ECCD pour la GRC : Adaptation de l’ECD aux données-clients et

proposition d’une échelle de mesure

Latifa TRABELSI, Technologue à ISET Bizerte (LRM)

Latifatrabelsi2006@yahoo.fr

Tel :22586167

Fathi Akrout, Professeur à FSEG Sfax, Université de Sfax (LRM)

Fathi_akrout@yahoo.fr

1

Résumé   :

Cette recherche propose d’adapter le concept de l’ECD (Extraction de la Connaissance à partir des Données) aux données-clients et de l’orienter vers la gestion de la relation client. Un concept baptisé ECCD pour la GRC (Extraction de la connaissance client pour la gestion de la relation client) a été défini en référence à la définition de l’ECD (Fayyad 1996) et aux phases du cycle CRM (Reinartz et al. 2004 et de Kracklauer et al. 2003). Une échelle de mesure pour le concept adapté a été proposée et validée selon les recommandations de Churchill (1979) et Mckenzie et al. (2011).Mots clés : ECD, ECCD pour la GRC, approche déductive dans la génération des items, validité du contenu, analyse factorielle exploratoire et confirmatoire.

Abstract:This research proposes an adaptation of the concept of KDD (Knowledge Discovery from Data) to customer data and to orient it towards the customer relationship management. A concept called CKKD for CRM (Knowledge Discovery from Data for CRM) was defined with reference to the definition of ECD (Fayyad 1996) and the phases of the CRM cycle (Reinartz et al., 2004 and Of Kracklauer et al., 2003). A measurement scale for the adapted concept was proposed and validated as recommended by Churchill (1979) and Mckenzie et al. (2011).Key words   : KDD, CKKD for CRM, classification from above, content validity, exploratory and confirmatory factor analysis.

2

ECCD pour la GRC : Adaptation de l’ECD aux données-clients et

proposition d’une échelle de mesure

1. IntroductionL’analyse et la compréhension des comportements et des caractéristiques des clients peuvent

constituer un fondement solide pour l’élaboration d'une stratégie relationnelle. Une telle

stratégie relationnelle peut être appuyée par l’application des méthodes et techniques

appropriées de fouille de données (data mining) aux données-clients structurées. Même si

beaucoup d’experts en Gestion de la Relation Client (GRC) encouragent à l’application du

data mining aux données-clients, le concept de l’Extraction de la Connaissance à partir des

Données, Knowledge Discovery in Data (ECD, KDD) n’a pas fait l’objet d’une adaptation aux

données-clients, il n’a pas été positionné ni dans la littérature en management de la

connaissance ni dans la littérature en intelligence de l’entreprise et son impact sur le résultat

des entreprises, notamment les résultats marketing, n’a pas fait l’objet de recherche non plus.

Cette recherche propose d’adapter le concept de l’ECD aux données-clients en référence à la

définition de l’ECD (Fayyad 1996) et aux phases du cycle GRC (Reinartz et al. 2004 et de

Kracklauer et al. 2003). Une telle adaptation constiturait un trait d’union « conceptuel » entre

« le processus de management de la connaissance client » et « le processus de management de

l’information client » et permetterait de mieux expliciter les démarches d’exploitation des

données clients.

Une échelle de mesure pour le concept adapté sera également proposée selon les

recommandations de Churchill, 1979 et Mckenzie et al., 2011. Une telle entreprise permettrait

de mener une communauté de chercheurs vers la compréhension des déterminants et des

conséquences de l’extraction de la connaissance client à partir des données et d’orienter les

professionnels en ingénierie informatique et développeurs des applications CRM vers les

fonctionnalités analytiques les plus pertinentes et permettant une meilleure gestion de la

relation client.

3

2. ECCD pour la GRC : Une adaptation de l’ECD aux données-clientsEn management, les principaux domaines d’application de l’Extraction de la Connaissance à

partir des données (l’ECD) et du data mining identifiés par les auteurs restent « la détection

des fraudes », « l’analyse des paniers d’achats », «  le profilage des clients », « l’analyse du

churn », le « scoring des clients », « le management du risque », et le « Text Mining »

(Veglio V.2013, Fayyad, 1996 a, p. 38). En marketing, quelques tentatives de classement des

domaines d’application du data mining ont été proposées par des auteurs « spécialistes » en

GRC (Peelen et al., 2009 ; Ngai et Xu , 2009 ; Rimar et al., 2011 et Mirzai et Iyer, 2014).

Nous proposons dans le cadre de cette recherche d’adapter le concept de l’ECD aux données-

clients. Nous baptisons le concept adapté « Extraction de la Connaissance Client à partir de

Données pour la Gestion de la Relation Client » : « ECCD pour la GRC ». Il s’agit d’une

délimitation de l’ECD à l’exploitation des seules données-clients pour répondre aux seuls

objectifs de la gestion de la relation client. Une telle adaptation nécessite d’abord d’entourer

le concept de l’ECD et de le positionner dans la littérature managériale puis d’adopter une

définition de la GRC et des phases qui lui sont associées.

2.1. L’ECD : concept et méthodesPlusieurs termes ont été identifiés dans la littérature pour renvoyer au fait de retrouver des

connaissances utiles, ou des « traits structuraux utiles » (patterns) dans les données. Il s’agit

de l’extraction de la connaissance, la découverte de la connaissance, l’archéologie de la

donnée, le traitement des données, le data mining, etc. L’expression « extraction de la

connaissance à partir des données » reste l’expression la plus utilisée principalement par une

communauté de statisticiens et de chercheurs en base de données (Fayyad et al. 1996, p. 28,

Besse et al., 2001; Crié, 2003; Zighed et Rakotomalala, 2002). Elle englobe tout le processus

de découverte et de révélation de connaissances utiles enfouies dans d’énormes quantités de

données hétérogènes et protéiformes. « L’ECD est un processus non trivial d’identification de

modèles valides, nouveaux, utilisables et compréhensibles dans les données » (Fayyad et al.

1996, p.30).

L’ECD, par le biais de son élément moteur, à savoir la fouille des données (data mining), est

vue comme une ingénierie pour extraire des connaissances à partir des données (Sedighi et al.,

2012, p. 334; Zighed et Rakotomalala, 2002, p. 3, Fayyad et al. 1996 a, p.28).

Quel que soit le terme utilisé, méthodes de l’ECD (Crié, 2003), data mining modeling

(Sedighi et al., 2012), data mining algorithmes (Wang et Wang, 2008), data mining tasks

(Shaw et al., 2001), data mining models (Tsiptsis et Chorianopoulos, 2011), techniques du

4

data mining (Besse et al., 2001), différentes classifications ont été recensées dans la littérature

pour qualifier les méthodes permettant de transformer des données brutes en connaissances,

passant par les méthodes dites à corrélations simples (tel que la description, visualisation)

jusqu’aux méthodes prédictives les plus complexes.

2.2. Positionnement de L’ECD dans la littérature managériale L’ECD est un concept qui est issu au départ d’une littérature non managériale puisqu’il est né

au croisement de la statistique, de l’informatique décisionnelle et de l’ingénierie de la

connaissance. En management, les deux approches ayant abordé les processus liés à la

transformation des données ou informations en connaissances restent principalement le

management de la connaissance (KM) et l’intelligence de l’entreprise (BI)1. Ces deux

approches, à priori distinctes, pourraient être complémentaires et pourraient même converger

puisque la problématique liée à la création de la connaissance (dans la littérature KM) et celle

liée à l’usage de l’information (dans la littérature BI) concourent au tour de l’usage de

l’information pour la création de la connaissance : l’ECD.

2.2.1. ECD dans la littérature KM et convergence avec « la création de la

connaissance »

Dans la multitude des définitions proposées dans la littérature pour le processus KM, et même si quelques divergences concernent toujours le nombre et la dénomination des étapes du processus, le KM est souvent défini comme le processus formel d’identification du besoin en connaissance, de création/acquisition, de capitalisation, de partage (diffusion) et d’utilisation des connaissances dans l’entreprise (Alavi et Leidner, 2001; McCann et Buckner, 2004). La construction, création ou génération des connaissances2 (ou création interne selon les termes de Blattberg et al. 2008) se fait à l’intérieur de l’entreprise par le développement des connaissances individuelles et collectives, le développement des qualifications et les capacités de ses membres et à travers un large spectre d’activités telle que la R&D, les formations, la création de bibliothèques et de bases de données, etc. (McCann et Buckner, 2004, p. 53).

1 Knowlegde Management, Business Intelligence2 A la différence de la création, on parle d’acquisition, ou capture des connaissances (ou encore création externe selon les termes de Blattberg et al.2008) lorsque l’entreprise obtient ses connaissances de ses partenaires (clients, fournisseurs, bailleurs de fonds…) ou d’une manière générale, de son environnement externe (McCann et Buckner, 2004, p. 52).

5

La littérature KM, dans ses réflexions sur l’étape de création de la connaissance au

niveau de l’organisation a été marquée par une empreinte « anti-représentationniste »3, qui

insiste plus sur le caractère tacite et socialement construit de la connaissance sous l’influence

notamment du modèle de Nonaka I. (1994). Cette littérature s’est préoccupée davantage par la

création de la connaissance humaine subjective à travers des modèles qui ne sont

généralement pas orientés vers les technologies (de l’information et de la communication)

(Wang et Wang, 2008, p. 623).

Or, le concept de l’ECD, tel que défini précédemment, est imbriqué dans une approche

fondamentalement représentationniste de la connaissance organisationnelle, une approche qui

traite d’une connaissance explicite, codifiée, formelle, qui émerge principalement du système

d’information et des bases de données : une connaissance empirique.

2.2.2. ECD dans la littérature BI et convergence avec « Usage de l’information »

Dans la multitude des définitions proposées dans la littérature pour le processus de l’intelligence, même si là aussi, quelques divergences concernent toujours le nombre et la dénomination des étapes du processus, la collecte, la capitalisation, la diffusion et l’usage de l’information sont

reconnues comme les étapes clés du processus (Goria 2007).

Quatre types, ou formes, d’usage de l’information (ou encore utilisation ou exploitation) ont

été identifiées dans la littérature managériale : l’usage affectif, l’usage symbolique, l’usage

instrumental et l’usage conceptuel (Deshpande et Zaltman, 1982; Menon et Varadarajan,

1992; Moorman, 1995). Parmi ces quatre formes d’usage de l’information, l’usage conceptuel

de l’information (ou knowledge enhancing information use KEIU) est la forme de l’usage qui

renvoie explicitement à la création de la connaissance. C’est la forme d’usage de

l’information pour laquelle nous trouvons beaucoup de similitudes avec l’ECD. D’une

manière générale, l’usage conceptuel est l’usage indirect de l’information (qui est traduite

sous la forme de concepts, hypothèses, modèles, théories, …) utilisée pour la résolution de

problèmes pratiques rencontrés dans l’entreprise (Low et Mohr, 2001). Il fournit un

« éclaircissement général » pour le développement d’une base de connaissance (Menon et

Varadarajan, 1992).

3 Deux approches Deux conceptions de la connaissance organisationnelle prédominent la littérature managériale (Von Krogh et Roos, 1996 ; Roussel, 2002 ; Grimand, 2006). La première conception est qualifiée d’épistémologie occidentale « représentationniste » pour laquelle nous trouvons beaucoup de similitudes avec le positivisme. Une deuxième, « anti-représentationniste », d’origine orientale, s’apparentant plus à une vision constructiviste.

6

Moorman (1995) a identifié pour l’usage de l’information une dimension « engagement »

(commitment) et une dimension « traitement » (processing). La dimension engagement traduit

la reconnaissance d’une organisation de la valeur de l’information qu’elle détient, alors que la

dimension « traitement » renvoie au processus à travers lequel l’information acquiert un sens.

Ce traitement de l’information peut impliquer des procédures formelles (tels que les modèles

analytiques) ou informelles (tels que les réunions, le travail d’équipe, etc.).

Ainsi, d’après ce que nous avons avancé sur l’ECD, nous considérons que l’usage conceptuel

de l’information et plus particulièrement sa dimension traitement formel de l’information,

rejoint la définition du concept de l’ECD.

2.3. Les phases retenues pour le cycle de la GRCLes approches de la GRC ont été classées dans la littérature marketing en cinq grandes

perspectives : la GRC en tant que processus, la GRC en tant que stratégie, la GRC en tant que

philosophie, la GRC en tant qu’un ensemble de compétences et la GRC en tant que

technologie (Zablah et al. 2004). L’approche processus de la GRC, que nous adoptons dans le

cadre de cette recherche, est une approche « populaire » dans la littérature marketing, peut-

être pour son caractère ancré dans la logique du « relationnel » (Dwyer et al., 1987 ; Diller,

1995). Si un consensus semble se construire autour de certaines phases du cycle de la GRC, à

savoir la phase de rétention et la phase de développement, ceci n’est pas le cas pour toutes les

autres phases identifiées dans la littérature (Tsai et al. 2011, Swift, 2001, Reinartz et al. 2004).

En référence principalement à Reinartz et al. (2004) et Kracklauer M. et al. (2003), nous

avons retenu sept phases pour le processus de la GRC, à savoir la phase d’identification, la

phase d’évaluation des clients, la phase d’acquisition, la phase de ré-acquisition, la phase de

rétention, la phase de développement et la phase de terminaison.

Les deux premières phases, à savoir la phase d’identification et la phase d’évaluation des

clients, qui sont toutes les deux des phases interdépendantes, sont considérées comme phases

centrales du processus CRM car préalables aux cinq autres.

2.4. L’ECCD pour la GRC : définition, dimensions et convergences 2.4.1. Définition et dimensions

En référence à la définition de l’ECD proposée par Fayadd (1996) et compte tenu des

phases retenues pour le cycle de la GRC, nous avançons que « l’ECCD pour la GRC est le

processus d’extraction (découverte ou révélation) de connaissances explicites et formelles à

propos du client, enfouies dans d’énormes quantités de données structurées et ce pour la

gestion de la relation client. Les données-clients structurées sont simplement des faits à

7

propos des clients structurés au niveau des bases de données. Les connaissances à propos4 des

clients proposent une compréhension d’une vérité sur les comportements et les besoins des

clients et résultent d’un processus analytique de traitement des données (data mining). En

d’autres termes, « l’ECCD pour la GRC » est le processus non trivial, d’identification de traits

structuraux, ou modèles (patterns) valides, nouveaux, utilisables, et compréhensibles dans les

données-clients dans l’objectif de l’identification et de l’évaluation des clients, de

l’acquisition de nouveaux clients, de la ré-acquisition des clients perdus, de la rétention et du

développement de la relation avec les clients et de la terminaison de la relation avec les clients

non rentables.

En concordance avec les 7 phases retenus pour le cycle CRM, 7 dimensions ont été définies

pour le concept.

- ECCD pour l’identification des clients 

Le management de la relation client commence systématiquement par une phase

d’identification. C’est une phase dans laquelle les responsables de la relation client identifient

et décrivent les différents types de clients et prospects (Kracklawer et al., 2004, Ngai et al.

2009). La segmentation et le profilage des segments identifiés ressortent de notre revue de la

littérature comme les applications les plus importantes de l’ECD pour l’identification des

clients (Peelen et al. 2009, p.156 ; Sausen et al., 2005, p. 157 ; Lefébure et Venturi 2004, p.

115). Nous définissons ainsi la dimension ECCD pour l’identification des clients comme l e

processus d’extraction de connaissances à propos du client pour l’identification et la

description des clients.

- ECCD pour l’évaluation des clients

Toutes les décisions relatives à la GRC doivent être fondées sur l’évaluation des clients

(Reinartz et al.2004, Mirzai T. et Iyer L., 2014). Plusieurs critères d’évaluation de la

rentabilité et de la valeur client ont été identifiés dans la littérature dont les plus fréquents

restent le chiffre d’affaires, le score RFM (Recency, Frequency, Monetary value) et la CLV

(Customer Lifetime Value) (Lefebure et Venturi 2005, p 116-117 ; Reimer et al., 2011, Peelen

et al. 2009, p. 172). Nous définissons ainsi l’ECCD pour l’évaluation des clients comme le

processus d’extraction de connaissances à propos du client pour l’évaluation de la valeur et de

la rentabilité des clients.

- ECCD pour l’acquisition de nouveaux clients

Bien qu’une dualité oppose souvent l’acquisition de nouveaux clients à la rétention des clients

déjà acquis, la phase d’acquisition ou de recrutement de nouveaux clients garde une

4 A distinguer des connaissances en provenance des clients et des connaissances envers le client.

8

importance majeure (Ang et Buttle 2006 ; Peelen et al. 2009, p. 185 ; Dowling, 2002).

Plusieurs applications du data mining répondant à un objectif de recrutement de nouveaux

clients ont été abordées dans la littérature tel que le calcul de la probabilité de devenir un bon

client pour les prospects, (Peelen et al., 2009, p. 185), la probabilité de conversion (Reimer et

al. 2011), l’analyse des attentes des prospects (Peelen et al. 2009, p.184), l’ analyse du

comportement des prospects sur le net (Reimer et al., 2011), etc. Nous définissons l’ECCD

pour l’acquisition de nouveaux clients comme l e processus d’extraction de connaissances à

propos du client dans l’objectif de recruter des clients nouveaux.

- ECCD pour la ré-acquisition des clients perdus

La phase de ré-acquisition des clients perdus5 est définie comme le processus de «

réanimation » des relations avec les clients rentables ayant rompu leurs relations avec

l’entreprise (Thomas et al., 2004, p. 31 ; Helfert et Hermann, 2003, p. 101). Cette phase, peu

abordée dans la littérature, nécessite au préalable une définition de ce qu’est qu’un client

perdu6 (Helfert et Hermann 2003, p. 102 ; Peelen et al. 2009, p.186). La détection du statut du

client (perdu ou inactif), l’évaluation de sa rentabilité (ou sa valeur) et l’estimation de sa

probabilité de ré-acquisition sont les applications identifiées dans la littérature pour cette

phase. Nous définissons ainsi la dimension de l’ECCD pour la ré-acquisition comme l e

processus d’extraction de connaissances à propos du client pour ré-initier la relation avec des

clients perdus et rentables.

- ECCD pour la rétention des clients

La rétention des clients englobe toutes les approches nécessaires à la fidélisation et la

satisfaction des clients mais aussi au mangement de l’attrition (churn management) (Mirzeai

et al., 2014 ; Ang.et Buttle, 2006, p. 296 ; Kracklauer et al., 2003). L’analyse des processus de

départ, le profilage des clients qui quittent, l’analyse des niveaux et causes de satisfaction et

d’insatisfaction, la détection du statut actif ou inactif du client, l’analyse des réclamations et

l’estimation de la probabilité de quitter (score de churn) sont les applications du data mining

identifiées dans la littérature pour cette phase (Peelen et al., 2009 ; Neslin et al., 2006). Nous

définissons ainsi la dimension ECCD pour la rétention des clients comme l e processus

d’extraction de connaissances à propos du client, dans l’objectif de satisfaire les clients, les

fidéliser et de limiter leurs défections.

5 La phase de ré-acquisition des clients perdus est aussi appelée phase de récupération, « customer regain », « customer winback», ou encore «customer recovery»6 Un client perdu peut avoir exprimé sa défection directement comme il peut quitter l’entreprise sans s’exprimer explicitement là-dessus, il peut être juste « inactif ».

9

- ECCD pour le développement

Dans une phase de développement, le but est l’expansion de l’intensité des transactions, de la

valeur des transactions et de la rentabilité des clients existants. Ceci se fait en entrainant le

client vers l’achat d’autres produits et services de l’entreprise, en agissant sur la fréquence et

volume d’achat, la sélection des occasions d’achat, le type et la valeur des produits achetés

(Kracklawer 2003, Ngai et al., 2009, Reimer et al., 2011). Mettre en place une action de

développement implique forcement une action sur les quantités achetées, sur les fréquences

d’achat, sur le niveau de gamme ou sur les ventes croisées à travers des actions de vente

croisée (cross-selling), de montée en gamme (up-selling) (Peelen et al 2009, Reimer et al.,

2011). Les applications du data mining dans cette phase tournent donc principalement autour

des scores d’appétence (propensity scores, en up selling ou en cross selling) et des analyses

d’association (Peelen 2009 p. 194, Tsiptsis et al., 2009). Nous définissons ainsi la dimension

ECCD pour le développement   comme l e processus d’extraction des connaissances à propos

du client dans le but d’accroître l’intensité et la valeur de ses transactions.

- ECCD pour la terminaison

La phase la moins abordée dans la littérature GRC reste cette phase de terminaison de la

relation (Reinartz et al., 2004, Reimer et al 2011), une phase où il s’agit d’identifier les clients

inactifs ou les clients ayant un risque de défection élevé et de déterminer avec quels clients la

relation devrait se poursuivre (et engendrer des actions de rétention) et avec quels autres cette

relation devrait être rompue (Reimer 2011). Notre revue de la littérature n’a pas par

conséquent permis d’identifier des applications du data minig adaptées à cette phase. Nous

définissons ainsi la dimension ECCD pour la terminaison comme l e processus d’extraction

des connaissances à propos du client dans le but d’arrêter d’engendrer des coûts liés aux

clients identifiés et décrits comme non rentables ou à faible valeur.

2.4.2. « l’ECCD pour la GRC», « création de la connaissance explicite à propos du

client », « usage conceptuel de l’information client » et « CRM analytique »

Le positionnement de l’ECD dans la littérature managériale (paragraphe 2.2) peut être traduit

dans une littérature spécialisée et orientée vers le client (à savoir la littérature CKM et

intelligence marketing). La convergence identifiée entre l’ECD et la création de connaissance

(paragraphe 2.2.1) nous permet à ce niveau d’avancer une convergence entre « l’ECCD pour

la GRC » et la phase de création de la connaissance client, en précisant qu’il s’agit d’une connaissance explicite, empirique, à propos du client, une connaissance créée suite à l’application du data mining aux données-clients (Abidi et Yu-

N , 2000, p. 1).

10

La convergence identifiée entre l’ECD et l’usage de l’information (paragraphe 2.2.2) nous

permet également d’avancer à ce niveau une convergence entre l’ECCD pour la GRC et

l’usage conceptuel de l’information client (knowledge enhancing customer information use) et

plus précisément la dimension « traitement de l’information formelle » (Moorman, 1995,

Menon et Varadarajan 1992 ; Rollins et al., 2012 ; Low et Mohr 2001).

La définition que nous proposons pour le concept de « l’ECCD pour la GRC » le rapproche également du concept de CRM analytique dans la littérature CRM. Le CRM analytique, dans une vision que nous qualifions de

« restreinte »7, est défini par rapport à sa principale mission à savoir l’exploitation des

données-clients, ou encore la fouille des données-clients (data mining) pour la création de la

connaissance client. Le CRM analytique permet d’exploiter les données stockées dans la base

de données-clients, soit pour expliquer ces données (comprendre ce qui s’est passé), soit pour

prévoir ce qui va se passer (Soulié, 2005, Sedighi, 2012).

Dans la Figure 1 ci-dessous, nous schématisons le positionnement que nous proposons pour

l’ECCD pour la GRC dans la littérature marketing.

Figure 1: « ECCD pour la GRC » au centre d'un croisement conceptuel

3. Cadre Méthodologique de développement de l’instrument de mesure de

« l’ECCD pour la GRC »Dans la littérature scientifique, divers auteurs se sont penchés sur la méthodologie entourant

le développement d'instruments de mesure en décrivant des étapes généralement comparables 7 Dans une vision plus « large », le champ du CRM analytique est souvent étendu pour recouvrir, non seulement la réalisation d’analyses des données pertinentes pour orienter les investissements commerciaux et marketing, mais également les efforts en amont pour constituer une base de données-clients et en aval pour diffuser et utiliser la connaissance produite (Andreas M. et al. 2008, Iriana et Buttle 2007, Peelen et al., 2009, Buttle et Iriana 2006, p. 28).

11

et dont les résultats de l'une déterminent la conduite à tenir à l'étape suivante (Churchill, 1979,

Hinkin, 1998, Rossiter 2002, Roussel et Wacheux 2005, Mckenzie et al. 2011). A part la

démarche C-OAR-SE de Rossiter (2002), qui est fondée sur le rationalisme et dans laquelle

aucun test empirique n’est utilisé pour justifier le bien fondé des échelles de mesure, tous les

autres cadres méthodologiques versent plutôt dans l’empirisme.

Dans le cadre de ce travail, l’approche de Churchil (1979) telle que revue par Mckenzie et al.

(2011) a été adoptée pour le développement de l’instrument de mesure de « l’ECCD pour la

GRC » (Annexe 1Conclusion), passant par les étapes de définition conceptuelle du construit,

de génération des items, d’analyse de contenu et d’analyses factorielles exploratoire et

confirmatoire.

3.1. Définition conceptuelle du construit de « l’ECCD pour la GRC »La première étape dans le processus de développement d’un nouvel instrument de mesure est

« la définition conceptuelle du construit » (Mckenzie et al., 2011) ou « la spécification du

domaine du construit » (Churchill 1979). Les auteurs associent à cette phase un ensemble de

questions conceptuellement capitales concernant la nature du construit (son domaine, ses

attributs, ses propriétés, l’entité à laquelle il s’applique), sa dimensionnalité, la relation entre

le construit et ses dimensions (si le construit est supposé multidimensionnel) et la relation qui

existe entre les indicateurs et le construit ou les dimensions (Mckenzie et al. 2011).

La définition que nous avons proposée pour « l’ECCD pour la GRC » et les sept dimensions

qui lui sont associées nous permettent d’avancer que le concept existe séparément et à un

niveau plus ancré que ses 7 dimensions et qu’un changement au niveau du concept est

supposé entrainer des changements au niveau de toutes les dimensions. Nous considérons par

conséquent la relation entre le construit et ses dimensions comme réflexive (Akrout. 2010,

p.35).

Les sept dimensions qui constituent le concept sont considérées dépendantes les unes des

autres et ce pour les raisons suivantes : d’abord, les critères d’évaluation des clients, dans la

dimension « l’ECCD pour l’évaluation des clients », constituent les meilleurs critères de

segmentation, dans la dimension « ECCD pour l’identification » (Storbacka, 1997). Ensuite,

ces deux dimensions sont considérées comme centrales et préalables aux cinq autres. Etant

donné la dépendance supposée entre les dimensions du construit, nous « suspectons » que le

construit de « l’ECCD pour la GRC » soit un construit de second ordre (ce caractère sera

ultérieurement soumis à un test empirique au niveau de l’analyse factorielle confirmatoire).

12

Concernant la nature de la relation entre les indicateurs et les dimensions, la démarche

proposée par Jarvis et al. (2004) et Coltman et al. (2008) nous oriente tantôt vers une relation

réflexive, tantôt vers une relation formative (Annexe 2). Nous avons donc eu recours aux

échelles de mesure des concepts proches, notamment celle de Rollins et al. (2012b) de

« l’usage conceptuel de l’information client » (échelle formative), celle de Saini et al. (2010)

de « l’usage stratégique des données-clients » (échelle réflexive), et celle de Jayachandran et

al. (2005) de « l’usage de l’information client » (échelle réflexive). Ce recours ne nous a pas

aidé à trancher non plus. Nous avons donc choisi de privilégier la relation réflexive

simplement pour des raisons méthodologiques. Certes plusieurs auteurs se sont penchés sur

les critères d’évaluation des qualités psychométriques des échelles de type formatif (voir par

exemple Bollen et Lenox, 1991) mais les applications de ce type de mesure dans la littérature

restent limitées.

3.2. La génération des itemsL’objectif dans cette phase étant de produire un ensemble d’items qui capturent tous les

aspects essentiels du domaine du construit (Mckenzie et al., 2011, p. 304), deux principales

approches peuvent être envisagées : une approche déductive (logical partionning

ou classification from above ) et une approche inductive (grouping ou classification from

below ) (Hinkin, 1998, p. 106-107 et Roussel 2005, p.250).

Dans le cadre de ce travail et sur la base de notre conceptualisation de « l’ECCD pour la GRC

», son positionnement et les convergences identifiées avec « l’usage conceptuel de

l’information client » et « la création de la connaissance explicite à propos du client », nous

avons opté pour une approche déductive pour la génération des items, jugeant que la

littérature offre un soubassement théorique et empirique suffisamment consistant.

Nous avons essayé de tirer profit des échelles de mesures recensées dans la littérature pour les

concepts cités (Annexe 3). Nous avons donc procédé en un premier temps à une affectation

des items recensés aux sept dimensions retenues pour « l’ECCD pour la GRC ». Cette

affectation nous a permis de remarquer que, d’une manière générale, les items identifiés pour

chacune des dimensions sont abordés de manière trop synthétique. Nous nous sommes donc

tourné vers une littérature « théorique », pour enrichir et aiguiser les items déjà recensés et en

formuler de nouveaux. L’échelle de Likert à cinq points a été choisie pour tous les items. Au

final, un ensemble de 40 items a été retenu (Annexe 4Error: Reference source not found).

13

3.3. Validité du contenu de l’échelle de mesure de « l’ECCD pour la

GRC»Une analyse du contenu doit être menée après la génération des items (McKenzie et al. 2011,

Hinkin,1998, p108) pour s'assurer que les items retenus forment un échantillon représentatif et

exhaustif du contenu théorique du domaine du construit (Boudreau et al.,2001; Moore et

Benbassat, 1991; Straub et al., 2004). La validité du contenu est généralement établie à partir

de la revue de la littérature et grâce à un processus de « jugement par les experts » (Tojib et

Sugianto, 2006, p. 32, Boudreau 2001, p. 5).

Plusieurs techniques permettent de vérifier la validité de contenu : la méthode Delphi et le Q-

sort, le Content validity ratio (CVR), Index of item objective congruence, Content validity

index (CVI), Weighted mean score et Inter-observer agreement, etc. (Tojib et Sugianto 2006)

Dans le cadre de ce travail, une enquête auprès de juges-experts a été réalisée et l’analyse de

ses résultats s’est basée sur trois indicateurs de validité du contenu, à savoir le CVR (Lawshe

1975), l’indice d’accord inter-juges (Moorman et Benbasat 1991) et le ratio de placement

(Moorman et Benbasat 1991) (Annexe 5Annexe 5).

Nous avons considéré comme « experts » les personnes ayant aussi bien des connaissances

théoriques que des compétences et savoir-faire dans les domaines du data mining, du CRM,

du CRM analytique, et du marketing des bases de données (Stewart T. R. 1987, p. 98,

Linstone et Turoff, 2002 cités dans Alem F. 2014). Une trentaine d’experts ont été contactés,

en Tunisie et ailleurs, pour participer à l’enquête. Au final, six experts ont participé au

premier tour de l’enquête et quatre autres au deuxième tour de la même enquête (Annexe

6Annexe 5: CVR, Indice de placement, Accord inter-jugesError: Reference source not found).

La collecte des données a été réalisée grâce à des entretiens « papier-crayon » en deux tours

(rounds), s’appuyant à chaque fois sur un « guide répertoire » (Gianelloni et Vernette, 2012,

p.108).

Au premier tour, un premier guide répertoire a été rédigé pour être soumis, en face à face, à 6

experts. Face à une batterie de 40 items (classés par ordre alphabétique), l’expert était invité

en premier lieu à évaluer la pertinence de chaque item (non nécessaire, important mais non

essentiel, essentiel), permettant ainsi de calculer un CVR. L’expert était invité par la suite à

affecter chaque item à l’une des sept dimensions retenues pour le concept (pour le calcul de

l’indice de placement et de l’accord inter-juge). Chaque expert avait aussi la possibilité

d'ajouter des items qui n'apparaissaient pas dans la batterie d’items proposés. Il avait

également la possibilité de suggérer une reformulation des items qu’il trouvait ambigus.

14

Au premier tour (Annexe 7), un CVR a été calculé pour chacun des 40 items.Error: Reference

source not found 18 items avec un CVR inférieur à 0.678 ont été éliminés, 22 autres ont été

retenus pour la suite de l’analyse.

Pour ces 22 items, un indice de placement a été calculé selon la démarche préconisée par

Moore et Benbasat (1991). Cet indice d’une valeur égale à 0.34 ne permet pas de soutenir les

sept catégories proposées (la valeur minimale requise étant de 0.7 selon Stratman and Roth

2002). Des indices inter-juges (calculés entre les experts pris deux par deux) Error: Reference

source not foundError: Reference source not foundcalculées au premier tour varient entre 0.21

et 0.56. Ces valeurs sont également en deçà des valeurs requises (0.7 selon Stratman et Roth

2002) reflétant un fort désaccord entre les juges concernant les affectations des items aux

dimensions. Les résultats liés au CVR, aux indices de placements et aux indices d’accord

inter-juges concordent et appuient le recours à un deuxième tour.

Sur la base des remarques des experts et des indices calculés, outre la reformulation de

certains items, nous avons procédé à un ensemble de modifications.

Certains items ont été scindés en deux (item 14, item 16) et en 4 (item 38). Deux nouveaux

items proposés par les experts ont été intégrés. Il s’agit de l’item relatif à la personnalisation

de l’offre par segment pour la dimension « ECCD pour le développement » et l’item relatif à

la détection des clients frauduleux pour la dimension « ECCD pour la terminaison ».

Les deux dimensions « ECCD pour l’évaluation » et « ECCD pour l’identification », ont été

réunie sous un même label pour constituer une seule dimension baptisée « ECCD pour

l’identification et l’évaluation des clients ».

De même, les deux dimensions « ECCD pour le développement » et « ECCD pour la

rétention » ont été réuni sous un même label pour constituer la dimension « ECCD pour le

maintien de la relation client ». Ainsi, au terme de ce premier tour, et en apportant ces

modifications, un ensemble de 29 items répartis sur cinq dimensions a été présenté au niveau

d’un deuxième guide-répertoire pour faire l’objet d’une deuxième évaluation par quatre

autres experts dans le cadre « d’un deuxième tour ».

Comme au premier tour, le CVR, le ratio de placement et les indices inter-juges ont été

calculés (Annexe 8). Conformément aux recommandations de Lawshe (1975), seuls les items

ayant un CVR égal à un, c'est-à-dire pour lesquels les quatre experts s’accordent sur le

8 Selon les recommandations de Lawshe (1975), et pour un panel de 6 experts, les items ayant un CVR inférieur à 0.99 devraient être supprimés de l’instrument de mesure (Annexe 6). Cependant, nous avons décidé de garder les items ayant un CVR supérieur ou égal à 0.67, c'est-à-dire les items considérés comme essentiels par au moins cinq experts sur les six interrogés, pour le deuxième tour.

15

caractère « essentiel », ont été retenus. Parmi les 29 items, 7 dont le CVR est inférieur à 1 ont

été supprimés. Pour les 22 items restants, un indice de placement a été calculé affichant une

valeur égale à 0.84, une valeur considérée satisfaisante (supérieure 0.7, Stratman et Roth

2002). Des indices inter-juge (calculés entre les experts pris deux par deux) ont été calculés

affichant des valeurs satisfaisantes (supérieures à 0.65).

La phase d’analyse de contenu nous a donc permis de retenir au final un ensemble de 22 items

repartis sur 4 dimensions (Annexe 9).

3.4. Analyse factorielle exploratoire et confirmatoireLe développement d’un nouvel instrument de mesure nécessite la réalisation d’une AFE et

d’une AFC, chacune sur un échantillon distinct (Churchill, 1979 et McKenzie et al. 2011).

Pour mener ses analyses, nous avons opté pour un échantillon d’entreprises tunisiennes

disposant d’une base de données-clients.

Pour une AFE, la taille de l’échantillon doit réunir ente 5 et 10 fois plus d’individus qu’il n’y

a d’items soumis à une même analyse factorielle (selon Igalens et Roussel 1998, cité dans

Roussel 2005, p.255 et selon Streiner 1994, cité dans Floyd et Widman k. 1995, p. 290).

Pour une AFC, qui nécessite le recours aux Méthodes des Equations Structurelles (MES), il

existe, pour la détermination de la taille de l’échantillon, au moins quatre critères à prendre en

considération : le niveau de spécification du modèle, la taille du modèle testé, la normalité des

données traitées et la méthode d’estimation utilisée (Hair et al., 1998 cité dans Roussel P.

2005, p. 304). De manière générale, des seuils plancher pour conduire une analyse sous MES

oscillent entre 5, 10 ou 20 fois le nombre de paramètres libres à estimer, ou encore 50, 100,

200 voire 400 observations (indépendamment du nombre de paramètres dans le modèle)

(Annexe 10Annexe 10Annexe 10). Ceci étant, il n’existe pas d'orientation définitive sur la

taille d’échantillon optimale pour appliquer les MES, c’est plutôt des évaluations ou

jugements au cas par cas qui font foi, (Hampton C. 2015, p. 7).

Pour mener l’AFE et l’AFC pour le développement de l’échelle de mesure, nous avons mené

l’étude auprès de 172 entreprises tunisiennes disposant d’une base de données-clients. Ces

172 entreprises ont été sélectionnées selon la méthode de « jugement a priori » (Giannelloni et

Vernette, 2012, p. 284). L’outil de collecte des données, à savoir le questionnaire, a contenu

les 22 items retenus après l’analyse du contenu et a été administré auprès des responsables

marketing (ou un employé ayant un profil similaire). L’échantillon a été scindé par la suite,

selon la méthode aléatoire (sous SPSS), en deux sous échantillons de 111 (soit 5 *22=110) et

de 61 entreprises pour mener respectivement l’AFE et l’AFC.

16

3.4.1. Analyse Factorielle Exploratoire

Pour l’épuration des données et l’identification des facteurs, nous avons opté pour la méthode

d’analyse des axes principaux (Knight 2000, p. 7). Pour l’épuration de l’échelle, nous avons

commencé par éliminer l’item ayant la plus faible communalité inférieure à 0.4 (l’item ECCD

T1). L’analyse a été relancée sans l’item et les nouvelles valeurs des communalités

réexaminées et à chaque fois, nous avons éliminé l’item présentant la plus faible communalité

inférieure à 0.4 jusqu'à ce que tous les indicateurs restants aient des communalités

acceptables. Neuf items ont été supprimés (Annexe 11Annexe 11Annexe 11). Les 13 items

restant ont affiché des communalités satisfaisantes (supérieures à 0.4). Les contributions

factorielles après rotation oblimin ont été analysées. Les 13 items représentent trois facteurs

ayant des valeurs propres supérieures à 1 et restituant 65.113 % de la variance totale

expliquée. Les contributions factorielles (en valeurs absolues) aux trois facteurs identifiés

dans la matrice factorielle après rotation montrent que les différents items sont fortement

corrélés à leurs facteurs respectifs (toutes supérieures à 0.5) sauf les items ECCD M2 (-

0.409), ECCD M3 (0.455) et ECCD M8 (0.493) (Annexe 11Annexe 12Annexe 12Annexe

12). Ces trois items ont été donc supprimés. L’analyse factorielle a été relancée avec les dix

items restants faisant apparaître toujours trois facteurs. Tous les items retenus affichent des

contributions factorielles satisfaisantes. Chaque facteur identifié a fait l’objet d’une analyse de

la fiabilité. Les valeurs d’alpha de Cronbach obtenues traduisent une corrélation et une

cohérence entre les items et appuient le maintien des trois facteurs identifiés (Annexe

13Annexe 13Annexe 13).

Le facteur 1, que nous avons choisi de labelliser « ECCD pour l’identification et l’évaluation

des clients », restitue la plus grande part de la variance expliquée (36.667%) ce qui le place à

la tête de l’ensemble des trois facteurs, affirmant ainsi qu’il s’agit de la dimension la plus

importante de « l’ECCD pour la GRC » (ce qui coïncide avec ce que nous avons avancé

précédemment quant à la centralité de la phase d’identification et de l’évaluation du client).

Ce facteur représente un alpha acceptable (0.862). Ce facteur regroupe 4 items (ECCD I1,

ECCD I2, ECCD I3 et ECCD I4) qui ont été, dès la phase de génération des items, considérés

comme les indicateurs dans une phase de description et d’évaluation des clients.

Dans le facteur 2, deux items ont été retenus. Il s’agit de l’ECCD A2 (« les données-clients

structurés au niveau de nos bases de données sont utilisés pour analyser le comportement des

prospects sur le site web de l'entreprise ») et l’ECCD M9 (« les données-clients structurés au

niveau de nos bases de données sont utilisées pour analyser le comportement des clients sur le

site web de l'entreprise »). Ces deux items qui ont été, au départ, associés respectivement à la

17

phase d’acquisition de nouveaux clients et à la phase de maintien des clients, ont été réuni

autour des données-clients issues d’Internet, d’où l’appellation du facteur 2 « ECCD Web ».

Ce facteur est également un facteur important puisqu’il restitue 22.193% de la variance

expliquée.

Le facteur 3 nous a permis de réunir 4 items (ECCD A3, ECCD A4, ECCD M10 et ECCD

M11) liés à l’identification des canaux de communication et de distribution. Ce facteur

restituant 10.172 % de la variance expliquée a été labellisé par conséquent « ECCD pour la

communication et la distribution ».

3.4.2. Analyse Factorielle Confirmatoire

L’évaluation du modèle de mesure partiel de « l’ECCD pour la GRC » a été réalisée sur

l’échantillon de 61 observations. Il ressort de notre revue de la littérature (Annexe 10Annexe

10) qu’une taille de l’échantillon d’au moins 100 à 1159 observations serait plus

« recommandée ». Cependant, et étant donné le nombre limité d’indicateurs, un échantillon de

61 observations peut être traité par la procédure d’estimation ML (Roussel et al., 2005, p.

305). Des tests de stabilité seront appliqués pour surpasser les risques que pose une faible

taille de l’échantillon.

Le modèle de mesure partiel a fait l’objet de plusieurs modifications d’abord pour la

vérification de la condition de multinormalité10 et pour le traitement des valeurs impropres.

En tout, sept AFC ont été réalisées sur le modèle de mesure partiel initial (10 indicateurs)

pour aboutir à un modèle stable et ayant une bonne qualité d’ajustement (5 indicateurs).

Toutes les modifications réalisées sont détaillées en Annexe 14Annexe 14Annexe 14Annexe

14.

Les valeurs des indices d’ajustement du modèle obtenu (après modifications) sont presque

toutes proches des valeurs critiques recommandées avec notamment un GFI de 0.964, AGFI

de 0.863, un TLI de 0.954, un CFI 0.982, et un RMSEA de 0.089.

Le modèle (après modifications) affiche une valeur de P de B.S. de 0.169 qui est inférieure

au p de Bollen (qui est de 0.207). Selon les termes de Llesellyn C.D. et al. (2008, p. 529), des

valeurs proches du P de B.S. et du p de Bollen peuvent renseigner sur la stabilité du modèle

en dépit d’une taille faible de l’échantillon. L’interprétation des résultats du bootstrapp (les

contributions factorielles, les covariances, les variances des erreurs de mesure et les SMC) 9 115=23 paramètres à estimer*510 Un p de Bollen Stine, après boostrapp, inférieur à 0.05 renseigne sur le fait que le modèle n’ajuste toujours pas les données et impose de faire des modifications selon Glison K.M. et al. (2013).

18

selon les recommandations de Akrout (2010, p. 208) a également confirmé la stabilité du

modèle.

Les fiabilités composites et les VME de tous les construits ont été calculés selon leurs

formules standardisées. La valeur du Rho du construit « ECCD IE » est supérieure à 0.7

(0.841) et celle de la VME est supérieure à 0.5 (0.642) ce qui témoigne d’une fiabilité

satisfaisante du construit. Pour le construit ECCD CD, les valeurs du Rho de la VME sont

respectivement 0.613 et 0.695.

De même pour le construit ECCD W, les valeurs du Rho de la VME sont respectivement

0.613 et 0.695 (Annexe 15Annexe 15Annexe 15).

Pour Fornell et Larker, 1981 (cité dans Roussel et Wacheux 2005, p.308), un construit

représente une validité convergente satisfaisante lorsque « le rhô de validité convergente »

(ou variance moyenne extraite, average variance explicated AVE) affiche des valeurs

supérieures à 0.5 indiquant que chaque indicateur lié à une variable latente partage plus de

variance avec elle qu’avec d’autres construits. Pour les trois construits de l’ECCD IE, ECCD

CD et ECCD W, la VME est supérieure à 0.5 (respectivement 0.642, 0.695, 0.695).

Toujours selon l’approche de Fornell et Larcker (1981), la validité discriminante d’un

construit est obtenue lorsque la racine carrée de l’AVE est supérieure à tous les liens

structurels entre le construit en question et les autres construits du modèle.

Pour les trois construits du modèle, la racine carrée de l’AVE est supérieure aux liens

structurels, ce qui témoigne d’une bonne validité discriminante.

Le concept de « l’ECCD pour la GRC » a été considéré dès la phase de définition

conceptuelle comme construit multidimensionnel et cette multi-dimensionnalité a été appuyée

dans les analyses factorielles exploratoires et confirmatoires.

Selon Roussel et al. (2002 p.162, cité dans Krichen, 2014, p.200) « En l’absence de règles

empiriques concernant le seuil à partir duquel les facteurs de premier ordre sont jugés

fortement corrélés, des corrélations moyennes de l’ordre de 0.6 peuvent suggérer l’existence

de facteurs de second ordre ». Dans le cas du construit sous étude, les corrélations entre les

trois dimensions de premier ordre sont de 0.641, 0.563, et 0.473. Ces corrélations étant

proches de la limite recommandée par Roussel et al. (2002), nous avons poursuivi l’analyse

selon la démarche préconisée par Doll et Xia (1994) et avons comparé quatre modèles de

mesure du construit sous étude : un modèle où le construit est supposé unidimensionnel, un

modèle où les trois dimensions ne sont pas corrélées, un modèle de premier ordre et un

modèle de second ordre (Annexe 16Annexe 16). Cette comparaison montre que le modèle de

19

premier ordre est celui présentant les meilleurs indices d’ajustement. Marsh et Hocevar (1985

cité dans Akrout, 2010, p 34) proposent de comparer en particulier le modèle de premier ordre

au modèle de second ordre en utilisant le TCI (Target Coefficient Index). Le TCI est obtenu

en divisant le Chi 2 du modèle de premier ordre par le Chi 2 du modèle de second ordre. Dans

notre cas, la valeur du TCI obtenue (0.104) est nettement inférieure à 0.9 ce qui nous poussent

à admettre qu’il n’y a pas lieu de défendre un construit de second ordre. Le construit de

« l’ECCD pour la GRC » est donc considéré comme construit multidimensionnel de premier

ordre.

4. ConclusionOutre son intérêt théorique (proposition de « l’ECCD pour la GRC » comme adaptation de l’ECD aux données-client) et méthodologique (validation de l’échelle de mesure), cette recherche presente aussi un intérêt managérial pour les entreprises de développement et de vente des solutions informatiques de gestion de

la relation client et de data mining puisque, dans les différentes étapes de la validation de l’échelle de mesure, la recherche permet d’identifier les

fonctionnalités analytiques les plus importantes et répondant au mieux aux exigences des

entreprises qui ont adopté ou qui comptent adopter ce type de logiciels.

Cependant, et lors du développement de l’échelle de mesure, et dans la phase de définition

conceptuelle, nous avons eu à faire un choix concernant la nature réflexive ou formative des

relations entre les indicateurs et les dimensions et nous avons fini par considérer la relation

comme réflexive. Ce choix qui a formellement orienté notre procédure de validation vers les

critères de consistance interne et de fiabilité, peut avoir entrainé des anomalies telles que

notamment la suppression d’items conceptuellement nécessaires dans le but d’avoir une

unidimensionnalité factorielle ou pour avoir une valeur de alpha acceptable. Une telle

démarche peut avoir restreint le domaine du construit et peut avoir par conséquent rendu la

mesure déficiente (Churchill 1979). Revoir les phases de développement de l’échelle de

mesure de « l’ECCD pour la GRC » en testant la relation formative entre les indicateurs et les

dimensions serait à notre avis une piste de recherche enrichissante.

Références bibliographiquesAbidi, Syed Sibte Raza, & Yu-N, Cheah. (2000). A Convergence of Knowledge Management

and Data Mining: Towards” Knowledge-Driven” Strategic Services. 3rd International

Conference on the Practical Applications of Knowledge Management, Manchester.

Akrout, Fathi. (2010). Les méthodes des équations structurelles (1 ed.): Coopi.

20

Alavi, Maryam, & Leidner, Dorothy E. (2001). Review: Knowledge management and

knowledge management systems: Conceptual foundations and research issues. MIS

quarterly, 107-136.

Alem, Farid. (2013). Développement et validation d'un instrument de mesure de e-Learning

readiness dans le contexte universitaire. (Thèse présentée comme exigence partielle

du doctorat en administration des affaires), Université du Québec, Montréal.

Ang, Lawrence, & Buttle, Francis. (2006a). CRM software applications and business

performance. Journal of Database Marketing & Customer Strategy Management,

14(1), 4-16.

Ang, Lawrence, & Buttle, Francis. (2006b). Managing for successful customer acquisition:

An exploration. Journal of Marketing Management, 22(3-4), 295-317.

Besse, Philippe, Le Gall, Caroline, Raimbault, Nathalie, & Sarpy, Sophie. (2001). Data

mining et statistique. Journal de la société française de statistique, 142(1), 5-36.

Blattberg, Robert C, Kim, Byung-Do, & Neslin, Scott A. (2008). Why Database Marketing?

Database Marketing: Analyzing and Managing Customers (pp. 13-46). New York:

Springer.

Bollen, Kenneth A, & Stine, Robert A. (1992). Bootstrapping goodness-of-fit measures in

structural equation models. Sociological Methods & Research, 21(2), 205-229.

Bollen, Kenneth, & Lennox, Richard. (1991). Conventional wisdom on measurement: A

structural equation perspective. Psychological bulletin, 110(2), 305.

Boudreau, Marie-Claude, Gefen, David, & Straub, Detmar W. (2001). Validation in

information systems research: a state-of-the-art assessment. Mis Quarterly, 1-16.

Churchill Jr, Gilbert A. (1979). A paradigm for developing better measures of marketing

constructs. Journal of marketing research, 64-73.

Coltman, Tim, Devinney, Timothy M, Midgley, David F, & Venaik, Sunil. (2008). Formative

versus reflective measurement models: Two applications of formative measurement.

Journal of Business Research, 61(12), 1250-1262.

Crié, Dominique. (2003). De l'extraction des connaissances au Knowledge Management.

Revue française de gestion(5), 59-79.

Deshpande, Rohit, & Zaltman, Gerald. (1982). Factors affecting the use of market research

information: A path analysis. Journal of marketing research, 14-31.

Doll, William J, Xia, Weidong, & Torkzadeh, Gholamreza. (1994). A confirmatory factor

analysis of the end-user computing satisfaction instrument. Mis Quarterly, 453-461.

21

Dowling, Grahame. (2002). Customer relationship management: in B2C markets, often less is

more. California Management Review, 44(3), 87-104.

Dwyer, F Robert, Schurr, Paul H, & Oh, Sejo. (1987). Developing buyer-seller relationships.

The Journal of marketing, 11-27.

Fayyad, U, Shapiro, Piatetsky-Shapiro, Gregory, & Smyth, Padhraic. (1996). The KDD

Process for Extracting Useful Knowledge from Volumes of Data. Communications of

the ACM, 39(11), 27-34.

Fayyad, Usama, Piatetsky-Shapiro, Gregory, & Smyth, Padhraic. (1996). From data mining to

knowledge discovery in databases. AI magazine, 17(3), 37.

Floyd, Frank J, & Widaman, Keith F. (1995). Factor analysis in the development and

refinement of clinical assessment instruments. Psychological assessment, 7(3), 286.

Giannelloni, Jean-Luc, & Vernette, Eric. (2012). Études de marché (3 ed.): Vuibert.

Goria, Stéphane. (2007). Vers une vision complémentaire des démarches d'Intelligence

Economique (IE), de Gestion des Connaissances (KM), d'Innovation et Créativité

(IC). 5ème Rencontres en Intelligence Economique.

Helfert, Markus, Herrmann, Clemens, & Zellner, Gregor. (2003). Customer Regain

Management in E-Business-Processes and Measures. Collector Conference (Europe).

Hinkin, Timothy R. (1998). A brief tutorial on the development of measures for use in survey

questionnaires. Organizational research methods, 1(1), 104-121.

Igalens, Jacques, & Roussel, Patrice. (1998). Méthodes de recherche en gestion des

ressources humaines: Economica.

Jarvis, Cheryl Burke, Mackenzie, Scott B, & Podsakoff, Philip M. (2004). Un examen critique

des indicateurs de construit et des erreurs de spécification des modèles de mesure dans

la recherche en marketing et en comportement du consommateur. Recherche et

applications en marketing, 19(1), 73-97.

Jayachandran, Satish, Sharma, Subhash, Kaufman, Peter, & Raman, Pushkala. (2005). The

role of relational information processes and technology use in customer relationship

management. Journal of marketing, 69(4), 177-192.

Kracklauer, Alexander H, Mills, D Quinn, & Seifert, Dirk. (2004). Customer management as

the origin of collaborative customer relationship management Collaborative Customer

Relationship Management (pp. 3-6): Springer.

Krichen Sayadi, Feriel. (2014). Effets des styles de leadership transactionnel et

transformationnel sur la performance de la force de vente. (Thèse de doctorat),

Université de Tunis El Manar.

22

Lawshe, Charles H. (1975). A quantitative approach to content validity1. Personnel

psychology, 28(4), 563-575.

Lefébure, René, & Venturi, Gilles. (2004). Gestion de la relation client: Eyrolles.

Linstone, Harold A, & Turoff, Murray. (2002). The Delphi method: Techniques and

applications (2 ed.): Portland State University.

Low, George S, & Mohr, Jakki J. (2001). Factors affecting the use of information in the

evaluation of marketing communications productivity. Journal of the Academy of

Marketing Science, 29(1), 70-88.

MacKenzie, Scott B, Podsakoff, Philip M, & Podsakoff, Nathan P. (2011). Construct

measurement and validation procedures in MIS and behavioral research: Integrating

new and existing techniques. MIS quarterly, 35(2), 293-334.

McCann, Joseph E, & Buckner, Marilyn. (2004). Strategically integrating knowledge

management initiatives. Journal of Knowledge Management, 8(1), 47-63.

Menon, Anil, & Varadarajan, P Rajan. (1992). A model of marketing knowledge use within

firms. The Journal of Marketing, 53-71.

Mirzaei, Tala, & Iyer, Lakshmi. (2014). Application of predictive analytics in customer

relationship management: a literature review and classification. Southern Association

for Information Systems Conference.

Moore, Gary C, & Benbasat, Izak. (1991). Development of an instrument to measure the

perceptions of adopting an information technology innovation. Information systems

research, 2(3), 192-222.

Moorman, Christine. (1995). Organizational market information processes: cultural

antecedents

Neslin, Scott A, Gupta, Sunil, Kamakura, Wagner, Lu, Junxiang, & Mason, Charlotte H.

(2006). Defection detection: Measuring and understanding the predictive accuracy of

customer churn models. Journal of marketing research, 43(2), 204-211.

Ngai, Eric WT, Xiu, Li, & Chau, Dorothy CK. (2009). Application of data mining techniques

in customer relationship management: A literature review and classification. Expert

systems with applications, 36(2), 2592-2602.

Nonaka, Ikujiro. (1994). A dynamic theory of organizational knowledge creation.

Organization science, 5(1), 14-37.

Peelen, Edourad, Jallat, Frédéric, Stevens, Eric, & Volle, Pierre. (2009). Gestion de la

relation client: Pearson Education.

23

Reimer, Kerstin, & Becker, Jan U. (2011). Revisiting the Use of Customer Information for

CRM: ZBW-German National Library of Economics.

Reinartz, Werner, Krafft, Manfred, & Hoyer, Wayne D. (2004). The customer relationship

management process: Its measurement and impact on performance. Journal of

marketing research, 41(3), 293-305.

Rollins, Minna, Bellenger, Danny N, & Johnston, Wesley J. (2012a). Customer information

utilization in business-to-business markets: Muddling through process? Journal of

Business Research, 65(6), 758-764.

Rollins, Minna, Bellenger, Danny N, & Johnston, Wesley J. (2012b). Does customer

information usage improve a firm's performance in business-to-business markets?

Industrial Marketing Management, 41(6), 984-994.

Rossiter, John R. (2002). The C-OAR-SE procedure for scale development in marketing.

International journal of research in marketing, 19(4), 305-335.

Roussel, Patrice. (2005). Méthodes de développement d'échelles pour questionnaires

d'enquête Management des ressources humaines, Méthodes de recherche en sciences

humaines et sociales (pp. 245-276): De Boeck Supérieur.

Roussel, Patrice, Durrieu, François, & Campoy, Eric. (2002). Méthodes d'équations

structurelles: recherche et applications en gestion: Economica.

Roussel, Patrice, & Wacheux, Frédéric. (2005). Management des ressources humaines:

Méthodes de recherche en sciences humaines et sociales: De Boeck Supérieur.

Saini, Amit, Grewal, Rajdeep, & Johnson, Jean L. (2008). Driving Customer Relationship

Management (CRM) Performance: The Role of Knowledge Stores and Technology

Assimilation.

Saini, Amit, Grewal, Rajdeep, & Johnson, Jean L. (2010). Putting market-facing technology

to work: Organizational drivers of CRM performance. Marketing Letters, 21(4), 365-

383.

Sausen, Karsten, Tomczak, Torsten, & Herrmann, Andreas. (2005). Development of a

taxonomy of strategic market segmentation: a framework for bridging the

implementation gap between normative segmentation and business practice. Journal

of Strategic Marketing, 13(3), 151-173.

Sedighi, Mohamad Mohsen, Mokfi, Taha, & Golrizgashti, Seyedehfatemeh. (2012).

Proposing a customer knowledge management model for customer value

augmentation: A home appliances case study. Journal of Database Marketing &

Customer Strategy Management, 19(4), 321-347.

24

Shaw, Michael J, Subramaniam, Chandrasekar, Tan, Gek Woo, & Welge, Michael E. (2001).

Knowledge management and data mining for marketing. Decision support systems,

31(1), 127-137.

Stewart, Thomas R. (1987). The Delphi technique and judgmental forecasting. Climatic

Change, 11(1-2), 97-113.

Storbacka, Kaj. (1997). Segmentation based on customer profitability: retrospective analysis

of retail bank customer bases. Journal of Marketing Management, 13(5), 479-492.

Stratman, Jeff K, & Roth, Aleda V. (2002). Enterprise resource planning (ERP) competence

constructs: two stage multi item scale development and validation. Decision Sciences,

33(4), 601-628.

Straub, Detmar, Boudreau, Marie-Claude, & Gefen, David. (2004). Validation guidelines for

IS positivist research. The Communications of the Association for Information

Systems, 13(1), 63.

Streiner, David L. (1994). Figuring Out Factors: The Use and Misuse of Factor Analysis.

Canadian journal of psychiarty, 39, 135-140.

Thomas, Jacquelyn S, Blattberg, Robert C, & Fox, Edward J. (2004). Recapturing lost

customers. Journal of Marketing Research, 41(1), 31-45.

Tojib, Dewi Rooslani, & Sugianto, Ly-Fie. (2006). Content validity of instruments in IS

research. Journal of Information Technology Theory and Application (JITTA), 8(3), 5.

Tsai, Hsu-Hao. (2011). Research trends analysis by comparing data mining and customer

relationship management through bibliometric methodology. Scientometrics, 87(3),

425-450.

Tsiptsis, Konstantinos K, & Chorianopoulos, Antonios. (2011). Data mining techniques in

CRM: inside customer segmentation: John Wiley & Sons.

Veglio, Valerio. (2012). The strategic importance of data mining analysis for customer-centric

marketing strategies Customer-Centric Marketing Strategies: Tools for Building

Organizational Performance (pp. 126).

Wang, Hai, & Wang, Shouhong. (2008). A knowledge management approach to data mining

process for business intelligence. Industrial Management & Data Systems, 108(5),

622-634.

Zablah, Alex R, Bellenger, Danny N, & Johnston, Wesley J. (2004). An evaluation of

divergent perspectives on customer relationship management: Towards a common

understanding of an emerging phenomenon. Industrial marketing management, 33(6),

475-489.

25

Zighed, Djamel Abdelkader, & Rakotomalala, Ricco. (2002). Extraction de connaissances à

partir de données (ECD). Techniques de l'Ingénieur, H, 3, 744.

26

Annexe 1: Une comparaison des démarches de développement des instruments de mesure de

Churchill (1979) et Mckenzie et al. (2011)

La démarche de Churchill (1979) pour le

développement d’un instrument de mesure

La démarche de Mckenzie et al. (2011) pour

le développement d’un instrument de mesure

L’approche de Mckenzie (2011) et celle de Churchill (1979) ne sont pas fondamentalement

antagonistes puisqu’elles sont toutes les deux ancrées dans l’empirisme. L’approche de

Mckenzie et al. (2011) est à notre sens une épuration du paradigme de Churchill.

27

Annexe 2 : Démarche à suivre pour décider du caractère réflexif ou formatif de la relation entre les indicateurs et leurs dimensions

QUESTION Pour un modèle formatif Pour un modèle réflexif

Est-ce que le construit latent existe indépendamment

de ses mesures ?

Le construit latent est formé ou déterminé à travers ses

indicateurs.

Le construit latent existe indépendamment de ses

mesures utilisées.

Sens de causalité du construit à la mesure Le sens de causalité va des items au construit. Le sens de causalité va du construit aux items.

Les indicateurs (items) sont-ils des caractéristiques

de définition ou des manifestations du construit ?

Les indicateurs sont des caractéristiques de définition du

construit

Les indicateurs sont des manifestations du construit

Est-ce que des changements dans les indicateurs/

items causeraient des changements dans le construit

ou non ?

Des changements dans les indicateurs devraient causer

des changements dans le construit

Des changements dans les indicateurs ne devraient pas

causer des changements dans le construit

Est-ce que des changements dans le construit

causeraient des changements dans les indicateurs ?

Des changements dans le construit ne causent pas de

changements dans les indicateurs

Des changements dans le construit causent des

changements dans les indicateurs

Interchangeabilité des indicateurs/items Les indicateurs n’ont pas besoin d'être interchangeables Les indicateurs doivent être interchangeables

Les indicateurs doivent-ils avoir un contenu

identique ou similaire ? / Les indicateurs partagent-

ils un thème commun ?

Les indicateurs n'ont pas besoin d'avoir un contenu

identique ou similaire

Les indicateurs doivent avoir un contenu identique ou

similaire /Les indicateurs doivent partager un thème

commun

Est-ce que supprimer un des indicateurs altérerait le

domaine conceptuel du construit ?

Supprimer un des indicateurs peut altérer le domaine

conceptuel du construit

Supprimer un des indicateurs ne devrait pas altérer le

domaine conceptuel du construit

28

Covariance entre les items : Un changement dans un

des indicateurs doit-il être associé à des changements

dans les autres indicateurs ?

Il n’est pas nécessaire que les indicateurs co-varient les

uns avec les autres mais sont seulement supposées avoir

la même relation directionnelle (the same directional

relationship).

Empiriquement : les indicateurs de la fiabilité ne peuvent

pas être mesurés.

Les indicateurs sont supposés co-varier les uns avec les

autres.

Empiriquement : La consistance interne et la fiabilité

sont mesurées par un alpha de crombach, AVE,

contribution factorielle (AFE, AFC)

Les indicateurs/items sont-ils supposés avoir les

mêmes antécédents et conséquences ?

Il n’est pas requis que les indicateurs aient les mêmes

antécédents et conséquences que le construit.

En d’autres termes, les items n’ont pas forcément le

même signe et la même significativité dans leurs relations

avec les antécédents et les conséquences du construit.

Empiriquement, la validité nomologique peut être testée

en utilisant un modèle MIMIC

Il est nécessaire que les indicateurs aient les mêmes

antécédents et conséquences. En d’autres termes, les

items ont le même signe et significativité dans leurs

relations avec les antécédents et les conséquences du

construit.

Empiriquement, la validité du contenu est établie

théoriquement et évaluée empiriquement à travers la

validité discriminante et convergente.

Est-ce que les termes d’erreurs peuvent être

identifiés ?

Les termes d’erreurs ne peuvent être identifiés. Les termes d’erreurs peuvent être identifiés.

Empiriquement, une analyse factorielle peut être utilisée

pour identifier et extraire les erreurs de mesure.

Source (adaptée) : Jarvis (2004) et Coltman (2008)

NB : Les cases en couleur correspondent à nos réponses affirmatives aux questions posées

29

Annexe 3: Affectation des items recensés aux dimensions théoriques

30

Dimension de l’ECCD Items recensés Construit Auteurs

ECCD pour Identification CRM Data is frequently used to find new ways of segmenting customers Customer profitability Saini et al. 2010

We use customer information to segment markets Relational information process Jayachandra et al. 2004

Identification of key customers for building relationships. Customer profitability Saini et al. 2010

Discerning important customers from not so important ones. Customer profitability Saini et al. 2010

We use customer information to develop customer profile Relational information process Jayachandran et al. 2005

ECCD pour Évaluation Profitability measures derived from CRM (such as CLV) are regulary used as a part

of planning strategy for relationship marketing

Strategic utilization Saini et al.2010

We use customer information to assess the life time value of our customers Relational information process Jayachandran et al. 2005

Establishing criteria for selecting key customers. Customer profitability Saini et al. 2010

Assessing the willingness of customers for close relationships. Customer profitability Saini et al. 2010

Assessing the resources required to build relationships with key customers. Customer profitability Saini et al. 2010

Assessing the relationship potential of key customers. Customer profitability Saini et al. 2010

ECCD pour Acquisition Analysis from CRM data is frequently used to plan new customer acquisition

strategies

Strategic utilization Saini et al. 2010

ECCD pour Ré-acquisition Aucun item n’a été recensé dans la littérature

ECCD pour Rétention Analysis from CRM data is frequently used to plan new customer retention strategies Strategic utilization Saini et al. 2010

31

We use customer information to assess customer retention behavior Relational information process Jayachandran et al. 2005

ECCD pour Développement We use customer information to identify appropriate channel to reach our customers Conceptual information use

Relational information process

Rollins et al. 2012

Jayachandran et al. 2005

We use customer information to up sell new products and services to our current

customers

Conceptual information use Rollins et al. 2012

We use customer information to customize our offer Relational information process Jayachandran et al. 2005

ECCD pour Termination Aucun item n’a été recensé dans la littérature

32

Annexe 4: Les 40 items générés pour l’ECCD pour la GRC

N° Items : Les données-clients et/ou prospects structurés dans les bases de données sont utilisées pour :Dimension ECCD Auteur(s) de référence Construit

1 Décrire les clients et prospects Identification Sausen et al., 2005  Aucun

2 Segmenter les clients (les classer dans des catégories homogènes) Identification Jayachandran et al. (2005) Information use

3 Segmenter les prospects Identification Jayachandran et al. (2005) Information use

4 Intégrer de nouveaux critères de segmentation (démographiques, transactionnels..) Identification Sausen et al., 2005  Aucun

5 Profiler les différentes catégories de clients et prospects identifiées après segmentation Identification Jayachandran et al. (2005) Information use

6 Tester de nouvelles méthodes et techniques de segmentation (analyse discriminante, réseaux de neurone, …) Identification Saini et al. (2010) Strategic Utilization of CI

7 Evaluer les clients Evaluation Jayachandran et al. (2005) Information use

Saini et al. (2010) Strategic Utilization of CI

8 Définir des critères d'évaluation des clients Evaluation Saini et al. (2010) Customer profitability

9 Calculer la valeur à vie des clients (CLV) Evaluation Jayachandran et al. (2005) Information use

10 Calculer un score RFM pour chaque client Evaluation Lefebure et Venturi 2005Reimer et al., 2011Peelen et al. 2009

 Aucun

11 Estimer la durée de la relation avec les clients Evaluation  Aucun

12 Estimer les achats futurs des clients Evaluation  Aucun

13 Estimer les dépenses et ressources nécessaires pour la gestion de la relation avec les clients Evaluation Saini et al. (2010) Customer profitability

14 Evaluer le potentiel relationnel du client (capacité à générer un BAO positif, parrainage de nouveaux clients) Evaluation Saini et al. (2010) Customer profitability

15 Evaluer la "bonne volonté" du client pour maintenir une relation privilégiée avec l'entreprise Evaluation Saini et al. (2010) Customer profitability

16 Analyser le comportement des prospects sur le net (nombre de visite, nombre de click) Acquisition Reimer et al. (2011)Peelen et al. (2009)

 Aucun

17 Analyser les attentes des prospects Acquisition  Aucun

18 Calculer pour chaque prospect la probabilité d’acquisition Acquisition  Aucun

19 Calculer pour les prospects, la probabilité de devenir un bon client Acquisition  Aucun

20 Planifier de nouvelles stratégies d’acquisition Acquisition Saini et al. (2010) Strategic Utilization of CI

21 Profiler le segment "meilleurs client" Acquisition Peelen et al. (2009)  Aucun

22Planifier de nouvelles stratégies de ré-acquisition (des clients perdus) Ré-acquisition Peelen et al. (2009)  Aucun

33

Suite annexe

N° Items : Les données-clients et/ou prospects structurés dans les bases de données sont utilisées pour :Dimension ECCD Auteur(s) de référence Construit

23Calculer pour les clients perdus, la probabilité de ré-acquisition Ré-acquisition Peelen et al. (2009)  Aucun

24 Planifier de nouvelles stratégies de rétention Rétention Saini et al. (2010) Strategic Utilization of CI

25 Analyser les causes de satisfaction Rétention Peelen et al. (2009) Neslin et al. (2006)

 Aucun

26 Analyser les processus de départ Rétention   Aucun

27 Analyser les réclamations (motifs, fréquences,) Rétention  Aucun

28 Analyser les causes de l'insatisfaction Rétention  Aucun

29 Detecter le statut du client (actif ou inactif) Rétention  Aucun

30 Mesurer la probabilité de défection des clients (score de churn ) Rétention Jayachandran et al. (2005) Information use

31 Profiler le segment "clients insatisfaits" Rétention Peelen et al. (2009) Neslin et al. (2006)

 Aucun

32 Profiler le segment "clients perdus" Rétention  Aucun

33 Planifier de nouvelles stratégies de développement de la relation avec les clients Développement Peelen et al. (2009) Reimer et al. (2011)Tsipsis (2009)

 Aucun

34 Analyser les délais entre deux achats d'un client Développement  Aucun

35Calculer des scores d’appétences pour les clients pour préparer les actions de montée de gamme (up selling) Développement Rollins et al. (2012) Customer information use

36 Calculer des scores d’appetences pour les clients pour préparer les actions de ventes croisées (cross selling) Développement Rollins et al. (2012) Customer information use

37 Calculer la probabilité de ré-achat d'un produit donné pour chaque client Développement Reimer et al. (2011)  Aucun

38 Identifier les canaux de distributions les plus appropriés pour atteindre les clients Développement Rollins et al. (2012) Customer information use

Jayachandran et al. (2005) Information use

39 Identifier quels produits se vendent mieux ensemble (des règles d'association) Développement Peelen et al. (2009) Reimer et al. (2011)Tsipsis (2009)

 Aucun

40 Identifier quels profils de client préfère quel type de produits Développement  Aucun

34

Annexe 5: CVR, Indice de placement, Accord inter-juges

Le CVR

Le CVR de chaque item est obtenu à partir de la formule suivante de Lawshe (1975, p. 567):

C VR=n e−( N

2 )N2

Avec ne : nombre d’experts qui ont déclaré que l’item est « essentiel » et N le nombre total

d’experts. Le CVR est compris entre -1 et + 1.

Les valeurs minimales du CVR selon la taille du panel d’experts (Lawshe, 1975)

Taille du panel 5 10 15 20 25 30 35 40

Valeur minimale de la CVR 0.99 0.62 0.49 0.42 0.37 0.33 0.31 0.29

Le ratio de placement

Le calcul du ratio de placement des items nécessite une procédure de classement (sorting).

Chaque item fait l’objet d’un classement, par l’expert, dans l’une des sept dimensions

théoriques (proposées par le chercheur) (Moore et Benbasat, 1991 et Stratman et Roth, 2002).

Le ratio de placement des items (Hit-ratios) se calcule grâce à une grille. En ligne de la grille

sont présentés tous les items générés et la dimension à laquelle ils sont considérés appartenir

(catégories théoriques). En colonne de la grille sont représentées les affectations des items à la

dimension telle que vue par le juge-expert.

Le ratio de placement des items est obtenu par la formule suivante :

Ratio de placement des items=nombred ' items correctement placésnombre totaldes placements

Le ratio de placement

L’accord inter-juges (Ir) est calculé après une procédure de classement (sorting) selon la

formule suivante de Perreault et Leigh (1989 cité dans Hacket 2005, p. 223) :

Ir=(( A−( 1K ))( K

K−1 ))1/2

Avec A la proportion d’accord entre les juges (pris deux par deux) = nombre d’accords des

juges/nombre total des items ; et K= nombre de dimensions.

35

Annexe 6: Profils des juges-experts

Expert n° Qualité Nationalité Genre A participé au

Expert n°1 Enseignant-chercheur en marketing Tunisienne Masculin Premier Tour

Expert n°2 Enseignant-chercheur en marketing Tunisienne Féminin Premier Tour

Expert n°3 Enseignant-chercheur en marketing Tunisienne Féminin Premier Tour

Expert n°4 Enseignant-chercheur en marketing Tunisienne Féminin Premier Tour

Expert n°5 Chef de projet GRC dans une boite de

développement informatique

Tunisienne Féminin Premier Tour

Expert n°6 Gérant d’une boîte de développement

informatique

Tunisienne Masculin Premier Tour

Expert n°7 Enseignant-chercheur en marketing Française Masculin Deuxième Tour

Expert n°8 Responsable de la relation client dans une

entreprise tunisienne

Tunisienne Féminin Deuxième Tour

Expert n°9 Responsable de la relation client dans une

entreprise tunisienne

Tunisienne Masculin Deuxième Tour

Expert n°10 Enseignant-chercheur en marketing Tunisienne Féminin Deuxième Tour

36

Annexe 7: Analyse de contenu au premier tour

Calcul du CVR (Premier tour)

Intitulé de l'item

n

°

Dimension CVR

Décrire les clients et prospects 1 Identification 1.00

Segmenter les clients (les classer dans des catégories homogènes) 2 Identification 1.00

Segmenter les prospects 3 Identification 0.67

Integrer de nouveaux critères de segmentation (demographiques, transactionnels,..) 4 Identification 0.00

Profiler les différentes catégories de clients et prospects identifiées après segmentation 5 Identification 0.67

Tester de nouvelles méthodes et techniques de segmentation (analyse discriminante, reseau de neurone, arbre de décision…) 6 Identification 0.00

Evaluer les clients 7 Evaluation 0.67

Définir des critères d'évaluation des clients 8 Evaluation 0.67

Calculer la valeur à vie des clients (CLV) 9 Evaluation 0.33

Calculer un score RFM pour chaque client 10 Evaluation 0.00

Estimer la durée de la relation avec les clients 11 Evaluation 0.67

Estimer les achats futurs des clients 12 Evaluation 0.67

Estimer les depenses et ressources necessaires pour la gestion de la relation avec les clients 13 Evaluation 0.00

Evaluer le potentiel relationnel du client (capacité à generer un BAO positif, parainnage de nouveaux clients) 14 Evaluation 0.67

Evaluer la "bonne volonté" du client pour maintenir une relation privilégiée avec l'entreprise 15 Evaluation 0.00

Analyser le comportement des prospects sur le net (nombre de visite, nombre de click) 16 Acquisition 0.67

Analyser les attentes des prospects 17 Acquisition 1.00

Calculer pour chaque prospect la probabilité d’acquisition 18 Acquisition 0.00

37

Calculer pour les prospects, la probabilité de devenir un bon client 19 Acquisition -0.33

Planifier de nouvelles stratégies d’acquisition 20 Acquisition 0.00

Profiler le segment "meilleurs client" 21 Acquisition 0.33

Planifier de nouvelles stratégies de ré-acquisition (des clients perdus) 22 Réacquisition 0.33

Calculer pour les clients perdus, la probabilité de ré-acquisition 23 Réacquisition -0.33

Planifier de nouvelles stratégies de rétention 24 Rétention 0.67

Analyser les causes de satisfaction 25 Rétention 0.67

Analyser les processus de départ 26 Rétention 1.00

Analyser les réclamations (motifs, frequences,…) 27 Rétention 0.67

Analysre les causes de l'insatisfaction 28 Rétention 1.00

Detecter le statut du client (actif ou inactif) 29 Rétention 0.67

Mesurer la probabilité de défection des clients (score de churn ) 30 Rétention 0.67

Profiler le segment "clients insatisfaits" 31 Rétention -0.67

Profiler le segment "clients perdus" 32 Rétention -0.67

Planifier de nouvelles stratégies de développement de la relation avec les clients 33 Développement 0.67

Analyser les delais entre deux achats d'un client 34 Développement -0.33

Calculer des scores d’appétences pour préparer les actions de montée de gamme (up selling) 35 Développement 0.00

Calculer des scores d’appetences pour préparer les actions de ventes croisées (cross selling) 36 Développement 0.00

Calculer la probabilité de ré-achat d'un produit donné pour chaque client 37 Développement 0.67

Identifier les canaux de distributions les plus appropriés pour atteindre les clients 38 Développement 0.67

Identifier les produits qui se vendent mieux ensemble  (des regles d'association) 39 Développement 0.00

Identifier quels profils de client prefère quel type de produits 40 Développement 0.67

38

Grille de placement (Premier tour)

  Dimensions associées selon

Des analyses réalisées sur les données-clients structurées dans les bases de données permettent de:   Exp 1 Exp 2 Exp 3 Exp 4 Exp 5 Exp 6

1 Décrire les clients et prospects Id Id Id Dev Id Ev Id

2 Segmenter les clients (les classer dans des catégories homogènes) Id Id Ev Id Dev Ter Ac

3 Segmenter les prospects Id Id Ev Id Id Id Ac

5 Profiler les différentes catégories de clients et prospects identifiées après segmentation Id Ac Ev Id Dev Ev Dev

7 Evaluer les clients Ev Ev Ev Ev Ev NA Ev

8 Définir des critères d'évaluation des clients Ev Ev Ev Ev Id Dev Ev

1

1

Estimer la durée de la relation avec les clients Ev

Ter Ev NA Dev Ret Ret

1

2

Estimer les achats futurs des clients Ev

Id Ret Ret/Dev Ret/Dev NA Dev

1

4

Evaluer le potentiel relationnel du client (capacité à generer un BAO positif, parainnage …) Ev

NA Dev Ac Ac Dev Dev

1

6

Analyser le comportement des prospects sur le net (nombre de visite, nombre de click) Ac

Ev Ev Id Ac Ev Ret

1

7

Analyser les attentes des prospects Ac

Ac EV id/ev Dev Reac Id

2 Planifier de nouvelles stratégies de rétention Rét Ret Ret Ret/Dev ret Ter Ret

39

4

2

5

Analyser les causes de satisfaction Rét

Dev Ret Ret/Dev Ret/Dev NA Ret

2

6

Analyser les processus de départ Rét

Reac Reac Ret Ret Reac Ret

2

7

Analyser les réclamations (motifs, frequences,…) Rét

Ret Ret Ret Ret/Dev Ret Ret

 

(Suite grille de placement premier tour)) Dimensions associées selon

Des analyses réalisées sur les données-clients structurées dans les bases de données permettent de:   Exp 1 Exp 2 Exp 3 Exp 4 Exp 5 Exp 6

2

8

Analysre les causes de l'insatisfaction Rét

Ter Reac Ret Ret/Dev Dev Dev

2

9

Detecter le statut du client (actif ou inactif) Rét

Ev Id Ev Dev Ev Ev

3

0

Mesurer la probabilité de défection des clients (score de churn ) Rét

Ter Reac Ret Ret/Dev reac ev

3

3

Planifier de nouvelles stratégies de développement de la relation avec les clients Dev

Dev Dev Ret/Dev Dev Dev Dev

3

7

Calculer la probabilité de ré-achat d'un produit donné pour chaque client Dev

Ac Ret Ret NA Dev Ret

40

3

8

Identifier les canaux de distributions les plus appropriés pour atteindre les clients Dev

Id Ret NA Ret Ac/Rea Ac

4

0

Identifier quels profils de client prefère quel type de produits Dev

Id Ev Dev Ret/Dev NA Ac

41

Placement des items (premier tour)

  Catégories identifiées par les juges      

Dimensions théoriques ECCD

Identification

ECCD

Evaluation

ECCD

Acquisition

ECCD

Ré-acquisition

ECCD

Rétention

ECCD

Développement

ECCD

Terminaison N/A TOT % hits

ECCD pour Identification 1111 512 3 0 0 4 1 013 2414 0,4515

ECCD pour Evaluation 216 10 2 0 3 6 1 6 30 0,33

ECCD pour Acquisition 2 4 2 1 1 1 0 1 12 0,17

ECCD pour Ré-acquisition 0 0 0 0 0 0 0 0 0 0,00

ECCD pour Rétention 1 5 0 6 16 4 3 7 42 0,38

ECCD pour Développement 2 1 3 0 5 7 0 6 24 0,29

ECCD pour Terminaison 0 0 0 0 0 0 0 0 0 0

11 11 : Nombre de placements corrects des items liés à la dimension « ECCD pour identification».12 5 : Nombre de fois où les items considérés théoriquement comme liés à la dimension « ECCD pour identification » sont jugés par les experts comme représentatif de la dimension « ECCD pour Evaluation».13 0 : Nombre de fois où les items considérés théoriquement comme liés à la dimension « ECCD pour identification » ne sont affectés à aucune dimension ou affectés à plus qu’une dimension.14 24=Total des Hits= 4 items de la dimension « ECCD pour identification » * 6 (nombre d’experts)15 0.45=11/2416 2 : Nombre de fois où un item considéré (théoriquement) comme représentant la dimension « ECCD pour évaluation » est associé à la dimension « ECCD pour identification » par les experts

42

Total 1817 25 10 7 25 22 5 20 13218

%hits 0,61 0,4 0,2 0 0,64 0,31 0

Ratio de placement : 46/132=0,3419

17 18 : Nombre de fois où apparait la dimension « ECCD pour identification » dans la grille18 132= nombre total des items 22 * nombre d’experts 619 Ratio de placements des items ¿

11+10+2+16+7132 = 0.34

43

Indices inter-juges (Premier tour)

Nombre d'accords Ir

Experts 1-2 7 0,4520

Experts 1-3 5 0,31

Experts 1-4 5 0,31

Experts 1-5 5 0,31

Experts 1-6 7 0,45

Experts 2-3 4 0,21

Experts 2-4 5 0,31

Experts 2-5 7 0,45

Experts 2-6 9 0,56

Experts 3-4 6 0,39

Experts 3-5 3 0

Experts 3-6 6 0,39

Experts 4-5 2 0

Experts 4-6 5 0,31

Experts 5-6 5 0,31

20 Exemple d’application numérique : Ir= [(7/22-1/7)(7/6)]1/2

44

Annexe 8 : Analyse du contenu deuxième tour

Calcul du CVR (Deuxième tour)

N° Des analyses réalisées sur les données clients structurées dans les bases de données permettent de: CVR

1 Décrire les clients et prospects 0

2 Segmenter les clients réels identifiés dans la base de données (…) 1

3 Segmenter les prospects identifiés dans la base de données 0

5 Décrire le profil des différentes catégories de clients et prospects identifiées après segmentation 1

7 Evaluer les clients réels 1

8 Définir des critères d'évaluation des clients réels 1

11 Estimer la durée de la relation avec les clients réels 1

12 Estimer les achats futurs (quantités, montants, fréquences) des clients réels -0,5

14a Evaluer le potentiel des clients actuels à generer un "bouche à oreille" positif -0,5

14b Evaluer le potentiel des clients réels à parrainer de nouveaux clients 1

16a Analyser le comportement des prospects sur le site web de l'entreprise (path analysis) 1

16b Analyser le comportement des clients réels sur le site web de l'entreprise (path analysis) 1

17 Analyser les attentes des prospects 1

24 Planifier de nouvelles stratégies de rétention 1

25 Analyser les causes de satisfaction 1

26 Analyser les processus de départ volontaire des clients réels 1

27 Analyser les réclamations des clients réels (motifs, frequences,…) 1

28 Analyser les causes de l'insatisfaction 0,5

29 Detecter le statut actif ou inactif du client réel (analyse de survie, score d'inactivité) 1

30 Mesurer la probabilité de défection des clients (score de churn ) 1

33 Planifier de nouvelles stratégies de développement de la relation avec les clients 1

37 Calculer la probabilité de ré-achat d'un produit donné pour chaque client -1

38a Identifier les canaux de distributions les plus appropriés pour atteindre les clients réels 1

38b Identifier les canaux de communication les plus appropriés pour atteindre les clients réels 1

38c Identifier les canaux de distribution les plus appropriés pour atteindre les prospects 1

38d Identifier les canaux de communication les plus appropriés pour atteindre les prospects 1

40 Identifier le type de produits que préfère chaque catégorie de client 1

41 Personnaliser l'offre par segment de client 0,5

42 Détecter les clients frauduleux 1

45

Grille de placements (deuxième tour)

  Dimensions associées à l'item 

 N° Des analyses réalisées sur les données-clients structurées dans les bases de données permettent de:   Exp 1 Exp 2 Exp 3 Exp 4

2 Segmenter les clients réels identifiés dans la base de données (les classer dans des catégories homogènes) Id/Ev Id/Eval Id/Eval Id/Eval Id/Eval

5 Décrire le profil des différentes catégories de clients et prospects identifiées après segmentation Id/Ev Id/Eval Maint Id/Eval Id/Eval

7 Evaluer les clients réels Id/Ev Id/Eval Maint Maint Id/Eval

8 Définir des critères d'évaluation des clients réels Id/Ev Id/Eval Id/Eval Maint Id/Eval

11 Estimer la durée de la relation avec les clients réels Id/Ev Maint Id/Eval Maint Id/Eval

14b Evaluer le potentiel des clients réels à parrainer de nouveaux clients Id/Ev Id/Eval Acqu Id/Eval Id/Eval

16a Analyser le comportement des prospects sur le site web de l'entreprise (path analysis) Acq Acq Acq Acq Acq

16b Analyser le comportement des clients réels sur le site web de l'entreprise (path analysis) Maintien Maint Maint Maint Id/Eval

17 Analyser les attentes des prospects Acq Id/Eval Acq Id/Eval Acq

24 Planifier de nouvelles stratégies de rétention Maintien Maint Maint Maint Maint

25 Analyser les causes de satisfaction Maintien Maint Maint Maint Maint

26 Analyser les processus de départ volontaire des clients réels Ré-acq Maint Réacq Maint Maint

27 Analyser les réclamations des clients réels (motifs, frequences,…) Maintien Maint Maint Maint Id/Eval

29 Detecter le statut actif ou inactif du client réel (analyse de survie, score d'inactivité) Maintien Maint Réa Maint Maint

30 Mesurer la probabilité de défection des clients (score de churn ) Maintien Maint Maint Maint Maint

Suite

  Dimensions associées à l'item 

46

selon:

 N° Des analyses réalisées sur les données-clients structurées dans les bases de données permettent de:   Exp 1 Exp 2 Exp 3 Exp 4

33 Planifier de nouvelles stratégies de développement de la relation avec les clients Maintien Maint Maint Maint Maint

38a Identifier les canaux de distributions les plus appropriés pour atteindre les clients réels Maintien Maint Maint Maint Maint

38b Identifier les canaux de communication les plus appropriés pour atteindre les clients réels Maintien Maint Maint Maint Maint

38c Identifier les canaux de distribution les plus appropriés pour atteindre les prospects Acq Acq Acq Acq Maint

38d Identifier les canaux de communication les plus appropriés pour atteindre les prospects Acq Acq Acq Acq Acq

40 Identifier quels profils de clients prefèrent quel type de produits, Maintien Maint Maint Id/Eval Maint

42 Détecter les clients frauduleux Ter Ter Ter Ter Ter

47

Placement des items (deuxième tour)

  Catégories identifiées par les juges      

Dimensions 

théoriques

ECCD ECCD ECCD ECCD ECCD

N/A TOT % hitsID/Ev Acq Ré-ac Maint Ter

ECCD pour ID /Ev 17 1 0 6 0 0 24 0,71

ECCD pour Acq 2 13 0 1 0 0 16 0,81

ECCD pour Ré-ac 0 0 0 0 0 0 0 0

ECCD pour Maint 3  0 1 40 0 0 44 0,90

ECCD pour Ter 0 0 0 0 4 0 4 1

Total 22 14 3 45 4 0 8821

%hits 0,77 0,92 0 0,84 1

Ratio de placement des items=74 /88=0,84

Indices inter-juges au deuxième tour

Nombre d'accords Ir

Experts 1-2 16 0,81

Experts 1-3 18 0,87

Experts 1-4 16 0,81

Experts 2-3 14 0,74

Experts 2-4 14 0,74

Experts 3-4 14 0,74

21 4 experts*22 items

48

Annexe 9: 22 items retenus après l'analyse du contenu

Dimension Numéro de

l’item

Codification

De l’item

Intitulé de l’item

Les données-clients structurées au niveau de la base de données sont utilisées pour :

ECCD pour Identification 2 ECCD I1 Segmenter les clients réels identifiés dans la base de données (les classer dans des catégories homogènes)

5 ECCD I2 Décrire le profil des différentes catégories de clients identifiées après segmentation.

8 ECCD I3 Définir des critères d'évaluation des clients réels

7 ECCD I4 Evaluer les clients réels

11 ECCD I5 Estimer la durée de la relation avec les clients réels

14 b ECCD I6 Evaluer le potentiel des clients réels à parrainer de nouveaux clients

ECCD pour Acquisition 17 ECCD A1 Analyser les attentes des prospects

16 a ECCD A2 Analyser le comportement des prospects sur le site web de l'entreprise

38 c ECCD A3 Identifier les canaux de distribution les plus appropriés pour atteindre les prospects.

38 d ECCD A4 Identifier les canaux de communication les plus appropriés pour atteindre les prospects

ECCD pour Maintien 24 ECCD M1 Planifier de nouvelles stratégies de rétention des clients réels

25 ECCD M2 Analyser les causes de satisfaction des clients réels

26 ECCD M3 Analyser les processus de départ volontaire des clients réels

27 ECCD M4 Analyser les réclamations des clients réels (motifs, fréquences,)

29 ECCD M5 Détecter le statut actif ou inactif des clients réels (analyse de survie, score d'inactivité)

30 ECCD M6 Mesurer la probabilité de défection des clients (score de churn)

33 ECCD M7 Planifier de nouvelles stratégies de développement de la relation avec les clients

40 ECCD M8 Identifier le type de produits que préfère chaque catégorie de clients.

16 b ECCD M9 Analyser le comportement des clients réels sur le site web de l'entreprise.

38 a ECCD M10 Identifier les canaux de distributions les plus appropriés pour atteindre les clients réels.

49

38 b ECCD M11 Identifier les canaux de communication les plus appropriés pour atteindre les clients réels.

ECCD pour Terminaison 42 ECCD T1 Détecter les clients frauduleux

50

Annexe 10: : Revue de la littérature sur la taille de l'échantillon requise pour les MES

Auteurs Seuil plancher pour appliquer les MES

Boomsma (1987, cité dans Kunnan 1998, p. 300) 400 observations

Bentler et Chou (1987, p.91) 5 à 10 observations par paramètre à estimer

Sörbom et Jöreskog (1989, cité dans Akrout F. 2010,

p. 138)

10 fois le nombre de variables observables.

Loehlin (1992, cité dans Akrout p. 138) Une taille minimale de 100, ou 200 observations

Ding et al. (1995, cité dans Kunnan 1998, p. 300) 100 à 150 observations

Stevens J. (1996, cité dans Akrout F. 2010, p. 138) 15 observations par variable prédicatrices

(indépendantes)

Hair et al. (1998, cité dans Hampton 2015) 5 à 10 observations par paramètre estimé,

Kline (1998, cité dans Weston et Gore 2006, p. 734) 10 à 20 participants par paramètre estimé

Roussel et al. (2002) 200 observations

Roussel et al. (2005, p. 305) 50, 100 à 150 observations

Weston et Gore (2006, p. 734) 200 observations

51

Annexe 11: Etapes d'épuration du construit

Etape n° Nombre d’items Déterminant KMO Sig Bartlett Tentative d’extraction Item ayant la plus

faible communalité

Com Item

1 22 1,7E007 0.789 0.000 Interrompue ECCD T1 0.337 Supprimé

2 21 2.56E007 0.785 0.000 Possible (6 F) ECCD M6 0.300 Supprimé

3 20 4.09E007 0.777 0.000 Interrompue ECCD I6 0.442 Supprimé

4 19 7.33E006 0.772 0.000 Possible (5F) ECCD I5 0.393 Supprimé

5 18 1.39E006 0.776 0.000 Interrompue ECCD M1 0.476 Supprimé

6 17 2.65E006 0.764 0.000 Interrompue ECCD M4 0.480 Supprimé

7 16 5.11E006 0.774 0.000 Interrompue ECCD M5 0.477 Supprimé

8 15 9.77E006 0.764 0.000 Possible (3F) ECCD M7 0.380 Supprimé

9 14 1.98E005 0.747 0.000 Possible (3F) ECCD A1 0.384 Supprimé

10 13 4.02E005 0.737 0.000 Possible (3F) ECCD M2 0.426 Gardé

52

Annexe 12: Contributions factorielles des 13 items après rotation

Facteurs Items Intitulé de l’item Communalité Contribution

Factorielle

Valeur

propre

% de la

variance

expliquée

Les données-clients structurées au niveau des bases de données sont utilisées pour

Facteur 1 ECCD I1 Segmenter les clients réels identifiés dans la base de données 0.657 0.810 4.929 37.917

ECCD I2Décrire le profil des différentes catégories de clients identifiées après segmentation.

0.625 0.710

ECCD I3Définir des critères d'évaluation des clients réels

0.616 0.815

ECCD I4Evaluer les clients réels

0.630 0.823

ECCD M3 Analyser les processus de départ volontaire des clients réels 0.433 0.455

ECCD M8 Identifier le type de produits que préfère chaque catégorie de clients. 0.526 0.493

Facteur 2 ECCD A2 Analyser le comportement des prospects sur le site web de l'entreprise 0.827 0.900 2.228 17.597

ECCD M9Analyser le comportement des clients réels sur le site web de l'entreprise.

0.944 0.984

Facteur 3 ECCD M10 Identifier les canaux de distributions les plus appropriés pour atteindre les clients réels. 0.566 -0.619 1.009 7.759

ECCD M11 Identifier les canaux de communication les plus appropriés pour atteindre les clients réels. 0.609 -0.822

ECCD A3 Identifier les canaux de distribution les plus appropriés pour atteindre les prospects. 0.651 -0.730

ECCD A4 Identifier les canaux de communication les plus appropriés pour atteindre les prospects 0.717 -0.897

ECCD M2 0.426 -0.409

53

Annexe 13: Items et facteurs retenus pour « l’ECCD pour la GRC » après l'AFE

Facteurs Items Intitulé de l’item Com22 CF23 VP24 % VE25 α26 α SI27

Les données-clients structurées au niveau des bases de données sont utilisées pour

Facteur 1 ECCD I1 Segmenter les clients réels identifiés dans la base de données 0.634 0.778 3.6667 36.667 0,862 0.799

ECCD I2Décrire le profil des différentes catégories de clients identifiées après segmentation.

0.546 0.6520.851

ECCD I3Définir des critères d'évaluation des clients réels

0.675 0.8350.829

ECCD I4Evaluer les clients réels

0.695 0.8450.814

Facteur 2 ECCD A2 Analyser le comportement des prospects sur le site web de l'entreprise 0.858 0.922 2.219 22.193 0,868

ECCD M9Analyser le comportement des clients réels sur le site web de l'entreprise.

0.908 0.961

Facteur 3 ECCD M10 Identifier les canaux de distributions les plus appropriés pour atteindre les clients réels. 0.545 0.605 1.017 10.172 0.868 0.852

ECCD M11 Identifier les canaux de communication les plus appropriés pour atteindre les clients réels. 0.628 0.828 0.842

ECCD A3 Identifier les canaux de distribution les plus appropriés pour atteindre les prospects. 0.652 0.727 0.811

ECCD A4 Identifier les canaux de communication les plus appropriés pour atteindre les prospects 0.764 0.917 0.819

…

22 Com : Communalité23 CF : Contribution factorielle24 VP : Valeur propre25 % VE : pourcentage de la variance expliquée26 α   : Alpha de Cronbach27 α SI Alpha sans l’item

54

Annexe 14: Modifications apportées au modèle de mesure partiel de « l’ECCD pour la GRC »

Premère AFC Deuxième AFC Troisième AFC Quatrième AFC

ECCD I E

ECCDI4EI4

11

ECCDI3EI31

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA4EA4

11

ECCDA3EA31

ECCDM11EM111

ECCDM10EM101

ECCD W

ECCDM9EM9

11ECCDA2EA2

1

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA4EA4

11

ECCDA3EA31

ECCDM11EM111

ECCDM10EM101

ECCD W

ECCDM9EM91

ECCDA2EA211

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA4EA4

11

ECCDA3EA31

ECCDM11EM111

ECCD W

ECCDM9EM91

ECCDA2EA211

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA4EA4

1

1ECCDA3EA3

1ECCDM11EM11

1

ECCD W

ECCDM9EM9

11ECCDA2

0,0005EA2

1

Cinquième AFC Sixième AFC Septième AFC

55

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA3EA31

ECCDM11EM1111

ECCD W

ECCDM9EM9

11ECCDA2

0,0005EA2

1

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA3

0,4965EA3

0,8361

ECCD W

ECCDM9EM9

11ECCDA2

0,0005EA2

1

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA3

0,4965EA3

0,8361

ECCD W

ECCDM9

0,4938EM9

0,8361

56

Annexe 15: Paramètres du modèle de mesure partiel de « ECCD pour la GRC »

Items V(X)

Contribution factorielle

SMC 1-SMC

Variance des variables latentes et des Erreurs

Vc e/Vc i Rho Jorekog

VME

Est Est. S S.E. c.r. P Erreur Est S.E. c.r. P

ECCD I D

ECCD I1 1,543 1,387 0,862 0,257 5,356 *** 0,743 0,257 EI1 0,39 0,141 2,764 0,006 0,25

0.841 0,642

ECCD I2 1,600 1,428 0,872 0,273 5,24 *** 0,76 0,24 EI2 0,378 0,146 2,596 0,009 0,24

ECCD I4 1,413 1 0,65       0,422 0,578 EI4 0,803 0,164 4,911 *** 0,57

Somme 4.556  3,815 2,384 1,925 1,075 1,571        

Moyenne  1.518 0,642 0,524      

ECCD C D  

ECCD A3 1,821 0.836 0,834       0.695 0,305 EA3 0,497       0.272 0.613 0.695

Somme   0,834 0,695 0,305 0,497        

Moyenne   0,695 0,497        

ECCD W  

ECCD M9 1,645 0.836 0,834       0,695 0,695 EM9 0.494       0,30 0.613 0.695

Somme   0.836 0,834 0,695 0,695          

Moyenne             0,695                  

57

Annexe 16: Test du second ordre

Modèle 1 Modèle 2 Modèle 3

(issu de la septième AFC)

Modèle 4

ECCDI4EI41

ECCDI2EI2

1ECCDI1

EI11

ECCD GRC

ECCDA3

0,4965EA3

0,8361

ECCDM90,4938

EM91

1 ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA3

0,4965EA3

0,8361

ECCD W

ECCDM9

0,4938EM9

0,8361

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C D

ECCDA3

0,4965EA3

0,8361

ECCD W

ECCDM9

0,4938EM9

0,8361

ECCD I E

ECCDI4EI4

11

ECCDI2EI21

ECCDI1EI11

ECCD C DECCDA3

0,4965EA3

0,8361

ECCD WECCDM9

0,4938EM9

0,8361

ECCD GRC

Chi2=56.489 Chi2=36.404 Chi2= 5.903 Chi2= 56.383

P=0.000 P=0.000 P=0.207 P= 0.000

GFI=0.739 GFI=0.804 GFI=0.964 GFI = 0.739

AGFI=0.510 AGFI=0.580 AGFI=0.863 AGFI = 0.441

CFI=0.532 CFI=0.716 CFI=0.982 CFI= 0.523

58

TLI=0.415 TLI=0.594 TLI=0.954 TLI = 0.319

59