur cette relation portant sur

les communautés de trois grands e-tailers chinois (Pei-Yu & Tsai, 2011), sur des

communautés indépendantes axées sur le tourisme et le voyage (Casaló, Flavián et al. 2010),

ou encore sur des communautés d’utilisateurs de software open-source comme Linux (Casaló

et al. 2007).

Dans ces deux derniers exemples, les communautés étudiées n’étaient de plus pas directement

administrées par des entités commerciales.

J’y ai donc vu l’opportunité de contribuer modestement à élargir ce champ particulier en

choisissant comme cadre de ce mémoire l’étude des communautés en ligne des opérateurs

mobiles français en 2013

Mon but est donc de savoir si l’on peut appliquer un modèle structurel déjà établi décrivant le

lien entre la participation d’un consommateur à une communauté en ligne de marque et sa

fidélité à cette marque dans ce contexte précis, c’est à dire arriver empiriquement aux mêmes

conclusions par une méthode de recherche quantitative.

Le questionnement suivi a été le suivant :

La participation d’un abonné à la communauté en ligne d’un opérateur a-t-elle des

répercussions sur sa fidélité et ses intentions d’achats ?

Quels sont les déterminants de cette participation ?

Quels sont les ressorts et les mécanismes intermédiaires de ce lien ?

Quel modèle de recherche serait le plus pertinent pour représenter cet effet, comment

le transposer à notre contexte d’étude et le tester empiriquement ?

1.2 Méthodologie et delimitation

Pour répondre à ces interrogations, nous suivrons dans ce mémoire une approche classique.

Dans un premier temps nous mènerons une revue littéraire afin de dresser un inventaire des

théories, des cadres conceptuels et des modèles se rattachant aux concepts de fidélité à une

marque et aux communautés en lignes.

Nous verrons comment décomposer les effets de la participation à une communauté virtuelle

en trois effets distincts sur :

1. la confiance envers la firme organisant la communauté

2. l’identification de l’utilisateur à la communauté

3. le degré de satisfaction générale de l’utilisateur envers les produits et services

promus par la communauté.

L’analyse d’études préexistantes nous amènera à considérer de manière critique les concepts

liés à la participation aux communautés en ligne, ainsi que les facteurs qui influencent

l’investissement de l’utilisateur.

Nous choisirons ensuite en connaissance de cause un modèle de modélisation par équation

structurelle (MES) déjà validé dans un autre contexte.

Nous aurons alors recours à une méthode d’analyse quantitative – une enquête en ligne- pour

étudier le comportement des utilisateurs des plates-formes communautaires des opérateurs de

téléphonie mobile français et nous mènerons une analyse de confirmation du modèle, pour en

valider ou infirmer les hypothèses de recherche, et pouvoir interpréter leurs implications pour

ce marché.

Cela nous permettra de tirer des conclusions et d’émettre des remarques sur les politiques de

management communautaire des opérateurs mobile franciliens.

1.3

Structure du mémoire

Revue littéraire Méthodologie Analyse des Intro- et adoption Conclusion utilisée duction résultats d'un
Revue
littéraire
Méthodologie
Analyse des
Intro- et adoption
Conclusion
utilisée
duction
résultats
d'un
modèle
conceptuel

Figure 1-1Structure du mémoire

2 Revue littéraire des concepts mis en jeu

2.1 Les communautés de marque en ligne

Dès 1993 et les balbutiements des premiers réseaux électroniques, H. Rheingold, dans son

livre « The Virtual Community : Homesteading on the electronical frontier » définissait les

communautés virtuelles comme des « regroupements socioculturels qui émergent du réseau

lorsqu’un nombre suffisant d’individus participent à ces discussions publiques pendant assez

de temps en y mettant suffisamment de cœur pour que des réseaux de relations humaines se

tissent au sein du cyberespace » Selon lui la formation de ces communautés était même une

conséquence inéluctable des facilités de communication induites par le nouveau média :

« Dès lors que les technologies de communication par l’intermédiaire d’ordinateurs leur

deviennent accessibles partout, les gens s’en servent invariablement pour former des

communautés» (Rheingold, 1993).

Le temps lui a donné raison, et aujourd’hui les communautés virtuelles en ligne se sont

multipliées, qu’il s’agisse de communautés d’intérêts (groupes composés d'individus qui

partagent soit une identité, soit des expériences et des préoccupations) ou de communautés de

marque.

Ce concept de communauté virtuelle a évolué, avec l’émergence des communautés de

marque. A. Abdeljamid et L. Stitz (2007) nous donnent une définition plus moderne du

concept de communauté de marque : « un groupe électif pérenne d’acteurs partageant un

système de valeurs, de normes et de représentations (c'est-à-dire une culture) et se

reconnaissant des liens d’appartenance de chacun avec chacun et de chacun avec le tout

communautaire sur la base d’un attachement commun à une marque particulière »

Celles-ci peuvent être de plusieurs types (cf. section 3.2 pour des exemples relevant de notre

cas d’étude).

On distingue notamment les communautés créées à l’itiniative des marques elles-mêmes, de

celles, indépendantes, créées par des regroupements de consommateurs soucieux d’être mieux

représentés ou de communiquer entre eux.

2.2 Composantes et effets théoriques de la participation aux communautés virtuelles

Des études précédentes ont conduit à établir, dans le cadre de communautés d’utilisateurs du

système d’exploitation Linux, des déterminants cognitifs , affectifs et sociaux du lien entre la

participation à une communauté de marque et la fidélisation du client (Bagozzi et Dholakia,

2006).

Ces déterminants ont été agglomérés par une autre étude en deux mécanismes psychologiques

(la confiance et le degré de satisfaction générale) complétés par un mécanisme social

d’identification à la communauté virtuelle, dans le contexte qualitativement différent des

communautés de clients de grands e-tailers (type Amazon) en Chine (P.Pai et H.T. Tsai

2011).

Nous allons nous inspirer de ces études pour envisager un triple effet de la participation aux

communautés virtuelles sur ces 3 construits ‘intermédiaires’, qui eux-même seront à leur tour

censés influer sur la fidélité du consommateur.

2.3

Cadre conceptuel et choix d’un modèle

2.3.1

Définition et intérêt de la modélisation en équations structurelles

La modélisation en équations structurelles (MES) « met en oeuvre des méthodes statistiques

qui nous permettent de quantifier des relations de cause à eet décrites par un modèle

théorique, détablir des liens entre deux ou plusieurs concepts latents, chacun étant mesuré à

partir d’indicateurs observables. L’idée de base est que la complexité interne d’un système

peut être évaluée en prenant en compte la totalité des relations de cause à eet entre les

concepts latents appelées variables latentes, chacune étant mesurée par l’observation de

nombreux indicateurs observables appelés variables manifestes » (Vinzi, Trinchera et al.

2010).

2.3.2

Choix d’un modèle

Le modèle developpé par Pai et Tsai dans leur étude articulée autour des cinq concepts latents

précédemment évoqués était le suivant:

Figure 2-1 Modèle conceptuel conçu par Pei-Yu et Tsai et retenu pour le cadre de notre étude

par Pei-Yu et Tsai et retenu pour le cadre de notre étude Il est centré autour

Il est centré autour des trois déterminants de confiance, de satisfaction et d’identification à la

communauté, ce dernier construit occupant une place centrale.

Les hypothèses de recherche de ces chercheurs sont visibles sur le modèle et ont toutes été

vérifiées par une analyse LISREL des résultats d’une étude quantitative (une enquête menée

auprès de 537 membres de communauté en ligne des trois plus grands revendeurs

généralistes chinois en ligne).

Je vais les rappeler ici, dans leur formulation originelle, en évoquant la justification théorique

donnée par les auteurs de l’étude :

H1: Virtual community participation positively influences consumers’ trust in e-tailers.

La confiance est définie comme la perception de la crédibilité et de la bienveillance des

revendeurs. Elle aide les consommateurs à surmonter leurs appréhensions et l’insécurité,

ce qui les conduit à partager leurs informations personnelles avec les revendeurs et à

effectuer des achats (McKnight et al, 2002). La participation à la communauté virtuelle

permet aux consommateurs d’être mieux renseignés sur les offres du revendeur et de

bénéficier de retour d’information depuis les revendeurs, comme par exemple sur la

sécurité des transactions. Le contexte de la communauté virtuelle crée l’opportunité

d’intéractions répétées et efficaces entre le revendeur et les membres, ce qui permet de

susciter la confiance (Harris et Goode, 2004).

H2: Virtual community participation positively influences community identification.

L’identification à la communauté correspond au degré auquel les membres d’une

communauté se perçoivent comme partageant les même caractéristiques. Cette

identification a plus de chance de se produire lorsque les consommateurs participent

fréquemment à des activités de groupe et interagissent entre eux (Bhattacharya et Sen,

2003).

H3: Virtual community participation positively influences satisfaction.

Dans la mesure où la participation à une communauté virtuelle encourage les

consommateurs à partager leurs expériences et leurs attentes, ceux-ci peuvent alors mieux

les prendre en compte. Du point de vue du client, les demandes de renseignements sont

plus directes et plus rapides, ce qui améliore leur satisfaction générale et justifie

l’hypothèse (Dholakia et al, 2004).

H4: Trust positively influences loyalty intentions.

Susciter la confiance du client est reconnu comme un objectif essentiel pour les

revendeurs en ligne. Un haut niveau de confiance du client est essentiel au développement

et au maintien d’une relation durable. Cela facilite les échanges futurs et encourage le

client à prendre plus de risques dans cette relation (Harris et Goode, 2004).

H5: Trust positively influences community identification.

Le jugement d’un consommateur sur la fiabilité et la bienveillance d’un revendeur peut le

conduire à reproduire cette confiance en adoptant lui-même un comportement coopératif

et dicté par un sentiment d’appartenance communautaire, par un principe de réciprocité

(Ahearne et al. 2005).

H6: Satisfaction positively influences loyalty intentions

Le degré de satisfaction générale du client peut être défini comme un état affectif positif

résultant de l’évaluation globale de la performance du revendeur et basé sur les achats

effectués et sur les expériences d’utilisation du produit ou service (Anderson et al. 1994).

Une étude précédente dans des contextes reliés à internet a de plus supposé et validé

lexistence d’un lien entre satisfaction générale et intentions de fidélité (Harris and Goode,

2004).

H7: Satisfaction positively influences community identification

La satisfaction envers un service ou un produit encourage les consommateurs à interagir

avec des individus partageant ce même enthousiasme (Algesheimer et al., 2005)

H8: Community identification positively influences loyalty intentions.

Une fois que le consommateur s’identifie et s’implique émotionellement dans une

communauté virtuelle associée à un contexte de consommation particulier, comme par

exemple acheter les produits d’une marque en particulier, ou encore acheter dans un

magasin particulier, ils deviennent enclins à supporter ces communautés par des actions

positives, comme du marketing par bouche-à-oreille, ou une plus grande tolérance aux

failles de qualité (Bhattacharya and Sen, 2003). Ce qui conduit à la formulation de cette

hypothèse.

2.3.3

Adaptation du modèle à notre contexte

Nous allons maintenant interpréter et transposer la signification des construits latents du

modèle de Pei-Yu et Tsai à notre contexte des communautés d’opérateurs de téléphonie

mobile.

1)

La Participation à la communauté virtuelle

Les applications de ce construit sont sensiblement identiques entre le contexte de l’étude

source et le nôtre, à la différence que la souscription à la communauté des revendeurs en ligne

était obligatoire pour effectuer leurs achats sur le site, alors que dans notre cas on ne va

étudier que la participation de membres impliqués, ayant fait la démarche de s’enregistrer

(que ce soit directement sur la communauté, ou par l’intermédiaire de Facebook). Néanmoins

nous gardons l’exigence de l’existence d’une relation Prestataire/Client puisque notre étude

s’intéressera uniquement à la participation des membres abonnés à un opérateur.

2)

La Confiance

On peut transposer sans trop de difficulté la notion de confiance envers un revendeur en ligne

à celle de confiance envers un opérateur : les composantes de fiabilité et de bienveillance

s’appliquant très bien au business model de ce type d’entreprise.

3)

La Satisfaction

Ici encore on va transposer la satisfaction générale envers le revendeur à ligne à celle ressentie

envers la prestation d’un opérateur de téléphonie : les critères vont différer : la couverture

réseau, la qualité des communication, la compétitivité des prix, le débit de données proposé

vont remplacer la capacité du revendeur à livrer les produits commandés à temps, en bon état,

et sans tromperie sur la marchandise. La fiabilité de service est particulièrement critique. En

effet les usagers se plaignent énormément de problèmes d’accès au réseau, de réseau DATA

anormalement lent. Le problème de facturation joue également un rôle très important (hors-

forfait, frais cachés, )

4)

L’identification à la communauté

Pour notre exemple, elle sera assimilée à la manière dont un membre d’une communauté en

ligne d’un opérateur se reconnaît dans les contributions des autres utilisateurs, au degré

d’affinité qu’il ressent envers eux et à la similarité de ses préoccupations avec celles de la

communauté.

5)

La Fidélité

La souscription à un forfait auprès d’un opérateur constitue le service classique dans notre

contexte. Celui-ci est généralement assorti d’une période d’engagement, le plus souvent de 12

ou 24 mois, période pendant laquelle le client se retrouve lié à l’opérateur sans pouvoir

rompre le contrat, sous peine de sanctions financières. Les intentions d’achats et la fidélité en

général vont donc être articulées autour de la propension de labonné à souscrire à nouveau

auprès de son opérateur actuel en fin d’engagement, ou à conserver son forfait actuel s’il n’est

plus engagé.

Maintenant que nous avons transposé les construits du modèle choisi à notre cadre, nous

pouvons passer à la reformulation des hypothèses de recherche, toujours dans ce contexte

des opérateurs de téléphonie mobile français.

H1 : « La participation à la communauté en ligne d’un opérateur mobile influence

positivement la confiance envers cet opérateur »

H2 : « La participation à la communauté en ligne d’un opérateur mobile influence

positivement le sentiment d’appartenance à la communauté de cet opérateur »

H3 : « La participation à la communauté en ligne d’un opérateur mobile influence

positivement la satisfaction générale de l’abonné envers cet opérateur ».

H4 : « La confiance envers l’opérateur mobile influence positivement la fidélité de l’abonné

envers cet opérateur ».

H5 : « La confiance envers l’opérateur mobile influence positivement le sentiment

d’appartenance à la communauté de cet opérateur »

H6 : « La satisfaction générale de l’abonné envers son opérateur mobile influence

positivement sa fidélité envers ce même opérateur »

H7 : « La satisfaction générale de l’abonné envers son opérateur mobile influence

positivement le sentiment d’appartenance à la communauté de cet opérateur »

H8 : « Le sentiment d’appartenance à la communauté d’un opérateur mobile influence

positivement la fidélité de l’abonné envers cet opérateur »

3

Perspectives sur le marché français des opérateurs mobile

3.1 Présentation du marché choisi

Le marché des opérateurs de téléphonie mobile en 2013 reste porteur ; en effet le nombre de

cartes SIM en circulation en France n’a jamais été aussi haut, avec 75.4 millions de cartes

SIM en circulation au 30 Septembre 2013 1 , en croissance annuelle de 6%. Le taux de

pénétration a atteint quant à lui pour la première fois 115.2% à la même période, ce qui

correspond à 1,152 carte SIM par habitant en moyenne.

qui correspond à 1,152 carte SIM par habitant en moyenne. Figure 3-1 Evolution du nombre de

Figure 3-1 Evolution du nombre de cartes SIM en circulation en France 2

1 Source : Autorité de Régulation des Communications Electroniques et des Postes 2 Source : Arcep

Figure 3-2 Extrait du rapport trimestriel de l’ARCEP présentant la croissance et le taux de

Figure 3-2 Extrait du rapport trimestriel de l’ARCEP présentant la croissance et le taux de pénétration total des cartes SIM en comparaison à la population au 1 er Janvier de l’année précédente (source Insee)

Ces cartes SIM correspondent pour 70.4% à des forfaits, le parc prépayé représentant quant à

lui 21% (la différence correspond au cartes dites ‘Machine to Machine’ à usage

professionnel).

On distingue parmi les acteurs principaux les opérateurs de réseau mobile, aussi appelés

MNO, de l’anglais mobile network operators, qui exploitent et entretiennent leur propre

réseau, et les opérateurs de réseau mobile virtuel, ou MVNO (mobile network virtual

operators), opérateurs qui souscrivent un droit d’utilisation de réseau à un MNO et

commercialisent des forfaits sous leur marque propre. En terme de tendance les MVNO sont

en léger déclin, avec une part de marché s’établissant à 10.8%, toujours au 30 septembre

2013.

Il existe depuis l’arrivée de Free sur le marché du mobile en 2012 quatre principaux MNO ,

Orange, Bouygues Telecom, SFR étant les acteurs historiques. Ils se partagent l’essentiel des

parts de marché.

Pour notre étude il est important de noter que ces acteurs commercialisent également chacun

un ou plusieurs MVNO utilisant leur propre réseau, avec souvent une nette démarcation en

terme de branding et de community management, et donc avec des plates-formes et des

communautés distinctes.

Evolutions récentes

Le marché a fortement évolué depuis l’entrée en lice de Free en janvier 2012, et la naissance

d’une offre “tout illimité” à 20€ seulement, complétée par une offre à 2€ offrant 1h de

communication et quelques SMS. En partant de rien, Free a réussi la prouesse de s’octroyer

10.3% de part de marché en à peine 15 mois, dans un marché pourtant jugé très mature.

Cela a conduit à une redistribution des cartes et à des ‘clashs’ de communicants qui ont créé

de nombreuses polémiques. Xavier Niel, vice-président d’Illiad, n’a par exemple pas hésité à

qualifier les abonnés des opérateurs historiques de ‘pigeons’ lors de la conférence inaugurale

présentant les offres Free mobile.

conférence inaugurale présentant les offres Free mobile. Figure 3-3 Evolution des parts de marché des opérateurs

Figure 3-3 Evolution des parts de marché des opérateurs de téléphonie mobile entre Juin 2012 et Juin

2013 3

3 Source: Zdnet.fr

Les grands acteurs ont depuis chacun lancé leur propres MVNO en sous-main pour tenter de

contrer Free sur le terrain du low-cost, avec les marques SOSH pour Orange, B&YOU pour

Bouygues, et RED pour SFR. Comme le montre la figure, Free a principalement grignoté les

parts de marché d’Orange, de SFR et des MVNO.

Il s’agit donc d’un marché à très haute intensité concurrentielle, avec une pression sur les

coûts considérable.

3.2 Description qualitative des communautés des opérateurs

Lors de mes recherches en amont, puis lors de mes sollicitations des différentes communautés

en vue de la distribution de l’enquête, j’ai pu constater des divergences dans les stratégies de

community management.

Les plates-formes de Bouygues télécom et de sa sous-marque ‘B&YOU’ étaient très

orientées assistance technique, et s’articulaient comme des ‘boîtes à questions’

digitales.

Chaque membre inscrit peut ainsi consulter la base de questions, les réponses des autres

membres ou du staff officiel, et la ‘meilleure réponse’, sélectionnée par le posteur, mise en

avant.

Pour poser une nouvelle question le système force l’internaute à effectuer d’abord une

recherche pour voir si une question similaire n’existe pas déjà, et il faut effectuer pas moins

de 7 clics et remplir 4 champs pour parvenir (enfin) à publier sa question, procédé plutôt

fastidieux comme vous on peut le voir dans la capture d’écran ci-dessous :

Figure 3-4 Les étapes pour poser une question sur la communauté Bouygues Telecom

pour poser une question sur la communauté Bouygues Telecom Le but visé est donc la clarté

Le but visé est donc la clarté de présentation (éviter des soumissions doublons) et l’efficacité

de la résolution des problèmes des usagers, mais au détriment de l’interaction directe entre

membres et d’aspects communautaires (pas de forums de discussion libre où les membres

peuvent faire connaissance et parler de sujets divers).

Un bouton ‘aider la communauté’ est situé sous le bouton ‘poser une question’. Il renvoie aux

questions publiées en attente de réponse. Un classement des meilleurs contributeurs permet de

gagner en statut dans la communauté. Il est également possible de noter une réponse (« Cette

réponse vous a-t-elle aidé ? » avec des boutons Oui et Non, à la manière des pouce verts et

rouge de Youtube).

Dans l’ensemble ces deux plates-formes m’ont paru plus fermées que les autres, ou du moins

très contrôlées, les questions devant impérativement concerner les produits ou les services de

de l’opérateur pour ne pas être supprimées par les modérateurs.

Free va même plus loin, puisque l’accès à la partie communautaire sur son site est tout

simplement refusée aux non-abonnés, sans possibilité de créer un compte ‘visiteur’

comme c’est le cas chez la plupart des concurrents.

L’abonné potentiel est donc obligé d’aller glaner sur des communautés non-officielles

(comme forumfreemobile.fr) des informations sur la fiabilité de Free mobile provenant

d’autres consommateurs.

A l’opposé, SFR et Orange développent beaucoup plus l’aspect communautaire de

leur site, et un nombre important d’utilisateurs y discutent régulièrement, et semblent

avoir développé un véritable esprit communautaire.

SFR a instauré un système d’encouragement de l’entraide entre ses membres : un compteur de

‘Merci’ qui apparaît en dessous du compteur de posts, joue le rôle d’e-reputation, avec un

classement des meilleurs placé bien en vue sur le volet droit de l’interface. Il est également

possible de cliquer sur un bouton ‘moi aussi’ sous une contribution, pour indiquer que le sujet

nous intéresse ou nous concerne également.

Figure 3-5Aperçu des boutons communautaires du forum SFR

Figure 3-5Aperçu des boutons communautaires du forum SFR  En ce qui concerne les comptes Facebook

En ce qui concerne les comptes Facebook des opérateurs, je n’ai pas constaté de

grandes divergences dans leur animation et leur gestion.

Dans tous les cas la majorité des posts officiels concernent la promotion de téléphones ou

d’offres spéciales, avec une profusion de visuels high-tech.

Les community managers ne répondent qu’à une infime partie des très nombreuses

complaintes des usagers, noyées dans la masse (en moyenne trois messages d’utilisateurs

mécontents par heure sur la page Orange !) et très peu visibles comparé aux posts des

Community Managers (CM). Dans certains cas la possibilité de poster un nouveau message

est même complètement désactivée, ce qui force les consommateurs à se plaindre dans les

commentaires des posts des CM. La capture d’écran suivante illustre bien ce phénomène.

Figure 3-6 Exemple de Page Facebook d'opérateur 4

Figure 3-6 Exemple de Page Facebook d'opérateur 4 4 Source : https://www.facebook.com/bouyguestelecom

4 Source : https://www.facebook.com/bouyguestelecom (accédé le 29/11/2013).

Dans un souci d’élargir le nombre de personnes touchées par mon enquête, j’ai choisi

également de prendre en compte pour mon étude quatre autres plates-formes, non

directement hébergées par un opérateur mais tout de même exclusivement centrées

autour de l’un d’entre eux, et avec lesquelles les opérateurs coopèrent fortement

(intervention directe de CMs et de techniciens sur les forums), à savoir les

communautés suivantes :

http://www.forum-bouygues.com

http://www.forum-orange.com

http://forumfreemobile.fr

http://www.freemobileasso.com

4

Méthodologie

Dans cette partie nous détaillerons l’approche de recherche choisie afin de répondre aux

questions et objectifs du mémoire évoqués en introduction.

4.1 Approche de recherche choisie

Une étude statistique sur la pertinence et la validité de ce modèle ne pouvait se faire qu’au

moyen d’une enquête quantitative, me permettant d’obtenir des informations exploitables sur

un échantillon de consommateurs impliqués dans au moins une communauté en ligne

d’opérateur de téléphonie mobile.

Le but recherché était de disposer d’informations fiables me permettant d’évaluer les cinqs

construits sous-jacents du modèle de Pei-Yu et Tsai:

1 ) la Participation à la Communauté Virtuelle (PCV)

2) le degré de Confiance envers l’opérateur (C)

3) le degré d’Identification à la Communauté (IC)

4) la Satisfaction générale envers son offre mobile (S)

5) les intentions de Fidélité (F)

Au vue de la nature des communautés étudiées, une distribution en ligne semblait

particulièrement adaptée.

4.2

Conception du questionnaire

4.2.1

Critères démographiques retenus

Les premières questions de l’enquête devaient me permettre de mieux connaître le répondant.

Cependant, pour ne pas surcharger le questionnaire, j’ai réduit à quatre les questions portant

sur des variables qualitatives nominales.

Après un court texte introductif, le sondé était donc invité à renseigner son sexe, sa tranche

d’âge, son opérateur mobile ainsi que ses habitudes de surf sur internet (heures quotidiennes)

parmi plusieurs propositions.

4.2.2

Choix de l’échelle de mesure des indicateurs observés

Pour les quatre questions préliminaires visant à obtenir des informations démographiques sur

l’échantillon de répondants, j’ai utilisé des QCMs classiques.

Pour mesurer les indicateurs des construits, j’ai opté pour des échelles de Likert à 5 points.

J’ai fait le choix d’adopter des échelles de Likert en 5 points plutôt qu’en 7 comme dans

l’étude source dans un souci d’ergonomie, sur le conseils de qualtrics.com, afin que les

questions puissent s’afficher correctement sur les écrans des tablettes et smartphones, moins

larges que ceux des ordinateurs.

et smartphones, moins larges que ceux des ordinateurs. Figure 4-1 Exemple d'échelle de Likert utilisée dans

Figure 4-1 Exemple d'échelle de Likert utilisée dans l'étude 5

Afin de mesurer les attitudes et les comportements d'une personne, l'échelle de Likert est un

des moyens les plus populaires et les plus fiables disponibles au statisticien. Cette échelle

évalue les attitudes et comportements en proposant des choix de réponses allant d'un extrême

à l'autre, et permet de dégager différents degrés d’opinion. Cela peut se révéler

5 Le questionnaire complet tel qu’il était proposé aux répondants se trouve en annexe

particulièrement utile pour les sujets sensibles ou épineux et pour quantifier des sentiments ou

des impressions de consommateurs.

Cependant leur exploitation statistique est plus délicate car ce sont des variables ordinales, en

conséquence elles ne suivent pas une distribution normée.

Par ailleurs, lorsque le nombre d’observations est suffisant, on peut considérer sous certaines

conditions que les échelles de Likert constituent une approximation d’une mesure par

intervalle.

4.3 Elaboration des items de mesure

Afin de mesurer le plus précisément possible les 5 construits sous-jacents du modèle, je me

suis basé sur les items de mesure établis par Pai Pei-Yu et Hsien-Tsung Tsai dans leur étude

de 2011 menée sur trois grandes communautés d’e-tailers chinois, dont le modèle a été

détaillé en section 2.

Ces items de mesure ayant eux-mêmes été validés dans des travaux préexistants, je men suis

servi comme base pour élaborer mes items.

Comme ils référaient aux feedback d’utilisateurs de communautés de magasins en ligne

généralistes, il m’a fallu les adapter au contexte des opérateurs de téléphonie mobile. J’ai

dabord fait le choix d’en éliminer certains: d’après un pré-test auprès d’une douzaine d’amis

et de proches, j’ai constaté qu’un questionnaire trop long risquerait de voir son taux de

complétion chuter drastiquement. Je n’ai donc finalement gardé que les items qui m’ont

semblé être les plus évocateurs pour les membres des communautés des plates-formes des

opérateurs mobiles.

Figure 4-2 Items de mesure conceptuels retenus par Pei-Yu & Tsai (2011)

de mesure conceptuels retenus par Pei-Yu & Tsai (2011) Figure 4-3 Tableau récapitulatif des items de

Figure 4-3 Tableau récapitulatif des items de mesure retenus pour notre étude

 

Nombre

 

Variable latente

de questions

Label

Participation à la communauté Virtuelle

 

PCV1-

3

PCV3

Confiance

3

C1-C3

Identification à la Communauté

3

IC1-IC3

Satisfaction

2

S1-S2

Fidélité

3

F1-F3

Après traduction et adaptation j’ai abouti à la liste d’items suivante

Figure 4-4Détail des Items retenus pour mesurer les variables latentes

Variables

Label

Intitulé de l’indicateur de mesure

 

Source initiale

latentes

   

Participation à

 

J’interagis

fréquemment

avec

Sélection de 3 critères parmi ceux recommandés par Algesheimer et al. (2005) et Dholakia et al. (2004)

la communauté

PCV1

d’autres

 

membres

de

la

Virtuelle

communauté

 

PCV2

J’ai déjà aidé d’autres membres à résoudre leurs problèmes

PCV3

J’échange avec d’autres membres

 

Confiance

C1

Je considère que mon opérateur est digne de confiance

Sélection de 3 critères parmi ceux recommandés par Bart et al. (2005)

C2

Mon opérateur tient ses promesses

C3

Mon opérateur est à mon écoute

 

Identification à

 

Je

me

retrouve

dans

les

 

la communauté

IC1

préoccupations des membres de la communauté

autres

Je

me

considère

comme

un

IC2

membre

à

part

entière

de

cette

Algesheimer et al.

communauté

 

(2005).

IC3

Je suis attaché à cette communauté

Satisfaction

     

S1

Dans l’ensemble, je suis plutôt satisfait de mon offre mobile

Szymanski and Hise (2000), Harris and Goode (2004)

S2

Dans l’ensemble, je ne regrette pas d’avoir choisi cet opérateur mobile

 

Intentions de

 

Je compte me réengager ou souscrire à une autre offre de mon opérateur à l’avenir Mon opérateur est l’un des meilleurs choix du marché

 

fidélité

F1

F2

Burnham et al.

F3

Je me considère comme un client fidèle de mon opérateur

(2003)

4.4

Collecte des données

J’ai opté pour le service Qualtrics.com pour concevoir et distribuer mon enquête en ligne. Les

nombreux outils de suivi m’ont convaincu (téléchargements de résultats partiels sous

différents formats, monitoring des résultats en temps réel).

J’ai sollicité pendant 15 jours les retours d’internautes exclusivement impliqués dans au

moins une communauté opérateur, au moyen de postsexposant ma démarche de recherche.

En contrepartie je me suis efforcé de participer au maximum aux débats et échanges sur les

plates-formes pour gagner en visibilité (un lien sur mes signatures renvoyant vers l’enquête).

J’ai ciblé 9 plates-formes communautaires centrées autour d’opérateurs, ainsi que 13 comptes

Facebook officiels de MNO et MVNO pour particuliers 6 .

Il ne fut pas aisé, au vu de ma condition de qualification, de recruter suffisamment de

personnes. La conversion du nombre de vue sur mes sujets en redirections vers l’enquête était

très faible. Je suis tout de même parvenu à récolter 101 réponses en deux semaines, parmi

lesquelles 80 remplies à 100%.

J’ai pu constater en consultant les réactions des membres que les utilisateurs les plus actifs

avaient le plus tendance à répondre. Cela peut avoir influencé sur les résultats, notamment en

haussant artificiellement les indicateurs de participation et d’identification à la communauté.

6 Liste complète des communautés consultées en annexe

Quelques débats houleux furent suscités, notamment par des modérateurs plutôt hostiles à une

enquête de satisfaction menée par des tiers sur leur plate-forme (chez Orange notamment).

Au contraire, certaines communautés comme SFR ont réservé un bon accueil au questionnaire

et m’ont encouragé dans mes recherches.

5 Exploitation des résultats de l’enquête

5.1

Choix et justification de la méthode PLS

5.1.1

Principes

Le terme de « méthode PLS » désigne l’application des techniques et algorithmes de

régression en moindres carrés partiels (Partial Least Squares) à l’estimation de modèles

d’équations structurelles.

A.Lacroux donne un bon résumé des éléments essentiels de cette méthode dans son article

« L’analyse des modèles de relations structurelles par la methode pls : une approche

émergente dans la recherche quantitative en GRH (2009) » :

« La technique générale de la régression PLS a été mise au point par S. Wold et ses collègues

en 1985, dans le but de décrire les relations entre des groupes de variables indépendantes et

dépendantes, dans des systèmes de type entrée-sortie comprenant de nombreuses variables.

Initialement mise au point pour des applications dans le domaine de la chimie, la régression

PLS est aujourd’hui couramment appliquée dans les sciences humaines et sociales, tout

particulièrement dans le domaine de l’économétrie.

Une fois la spécification théorique du modèle est terminée, l’estimation PLS est réalisée

itérativement : dans le modèle de mesure, les variables latentes sont estimées par des

combinaisons linéaires de leurs indicateurs pondérés. La pondération des indicateurs est

réalisée de manière à ce que la variance expliquée de la variable latente soit maximisée

(autrement dit que le pouvoir explicatif des indicateurs pondérés et combinés soit maximal).

Dans le modèle structurel, les liens entre variables latentes (coefficients de régression

linéaire) sont estimés par des régressions multiples entre les variables sélectionnées.

L’objectif est la maximisation de la variance expliquée des variables dépendantes par les

variables indépendantes, donc la maximisation de la covariance entre variable explicative et

variable expliquée (Sosik & al, 2009) »

5.1.2 Avantages de la méthode PLS

Les principaux avantages de la méthode PLS sont précisés avec clarté par Tennenhaus (1998,

p.233):

« Par contraste avec la méthode du maximum de vraisemblance (Lisrel), la méthode PLS est

d’une grande simplicité. Il y a peu d’hypothèses probabilistes. On modélise directement les

données à l’aide d’une succession de régressions simples ou

problème d’identification »

multiples. Il n’y a aucun

Les arguments principaux évoqués par Tennenhaus sont:

la simplicité de la méthode, accessible même aux personnes peu formées à l’analyse

statistique

le peu d’hypothèses probabilistes requises: La methode PLS ne requiert pas la

multinormalité des variables, un facteur obligatoire et contraignant pour l’analyse

Covariance-based SEM (CBSEM), ou LISREL. De plus, on peut appliquer la PLS à

des jeux de données de variables nominales d’intervalle ou continues.

Donc dans notre cas, on peut l’appliquer à nos observations de variables qualitatives

ordinales issues d’échelles de Likert.

Autre argument: de moindres contraintes d’échantillon. Par opposition aux méthodes

CBSEM, qui exigent un minimum de 200 observations comme prérequis à toute étude

(Roussel & al 2002, p.48), les estimations PLS peuvent s’appliquer à des

échantillons plus petits: le nombre d’observations doit être supérieur ou égal à 10 fois

le nombre d’indicateurs de la variable formative la plus complexe, et /ou 10 fois le

nombre de relations structurelles émanant du construit central du modèle structurel,

selon Chinn (1998).

Comme notre modèle ne comporte aucune variable formative (nos cinq construits

latents étant tous réflexifs), le seuil d’acceptabilité est donc pour notre cas de dix fois

le nombre de relations émanant de notre construit central, PCV. Il est relié à trois

autres construits du modèle, donc la méthode PLS se révèlerait viable à partir de 30

observations. En disposant de 76 questionnaires complets à 100%, nous rentrons donc

dans un cadre d’application acceptable de la méthode.

Le tableau suivant, tiré de l’article d’A.Lacroux, donne un récapitulatif de la comparaison de

la méthode PLS par rapport à la méthode LISREL:

Figure 5-1Comparaison PLS / Lisrel (Lacroux, 2009)

LISREL: Figure 5-1Comparaison PLS / Lisrel (Lacroux, 2009) Il nous permet de conforter ce choix de

Il nous permet de conforter ce choix de la méthode PLS.

La méthode PLS est aujourd’hui disponible dans plusieurs logiciels gratuits disponibles en

ligne.

J’ai pour ma part utilisé WarpPLS 7 , qui était simple d’utilisation, efficace et disponible avec

une licence d’essai gratuite de trois mois sans aucun enregistrement nécessaire.

7 WarpPLS, ScriptWarp systems (http://www.scriptwarp.com/warppls/)

5.2

Analyse préliminaire sous SPSS

5.2.1 Caractéristiques de l’échantillon

L’enquête a été conduite sur une période de dix jours, du 10 au 24 Novembre 2013.

Elle ciblait différentes communautés d’opérateurs mobile (forums de discussion ou

d’assistance ou pages Facebook officielles), et a généré 101 réponses.

Sur le panneau qualtrics.com, le paramètre ‘afficher un message d’avertissement lorsqu’une

ou plusieurs réponses ne sont pas remplies’ lors du passage du sondé à la page suivante avait

été coché. Cela a le désavantage d’avoir conduit à certains questionnaires incomplets (80 sur

les 101 étant remplis à 100%) mais aussi l’avantage d’avoir permis de collecter plus de

réponses au total : en rendant toutes les réponses obligatoires pour procéder, on court le risque

de voir l’internaute renoncer plus facilement.

Une fois l’enquête close, les données ont été téléchargées pour exploitation au format SPSS

.sav.

J’ai ensuite éliminé 4 observations jugées suspectes (réponses ‘tout à fait d’accord’ ou ‘pas du

tout d’accord’ à tous les items).

A l’aide d’un rapport de statistiques descriptives généré par SPSS sur les quatre premières

questions du questionnaire, conçues comme des variables démographiques pour obtenir des

informations précises sur les répondants, nous pouvons nous faire une idée de l’échantillon de

notre étude, présenté dans le tableau suivant :

Figure 5-2 Caractéristiques de l'échantillon interrogé (N=76)

Caractéristique

Fréquences

Pourcentage

   

des réponses valides

Sexe

   

Homme

52

68.4%

Femme

24

31.6%

Tranche d’âge

   

Moins de 20 ans Entre 20 et 29 ans Entre 30 et 39 ans Plus de 40 ans

2

2.6%

20

26.3%

9

11.8%

45

59.2%

Temps passé sur internet par jour

   

Moins d’1h30 Entre 1H30 et 3 heures Plus de 3 heures

9

11.8%

33

43.4%

34

44.7%

Opérateur mobile

   

Orange Bouygues Telecom SFR Free mobile Sosh B&YOU RED by SFR Autre MVNO

24

31.6%

9

11.8%

22

28.9%

10

13.2%

4

5.3%

2

2.6%

2

2.6%

3

3.9%

On constate que l’échantillon est masculin à plus des deux-tiers.

Cela n’est en soi pas surprenant, puisque la participation à une communauté en ligne

présuppose une certaine affinité avec l’outil informatique et un intérêt pour la technologie

mobile que l’on retrouve plus souvent chez les hommes. De plus, un des motifs principaux de

première visite, et donc de découverte de ces communautés opérateurs, est souvent le besoin

d’obtenir des informations en vue de résoudre une panne technique, responsabilité qui

incombe souvent au père de famille dans les foyers.

En ce qui concerne la répartition des tranches d’âge, on dénote 59.2% de personnes âgées de

plus de 40 ans. Je pense que cela est peut-être à relier à la part importante d’abonnés d’Orange

et de SFR parmi les sondés, opérateurs à l’image plus ‘traditionnelle’ et associés à une

clientèle moins jeune.

Cela peut également être imputé à une plus grande prédisposition à l’entraide chez les adultes

matures, plus disposés à prendre de leur temps pour répondre au questionnaire d’un étudiant

les sollicitant directement.

La quatrième variable démographique nous permet d’avoir un premier aperçu de la validité de

notre échantillon en comparant les parts de marchés données en section 3.1 avec les chiffres

de l’échantillon. En regroupant chaque MNO avec son MVNO low-cost, on pouvait comparer

la composition de l’échantillon avec les chiffres du marché national observés précédemment

(voir section 3.1)

Figure 5-3 comparaison de la distribution des opérateurs dans l'échantillon avec les parts de marché nationales

Opérateur

Pourcentage des réponses

Part de marché

valides à l’enquête

Juin 2013

Orange + SOSH

36,9%

36%

SFR +RED

31.5%

28%

Bouygues Telecom + B&YOU

14.4%

15%

Free mobile

13.2%

10.3%

Autres MVNOs

3.9%

11%

L’échantillon des sondés semble donc plutôt bien représenter la population, hormis la sous-

représentation des MVNO, qui peut sans doute s’expliquer par le fait qu’une grande partie

d’entre eux ne disposent pas d’autre médium communautaire qu’une simple page Facebook.

Cependant ces dernières semblaient moins efficaces pour générer des retours sur l’enquête. Il

était donc plus difficile d’atteindre les abonnés des MVNO dans le sondage.

5.2.2 Test de normalité

Effectués à l’aide de SPSS, les Tests de Shapiro-Wilk et Kolmogorov-Smirnov étaient tous

deux significatifs (p<0.05) pour chacun des items mesuré par une échelle de Likert, donc les

données ne suivaient pas une répartition normale.

L’analyse des diagrammes Quantile-Quantile et des histogrammes m’a aussi permis

d’observer l’asymétrie (skewness) et le coefficient applatissement (kurtosis) de mes variables,

avec des asymétries comprises entre -1,126 (Item S1) et -0,581 (Item C3), et des

applatissements (kurtosis) compris entre -0,650 (pour PCV2) et et 1,200 (S1).

) compris entre -0,650 (pour PCV2) et et 1,200 (S1). Figure 5-4 Exemple d’Histogramme de répartition

Figure 5-4 Exemple d’Histogramme de répartition obtenu (Item C3)

Ces asymétries négatives correspondaient avec un biais associé au choix des échelles de

Likert : le répondant a naturellement tendance à être en accord avec une proposition formulée

positivement (Friedman et al, 1993). Cela augmente le poids des réponses ‘plutôt d’accord’ et

‘tout à fait d’accord’ correspondant aux valeurs 4 et 5 dans les échelles.

Dans tous les cas nous ne pouvons pas procéder à une méthode d’analyse basée sur la co-

variance en ne satisfaisant pas à l’exigence de normalité, c’est pourquoi nous avons choisi la

méthode PLS.

5.3 Analyse par la méthode PLS

Nous suivrons les étapes d’analyse par la méthode PLS recommandées par A.Lecroux dans

l’article déjà mentionné précédemment.

Celle-ci s’articulera en deux parties :

a) Dans un premier temps on s’assurera de la validité du modèle de mesure.

Pour cela, on s’attachera à évaluer la qualité de la mesure des construits sous-jacents par les

indicateurs de l’enquête, au moyen de procédures adaptées au type des variables du modèle.

Dans notre cas, tous nos cinq construits sous-jacents sont réflexifs, donc la fiabilité et la

validité sont des critères appropriés pour l’évaluation du système de mesure. (Hair, Ringle et

al. 2011)

b) Une fois ce modèle extérieur vérifié, on testera le modèle structurel lui-même (inner

model) et l’on mettra à l’épreuve les hypothèses formulées en section 2.3.3 et 3.3

Les construits seront décrits par leur label affecté dans le logiciel PLS (qui ne pouvait

dépasser 8 caractères).

PCV : participation à la communauté virtuelle

C

: Confiance

S

: Satisfaction

IC : Identification à la communauté

F : Fidélité

5.3.1 Validation du modèle de mesure

On s’intéresse ici à la validation de nos 5 construits, c’est à dire à évaluer la capacité de nos

indicateurs observés à mesurer les construits latents, ainsi qu’à vérifier la validité convergente

et la validité discriminante des construits.

Etude de fiabilité et de validité convergente

En traitant les données issues de rapports produits par WarpPLS, j’ai pu obtenir le tableau

suivant:

Figure 5-5 Caractéristiques de cohérence interne des construits du modèle

 

PCV

C

S

IC

F

Variance Moyenne Extraite (VME)

         

0,851

0,858

0,868

0,687

0,71

Fiabilité composite (CR)

0,945

0,948

0,929

0,867

0,88

Alpha de Cronbach

0,912

0,917

0,848

0,767

0,794

Le coefficient alpha de Cronbach, indicateur traditionnel de cohérence en statistique, est ici

supérieur à 0.767 pour tous les construits. Des valeurs inférieures à 0.6 auraient été

synonymes de faible fiabilité (Lacroux 2009).

La fiabilité composite 8 doit être supérieure à 0.7 pour signifier une bonne cohérence interne

(Hair, Ringle & al, 2011). Toutes nos valeurs sont ici supérieures à 0.867. Le critère est donc

rempli.

Enfn, on voit que les VME 9 sont toutes comprises entre 0.687 et 0.868, ce qui signifient que

nos construits expriment tous en moyenne plus de 69% de la variance de leurs indicateurs. Il

est obligatoire pour valider le système de mesure que cette valeur soit au moins supérieure à

0.5, seuil en-dessous duquel il faut réarticuler le construit ou en trouver un plus pertinent

(Hair, Ringle & al 2011).

Validité discriminante

Les tableaux de contributions croisées permettent d’évaluer la validité discriminante

des construits, en vérifiant que les items rattachés à un construit ne contribuent pas trop

fortement sur les construits voisins. Sosik & al. (2009) conseillent également de vérifier la

validité discriminante en s’assurant que la variance partagée entre les construits latents

(mesurée par les corrélations entre construits) est inférieure à la variance partagée par un

construit avec ses indicateurs (mesurée par la racine carré de la variance moyenne extraite)

Les tableaux suivants résument les résultats des différentes procédures de validation des

construits du modèle de mesure :

8 Voir formules en annexe

9

Figure 5-6 Tableau des contributions croisées (cross-loadings) standardisées

 

PCV

C

S

IC

F

Valeur de p

PCV1

(0.949)

-0.061

-0.044

0.081

0.097

<0,001

PCV2

(0.879)

-0.011

0.002

-0.124

0.001

<0,001

PCV3

(0.937)

0.072

0.043

0.034

-0.099

<0,001

C1

0.072

(0.931)

-0.015

-0.047

-0.151

<0,001

C2

0.011

(0.945)

0.010

0.061

-0.197

<0,001

C3

-0.086

(0.903)

0.005

-0.015

0.362

<0,001

S1

-0.011

0.208

(0.932)

-0.076

-0.220

<0,001

S2

0.011

-0.208

(0.932)

0.076

0.220

<0,001

IC1

-0.449

-0.088

-0.084

(0.712)

-0.014

<0,001

IC2

0.333

0.246

0.056

(0.860)

-0.165

<0,001

IC3

0.037

-0.165

0.012

(0.902)

0.169

<0,001

F1

0.066

-0.067

0.149

0.019

(0.899)

<0,001

F2

-0.009

0.427

0.448

-0.082

(0.817)

<0,001

F3

-0.065

-0.357

-0.619

0.061

(0.808)

<0,001

Comme on peut le voir dans le tableau ci-dessus, généré d’après un rapport WarpPLS, chaque

indicateur contribue beaucoup plus au construit latent auquel il est censé se rapporter qu’à

tous les autres.

Figure 5-7 Corrélations entre construits (avec la VME de chaque construit sur la diagonale)

 

VCP

C

S

IC

F

VCP

(0.922)

       

C

0.156

(0.926)

     

S

0.106

0.588

(0.932)

   

IC

0.671

0.230

0.193

(0.829)

 

F

0.183

0.819

0.717

0.241

(0.842)

Note: la diagonale réprésente la racine carrée de l'AVE, et les valeurs sous cette diagonale sont les corrélations entre les construits.

On constate que pour chaque construit, la valeur de la diagonale est bien plus élevée (écart

supérieur à 0.2 points) que tout autre cross-loading, le cas le plus proche étant celui de la

Confiance qui partage 59% de sa variance avec la Satisfaction. Le critère de Fornell et

Larcker (1981) est donc atteint.

On peut donc conclure que la condition de validité discriminante du modèle de mesure est, au

même titre que la validité convergente, remplie.

5.3.2 Estimation du modèle structurel

Maintenant que la fiabilité du modèle extérieur a été établie, nous pouvons nous attacher à

l’estimation du modèle interne.

L’estimation du modèle interne par le logiciel de PLS est résumée dans la figure

suivante:

Figure 5-8 Résultat de l’estimation du modèle sur WarpPLS

Figure 5-8 Résultat de l’estimation du modèle sur WarpPLS Jean-François Truc – Mémoire de fin d’études

Le logiciel nous fournit également des indicateurs de Goodness of Fit du modèle :

Average Path coefficient (APC)=0.310,P<0.001

Average R-squared (ARS)=0.364, P<0.001

Average block VIF (AVIF)=1.466 (Bon si inférieur à 5)

5.3.3 Résultat de nos hypothèses de recherche

Nous tirons de cette estimation les conclusions suivantes sur les hypothèses que ce mémoire

se proposait de vérifier :

Figure 5-9 Test de nos hypothèses de départ

Hypothèse de Relation Coefficient du P Resultat Coefficient de recherche chemin détermination (R²)

Hypothèse de

Relation

Coefficient du

P

Resultat

Coefficient de

recherche

chemin

détermination (R²)

de recherche chemin détermination (R²) H1 PCV C H2 PCV IC H3 PCV S H4

H1

PCV

H1 PCV C

C

H2

PCV

H2 PCV IC

IC

H3

PCV

H3 PCV S

S

H4

C

H4 C F

F

H5

C

H5 C IC

IC

H6

S

H6 S F

F

H7

S

H7 S IC

IC

H8

IC

H8 IC F

F

0,35

0,21

0,13

p

<0,01

hypothèse acceptée

0,283

p

<0,01

Hypothèse acceptée

0,087

0,06

Hypothèse rejetée

0,049

0,049

0,33

0,61

0,21

0,55

0,09

p <0,01 Hypothèse acceptée 0,11 p <0,01 Hypothèse acceptée 0,47 p <0,01 Hypothèse acceptée
p
<0,01
Hypothèse acceptée
0,11
p
<0,01
Hypothèse acceptée
0,47
p
<0,01
Hypothèse acceptée
0,046
p
<0,01
Hypothèse acceptée
0,463
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028
0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028

0,14

Hypothèse rejetée

0,47 p <0,01 Hypothèse acceptée 0,046 p <0,01 Hypothèse acceptée 0,463 0,14 Hypothèse rejetée 0,028

0,028

Pour savoir si les hypothèses de départ sont vérifiées, nous nous basons sur la valeur de p.

La relation doit être significative au moins à 5%, pour garantir avec une marge d’erreur

raisonnable que l’effet observé n’est pas le fruit du hasard.

Sur le tableau ci-dessus les conditions non satisfaites sont surlignées en rouge.

Elles nous amènent à rejeter les hypothèses H5, et H8, et a accepter H1, H2, H3, H4, H6

et H7.

On notera que l’hypothèse H8 se situe à la frontière du seuil d’acceptation (p=0.06)

Ce tableau nous renseigne également sur le pouvoir explicatif des relations décrites dans les

hypothèses :

tout d’abord grâce au coefficient structurel β, qui, lorsqu’il est supérieur à 0.20,

permet de qualifier l’effet comme signigicatif pour les applications au marketing et au

management (Lacroux, 2009).

Ensuite, un coefficient de détermination R² supérieur ou égal à 0.1 (c’est à dire qui

permet d’expliquer au moins 10% de la variance du construit latent endogène)

présente un intérêt significatif (Falk & Miller, 1992).

Les valeurs de β et de R² situées au-dessus de ces seuils ont été indiquées en gras sur le

tableau de la page précédente.

Figure 5-10 Résultat du modèle

Figure 5-10 Résultat du modèle Effet significatif (p<0.01) Effet non significatif Jean-François Truc – Mémoire

Effet significatif (p<0.01) Effet non significatif

6

Conclusion

6.1 Interprétation des résultats et implications managériales

Parmis nos huit hypothèses de départ, nous avons été en mesure d’en valider 6 empiriquement

par l’étude quantitative pour le marché des opérateurs de téléphonie mobile:

H1: La participation à la communauté en ligne d’un opérateur influence

positivement la confiance des consommateurs envers l’opérateur (β = 0.33, R²=0.11)

Nous vérifions ici la motivation principale des opérateurs à créer et à animer des

communautés autour de leur marque. Le coefficient est élevé ce qui justfie de

l’importance pour les opérateurs d’arriver à promouvoir leurs communautés en ligne,

et à y impliquer leurs abonnés, pour renforcer la confiance des consommateurs à leur

endroit.

H2: La participation à la communauté en ligne influence positivement

l’identification communautaire chez l’abonné (β = 0.61, R²=0.47)

En participant aux débats et en échangeant avec d’autres membres en ligne, l’abonné

développe un sentiment d’appartenance envers celle-ci en très forte proportion avec

son investissement. Avec un β de 0.61 et un R² de 0.47, cette relation est la plus

signficative de notre modèle.

H3 : La participation à la communauté en ligne d’un opérateur mobile influence

positivement la satisfaction générale de l’abonné envers cet opérateur

(β = 0.21, R²=0.046)

Avec un R² de 0.046 , cette relation a un très faible effet, en expliquant moins de 5%

de la variance de la satisfaction. Néanmmoins, cet effet existe, ce qui renforce encore

la pertinence de la participation de l’abonné à la communauté en ligne sur le plan

marketing.

H4: La confiance influence positivement sur les intentions de fidélité de l’abonné

envers son opérateur (β = 0.55, R²=0.463)

Le lien entre les construits de confiance et de fidélité est, comme on pouvait s’y

attendre, un des plus significatifs établi par le modèle puisque la confiance est

considérée unanimement comme un moteur central du marketing.

H6: La satisfaction influence positivement sur la fidélité de l’abonné envers son

opérateur (β = 0.35, R=0.283)

Sans surprise également, puisque la satisfaction client est un impératif marketing de

premier ordre dans la téléphonie mobile, comme le prouve les nombreuses publicités

mettant en avant la qualité du service client (notamment celles de Bouygues Telecom

qui axe sa différenciation sur ce facteur).

H7: La satisfaction générale de l’abonné envers son opérateur mobile influence

positivement le sentiment d’appartenance à la communauté de cet opérateur (β =

0.21, R²=0.087)

La relation est, comme pour H3, de faible importance, et ne nous permet pas de tirer

des conclusions significatives.

H8: L’identification à la communauté influence positivement les intentions

d’achats/la fidélité (β = 0.13, p = 0.06)

Même si cette hypothèse a été rejetée, elle se situait à la frontière basse de la

significativité, on peut envisager qu’elle puisse tout de même avoir un effet mineur si

l’on venait à changer certains paramètres de l’étude (cf section 6.3).

Rejet empirique de l’hypothèse H5 (p=0.14) et H8 (p=0.06)

Nous ne sommes cependant pas arrivés à relier le construit Confiance du consommateur dans

l’opérateur au construit social d’ Identification à la communauté en ligne de l’opérateur.

Cette observation montre donc que même si un abonné a confiance dans son opérateur, cela

ne l’amènera pas pour autant à s’identifier à sa communauté en ligne, s’il n’y participe pas

lui-même.

Cela pourrait être interprété comme de la méfiance vis-à-vis de la sincérité et de la capacité de

ces communautés en ligne à représenter fidélement l’ensemble des abonnés de l’opérateur, ou

encore comme une volonté pour l’abonné de ne pas prendre en compte l’expérience des autres

consommateurs dans la confiance qu’il éprouve vis-à-vis de son opérateur, son propre avis

sera ainsi prépondérant pour déterminer sa fidélité future.

Cela est sans doute dû à la prépondérance de caractères techniques dans l’évaluation de la

prestation de service offerte par un opérateur mobile à son abonné (qualité du réseau, de la

couverture et surtout débits réels proposés) qui priment sur les aspects communautaires.

Cependant l’effet entre le sentiment d’appartenance à la communauté en ligne de l’opérateur

et les intentions de fidélité future existe, même s’il est faible, et l’on pourrait essayer de

modifier certains paramètres de l’étude pour voir si l’importance de cette relation pourrait être

améliorée.

6.2 Limites de l’étude

Tout d’abord, notre étude possède les limites intrinsèques à l’utilisation de la méthode PLS:

la non-prise en compte de l’erreur de mesure des indicateurs observés dans l’enquête étant la

plus importante(Lacroux, 2009).

Au niveau de la conception du questionnaire, je pense que le nombre d’indicateurs observés

pour chaque construit sous-jacent était trop faible : à trop vouloir gagner en ergonomie et à

réduire l’effort des répondants, j’ai perdu en qualité des réponses.

Enfin, cette étude est limitée par un «échantillonnage réduit dû à des difficultés de

recrutement des sondés, qui devaient de plus répondre à une condition particulière pour être

qualifiés (avoir au moins participé à une communauté en ligne axée autour d’un opérateur

mobile). Un plus grand nombre d’observation aurait peut-être permis d’obtenir des variables

variables suivant une distribution normale et de pouvoir recourir à la méthode CB-SEM. , afin

d’obtenir des résultats à plus forte valeur scientifique.

6.3

Pistes d’approfondissement.

Si nous avons réussi à appliquer 6 de nos hypothèses de départ et à en tirer des conclusions

sur la relation entre la participation des abonnés à une communauté en ligne de leur opérateur

mobile, d’autres pistes peuvent nous permettre de la préciser encore davantage ou d’en

illustrer des conséquences importantes.

1)

Raffiner l’étude :

- Prendre en compte la nature des communautés : étudier séparément les forums de

type’ouverts’, des plates-formes type ‘boîtes à questions’ et des pages Facebook

opérateurs

- Ré-étudier le modèle en se limitant à un sous-échantillon, comme par exemple celui

des personnes qui surfent quotidiennement plus de 3 heures par jour (possibilité que

cela renforce la signification de H8) ou par exemple aux seuls abonnés des

communautés où le dialogue et les échanges entre membres étaient plus poussés

(Orange et SFR), là aussi afin de voir si l’on arrive à obtenir un effet plus significatif

sur les hypothèses H3, H5, H7 et H8.

2)

Proposer une échelle de classement qualitative des communautés opérateurs selon les

observations qualitatives réalisées, comme par exemple en les positionnant sur des axes

représentant par exemple l’intensité des échanges entre les membres et la politique de

modération de la communauté par l’opérateur, et voir si l’on peut relier ce positionnement

avec les valeurs des indicateurs PCV et IC mesurés dans l’étude pour les répondants de

chaque opérateur.

3)

Etudier l’impact de ces communautés dans un contexte de crise de communication

comme en Janvier 2012 lors de l’annonce des offres de Free mobile qui ont révolutionné le

marché, en comparant les prises de position des différents CM et leurs perceptions.

Bibliographie

I.

Ouvrages

Chin W.W. (1998). The partial least squares approach to structural equation modeling. In

Modern methods for business research, G. A. Marcoulides (Ed.), 295-336.

FALK, R. Frank & MILLER, Nancy B. (1992). A primer for soft modeling. Akron, OH, US :

University of Akron Press.

H. Rheingold (1993). The Virtual Community: Homesteading on the Electronic Frontier.

Reading, Massachusetts: Addison-Wesley.

Tenenhaus, M. (1998). La régression PLS: théorie et pratique. Editions Technip.

Vinzi, V. E., Trinchera, L., & Amato, S. (2010). PLS path modeling: from foundations to

recent developments and open issues for model assessment and improvement. In Handbook of

Partial Least Squares, 47-82. Springer Berlin Heidelberg.

Wellman, B. & Gulia, M. (1999). Net-surfers don’t ride alone: virtual communities as

communities. In: B. Wellman, ed. Networks in the global village. Boulder, CO:Westview

Press, 331366.

II.

Articles

Abdelmajid , Amine & Sitz, Lionel (2007). Emergence et structuration des communautés de

marque en ligne, Decisions Marketing, 46, Avril-Juin, 63-75.

Ahearne, M., Bhattacharya, C., & Gruen, T. ( 2005). Antecedents and consequences of

customer-company identication: expanding the role of relationship marketing. Journal of

Applied Psychology, 90 (3), 574585.

Anderson, E., Fornell, C., & Lehmann, D. (1994). Customer satisfaction, market share, and

protability: ndings from Sweden. Journal of Marketing, 58 (3), 5366.

Algesheimer, R., Dholakia, U., & Herrmann, A. ( 2005). The social inuence of brand

community: evidence from European car clubs. Journal of Marketing, 69 (3), 1934.

Bhattacharya, C.B. & Sen, S. (2003). Consumer-company identication: a framework for

understanding consumers’ relationships with companies. Journal of Marketing, 67 (2), 7688

.

Ba, S. & Pavlou, P. (2002). Evidence of the eect of trust building technology in electronic

markets: price premiums and buyer behavior. MIS Quarterly, 26 (3), 243268.

Bagozzi, R.P. & Dholakia, U.M. (2006). Open source software user communities: a study of

participation in Linux user groups. Management Science, 52 (7),10991115.

Bagozzi, R.P. & Dholakia, U.M. (2006). Antecedents and purchase consequences of customer

participation in small group brand communities. International Journal of Research in

Marketing, 23 (1), 4561.

Burnham, T., Frels, J., & Mahajan, V. (2003). Consumer switching costs: a typology,

antecedents, and consequences. Journal of the Academy of Marketing Science, 31

(2), 109126.

CASALÓ, L.V., FLAVIÁN, C. & GUINALÍU, M (2010). Antecedents and Consequences of

Consumer Participation in On-Line Communities: The Case of the Travel Sector.

International Journal of Electronic Commerce, 15(2), 137-167.

Dholakia, U.M., Bagozzi, R.P.,& Pearo, L.R.K. (2004). A social influence model of consumer

participation in network- and small-group-based virtual communities.

International Journal of Research in Marketing, 21 (3), 241263.

Harris, L.C. & Goode, M.M.H. (2004). The four levels of

loyalty and the pivotal role of trust: a study of online service dynamics. Journal of Retailing,

80 (2), 139158.

Friedman, Herksowitz & Pollack (1993). The biasing effect of scale-checking styles on

response to a Likert scale. Proceedings of the Joint Statistical Meeting

Lu Y, Zhao L & Wang B (2010) From virtual community members to C2C e-commerce

buyers: trust in virtual communities and its effect on consumers’ purchase intentions. Electr.

Commer. Res. Appl. 9(4), 346360

MANCHANDA, P., PACKARD, G. & PATTABHIRAMAIAH, A. ( 2012). A Big Payoff

from Online Company Communities. strategy+business

McKnight, D.H., Choudhury, V., & Kacmar, C. (2002). Developing and validating trust

measures for e-commerce: an integrative typology. Information Systems Research, 13 (3),

334359.

Pai, P. Y., & Tsai, H. T. (2011). How virtual community participation influences consumer

loyalty intentions in online shopping contexts: an investigation of mediating factors.

Behaviour & information technology, 30(5), 603-615.

Szymanski, D.M. & Hise, R. (2000). E-Satisfaction: an initial examination. Journal of

Retailing, 76 (3),309322.

Thatcher, S. & Zhu, X. (2006). Changing identities in a changing workplace: identification,

identity enactment, self-verification, and telecommuting. Academy of Management Review, 31

(4), 10761088.

Sosik, J., Kahai, S., & Piovoso, M. (2009). Silver Bullet or Voodoo Statistics? A Primer for

Using the Partial Least Squares Data Analytic Technique in Group and Organization

Research. Group & Organization Management , 34(1), 5-36.

Roussel P., Durrieu F., Campoy E. & El Akremi A. (2002) : Méthodes d’équations

structurelles : recherche et applications en gestion Paris, Economica coll. Gestion

HAIR, J., SARSTEDT, M., RINGLE, C.& MENA, J. (2012). An assessment of the use of

partial least squares structural equation modeling in marketing research. Journal of the

Academy of Marketing Science, 40(3), 414-433.

Fornell C. & Larcker D.F. (1981). Evaluating structural equation

models with unobservable variables and measurement error, J. Market. Res., 48, 3950.

III. Ressources en ligne consultées

ARCEP (2013). Observatoires / Services mobiles 3 ème trimestre 2013. Accédé le 15 Novembre 2013 depuis http://www.arcep.fr/index.php?id=35

Lacroux, A. (2009). L’analyse des modèles de relations structurelles par la méthode pls : une approche émergente dans la recherche quantitative en GRH. Accédé le 18 Novembre 2013 depuis http://fr.scribd.com/doc/140778015/2009-Lac-Roux-073

Paswan Audesh (2009) Confirmatory Factor Analysis and Structural Equations Modeling:An

Introduction lecture. University of North Texas. Présentation téléchargée depuis

www.cob.unt.edu/slides/paswan/BUSI6280/CFA-SEM%20-%20Intro-

May%2018%202009.ppt le 19/11/2013

ZDNet.fr (2013). Free fait le plein d’abonnés sur le mobile et le haut débit. Accédé le 17 Novembre 2013 depuis http://www.zdnet.fr/actualites/free-fait-le-plein-d-abonnes-sur-le-

mobile-et-le-haut-debit-39793574.htm

IV. Logiciels utilisés

WarpPLS , ScriptWork Systems , téléchargé le 15 Novembre 2013 depuis

http://www.scriptwarp.com/warppls

SPSS Statistics 16, IBM.

Table des figures

Figure 1-1Structure du mémoire

8

Figure 2-1 Modèle conceptuel conçu par Pei-Yu et Tsai et retenu pour le cadre de notre étude

11

Figure 3-1 Evolution du nombre de cartes SIM en circulation en France

18

Figure 3-2 Extrait du rapport trimestriel de l’ARCEP présentant la croissance et le taux de pénétration

total des cartes SIM en comparaison à la population au 1 er Janvier de l’année précédente (source

Insee)

19

Figure 3-3 Evolution des parts de marché des opérateurs de téléphonie mobile entre Juin 2012 et Juin

2013

20

Figure 3-4 Les étapes pour poser une question sur la communauté Bouygues Telecom

22

Figure 3-5Aperçu des boutons communautaires du forum SFR

24

Figure 3-6 Exemple de Page Facebook d'opérateur

25

Figure 4-1 Exemple d'échelle de Likert utilisée dans l'étude

28

Figure 4-2 Items de mesure conceptuels retenus par Pei-Yu & Tsai (2011)

30

Figure 4-3 Tableau récapitulatif des items de mesure retenus pour notre étude

30

Figure 4-4Détail des Items retenus pour mesurer les variables latentes

31

Figure 5-1Comparaison PLS / Lisrel (Lacroux, 2009)

36

Figure 5-2 Caractéristiques de l'échantillon interrogé (N=76)

38

Figure 5-3 comparaison de la distribution des opérateurs dans l'échantillon avec les parts de marché

nationales

39

Figure 5-4 Exemple d’Histogramme de répartition obtenu (Item C3)

40

Figure 5-5 Caractéristiques de cohérence interne des construits du modèle

42

Figure 5-6 Tableau des contributions croisées (cross-loadings) standardisées

44

Figure 5-7 Corrélations entre construits (avec la VME de chaque construit sur la diagonale)

44

Figure 5-8 Résultat de l’estimation du modèle sur WarpPLS

45

Figure 5-9 Test de nos hypothèses de départ

46

Figure 5-10 Résultat du modèle

48

Annexes

1)

Liste des communautés en ligne sollicitées lors de la distribution de l’enquête:

Plates-formes directement administrées par des opérateurs :

http://forum.orange.fr (section du site on l’on peut poser une question sur un sujet précis)

http://communaute.orange.fr (forum de discussion plus classique)

http://forum.bouyguestelecom.fr/questions

https://assistance.b-and-you.fr/categories/576-forum-entraide

http://forum.sfr.fr

Plateformes non-officielles mais étroitement liées à un opérateur (avec souvent des

interactions avec des communicants ou des techniciens de l’opérateur intervenant sur

les fils de discussions pour répondre à des questions)

http://forumfreemobile.fr

http://www.freemobileasso.com

http://www.forum-orange.com

http://www.forum-bouygues.com

Pages Facebook sur lesquelles était posté un lien vers l’enquête (en

commentaire d’un message officiel)

https://www.facebook.com/bouyguestelecom

https://www.facebook.com/BAndYou

https://www.facebook.com/SFR

https://www.facebook.com/REDdeSFR

https://www.facebook.com/Orange.France

https://www.facebook.com/sosh

https://www.facebook.com/pages/Free/350443398302522

https://www.facebook.com/JoeMobileFr

https://www.facebook.com/m6mobile

https://www.facebook.com/CoriolisTelecom

https://www.facebook.com/pages/La-Poste-Mobile/214394731927184

https://www.facebook.com/NRJMobile

https://www.facebook.com/prixtel

2)

Présentation de l’enquête telle qu’elle était présentée sur qualtrics.com

Jean-François Truc – Mémoire de fin d’études 63
Jean-François Truc – Mémoire de fin d’études 64
Jean-François Truc – Mémoire de fin d’études 65
3) Slides du cours du Pr. Audesh Pashwan (voir bibliographie) utilisées pour des rappels sur

3)

Slides du cours du Pr. Audesh Pashwan (voir bibliographie) utilisées pour des rappels

sur les notions de CR, de Loadings et d’AVE calculées dans la section 5.2

de CR, de Loadings et d’AVE calculées dans la section 5.2 Jean-François Truc – Mémoire de
Jean-François Truc – Mémoire de fin d’études 67
Jean-François Truc – Mémoire de fin d’études 67