« Il n'est pas nécessaire de manger le bouf en entier pour savoir qu'il est coriace. »
Cet adage résume l'intérêt et le principe de l'échantillonnage : réaliser la mesure sur une faible part des clients, et pouvoir tout de même en tirer des résultats fiables sur l'ensemble de ceux-ci.
L'échantillonnage est une étape qui rebute de nombreuses entreprises du fait de sa complexité : probabilités, marges d'erreur aléatoire, etc. Autant d'outils compliqués au service d'une représentativité plus qu'hypothétique pour un néophyte. De plus, qui sera capable de voir la différence entre une enquête très pointue à ce niveau et une autre moins attentive à ces préoccupations ?
De ce fait, l'échantillonnage est souvent réduit à sa portion congrue, c'est-à-dire à un choix plus ou moins dû au hasard parmi N entreprises clientes. D'où la remarque quasi-systématique d'au moins un membre de l'auditoire lors d'une présentation des résultats : « Votre enquête est-elle représentative ? »
Il convient de souligner l'importance de cette question. Car elle est tout à fait pertinente et primordiale.
Si la mesure réalisée ne représente que peu la vision réelle des clients, que penser des actions mises en ouvre à partir de tels résultats ?
Voilà pourquoi, pour parodier une citation célèbre,
« Si vous ne venez pas à l'échantillonnage, l'échantillonnage viendra à vous »
Sur ce , il ut donc mieux prévenir que guérir.
L'objectif de ce paragraphe est de donner au lecteur les éléments nécessaires pour gérer au mieux cette phase délicate. (On trouvera dans les ouvrages de statistique les concepts théoriques correspondants, des plus simples aux plus complexes1.)
Nous nous appuierons sur les pratiques habituelles des enquêtes de satisfaction client, qui ne suivent pas systématiquement à la lettre les règles les plus strictes de la statistique : les budgets réduits et l'évolution rapide des marchés nécessitent souvent de tolérer certaines approximations2.
Nous encourageons toutefois le lecteur désireux de renforcer ses connaissances et/ou de réaliser une étude complexe à ce niveau (stratification, etc.), à se reporter aux ouvrages concernés.
La logique des conditions et modalités de recours à l'échantillonnage est présentée dans le schéma ci-dessous, en distinguant les entreprises ayant des clients « équilents3 » ou non.

Cette partie sera donc structurée en 5 points :

1. Définir précisément la ou les population(s) concernée(s)

2. Échantillonner ou réaliser une mesure exhaustive ?

3. Comment assurer la représentativité d'un échantillon ?

4. Définir la précision désirée des résultats

5. Gérer le cas particulier du B to B : l'existence d'un centre d'achat complexe

La définition de la population on-mere

Il est tout d'abord nécessaire de définir la population étudiée. En effet, comment un échantillon peut-il être représentatif d'une population si l'on n'a pas défini celle-ci ? Dans le cas des mesures de satisfaction, cette définition est simplifiée : il s'agit de l'ensemble des clients, ou d'une partie de ceux-ci.
Si l'on ne s'intéresse qu'à une partie des clients, il convient d'en délimiter clairement les contours.
Dans les activités de services, la définition de la population-mère est particulièrement importante. Lors d'une étude récente menée pour un client de ce secteur, la définition de cette population-mère a fait l'objet de nombreuses discussions : jusqu'à quand remonter dans le temps en termes de prestation fournie ?
Car un client interrogé sur une prestation réalisée il y a 3 ans peut avoir oublié un certain nombre de paramètres intéressants pour l'entreprise, et au contraire, restreindre le champ d'investigation aift clients de moins de 3 mois par exemple, limite l'intérêt de l'enquête.
Ces deux types de clients ne sont donc pas vraiment ables en termes d'analyse : où situer la barre dans le temps ?
Finalement, la décision fut prise de réaliser une enquête annuelle ne concernant que les clients ayant acheté au moins une prestation dans l'année. Et chaque présentation orale débute par une courte introduction rappelant cet état de fait.

Exhaustivité ou échantillon ?

Cette première question est essentielle : pourquoi construire un échantillon complexe alors qu'il est peut-être plus simple et finalement moins coûteux d'interroger l'ensemble de nos clients ?
En grande consommation, cette question se pose rarement, sauf à réaliser une enquête auto-administrée. En renche, en B to B, cette alternative est tout à fait crédible. Comment choisir entre ces deux possibilités ?

Les cinq critères justifiant l'échantillonnage
Cinq critères complémentaires justifient le recours à un échantillon :
1. Taille importante de la population : existence de nombreux clients
2. Population homogène, c'est-à-dire dont les opinions sont proches . Il est alors inutile d'interroger tous les clients
3. Population atomisée géographiquement : le coût d'un recensement (c'est-à-dire d'une interrogation exhaustive des clients) devient alors trop important, sauf à recourir à 1*auto-administré (postal ou e-mail)
4. Budget consacré à la mesure : dans la plupart des cas, l'échantillonnage permet de minimiser ces coûts
5. Volonté de l'entreprise d'interroger l'ensemble de ses clients : actions de communication
En analysant la situation de l'entreprise concernée sur ces 5 critères, le choix entre exhaustivité et échantillonnage devrait être simplifié.
Dans la plupart des cas, la solution inévile passe par l'échantillonnage. La question devient alors : comment constituer un « bon » échantillon ?

Un « bon » échantillon a deux caractéristiques majeures :

1. Il est représentatif de la population concernée

2. Il offre des résultats suffisamment précis

Distinguer représentativité et précision

Certains pensent « Plus mon échantillon sera important, plus il sera représentatif. » Cette croyance est fausse, car il ne faut pas confondre représentativité et précision.
La représentativité est le fait de pouvoir ou non extrapoler à l'ensemble des clients les résultats obtenus sur l'échantillon concerné
La précision est le degré de finesse de cette extrapolation compte tenu des contraintes statistiques (marge d'erreur aléatoire)
L'échantillonnage comprend donc deux problématiques distinctes : assurer la représentativité puis choisir la précision nécessaire des résultats.

La représentativité d'un échantillon

Comme nous l'avons vu, la taille de l'échantillon n'a rien à voir avec sa représentativité, sauf cas extrême. Un échantillon de 100 clients peut être beaucoup plus représentatif qu'un échantillon de 10 000 clients.
Pour parler de représentativité :
> Il faut structurer la population-mère : par exemple, si vous vendez différents types de prestations, il parait indispensable d'obtenir des résultats suffisamment fiables par prestation, afin de mettre en ouvre des actions adaptées. Cela nécessite deux conditions majeures :
. la possibilité d'obtenir des résultats spécifiques à une prestation donnée -> nécessité de répartir les clients à interroger entre les diverses prestations désirées
. l'existence d'un nombre suffisant de clients interrogés pour chacune de ces prestations
Dans le cas d'une entreprise proposant des prestations rices, il est plus intéressant de constituer plusieurs échantillons différents (un par type de prestation, qui soit représentatif des prestations concernées) plutôt que de maintenir une cohérence artificielle en cherchant à rassembler tous les clients au sein d'un même échantillon. Ceci permet de sur-représenter certains types de clients ou de prestations, afin d'obtenir des résultats fiables au niveau global5, mais aussi au niveau de chaque type de prestation concerné.
Exemple : si la gamme A ne représente que 1 % de nos 10 000 clients, elle sera inexistante dans l'échantillon global comprenant par exemple 100 clients.
II est donc préférable de constituer différents échantillons, dont un spécifique pour cette gamme, et interrogeant par exemple 30 clients afin d'obtenir des résultats fiables à ce niveau.
> Il s'agit ensuite de se poser la question de « l'équilence » ou non de nos clients : si le fait de ne pas inclure dans l'échantillon tel ou tel client engendre des risques stratégiques pour l'entreprise (on imagine facilement les conséquences de l'oubli dans l'échantillon des 6 clients qui représentent 80 % du CA), les clients ne sont donc pas équilents, c'est-à-dire que l'avis de l'un « n'équiut pas » l'avis d'un autre. Dans ce cas, les méthodes d'échantillonnage doivent s'adapter à cet état de fait.
Deux solutions sont donc possibles :

1. Les clients sont équilents

2. Certains clients « pèsent » plus que les autres pour l'entreprise : il serait risqué de ne pas connaitre leur avis et de s'en remettre simplement au hasard de l'échantillonnage.
Il s'agit donc d'aborder chacune de ces deux solutions, en commençant par la plus simple, celle où tous les clients sont équilents.

Assurer la représentativité d'une clientèle homogène (clients « équilents »)
Une fois la population-mère définie, il s'agit de déterminer l'échantillon à retenir. Les méthodes sont nombreuses, mais on distingue couramment deux modes génériques d'échantillonnage :

1. Les méthodes aléatoires ou probabilistes

2. Les méthodes non aléatoires ou empiriques
Les premières sont, en théorie, les seules où puissent s'appliquer les outils statistiques d'extrapolation à la population globale. A contrario, un échantillon construit par la méthode des quotas (approche empirique) ne devrait pas permettre, toujours en théorie, d'extrapoler des résultats à l'ensemble des clients. Mais en pratique, cette approximation est tout à fait tolérée.
Pour les études de satisfaction clients, deux méthodes sont généralement appliquées : aléatoire simple ou quotas.
Nous allons brièvement décrire chacune de ces méthodes, ainsi que leurs conditions de mise en ouvre.

La méthode aléatoire simple

Le principe est le suint : tout client appartenant à la population-mère a une probabilité connue et égale aux autres clients d'être tiré dans l'échantillon. Cela consisterait idéalement à rassembler tous les clients dans un même lieu, et à en tirer un échantillon au hasard, sans remise.

Pratiquement, il s'agit de :

1. Valider la complétude du fichier initial, ainsi que sa correspondance avec la population-mère (nécessité d'ôter les clients non concernés). Bien évidemment, un même client ne doit pas apparaitre plus d'une fois, sauf à considérer qu'il puisse être interrogé plusieurs fois (cas en B to B où les centres d'achats sont différents selon les produits/services achetés).
2. Réordonner ce fichier de façon à ce qu'il n'y ait aucun biais d'échantillonnage induit par l'ordre d'apparition des clients. Exemple : éviter les fichiers triés par CA, puisque le tirage ne se fera plus au hasard, et que le CA peut avoir une influence sur la satisfaction.
3. Réaliser un tirage aléatoire au sein de ce fichier pour constituer l'échantillon. Plusieurs méthodes existent, mais la plus simple en pratique consiste à calculer un « taux de sondage » égal à n/N, où n = taille désirée de l'échantillon, et N = taille du fichier et donc de la population-mère. En partant d'un n° de client tiré au hasard (ex : le client se situant en 643e place sur le fichier), on intègre à l'échantillon l'ensemble des clients correspondant au taux de sondage.
On désire construire un échantillon de 50 clients parmi 10 000.
1. On lide que le fichier existe, qu'il est complet et lide, et que l'on y trouve bien 10 000 clients.
2. On vérifie que l'ordre dans lequel apparaissent les clients au sein de ce fichier n'a pas d'influence sur les réponses et/ou la représentativité.
3. On calcule le taux de sondage : ici N = 10 000, et n = 50, le taux de sondage est donc de 50/10 000 =1£0Q.
4. On tire au hasard un client (idéalement : choix d'un nombre par informatique au sein d'une liste aléatoire). Dans notre cas, ce numéro est le 9513.
5. On applique la méthode.
Feront donc partie de l'échantillon, les 50 clients suints :
9513, 9713 (9513 + 200), 9913 (9713 + 200), 113 (9913 + 200, soit dans notre liste, le 113e

après 0), puis le 313, etc.

Insistons encore une fois sur l'impérieuse nécessité que le fichier initial ne soit pas dans un ordre lié à la problématique de satisfaction client.
Cette méthode d'échantillonnage aléatoire simple est idéale en théorie, mais souffre en pratique des contraintes liées à la lidité des fichiers utilisés. C'est pourquoi la méthode des quotas est le plus souvent utilisée.

Méthode des quotas

Le principe est le suint : il s'agit de reconstituer la population-mère à une échelle réduite, à partir de certaines de ses caractéristiques.
Exemple (simplifié) : on doit interroger un échantillon de 250 personnes représentatives des clients d'une enseigne de grande distribution par la méthode des quotas.
Offsait que la population-mère Ges clients de l'enseigne) possède les caractéristiques suintes :

. Répartition par sexe : Hommes : 56 %, Femmes : 44 %

. Répartition par age : 15-24 ans : 8 %, 25-34 ans : 28 %, 35-50 ans, : 36 %, > 50 ans : 28 %

L'échantillon contiendra donc :

Hommes : 56 %, soit 140 hommes. Femmes : 44 %, soit 110 femmes
ET
15-24 ans : 8 %, soit 20 personnes, 25-34 ans : 28 %, soit 70 personnes, 35-50 ans : 36 %, soit 90

personnes, > 50 ans : 28 % soit 70 personnes

En pratique, les différentes étapes sont les suintes :
1. Décrire la population-mère selon des critères sur lesquels il existe des statistiques. Ces critères doivent être si possible liés à la satisfaction client, afin de respecter les sous-groupes d'opinions différentes. Seuls des critères pour lesquels l'entreprise possède des données fiables sur la population-mère peuvent devenir des quotas.
2. Reconstituer, à partir des critères choisis, la population-mère à une échelle inférieure (cf. exemple ci-dessus).
3. Interroger des clients correspondants aux quotas définis. Pour cela :
a) Le fichier initial des clients ainsi que les quotas à respecter sont répartis entre les différents enquêteurs. Chaque enquêteur reçoit ainsi une « feuille de route » qui lui indique le nombre d'interviews à réaliser pour chacun des quotas définis (ex : 3 femmes et 2 hommes, 4 moins de 24 ans et 1 plus de 50 ans).
b) Au sein de la partie du fichier initial qui lui a été remise, il choisit librement les clients qu'il interroge, et « remplit » au fur et à mesure sa feuille de route selon les caractéristiques des clients interrogés. Ainsi, à la fin, il doit obligatoirement interviewer un client ayant des caractéristiques précises pour pouvoir finir ses quotas.
Dans l'exemple précédent : l'enquêteur X a reçu sa feuille de route comprenant 25 interviews à réaliser, répartis de la façon suinte :
Hommes : 14 hommes. Femmes : 11 femmes TOTAL : 25
ET
15-24 ans : 2,25-34 ans : 7,35-50 ans : 9, >50 ans : 7 TOTAL : 25
Il a également reçu un fichier comprenant 100 noms et numéros de téléphone de clients de l'entreprise.
Il choisit au hasard dans ce fichier les clients qu'il interroge, en lidant au fur et à mesure que les répondants correspondent bien aux quotas demandés. Lorsque les caractéristiques d'un client ne correspondent pas, il ne réalise pas l'entretien.
On remarquera dans cet exemple qu'il n'y a aucun rapport entre les deux quotas (sexe et age). On dit alors que les quotas ne sont pas croisés (quotas simples).
Il est donc tout à fait possible, dans ce cas, que le hasard fasse qu'un enquêteur n'interroge que des femmes «jeunes » et des hommes « vieux », ou réciproquement.
Pour remédier à ce problème potentiel, il est possible de constituer des quotas croisés : par exemple, 1 homme et I femme de 15 à 24 ans, 4 hommes et 3 femmes de 25 à 34 ans, etc.
Mais les quotas croisés deviennent rapidement ingérables au-delà de 3 critères à la fois. C'est pourquoi les échantillons de ce type sont rares.
Si la méthode des quotas est très pratique, elle a aussi des limites :
> L'oubli d'un quota important risque de biaiser fortement l'échantillon {ex : absence de grandes entreprises dans V échantillon final, du fait de l'oubli d'un quota de taille d'entreprise en plus de la région et du secteur d'activité).
> La possibilité, si le fichier initial est incomplet ou mal renseigné, que les enquêteurs aient du mal à terminer leur feuille de route. Ceci (obligation de trouver un client ayant des caractéristiques précises) les pousse à la fraude : interviews « bidonnés », c'est-à-dire remplis directement par l'enquêteur
Quotas et méthode aléatoire concernent les entretiens téléphoniques et le face à face. Mais qu'en est-il pour une enquête auto-administrée ?

Quelle représentativité pour un questionnaire auto-administré ?
Le premier objectif du responsable de projet lors d'une enquête auto-administrée est d'assurer la représentativité des résultats obtenus. Or ce problème est délicat, puisqu'une fois les questionnaires envoyés, la représentativité ne dépend plus que de la bonne volonté des clients
De nombreuses techniques ont été mises au point pour maximiser le taux de retour et ainsi assurer la représentativité. Elles sont décrites dans le paragraphe 3.2.2. de ce même chapitre.
Toutefois, la représentativité reste LE problème majeur de ce mode de recueil par ailleurs particulièrement performant pour des mesures de satisfaction client.

En effet, de nombreuses questions restent en suspens :

> Les résultats issus des non-répondants seraient-ils strictement ables à ceux des répondants ?
> Les répondants sont-ils plutôt plus satisfaits ou moins satisfaits que la moyenne ? Cette question divise encore les chercheurs mais aussi les praticiens.
> Les répondants ne seraient-ils pas au contraire plus extrémistes que la moyenne, c'est-à-dire finalement plus concernés et/ou impliqués que les clients « moyens » ?
> À partir de quel taux de réponse peut-on parler de représentativité ?
> Etc.
Sans rentrer dans des détails complexes, on peut tout de même fournir au lecteur quelques éléments de base :
1. Les taux de retour en matière d'études de satisfaction client6 rient, en moyenne, de 10 à 30 % en Grande consommation et de 20 à plus de 70 % en B to B7. Les différences sont importantes selon les secteurs, mais aussi selon le type de rapport éli entre le fournisseur concerné et ses clients : plus l'achat est impliquant, plus le taux de retour sera important. Enfin, on ne répétera jamais assez l'importance de l'apparence du questionnaire (clarté, professionnalisme, etc.) ainsi que d'une relance téléphonique effectuée après la date limite de réponse.
2. Un taux de retour en B to B inférieur à 15 voire 20 % doit être considéré avec la plus extrême prudence en termes de représentativité.
3. Une bonne pratique, bien qu'elle n'ait aucune leur statistique, consiste à confronter la structure des réponses à la structure de la population-mère sur des riables importantes (CA, etc.) :
a) Si celles-ci sont proches et que le taux de retour est plutôt bon, il y a de grandes chances que l'enquête soit lide
b) Si celles-ci sont peu ables, il convient d'être prudent dans l'analyse et l'interprétation des résultats
c) Enfin, si celles-ci sont peu éloignées, l'analyste peut réaliser un redressement, qui consiste à attribuer un poids différent aux répondants afin de retrouver artificiellement la structure initiale ou désirée. Mais la pratique montre que les nouveaux résultats obtenus sont rarement différents des résultats initiaux, sauf à redresser avec des poids trop importants (> 2).

Assurer la représentativité d'une clientèle non homogène (clients non « équilents »)
Ce cas est courant en B to B, où l'on retrouve souvent la règle des 20/80 (20 % des clients représentent 80 % du CA). Le risque, dans ce cas, est « d'oublier » certains clients importants dans l'échantillon, du fait du hasard de l'échantillonnage.
Une entreprise a 1 000 clients. Parmi ceux-ci, 10 représentent 50 % du CA
Cette entreprise peut-elle se permettre de ne pas mesurer la satisfaction de ces 10 clients ?
La réponse normative consisterait à déclarer que la satisfaction n"a rien à voir avec l'importance d'un
client A contrario, le DG rétorquera (et à raison !), que ces 10 clients sont vitaux pour l'entreprise. Il
est donc indispensable de connaitre précisément la satisfaction de chacun d'entre eux.
D'un point de vue purement statistique, la probabilité qu'un de ces 10 clients soit tiré dans l'échantillon est faible (panier initial de tirage = 1 000), et celle que les 10 y urent devient extrêmement faible Les techniques habituelles décrites précédemment atteignent donc là leurs limites.
Comment structurer l'échantillon pour ne pas oublier ces clients ?
Le principe est de « forcer » le hasard à respecter la volonté stratégique de l'entreprise. Pour cela, différentes techniques sont possibles, mais la plupart sont complexes. Nous nous bornerons donc à aborder succinctement cette problématique, en conseillant au lecteur de consulter des ouvrages plus exhaustifs sur ce .
Dès que certains clients ont un poids réellement différent des autres, la meilleure solution consiste à construire des segments ou « strates9 ». Cette approche consiste :
> à découper la population des clients en sous-groupes homogènes mutuellement exclusifs et exhaustifs
> à échantillonner ensuite chaque segment ou strate séparément, soit par une méthode aléatoire (approche statistique), soit de façon directive et donc non statistique si l'on désire impérativement interroger certains clients « incontournables ».
Stratifier revient donc à créer plusieurs échantillons indépendants mais complémentaires.
Cette méthode oblige donc l'analyste à choisir des représentants de chacune des strates au sein de l'échantillon global, et limite ainsi le rôle du hasard (ex : absence des gros clients dans l'échantillon).
Si, comme nous l'avons vu plus haut, il est courant de définir un premier niveau de stratification en fonction des prestations fournies (cas de produits/ services très différents), on peut aussi imaginer de créer un deuxième niveau de stratification en réalisant un découe par CA réalisé avec le client concerné (par exemple : gros clients/clients moyens/petits clients)
Comme nous l'avons vu, la stratification permet notamment de sur-représen-ter les strates ayant une importance stratégique sans rapport avec leur importance quantitative (ex : nous décidons que les 7 % de clients qui représentent 60 % du CA vont tous être interrogés). On parlera alors de stratification non proportionnelle
Enfin, la stratification non proportionnelle est aussi adaptée s'il existe une forte dispersion des motifs de satisfaction ou d'insatisfaction au sein d'une strate, afin d'améliorer artificiellement la précision des résultats sur celle-ci en sur-représentant ces clients.
Pour conclure sur la représentativité : en pratique, la notion de représentativité statistique devenant vite extrêmement complexe à gérer, il ne faut pas hésiter à privilégier l'opérationnel et opter pour une vision plus « concrète » de la représentativité :
. qui parlera aux salariés en interne

. qui sera plus proche de la réalité du terrain

. qui offrira un caractère réellement opérationnel aux actions correctives Pour une entreprise proposant quatre lignes de produits distinctes, et ayant des clients importants en termes de CA :
1. Découe préalable des clients par ligne de produits (constitution de quatre échantillons distincts dont les poids respectifs ne correspondent pas à leur poids réel en termes de clientèle)
2. Deuxième stratification au sein de chacune des 4 lignes, basée sur le CA réalisé avec le client (gros/moyen/faible) : les « gros clients » sont tous interrogés, 1/2 chez les « moyens », et 1/10 chez les « petits clients »
Les résultats globaux ne correspondant à aucune réalité compte tenu de la disparité des produits étudiés, seuls les résultats par ligne de produits sont calculés et analysés.
Dans l'un des nombreux secteurs du sport en France, moins de 5 centrales d'achat représentent jusqu'à 60 % du CA du secteur, alors que l'on compte par ailleurs plus de 1 000 détaillants proposant les produits concernés. Dans une étude de satisfaction, faut-il absolument interroger toutes ces centrales, ou doit-on au contraire les intégrer au même niveau que les autres ?
Les conséquences d'une insatisfaction forte de l'une de ces centrales seraient telles qu'il est indispensable de les interroger toutes, sans se poser de questions existentielles quant à leur intégration dans l'échantillon, et sur la notion de « représentativité »
Quelle que soit la méthode retenue (quotas ou aléatoire simple), le responsable du projet doit suivre de très près la représentativité de l'échantillon. Celle-ci constitue en effet une condition insuffisante pour assurer la lidité de la mesure, mais indispensable à sa crédibilité.
Il ne doit jamais oublier que la première information demandée lors des présentations orales concernera ce point précis.
Une fois la représentativité assurée, il s'agit de déterminer la précision des résultats. Celle-ci dépend directement de la taille de l'échantillon.

Précision des résultats et taille de l'échantillon

Cette question ne doit intervenir qu'après s'être assuré de la représentativité de l'échantillon construit, puisque comme nous l'avons vu, la taille n'influence pas la représentativité dans la plupart des cas.
Ant de détailler plus ant les méthodes et outils à connaitre, raisonnons tout d'abord aux extrêmes :
> Un échantillon de taille inférieure à 30 clients n'obéit plus aux règles habituelles de la statistique.
> En deçà d'un taux de sondage' ' de l'ordre de 10 % (l'échantillon choisi représente moins d' 1 client sur 10), ce taux n'influence pas la précision des résultats : seule la taille de l'échantillon déterminera la précision. En d'autres termes, une enquête menée sur un échantillon de 100 clients sur une population-mère de 1 million de clients ou de 10 000 clients aura la même précision
Une fois ces hypothèses connues, nous pouvons d'ores et déjà résumer ce paragraphe, en affirmant :
En termes statistiques, la taille de l'échantillon sert uniquement à déterminer la précision des extrapolations que l'on pourra réaliser sur l'ensemble des clients, à partir des résultats obtenus sur l'échantillon.
Cette taille est un compromis entre la précision et la finesse désirées des résultats, et les moyens disponibles. Or la précision et la finesse désirées dépendent elles-mêmes des objectifs stratégiques de l'entreprise par rapport à la mesure de la satisfaction clients. Examinons quelques-uns de ces enjeux :

Les enjeux stratégiques de la précision
> Nous faut-il absolument une précision à 3 % près ? En d'autres termes, décide-t-on des actions correctives à mettre en ouvre à 3 % de chances de ne pas se tromper ? Vu comme cela, la recherche de précision devient rapidement secondaire
> En renche, la aison dans le temps des résultats doit permettre de mesurer des évolutions statistiquement significatives. D'où la nécessité d'obtenir des résultats suffisamment précis pour servir de base aux aisons ultérieures.
> Il faut enfin tenir compte des contraintes internes : si vous désirez donner des objectifs liés à un taux de satisfaction ou à une note moyenne, il vous faut une précision suffisante pour que l'évolution de ces chiffres soit crédible.

Précision et finesse désirées

Dans un premier temps, quelques rappels statistiques de base permettront de mieux appréhender la question. Suite à cela, nous partirons d'un exemple pour déterminer la précision et donc la taille optimum de l'échantillon, compte tenu des contraintes et besoins spécifiques de l'entreprise.
La notion d'interlle de confiance ou « marge d'erreur aléatoire »
Comment extrapoler à la population globale les résultats obtenus à partir d'un échantillon ?
Sans rentrer dans des détails complexes, on peut affirmer qu'il existe un « interlle de confiance » (ou encore une « marge d'erreur aléatoire ») entre le résultat obtenu sur un échantillon, et la réalité si l'on ait interrogé l'ensemble de la population.
Ainsi, lorsqu'une mesure effectuée sur 100 personnes annonce 20 % de clients insatisfaits, on pourra affirmer, à 95 % de chances de ne pas se tromper12, que ce résultat doit être compris sur l'ensemble des clients, entre 20 % moins la marge d'erreur aléatoire et 20 % plus la marge d'erreur aléatoire.
Cette marge d'erreur aléatoire (ou interlle de confiance) étant dans ce cas de l'ordre de 8 %, nous obtenons donc les résultats suints.
Nous pouvons donc affirmer, à 95 % de chances de ne pas nous tromper, que l'entreprise compte entre 12 % et 28 % d'insatisfaits, avec toutefois une forte probabilité que ce chiffre soit proche de 20 %.
On comprend intuitivement que plus la taille de l'échantillon sera importante, plus l'interlle de confiance sera réduit, c'est-à-dire plus le résultat de l'échantillon sera proche de celui que l'on aurait obtenu si l'on ait interrogé tous les clients.
Combien de clients interroger pour obtenir la précision désirée au niveau des résultats ?

Pour simplifier le propos, partons d'un exemple fictif :

L'entreprise irlandaise O'BER fournit de la bière à environ 10 000 pubs et bars dans le monde entier. Son patron désire réaliser une étude de satisfaction auprès de ses clients.
Ayant déterminés ses objectifs, le champ de l'étude ainsi que les principaux outils de recueil, il se pose maintenant la question de l'échantillonnage :
Pour minimiser les coûts, il a choisi de constituer un échantillon
En termes de représentativité, il compte appliquer la méthode des quotas (ici, pays et volume de bière acheté) à partir de son fichier exhaustif

. Reste la question de la précision des résultats : combien de clients doit-il interroger ?
Pour déterminer cela, l'entreprise O'BER doit adopter la méthode suinte :
1. Choisir la précision désirée, c'est-à-dire l'amplitude de l'interlle de confiance : veut-il des résultats (toujours à 95 chances sur 100 de ne pas
se tromper), précis à 0,1 % près ? : dans cet exemple, 75 % de satisfaits dans l'échantillon signifierait une réalité comprise entre 74,9 et 75,1. À 2 % près, à 5 % près, à 10 % près ?
Dans notre cas, O'BER n'a pas besoin d'une précision fine, puisque la hiérarchie des actions correctives à mettre en place ne se jouera sans doute pas à 0,1 % près Le Comité de Pilotage décide d'une précision de plus ou moins 5 %.
2. Appliquer la formule de calcul de la taille de l'échantillon.
Où « e » représente la précision désirée (en pourcentage pour la formule liée aux fréquences, et en absolu pour le seconde formule), « f » les fréquences supposées (explication ci-dessous), et « écart-type » l'écart-type supposé.
Détaillons un peu ce point complexe.
L'interlle de confiance dépend des résultats obtenus. Si à une question, on obtient une répartition des résultats de type 50 % de réponses A et 50 % de réponses B, ou au contraire 90 % de réponses A et 10 % de réponses B, les interlles de confiance seront différents.
Ceci peut se comprendre intuitivement : plus les réponses seront homogènes dans l'échantillon (90/10 par exemple), plus le « risque d'erreur » sera faible. A taille d'échantillon constante, l'interlle de confiance sera donc le plus large possible si les réponses sont de type 50/50.
La conclusion de ce point est donc la suinte : pour déterminer la taille de l'échantillon nécessaire pour obtenir la précision désirée, il faut connaitre par ance les réponses aux questions que l'on poser !
En pratique, lorsque l'analyste n'a aucune idée des résultats qu'il obtenir, l'usage consiste à prendre l'hypothèse la pire en termes d'interlle de confiance : répartition de type 50/50.
Dans les études de satisfaction client, la part des insatisfaits se situe généralement autour de 10 à 25 % (cf. Chapitre 8). Pour calculer votre taille d'échantillon ainsi que les interlles de confiance correspondants, prenez, selon le résultat anticipé, un f compris entre 0,10 et 0,25 plutôt que le f habituellement retenu à 0,5. Ceci vous permettra de minimiser la taille de votre échantillon.
En fonction de ce précepte, O'BER applique la formule avec un résultat anticipé de l'ordre de 20/80. On obtient ainsi une taille d'échantillon théorique de 246 clients. Le Responsable du Projet demande donc à ses enquêteurs d'interroger 250 clients.
Mais l'entreprise O'BER désire aussi obtenir des résultats sur certains segments particuliers, comme par exemple les pubs et bars français, qui constituent 10 % de sa clientèle (soit I 000 [ entités différentes). Bien évidemment, il souhaite que la précision puisse rester la même sur les différents sous-segments. Quel est dans ce cas, la taille nécessaire de l'échantillon ?
Il suffit d'appliquer la même formule au plus petit sous-segment constitué. Si, ici, la France est ce plus petit segment, il faudra donc interroger au minimum 246 clients français.
Or la France représentant 10 % du total des clients, la taille de l'échantillon total devra donc être de 2 460 clients14 (246x10)
Pour résumer, on peut dire que :
. la taille de l'échantillon dépend de la précision désirée des résultats,
. pour calculer la taille nécessaire d'un échantillon à partir d'une précision désirée, il convient d'anticiper les résultats de l'enquête, ou de prendre l'hypothèse la pire (50/50),
. dans le cas d'une précision de résultats souhaitée sur des segments de l'échantillon, c'est le segment le plus petit qui détermine la taille de l'échantillon total15.
Vouloir obtenir une précision forte sur une petite partie de l'échantillon oblige donc à augmenter fortement la taille de celui-ci
De même, augmenter la précision des résultats (= diminuer l'interlle de confiance) nécessite aussi d'augmenter la taille de l'échantillon total.
Mais multiplier l'échantillon par exemple par 4 ne permettra de diviser l'interlle de confiance que par 2, puisque celui-ci rie en proportion de la racine carrée de la taille de l'échantillon.
Passer de 100 à 1 000 clients interrogés ne divisera l'interlle de confiance que par 3,16 environ : de +/- 10 % pour 100 clients16, cet interlle passera à + /- 3,1 % pour 1 000, alors que les coûts de recueil seront décuplés.
Gagner en précision coûte donc très cher. Autant dire que les coûts de recueil vont rapidement devenir rédhibitoires si l'on cherche une précision fine !
Pour conclure sur la précision des résultats, rappelons que dans le cas de clients « non équilents » (cf. § 2.3.2), les échantillons construits à partir des techniques de stratification n'obéissent pas aux mêmes lois statistiques que celles exposées ici.
En effet, la précision d'un échantillon stratifié est meilleure, mais le nouvel interlle de confiance demande un calcul plus complexe, non abordé ici.
Après avoir abordé les notions de représentativité et de précision qui constituent les deux fondements de l'échantillonnage, il convient d'examiner le cas particulier du B to B.

Une spécificité de l'échantillonnage en B to B : le centre d'achat complexe
Cette question est cruciale, car une erreur d'interlocuteur peut avoir des conséquences importantes en termes de fiabilité de la mesure.

Dans l'enquête de satisfaction, lequel interroger ?

Plusieurs solutions semblent possibles :
l.Tous
C'est en effet la meilleure solution. Cela dit, on imagine facilement les coûts associés lorsque les participants sont nombreux. De plus, cette approche nécessite de connaitre parfaitement le processus d'achat de l'entreprise cliente. C'est pourquoi cette méthode est rarement employée.

2. L'interlocuteur principal au quotidien

C'est l'approche adoptée dans la plupart des enquêtes. Mais, souvent, cet interlocuteur est un utilisateur qui a peu participé au choix du produit/service. Il convient donc de s'assurer au préalable que celui-ci ait effectivement une influence en termes de décision d'achat, ainsi qu'une vision globale de la relation. Enfin, cela suppose une certaine homogénéité d'attentes et de critères de choix au sein du centre d'achat.
3. L'acheteur Sauf à ce qu'il ait un réel pouvoir de décision, cette solution est souvent une fausse bonne idée. Certes, c'est l'acheteur qui passe l'ordre d'achat, et son rôle est important en termes de négociation tarifaire. Mais on a toujours tendance à surestimer son poids dans le processus de décision.
4. Le décideur Le plus souvent, il est particulièrement difficile à déterminer puisque la décision semble collégiale. Une bonne approche consiste à examiner, pour chacun des intervenants, s'ils ont ou non (en caricaturant) :

a) le pouvoir de dire « non »

b) le pouvoir de dire « oui »
En pratique, la plupart des interlocuteurs peuvent s'opposer à une décision, mais ne peuvent pas décider positivement. L'intervenant réunissant ces deux conditions est très souvent le « vrai » décideur, celui qu'il convient d'interroger sur sa satisfaction.
Diminuer la taille de l'échantillon mais interviewer différents intervenants au sein d'une même entreprise cliente, constitue de très loin la meilleure solution en B to B. L'approche la plus performante est souvent la suinte :

1. Échantillonner les entreprises clientes

2. Déterminer, au sein des différentes entreprises retenues, les intervenants à rencontrer
3. Réaliser les entretiens, en y intégrant quelques questions génériques sur le processus d'achat , afin de lider les noms des interviewés
4. Réagir « en direct » aux modifications possibles des interviews suite aux premiers entretiens
5. Si possible, lider la cohérence des résultats obtenus (notamment sur le processus d'achat)
D'autres méthodes plus précises existent, mais sont généralement beaucoup plus coûteuses.
Pour conclure sur les spécificités du B to B, on s'aperçoit que la notion de représentativité est très relative et quoi qu'il en soit difficile à obtenir. Car à partir du moment où l'on interroge plusieurs personnes au sein d'une même entreprise cliente, le poids de chaque interview dans l'ensemble de l'échantillon devient nécessairement différent. Et à moins de redressements complexes (voire dangereux au-delà d'un certain seuil), la « représentativité » n'aura plus la même signification que dans un cadre habituel.
D'où l'idée de privilégier, dans ce cas, l'intelligence de situation à une démarche purement statistique, faussement rassurante.
Car, répétons-le, mesurer la satisfaction client doit servir ant tout à mener des actions opérationnelles et efficaces ! Outre l'échantillonnage, un autre facteur clé de succès majeur réside dans la mise au point d'un questionnaire adapté.
Nous allons donc examiner maintenant comment finaliser un questionnaire quantitatif pertinent et efficace.