La première étape a normalement conduit l'analyste A  élir les tendances majeures des résultats : Qui ? (questions signalétiques). Quoi ? (questions de satisfaction et d'importance). Pourquoi ? (questions ourtes) Quelles conséquences ? (questions complémentaires sur la fidélité, etc.). Elle a aussi permis de déterminer une - cartographie - opérationnelle des indicateurs : niau de satisfaction * importance du critère.

Mais comme le disait Alfred Sauvy, célèbre démographe :

- 50 hommes trop nourris et 50 affamés, cela ne fait-il pas 100 habitants connablement nourrisen moyenne ? -
La question naturelle est donc : Qui pense quoi ? Car il est très fréquent que de nombreuses disparités existent entre les clients.
Mais suivant le type de variable concernée (nominale, d'intervalle, etc.), les outils sont différents. Pour simplifier le propos et aller A  l'essentiel, nous ne détaillerons ici que les plus usuels :
> Croiser une variable nominale ac une variable quantitati (ex : le type de produit acheté discrimine-t-'d la satisfaction ?)
> Croiser deux variables nominales ensemble (ex : l'évolution perA§ue de la qualité des prestations est-elle liée au lieu d'achat ?)
> Croiser deux variables quantitatis ensemble (ex : l'opinion globale est-elle fortement ou faiblement liée au respect des délais?)

Les objectifs et moyens associés sont décrits dans le leau ci-dessous.
Objectifs Moyens
» Obtenir des résultais par segment de clientèle et valider la signiticativilé des différences observées » Croiser deux variables qualitatis, ou une variable qualitati par une variable quantitati (cxiste-t-il des différences de perception entre deux segments de client '.') » Réaliser les textes de validité statistique (cette différence observée entre deux segments est-elle réelle ?)
» Identifier des relations entre variables d'opinion, ainsi que leurs liens ac la note globale » Croiser deux variables quantitatis (Comment réduire le nombre de questions A  poser A  l'anir ? La note de satisfaction globale est-elle plus particulièrement liée A  un critère ?)

Mais compte tenu de l'ampleur et de la dirsité des taches A  réaliser pour atteindre le premier objectif, il convient de structurer les travaux. Suivre l'organisation proposée dans le schéma 8.2 permet non seulement de délimiter clairement les dirs objectifs, mais aussi de déterminer les outils correspondants.

Comment obtenir des résultats par segment ?

L'objectif est d'adapter les actions aux besoins réels de chacune des cibles. Cela consiste donc A  définir des - sous-enquAStes - spécifiques A  chaque segment, et A  les analyser séparément.

Connaitre les outils disponibles

En termes statistiques, il s'agit la plupart du temps :

1. de croiser une variable nominale ac une variable quantitati : Cela correspond A  un tri A  plat de la variable quantitati pour chacune des modalités de la variable nominale. (- Tableau de moyennes -)
2. de croiser deux variables nominales entre elles (satisfaction /age, par exemple) : Pour savoir si le % de très satisfaits varie selon l'age des répondants, on déterminera, pour chaque modalité de la variable explicati (l'age), les fréquences des modalités de la variable A  expliquer (la satisfaction) : - Tableau de contingence - ou - tri croisé -.
Pour détailler ces deux techniques, nous allons partir d'exemples pratiques appliqués A  la satisfaction client.

Croiser une variable nominale et une variable quantitati : les leaux de moyennes
Dans cel exemple fictif, l'entreprise concernée a quatre agences commerciales régionales A  Paris, Bordeaux, Lyon et Lille. Après avoir présenté les résultats de l'enquASte de satisfaction client A  la DG, le responsable du projet doit réaliser une présentation similaire auprès des différentes agences, en y intégrant évidemment leurs propres résultats. Il lui faut donc obtenir les résultats par agence, ainsi que, si possible, la validité statistique des différences.
Il demande donc le croisement des deux questions - Agence - et - Clarté des documents fournis -.
Selon le logiciel utilisé, la présentation des résultats diffère sensiblement. Les 4 sorties informatiques ci-dessous, pronant de logiciels fréquemment utilisés, illustrent cette situation.
Comme on peut le constater, par-delA  la dirsité des modes de présentation, on retrou (heureusement !) les mASmes résultats fondamentaux, qui permettent de connaitre les valeurs par agence. Pour gagner du temps, certains logiciels proposent mASme de croiser, au sein d'un mASme leau, une variable nominale ac plusieurs variables quantitatis. Cette possibilité est très pratique lorsqu'il s'agit de parcourir rapidement les résultats d'un segment particulier.
Mais il reste une question importante : les différences observées entre les agences sont-elles statistiquement significatis ou sont-elles dues aux fluctuations de l'échantillonnage ?
Le test F, de Fisher-Snedecor, appelé ANOVA dans certains logiciels (pour ANalysis Of VAriance), permet de déterminer si les modalités de la variable nominale discriminent les moyennes de la variable quantitati.

Attention

Le test F ne permet pas d'affirmer que toutes les moyennes testées sont signi-ficatiment différentes les unes des autres, mais que, sur l'ensemble, certaines le sont.
La validation de différences statistiquement fiables entre 2 moyennes se fait quant A  elle grace au test de aison de moyennes (cf. étape 1)
Conclusions A  partir du test F
Statistiquement : Nous pouvons donc affirmer, A  95 chances sur 100 de ne pas nous tromper, que la variable - agence - discrimine la satisfaction des clients sur - la clarté des documents fournis -.
En termes Marketing : La perception des clients quant A  la clarté des documents fournis varie selon les agences. Il convient :
1. De valider si les documents fournis peunt AStre différents selon les agences
2. De déterminer quelles sont les agences où l'insatisfaction est la plus importante (cf. lecture des moyennes par agence) afin de mettre en place des actions correctis adaptées. -> L'analyse des moyennes démontre en effet que Lille a un réel problème sur ce point :
a) Nécessité d'en discuter ac le responsable de l'agence de Lille pour déterminer les causes de ce phénomène et le stopper Il serait souhaile, compte tenu des résultats de Bordeaux sur ce critère précis, d'inciter le responsable concerné au sein de l'agence de Lille A  échanger ac son homologue bordelais sur ce thème.
Comme nous l'avons déjA  expliqué, ces leaux de moyenne ne sont que des tris A  plat de la question quantitati concernée pour chacune des modalités de la variable nominale. Si l'on ne s'intéresse qu'aux résultats d'une seule de ces modalités (par exemple, l'agence de Bordeaux), une alternati pratique consiste A  créer artificiellement une - noulle enquASte - ne contenant que les clients de l'agence de Bordeaux. Il suffit alors de sortir les tris A  plat de cette enquASte. Pour plus de détails sur ce point, se reporter A  la question - Comment croiser des informations A  l'intérieur d'un mASme segment -.

Croiser deux variables nominales entre elles : les leaux de contingence ou - tris croisés -
Ce type d'analyse est de très loin le plus utilisé dans le cas d'enquAStes d'opinion. Dans les mesures de satisfaction clients, il permet entre autres de discriminer le poids des très satisfaits ou insatisfaits selon les modalités d'une autre variable (par exemple, l'agence concernée).
Les différents pourcentages urant dans ce leau permettent, ac un peu d'expérience, une lecture rapide.
Pour les notes de satisfaction, leaux de moyennes et leaux de contin-gence sont complémentaires : les premiers donnent une vue d'ensemble rapide et efficace, les seconds permettent de valider certaines hypothèses ou de se concentrer sur un point particulier.
Pour simplifier l'explication qui suit, nous allons nous servir d'une noulle variable, notée cette fois sur une échelle de satisfaction en 4 points. Il s'agit d'obtenir des résultats par agence sur - l'accueil téléphonique -. On voit aisément l'intérASt des résultats par agence sur ce critère de satisfaction, parce qu'il dépend directement de chacune d'entre elles.
Comment lire rapidement un tel leau ? Celui-ci contient 3 informations différentes : des effectifs par case ; des pourcentages en ligne ; des pourcentages en colonne.

Détaillons ces informations :

Les effectifs par case
Us correspondent au nombre d'interviewés concernés par les 2 modalités croisées. Exemple : 196 personnes ont répondu A  la fois - Accueil tel 4 - et - Paris -.
Cette information est difficile A  manipuler. Elle sert en revanche de base de travail pour tout calcul d'extrapolation.
En cas de doute dans un tri croisé ou si les pourcentages ne - parlent - pas suffisamment, une bonne pratique consiste A  renir aux effectifs, et ne pas hésiter A  refaire soi-mASme les calculs désirés.
Les pourcentages en ligne
Le total de la ligne fait 100 %, et se répartit entre les modalités de la variable colonne.
Exemple (cas de la première case du leau ci-dessous) : Sur 100 personnes s'étant déclarées - très mécontentes - (note 1) sur l'item concerné, 29 (28,91 exactement) dépendent de l'agence de Paris.
La question qui vient immédiatement A  l'esprit consiste alors A  se demander si ce résultat est - normal - ou - anormal - : les clients de Paris sont-ils, plus que les autres, - très mécontents - ?
Pour cela, il suffit de er 28,91 % au pourcentage de la modalité - Paris - sur la ligne - Ensemble -, c'est-A -dire 31,92 %. S'il n'y avait aucune différence entre les clients de Paris et les autres sur la modalité - Très mécontents -, ces deux pourcentages devraient AStre équivalents.
Pour aller rapidement aux résultats intéressants, il suffit donc de er les % lignes de chacune des modalités aux mASmes pourcentages situés en bas de la colonne correspondante (ligne - Total - ou - Ensemble -) : cf. diagramme ci-dessous.
Les pourcentages en colonne
Le total de la colonne fait 100 %, et se répartit entre les modalités de la variable ligne. Complétant l'information apportée par les pourcentages en ligne, les pourcentages colonne se lisent de la mASme manière, mais cette fois en colonne. Ainsi, toujours dans le mASme exemple, sur 100 clients de l'agence de Paris, 4 (3,83 exactement) se déclarent - Très mécontents - de l'accueil téléphonique de leur agence. Ce résultat est majeur, puisqu'il correspond au tri A  plat de la question - Accueil téléphonique agence - pour l'agence de Paris.
Pour répondre A  la question de normalité ou d'anormalité, au sens défini ci-dessus, de ce résultat de 3,83 % (les clients de l'agence de Paris sont-ils, plus que la moyenne franA§aise, - Très mécontents - sur ce critère ?), il suffit de er le pourcentage colonne de la case concernée A  celui de la modalité - agence accueil téléphonique 1 - dans la colonne - Ensemble - : cf. diagramme ci-dessous.

Faut-il lire d'abord les % lignes ou les % colonnes ?

La réponse A  cette question dépend de 2 facteurs. Tout d'abord le sens dans lequel a été réalisé le tri croisé : si l'on inrse les variables (transposition du leau), les % colonnes d'une variable deviennent lignes et réciproquement. Ensuite, le choix de lecture dépend de l'objectif poursuivi :
a™¦ Si l'on cherche A  caractériser des répondants ayant une opinion particulière (par exemple, les - Très mécontents - de l'accueil téléphonique de leur agence), il s'agit de pouvoir dire : Les - très mécontents - de l'accueil téléphonique sont moins nombreux A  Paris qu'ils ne devraient l'AStre (% ligne).
» Si en revanche, on s'intéresse aux spécificités d'une sous-population par rapport A  l'ensemble de l'échantillon, on dira : - On retrou, parmi les clients de Paris, moins de "Très mécontents", que la moyenne franA§aise - (% colonne).
Une bonne pratique consiste A  placer en ligne la variable qui nous intéresse, puis de lire les % colonnes. Cette approche est généralement la plus efficace pour répondre aux objectifs.
A€ partir de quand une liaison est-elle significati ?
Les différences observées au sein de ce leau sont-elles statistiquement significatis ? En d'autres termes, existe-t-il une relation réelle entre les 2 variables étudiées, ou est-ce que les différences observées sont dues au hasard de l'échantillonnage ?
Le test du Chi-Deux répond A  cette interrogation. Il permet de repérer l'indépendance ou l'association de deux variables nominales : ici, l'accueil téléphonique est-il significatiment différent selon les agences ?

Attention

Association ne ut pas dire causalité : deux variables peunt en effet varier ensemble (association), sans pour cela que les variations de l'une soient provoquées par l'autre (causalité).
Le Chi-2 e les effectifs observés en réalité dans chacune des cases du leau, aux effectifs qui ureraient dans ces mASmes cases si la répartition était normale (- effectifs théoriques -), c'est-A -dire si les deux variables n'avaient aucun rapport entre elles.
Mais pour que le Chi-2 soit valide, chacune des cases doit avoir un effectif théorique supérieur A  5. Par ailleurs, le Chi-2 ne donne pas d'idée sur le sens ni l'intensité de la relation entre les deux variables.
Comme pour les autres tests, les résultats sont présentés sous forme d'une probabilité exprimée en - p - ou - 1-p -. On troura ci-dessous les résultats du Chi-2 de notre exemple concernant - l'accueil téléphonique -.
Conclusion A  partir du test du Chi-2
Statistiquement : Nous pouvons donc affirmer, ac 95 chances sur 100 de ne pas nous tromper, qu'il existe une relation entre la satisfaction concernant - l'accueil téléphonique de l'agence - et la variable - agence -.
En termes Marketing : L'accueil téléphonique varie selon les agences. Il est donc nécessaire de déterminer quelles sont les agences plus particulièrement concernées par ce problème (cf. aison ligne par ligne des colonnes afférentes A  chaque agence), afin d'éviter de mettre en place des actions correctis trop génériques, visiblement peu adaptées A  la situation de certaines agences.

Mais l'analyse du tri croisé met en lumière 2 phénomènes :

1. Lille, et dans une moindre mesure Paris, ontyisiblement un accueil téléphonique meilleur que les 2 autres agences.
2. Toutefois, et mASme si le Chi-2 est valable sur l'ensemble des agences, les différences agence par agence restent faibles et ne semblent pas justifier des actions spécifiques dédiées A  une agence.
Cet exemple démontre que le test du Chi-2 ne suffit pas A  analyser un tri croisé. Il est nécessaire d'obserr les % lignes ou colonnes afin de se faire une idée plus précise de la problématique.

Comment croiser des informations A  l'intérieur d'un mASme segment ?

Ne pouvant jouer que sur deux variables A  la fois, il est a priori difficile de croiser des informations A  l'intérieur d'un segment. Pourtant, ces croisements peunt AStre intéressants en terme de ciblage et donc d'adaptation des actions correctis. Ex : Quelles sont les caractéristiques des clients de l'agence de Bordeaux qui ne sont pas satisfaits du respect des délais ? : est-ce des petits ou des gros clients ?
La technique consiste ici A  créer une - sous-population - (ou - strate - sous certains logiciels), puis A  effectuer les tris croisés sur cette noulle base créée
Lors d'une enquASte, une typologie de clients a été créée A  partir de leurs satisfactions partielles, afin de simplifier la présentation. 4 classes ont ainsi été constituées : les - Rendicatifs -, les - Critiques -, les - Modérés - et les - Groupies -.
Le tri croisé ci-dessous permet (réalisé sous SPHINX) de er les moyennes de satisfaction obtenues par chacune de ces classes sur le critère - Disponibilité du personnel -. L'objectif est de valider que cette typologie soit pertinente sur ce point particulièrement important en terme d'actions ultérieures.
Les résultats sont clairs, et le test F suggère que les différences observées sont réelles. La typologie discrimine donc bien les opinions sur cet item.
Le responsable de l'agence commerciale de Bordeaux désire se servir de cette typologie pour mettre en place des actions correctis adaptées. Mais compte tenu des résultats de son agence, il doute de la validité de cette typologie sur l'item - Disponibilité du personnel -, et ut vérifier ce point. La création d'une sous-population - agence = Bordeaux - permet de créer une noulle base, et de réaliser A  l'intérieur de celle-ci les tris croisés correspondants.
Ce leau est construit sur la strate de population - agence commerciale de Bordeaux - contenant 1 149 observations et définie par le filtrage suivant : AGENCES = {Bordeaux)

Rendicatifs 70 (3.54)

Critiques 336 (4,86)

Modérés 583 (6,68)

Groupies 160(8,04)

ENSEMBLE 1149 (6,15)

Résultats du test de Fisher :
Disponibilité du personnel : V Jnter = 591.50, V_intra = 2.12, F = 279.14, l-p = >99.99 %
La typologie s'avère aussi discriminante sur ce segment, et pourra donc permettre d'adapter les actions aux classes concernées.
Sur l'ensemble des logiciels, la création de sous-populations ou de strates peut se faire A  partir de modalités de certaines variables, ou en combinant des critères. Son potentiel important ainsi que sa simplicité de manipulation font e cet outil un instrument d'analyse A  connaitre.

Comment réaliser un - zoom - sur les clients insatisfaits ?

Cette sous-population est particulièrement importante. Il est en effet vital pour l'entreprise :
1. De connaitre les caractéristiques des clients concernés, et notamment de s'assurer que leur répartition ne fait pas apparaitre des - lieux de mécontentement - forts.

2. De déterminer les principales raisons d'insatisfaction

Au vu des résultats de nombreuses enquAStes de satisfaction client, on peut obserr trois - cas types - :
> Cas nA° I : Moyenne de satisfaction globale basse -> nombre important d'insatisfaits ayant affecté des notes inférieures A  la note - médiane - de l'échelle proposée. Ce cas est relatiment rare
> Cas nA°2 : Moyenne globale - correcte -, c'est-A -dire A  peu près au 3/4 de l'échelle proposée (en ramenant celle-ci A  un indice 100 pour simplifier, on serait ici aux alentours de 75) -> les insatisfaits ne dépassent pas 10 A  15 % des cas. Ce cas est le plus répandu A  l'heure actuelle.
> Cas nA°3 : Moyenne globale très bonne voire excellente, c'est-A -dire généralement située au dessus des 4/5e de l'échelle proposée (supérieure A  80/ 85 sur 100) -> Le nombre d'insatisfaits est ici extrASmement faible (< 5 %, voire A  2,5 %). Ce cas est encore peu courant aujourd'hui5, mais on peut espérer qu'il le sera moins A  l'anir
Suivant le cas concerné, ce zoom sur les insatisfaits ne présente pas le mASme intérASt.
Dans le cas nA° 1, il est vital pour l'entreprise. Dans le cas nA° 2, il ne concerne a priori qu'une faible part des clients ; et dans le cas nA° 3, il n'a pas lieu d'AStre puisqu'il s'agirait plutôt de faire du - one to one -. C'est pourquoi nous distinguerons dans ce paragraphe différentes définitions des - insatisfaits -, afin d'adapter cette approche aux cas concernés.
Les caractéristiques des insatisfaits ainsi que leurs motifs de mécontentement ont déjA  été en partie étudiés. En effet, les tris A  plat (étape 1) puis l'étude des différents segments de clientèle existants (par type de produit, par canal de distribution, etc. : cf. question précédente), ont nécessairement mis en évidence différentes franges de clients insatisfaits, leurs caractéristiques ainsi que les principaux motifs d'insatisfaction.
Néanmoins, il est particulièrement important de consacrer une partie spécifique de l'analyse A  ces clients, et ce pour au moins 3 raisons :
» d'une part, car cette problématique est vitale pour l'entreprise (cf. ci-dessus ainsi que le chapitre 2) ;
» d'autre part, parce qu'il convient d'analyser les conséquences de cette insatisfaction en terme de fidélité, de recommandation/prescription négati, etc. ;
» enfin, parce qu'une approche globale des données les concernant ne peut AStre faite qu'au niau central (vision stratégique et pas uniquement tactique).
Ainsi, les réflexions et actions A  ce sujet ne doint pas se situer uniquement au niau des segments opérationnels (Business Units, Service Center, etc.), mais concernent aussi les services centraux de l'entreprise (Marketing, etc.).
Cette analyse nécessite donc, au préalable, de cibler précisément les clients dits - insatisfaits - A  partir des données de l'enquASte. Les outils statistiques qui permettent de réaliser un tel travail ont déjA  été expliqués ci-dessus. En pratique, il s'agit tout d'abord de définir clairement la notion de - client insatisfait -, puis de caractériser les clients concernés, et enfin, de mesurer les conséquences concrètes de cette insatisfaction.

Définir une - sous-population - ou - strate - des clients insatisfaits
Il convient de déterminer ce qu'est, pour l'entreprise, un client insatisfait : Plus de n notes inférieures A  la moyenne ? Une note globale inférieure A  la moyenne ou A  un seuil ? A€ quel niau situer ce seuil ?
1. Les extrémistes, c'est-A -dire ceux qui expriment fort et clair leur insatisfaction en notant tout en bas de l'échelle. A€ ce niau, il s'agit plus de médecine d'urgence que de d'actions A  moyen terme L'analyse ne doit donc pas retarder la mise en œuvre d'actions immédiates et ciblées.
Mais les priorités A  ce niau sont généralement claires et n'ont pas besoin d'une analyse très fine.
2. L'ensemble des insatisfaits, c'est-A -dire de ceux - qui ne sont pas satisfaits -. Pour déterminer cette classe, seule la note de satisfaction globale parait pertinente, quelles que soient les satisfactions partielles par critère. En effet, d'autres phénomènes que ceux mesurés dans l'enquASte peunt nous échapper, et influer pourtant fortement sur la satisfaction globale.
Dans ce cas, on prendra, par exemple sur une échelle de 1 A  10, tous les clients ayant donné une note inférieure ou égale A  5. Mais l'intérASt de cette approche doit aussi AStre validée par les résultats de l'enquASte : cf. les trois cas types présentés ci-dessus.
3. Pour définir la troisième classe A  analyser, rappelons trois constats déjA  connus :
a) Le nombre d'insatisfaits est le plus sount faible (de 5 A  15 %) : cf. cas nA° 2.
b) La plupart des clients se situent autour de la moyenne (l'histogramme des fréquences de la note de satisfaction globale ressemble A  une loi Normale - tirée - A  droite du graphique).
c) La fidélité, proche de zéro A  satisfaction nulle, évolue de faA§on quasi-exponentielle ac la satisfaction globale.
Ces trois constats poussent A  s'intéresser A  une troisième classe rarement prise en compte aujourd'hui : les clients ayant donné une note globale comprise entre la note - médiane - de l'échelle proposée et la moyenne de l'échantillon (les - en dessous de la moyenne -) :
» C'est A  ce niau que se situe le nombre le plus important de clients - moins satisfaits - que la moyenne (en général, au moins un quart voire un tiers des répondants) ^ segment important en volume
» Ces clients, sans AStre rendicatifs, ne sont pas - suffisamment - satisfaits par rapport A  ce qu'ils pourraient AStre (cf. ceux situés au-dessus de la moyenne) -> capacité A  mieux les satisfaire
» Ce segment se situe A  un niau où tout point supplémentaire de satisfaction modifie de faA§on exponentielle la fidélisation potentielle
Or : gros volume + capacité A  mieux les satisfaire + intérASt stratégique majeur -> segment très intéressant, voire prioritaire si le nombre d'insatisfaits réels est faible.
L'analyse spécifique de ce segment se révélera particulièrement intéressante dans les cas nA° 2 et 3 de notre typologie des mesures.

Caractériser cette sous-population

L'objectif est de pouvoir décrire précisément les contours de cette population dans un but opérationnel : où et comment cibler nos actions ?
Outre les tris A  plat sur les variables descriptis de ces clients, des tris croisés doint permettre une telle démarche. Deux solutions sont possibles :
1. Soit il s'agit de sortir les tris A  plat de cette population spécifique, puis de les er ac ceux de la population globale (tests de aison de moyenne et de fréquences). Dans le cas de la troisième classe, la aison devra impératiment se faire ac les clients - au-dessus de la moyenne -.
2. Une autre solution consiste A  créer une noulle variable nominale en effectuant des regroupements :
» soit A  2 modalités - insatisfait/non insatisfait - (cf. exemple ci-dessous),
» soit pour la troisième classe, A  3 modalités - Juste en dessous de la moyenne -/- juste au-dessus de la moyenne -/- autres -,
et A  croiser toutes les questions intéressantes ac cette noulle variable.
Si l'on ajoute A  ce type de leau le test du Chi-2 (qui, dans notre exemple, est très significatif), on valide rapidement les spécificités réelles de la sous-population ciblée.

Déterminer les conséquences mesurables de cette insatisfaction
Il s'agit, en croisant les variables liées A  la fidélité, la recommandation, etc., d'essayer de quantifier les conséquences concrètes de l'insatisfaction de nos clients. Cette analyse doit notamment permettre de définir des niaux de seuil sur les critères les plus critiques, mais surtout, et en absolue priorité, il s'agit d'identifier les principaux éléments d'insatisfaction ainsi que les pistes spontanément proposées par les interviewés pour réduire ceux-ci.
Si dans le cas des insatisfaits réels (note globale basse), cette approche est relatiment simple, elle devient en revanche plus subtile pour les clients -juste en dessous de la moyenne -. Il s'agit alors d'analyser chaque indicateur de satisfaction en ant les résultats obtenus sur ce segment spécifique A  ceux des clients situés juste au-dessus de la moyenne sur la note globale. Cette analyse des écarts significatifs permettra d'identifier rapidement les principaux - lieux de progrès -
Dans le cas présenté ci-dessus, le graphique (volontairement exacerbé par le choix de l'échelle des abscisses) met en exergue le - gap - moyen sur différents critères entre les 2 populations (- Actuel - = note globale juste en dessous de la moyenne, et - Cible - = note globale juste au-dessus de la moyenne). On s'aperA§oit que ce gap est beaucoup plus important sur l'item - Accueil téléphonique - que sur les autres. On peut donc supposer qu'un tel écart n'est pas neutre dans la différence d'opinion finale entre ces deux populations.
Cette analyse doit évidemment AStre complétée en croisant ces données par les indicateurs d'importance.
Enfin, une autre analyse particulièrement intéressante en termes opérationnels concerne les questions ourtes. En analysant spécifiquement les réponses de la cible concernée, il n'est pas rare d'y trour des propositions pertinentes d'amélioration.

Pour conclure sur les insatisfaits, réinsistons sur :

1. L'obligation d'analyser spécifiquement cette sous-population, puisqu'une partie importante des actions opérationnelles leur sera dédiée.
Cette analyse devra notamment permettre de segmenter les insatisfaits selon des critères appropriés :
» type de produits/services utilisés, mode et fréquence d'utilisation, caractéristiques de la personne ou de la structure concernée, etc. ;
» motifs d'insatisfaction, attentes et hiérarchisation des besoins ; afin d'adapter les actions et maximiser ainsi leur retour sur instissement
2. L'importance de considérer plus particulièrement dans ce - zoom - la population des - juste en dessous de la moyenne - qui constitue un segment extrASmement porteur, puisqu'A  la fois important en volume et potentiellement fidélisable (-> fort retour sur instissement en cas de succès des actions).
Enfin, une pratique extrASmement renle consiste, si cela est possible , A  rechercher les leaders d'opinion insatisfaits et A  communiquer avant tout auprès de cette cible. En effet, ceux-ci détiennent un fort pouvoir de nuisance vis-A -vis de l'entreprise

Comment réaliser un - zoom - sur les clients très satisfaits ?

La plupart des entreprises considèrent leurs clients - très satisfaits - comme définitiment acquis, et préfèrent se focaliser sur les clients A  problème. Or l'étude des spécificités de cette cible apporte des éléments intéressants :
1. Caractéristiques de ces clients non seulement en termes socio-économiques, mais aussi par rapport A  nos produits/services : type et fréquence d'utilisation, etc.
2. Sources de - sur-satisfaction - par rapport aux autres clients.
Il est indispensable de déterminer ce qui fait la différence entre les clients - satisfaits - et - enchantés -. 2. Il convient de croiser les indicateurs de satisfaction ac les questions liées A  la fidélisation afin de comprendre les mécanismes de fidélisation.

Existe-t-il des relations entre les différents critères de satisfaction ?

Cette question est intéressante A  deux niaux :
1. Une forte relation entre deux indicateurs de satisfaction (par exemple : - accueil téléphonique - et - disponibilité du personnel -) laisse présager que les clients répondent de la mASme manière sur ceux-ci, et donc que les réponses A  ces deux questions sont redondantes
2. L'intensité de la relation entre la note globale et un indicateur particulier (ex. : respect des délais) permet de supposer que celui-ci a un impact plus fort que les autres sur la satisfaction des clients. On voit aisément les conséquences pratiques d'une telle affirmation en termes de priorités d'actions
Outil
Généralement, les indicateurs de satisfaction sont des échelles d'intervalle. Il s'agit donc de mesurer 3 choses : l'existence ou non d'une relation entre les 2 variables quantitatis concernées ; le sens (la direction) de cette relation ; enfin, l'intensité de celle-ci.
L'outil le plus utilise est le calcul d'un coefficient de Corrélation linéaire (appelé
dans certains logiciels - r de Pearson -), ou du carré de cet indicateur (r2).
Ce coefficient de corrélation linéaire est normalement destiné aux échelles de rapport, ce qui pose des problèmes d'utilisation pour certaines échelles de satisfaction client7.
Le coefficient de corrélation de Pearson varie de ' 1 A  + 1 :
» 1 indique une association linéaire - parfaite - : le nuage de points constitué A  partir des 2 variables est alors une droite dont la pente est positi (+ 1) ou négati (- 1). En termes Marketing : si je connais la réponse A  l'une des deux variables, je peux prédire exactement la réponse sur l'autre
» 0 indique qu'il n'y a pas, selon ce test, de relation linéaire entre les 2 variables. En termes Marketing : Les réponses données sur ces deux variables sont a priori indépendantes (linéairement)
» Les nombres intermédiaires permettent de juger de la dispersion des points autour de la droite de corrélation parfaite (r = 1). Plus ceux-ci sont proches de 0, plus le nuage est dispersé ; en revanche, plus ils se rapprochent de 1, plus les points s'étirent le long de cette droite.
Nous cherchons A  connaitre l'intensité de la relation existante entre l'un des indicateurs de satisfaction (ici, - la qualité du contact ac les commerciaux -) et la note globale. Chacun de ces indicateurs a été mesuré sur une échelle de 1 A  10.
JLe coefficient de corrélation calculé par le logiciel est de 0,714. Comment interpréter ce résul-. tat ?
En absolu, il est difficile de se prononcer sur l'intensité de cette relation. Deux directions vont permettre d'interpréter ce chiffre :
1. Le calcul du carré du coefficient de corrélation (r, ou coefficient de détermination) permet de définir le pourcentage de variation de la note globale attribuable A  cet item. Dans notre exemple : r2 = 0,51 -> La qualité du contact ac les commerciaux explique 51 % de la variation de la note globale.
2. La aison des coefficients de corrélation obtenus entre la note globale et chacun des indicateurs offre une bonne approximation du - poids - de chacun de ces indicateurs par rapport A  la note globale.
Grace aux coefficients de corrélation, nous pouvons obtenir une hiérarchisation des indicateurs en fonction de l'intensité de leur relation (linéaire) ac la note globale.
Par ailleurs, le coefficient de corrélation de Pearson est aussi utile pour identifier les questions redondantes, c'est-A -dire celles dont les résultats sont similaires. Ainsi, lorsque deux indicateurs de satisfaction ont une corrélation très proche de 1, omettre l'un des deux ne fait pas perdre beaucoup d'information, puisque l'information supplémentaire apportée par la deuxième question est proche de zéro.
Toutefois, avant de retirer l'une des deux variables du questionnaire, on s'assurera d'abord que l'on n'enlè pas une dimension importante pour les clients, et ensuite que cette corrélation n'est pas liée A  une troisième variable, sount cachée.
En effet, l'utilisation du coefficient de corrélation de Pearson connait certaines limites :

> Il ne caractérise que des relations linéaires.

> Corrélation entre deux variables ne signifie pas pour autant causalité.
> Absence de corrélation linéaire ne ut pas dire absence de liaison : D'autres formes d'associations peunt exister entre des variables non cor-rélées (logarithmique, exponentielle, etc.).
> Il arri sount qu'une corrélation provienne de l'existence d'une troisième variable cachée, mais fortement liée aux deux autres.
On obser ainsi une corrélation forte dans les hypermarchés, A  partir de 18h, entre le nombre de cannelles de bière ndues et celui des couches.
L'explication est simple : les pères de famille, A  la sortie de leur travail, passent acheter des couches pour leurs enfants, et en profitent pour acheter de la bière. Dans ce cas, la variable cachée est - le nombre de père déjeunes enfants, aimant la bière et sortant de leur travail après 18 heures, qui passent A  leur hypermarché pour acheter des couches avant de rentrer chez eux -.
Une approche intéressante consiste A  généraliser l'analyse, de deux A  n variables, du coefficient de corrélation. On forme ainsi une matrice des corrélations, qui croise tous les indicateurs entre eux. Un exemple fictif d'une telle matrice est donné ci-dessous.
En parcourant cette matrice, l'analyste pourra repérer des liaisons entre variables, mais il s'apercevra en revanche qu'il n'y a pas, dans ce cas particulier, de très fortes redondances. Il pourra aussi regrouper certaines variables au sein - d'indices composites - représentant de manière synthétique une dimension spécifique de la satisfaction. Par exemple, les relations commerciales, les qualités produit, etc.
Il pourra enfin visualiser les relations de chacun des indicateurs ac la satisfaction globale.
Bien évidemment, de telles analyses peunt aussi AStre réalisées sur des sous-populations : insatisfaits, très satisfaits, agence de Bordeaux, gamme X ou Y, etc. Mais, du fait des relations multiples entre l'ensemble des variables, ce travail de structuration des - logiques de réponse - des clients nécessite A  chaque fois un instissement important.