Catégorie : Etude

  • BIG QUAL, ouvrage sur l’analyse en largeur et en profondeur

    Ce manuel avancé introduit une nouvelle approche de l’analyse qualitative à grande échelle : la méthode pionnière de l’analyse en largeur et en profondeur. Il met en évidence les forces et l’application du « Big Qual » en tant que méthodologie distincte de recherche. L’ouvrage s’adresse aux étudiants et chercheurs de diverses disciplines et horizons méthodologiques.

    L’idée centrale est que les données qualitatives disponibles dans les archives ou via le partage de données offrent de nouvelles possibilités pour la recherche en sciences sociales. En croisant plusieurs corpus qualitatifs, les chercheurs peuvent élargir la diversité des contextes et des populations étudiées, ce qui renforce la portée théorique des analyses.

    La méthode dite breadth-and-depth articule deux logiques :

    • une exploration large des corpus grâce aux métadonnées et aux outils informatiques ;
    • une analyse fine et interprétative de sous-échantillons pertinents.

    Les auteurs comparent cette démarche au travail archéologique : repérage global, sondages, puis excavation approfondie. L’objectif n’est pas de proposer une méthode rigide, mais un cadre de réflexion pour mieux exploiter les grands corpus qualitatifs, encourager les collaborations entre approches quantitatives et qualitatives, et développer de nouvelles manières d’analyser les données qualitatives à grande échelle.

    https://www.research.ed.ac.uk/en/publications/big-qual-a-guide-to-breadth-and-depth-analysis/

    L’augmentation des ensembles de données qualitatives à grande échelle offre des opportunités inédites. En combinant plusieurs ensembles de données qualitatives, il devient possible d’accroître la généralisabilité théorique et de renforcer la compréhension des processus sociaux.

    Dans un contexte où les sciences humaines et sociales exploitent de plus en plus les possibilités du Big Data, cet ouvrage devient une ressource incontournable, favorisant le développement des compétences et proposant de nouvelles perspectives sur l’analyse qualitative et son exploitation.

    Table des matières (9 chapitres)

    1️⃣ Introduction au « Big Qual » et à la méthode d’analyse en largeur et en profondeur
    2️⃣ Valeur et place de l’analyse qualitative à grande échelle
    3️⃣ Présentation de la méthode en largeur et en profondeur
    4️⃣ Panorama des ensembles de données qualitatives
    5️⃣ Sourcing et recherche des ensembles de données adaptés
    6️⃣ « Aerial Surveying » : Construction d’un corpus et exploration des données
    7️⃣ Navigation entre largeur et profondeur en analyse qualitative
    8️⃣ Réflexion sur les implications éthiques et méthodologiques
    9️⃣ Le futur de l’analyse qualitative et du « Big Qual »

    Extraits des critiques

    📢 Malcolm Williams (Université de Cardiff, Royaume-Uni) :
    « Ce volume sera une référence en analyse qualitative. Il démontre que les Big Data peuvent être aussi qualitatives que quantitatives. Il propose une approche unique basée sur l’archéologie de la profondeur et de la largeur, dépassant la dichotomie traditionnelle entre quantitatif et qualitatif. »

    📢 Jessica Nina Lester (Université d’Indiana, USA) :
    « L’un des apports majeurs de ce livre est d’explorer la généralisation théorique des grands ensembles de données qualitatives, en expliquant non seulement leur importance, mais aussi comment les utiliser. »

    📢 Kathy A. Mills (Université Catholique Australienne, Australie) :
    « Une ressource essentielle pour apprendre à gérer les grandes bases de données qualitatives. Ce manuel guide le lecteur à travers la nouvelle méthode de l’analyse en largeur et en profondeur, illustrée par des études de cas et des outils d’exploration de données. »


    À propos des auteurs

    • Susie Weller (Université d’Oxford, UK) : Spécialiste des méthodes qualitatives, analyse longitudinale et recherche appliquée.
    • Emma Davidson (Université d’Édimbourg, UK) : Experte en méthodes qualitatives et éthique de la recherche.
    • Rosalind Edwards (Université de Southampton, UK) : Chercheuse en méthodologies qualitatives et longitudinales.
    • Lynn Jamieson (Université d’Édimbourg, UK) : Sociologue spécialisée dans les relations familiales et sociales.

    📌 Résumé Ce livre fournit une approche innovante pour traiter et analyser les données qualitatives à grande échelle grâce à la méthode en largeur et en profondeur. Il montre comment l’exploitation des Big Qual Data peut aller au-delà des méthodes traditionnelles et enrichir notre compréhension des dynamiques sociales.

  • 🚀 Accélérer les études qualitatives à grande échelle avec l’IA 🤖

    L’IA ouvre une nouvelle ère pour les études avec des masses de données qualitatives analysées au fil de l’eau.
    Un forum de 30 personnes pendant 3 semaines représente une centaine de questions, la réaction à des dizaines de stimuli et plus de 200 heures de contribution.

    🎯 Avec l’IA, une valeur ajoutée réside dans la préparation et dans la qualité du terrain :
    Sélection pointue des participants
    Qualité des questions et des stimuli injectés
    Richesse d’expression et masse critique de réponses
    Animation qui facilite le décryptage de l’IA grâce à la numérotation et au codage des questions, items, et stimuli

    L’analyse en continu devient possible avec les bonnes instructions et une vigilance constante. Cela permet d’échanger avec le commanditaire au fur et à mesure.

    L’IA libère du temps pour aborder l’étude sous une diversité d’angles de recherche et intégrer des dispositifs créatifs : missions consommateurs, reportages photos/vidéos, réactions à des hypothèses et stimuli variés…

    L’IA permet de réaliser des études qualitatives à grande échelle (Big Quali) ambitieuses avec des équipes légères. La masse critique des réponses et leur traitement systématique accentuent l’objectivité et la légitimité des résultats.

    📩 Pour en savoir plus, demandez à recevoir notre livre blanc sur l’IA et le quali, et le support de l’intervention de QualiQuanti avec Digital Value lors du Printemps des études, qui a eu lieu le 27 septembre 2024.

  • Comprendre l’intelligence artificielle : des fondations historiques aux usages génératifs

    Pour bien utiliser l’intelligence artificielle, il faut d’abord en comprendre les grands principes. L’IA n’est pas une technologie unique, mais un ensemble de méthodes qui permettent à une machine d’accomplir des tâches habituellement réalisées par des humains : lire, écrire, analyser, classer, générer du contenu ou encore piloter des systèmes complexes.

    Dans ce chapitre, Frédéric Josué, président de 18M.io, consultant spécialisé en marketing et communication, apporte un éclairage pédagogique sur les fondements de l’IA. Son parcours est disponible ici : https://www.linkedin.com/in/frederic-josue-322465/. Il est également joignable à cette adresse : frederic.josue@18m.io.

    IA, machine learning et deep learning : trois niveaux à distinguer

    L’intelligence artificielle désigne la capacité d’une machine à imiter certaines formes d’intelligence humaine. Le machine learning, ou apprentissage automatique, constitue une branche de l’IA : au lieu d’être programmée règle par règle, la machine apprend à partir d’exemples et de données.

    Le deep learning, ou apprentissage profond, est lui-même une sous-catégorie du machine learning. Il s’appuie sur des réseaux de neurones artificiels inspirés du cerveau humain et permet de traiter de très grandes quantités de données. C’est dans cette famille technologique que s’inscrit l’IA générative.

    Apparue conceptuellement dès les années 1950-1960, l’IA a longtemps été freinée par le manque de données et de puissance de calcul. Cette période de ralentissement est connue sous le nom d’« hiver de l’intelligence artificielle ». Le véritable renouveau intervient à partir de 2010 avec l’explosion du Big Data : internet, les réseaux sociaux et les usages mobiles fournissent alors des masses de données comportementales exploitables pour entraîner les modèles.

    Un tournant majeur a lieu en 2017 avec l’invention des architectures Transformer, qui deviennent la base des grands modèles de langage comme GPT, pour Generative Pretrained Transformer.

    IA symbolique et IA statistique : deux logiques différentes

    L’histoire de l’IA oppose deux grandes approches.

    La première est l’IA symbolique, dominante jusqu’aux années 1980. Elle repose sur des règles explicites : par exemple, si un patient a plus de 38,5 °C de fièvre, alors il est considéré comme malade. Cette IA est déterministe : ses décisions sont traçables, car elles découlent de règles clairement définies.

    La seconde est l’IA statistique, qui domine depuis les années 1980. Elle repose sur des données, des exemples et des probabilités. C’est le cas du machine learning, du deep learning et des modèles comme ChatGPT. Cette approche est beaucoup plus puissante à grande échelle, mais aussi plus opaque : les modèles peuvent produire des erreurs, extrapoler ou « halluciner », sans que l’on puisse toujours expliquer précisément leur raisonnement interne.

    La vectorisation du monde : le principe clé de l’IA générative

    L’IA générative fonctionne grâce à une idée centrale : traduire le monde en données numériques. Une image est représentée par des pixels et des couleurs. Une position géographique est décrite par des coordonnées de latitude et de longitude. Un mot, quant à lui, peut être représenté sous forme de vecteur multidimensionnel.

    C’est le principe du word embedding : les mots sont placés dans un espace vectoriel où leur distance traduit leur proximité sémantique. Ainsi, « chat » et « chien » seront plus proches que « chat » et « humain », car ils partagent certaines caractéristiques. De même, « thé » et « café » seront plus proches entre eux que du mot « haricot », car ils renvoient à des usages et contextes similaires.

    Cette représentation permet aux modèles de langage de comprendre les relations entre les mots, les nuances de sens et le contexte dans lequel ils apparaissent.

    Comment fonctionne l’IA générative ?

    L’IA générative transforme une instruction, appelée prompt, en contenu : texte, image, musique, vidéo ou message vocal. Les trois lettres de GPT permettent de comprendre son fonctionnement.

    G pour génératif : le modèle produit du contenu nouveau à partir de ce qu’il a appris.

    P pour pré-entraîné : il a été entraîné sur de vastes ensembles de données passées. Il dispose donc d’une culture générale très large, mais peut manquer d’informations récentes ou spécifiques.

    T pour Transformer : cette architecture analyse le contexte grâce à des mécanismes d’attention. Elle évalue l’importance relative des mots dans une phrase ou un document afin de produire une réponse cohérente.

    Les Transformers sont dits auto-régressifs : ils génèrent le texte progressivement, mot après mot, en se basant uniquement sur ce qui précède. Par exemple, face à une phrase évoquant le soleil couchant, l’horizon, la nuit et les teintes dorées, le modèle pourra prédire qu’un mot comme « obscurité » est une suite probable. Il ne « pense » pas comme un humain : il calcule la suite la plus vraisemblable à partir de patterns appris.

    Ce que permettent les grands modèles de langage

    Les grands modèles de langage ouvrent de nombreuses possibilités pour le marketing, la communication et la relation client. Ils peuvent analyser de grands volumes de données, identifier des tendances, faire émerger des insights, créer des personas ou encore simuler des comportements de consommateurs.

    Ils permettent aussi de produire des contenus personnalisés selon différents publics cibles. L’un de leurs atouts est la personnalisation émotionnelle : on peut demander à un modèle d’adopter un ton plus empathique, engageant, descriptif ou encourageant selon l’objectif recherché.

    Ces technologies accélèrent également la production de contenus, notamment lorsqu’elles sont connectées à des outils métiers. Par exemple, il est possible d’intégrer ChatGPT à Make pour synthétiser chaque jour des newsletters et générer des mails clients : https://www.make.com. On peut aussi associer une base de connaissance à un chatbot capable de répondre à des questions sous forme de messages vocaux.

    Mais ces usages posent aussi des questions : les gains réels de productivité restent difficiles à mesurer, les coûts d’implémentation peuvent être importants et les équipes doivent être formées pour utiliser ces outils efficacement.

    Pour aller plus loin

    Le chapitre recommande plusieurs ressources pédagogiques courtes proposées par Meta avec Simplon :

    La tokenisation : https://youtu.be/BJd-9IoCXWY?si=GUqn4763AnksN0JN
    Les modèles de diffusion : https://youtu.be/Foe3wwm-x7A?si=mrtRoyhffrGL4GNI
    Les modèles de langage : https://youtu.be/AsSYK2Aw88U?si=I8bPHCqHFjYfk983

    Pour un tour d’horizon plus complet, le chapitre renvoie également à l’intervention d’Hugues Bersini au Collège de Belgique, intitulée « ChatGPT, la brève histoire d’une IA régressive » : https://youtu.be/VTRDr1FKCys?si=HhzcL47-m0QFfBj7.

    Conclusion

    L’IA générative n’est pas une rupture isolée, mais l’aboutissement de plusieurs décennies de recherche en intelligence artificielle, machine learning, deep learning, traitement du langage naturel et Big Data. Sa puissance repose sur la transformation du réel en données vectorisées, puis sur la capacité des modèles Transformer à prédire, générer et adapter du contenu en fonction d’un contexte.

    Pour les organisations, elle représente une opportunité majeure : mieux analyser les données, produire plus vite, personnaliser les messages et enrichir l’expérience client. Mais son usage exige aussi de la méthode, de la formation et une compréhension claire de ses limites : une IA générative ne raisonne pas comme un humain, elle calcule des probabilités à partir de données passées.

  • Exemple d’analyse big quali : les lieux de marque

    Alors que Louis Vuitton prépare son hôtel aux Champs Elysées et que sort le livre Store Impact sous la houlette d'Alexis~ de Prévoisin, voici le fruit d'un travail de recherche commandé par SoLocal et présenté au Hub Institute. Cette étude s'appuie sur l'analyse d'une centaine de lieux dont une cinquantaine que j'ai visité. C'est grâce à cette masse d'exemples que nous avons pu élaborer une analyse de la grammaire des lieux.

    Cette étude a donné lieu à un livre blanc accessible en pdf. et une présentation de 135 slides https://www.qualiquanti.fr/wp-content/uploads/2024/02/Panorama-lieux-de-marque1.pdf

    Depuis, il y a plein de nouveaux exemples mais les concepts sont toujours valables. Merci à Gérard Frédéric LENEPVEU de m'avoir permis de faire de multiples voyages en Europe pour explorer les innovations locales et visiter des lieux de marques exceptionnels.

    Le livre "Lieux de marque" met en avant des idées clés sur la réinvention de l'expérience client dans le commerce physique, en réponse à la concurrence numérique. Voici un résumé détaillé des points essentiels :

    1/ Stimulation des affects et des imaginaires : L'acte d'achat s'enrichit d'expériences émotionnelles et sensorielles, transformant le shopping en une activité de loisir et d'évasion, enrichie par l'esthétique et la convivialité.

    2/ Intégration de la dimension esthétique : Les lieux de marque doivent offrir une expérience sensorielle complète, tirant parti de leur environnement physique pour créer une expérience riche et immersive.

    3/ Développement d'univers culturels : Par des stratégies de métonymie (extension d'un univers existant) ou de métaphore (création de liens avec un univers différent), les marques enrichissent leur identité et créent des expériences mémorables.

    4/ Offrir une expérience mémorable : Les marques vendent désormais des souvenirs en plus de produits ou services, en créant des expériences marquantes qui influencent les décisions d'achat à long terme.

    5/ Thématisation pour donner du sens : Les lieux de marque réussissent en s'imposant une ligne directrice qui guide l'expérience client, en s'appropriant des espaces de sociabilité et en mettant en scène leur offre.

    6/ Dimension humaine : La relation humaine est cruciale pour fidéliser la clientèle, mettant l'accent sur la convivialité, la proximité, et la personnalisation de l'expérience.

    7/ Placer le client au centre : Dans les nouveaux espaces de marque, c'est le client qui est valorisé, à travers des interactions sociales enrichies et des expériences personnalisées.

    Conclusion – Le Retail Safari : Encourage les professionnels et particuliers à explorer ces lieux exceptionnels pour vivre des expériences mémorables, mettant l'accent sur l'importance du ressenti personnel et de l'évaluation subjective de l'expérience.

    Ce livre offre ainsi une vision approfondie sur comment les marques peuvent créer des lieux uniques qui captivent les clients par leur richesse sensorielle, culturelle, et émotionnelle, transformant l'acte d'achat en une aventure mémorable et significative.

     

  • Sortie du livre blanc sur « Comment l’IA transforme les études qualitatives? »

    Inscrivez-vous pour recevoir en pdf le livre blanc sur « IA & Études quali » qui sera publié avant fin janvier 2023. Voici le sommaire de cette contribution dans la droite ligne du livre Big Quali.

    Édito – L’intelligence artificielle au service d’un quali augmenté

    I. UNE MÉMOIRE GLOBALE ET LOCALE
    Accéder à une culture générale élargie
    Constituer un capital intellectuel de recherches

    II. LE TRAITEMENT DE DONNÉES À GRANDE ÉCHELLE
    Tirer parti de la retranscription automatique (speech-to-text)
    Exploiter plus de retours-consommateur
    Interagir avec la caméra vidéo
    Interagir via des agents conversationnels
    Analyser les données non structurées à grande échelle

    III. LE POTENTIEL DE CRÉATIVITÉ ET DE CONSEIL
    Générer une diversité de pistes de travail
    Démocratiser la création d’images

    Conclusion : Prendre en compte les limites de l’IA

    Pour aller plus loin avec Big Quali

    Bibliothèque d’outils IA

    (suite…)

  • Big Quali traduit en anglais avec en sous-titre « scaling qualitative research »

     

    In the age of Big Data and new technologies, every company has access to a mass of qualitative data – photos, videos, testimonials, etc. – that can be used to improve the quality of its communications.

    What is the value and economic interest of this qualitative data?
    How can we produce and exploit this material without drowning in it?

    Part of the answer lies in a new dimension of qualitative research: Big Qual. This approach goes beyond traditional qualitative research in several respects:

    – larger samples – forums, communities, social listening;

    – longer interrogation times – up to several weeks.

    – automated interactions enhanced by technology – software, sensors, smartphones, video, etc.;

    – expanded documentary databases.

    What are the keys to the success of Big Qual?

    • Produce quality data on a large scale, in cooperation with the public – provided you know how to stimulate them.
    • Analyzing this data with a human and cultural approach, when artificial intelligence is limited to identifying and classifying data.
    • Promoting ownership of the results through inspiring deliverables.

    The aim of this book is to use examples to illustrate the transformation of qualitative research via digital technology and to demonstrate its full potential. Shaking up traditional research approaches, Big Qual is an effective method that is accessible to everyone – marketing professionals as well as managers and decision-makers thinking about the future of their company and their brands – and within a limited time budget. 

    Daniel Bô, HEC and SciencesCom, CEO and founder of the QualiQuanti research institute, is a pioneer of online panels and qualitative and quantitative research. The author of blogs and white papers on research, he has published articles on brand content and brand culture with Dunod. With Big Qual, he offers an illustrated overview of digital methodologies and reflects on the power of qualitative research.

  • Les livrables : diffuser des résultats vivants et inspirants

     

    Les livrables sont un point contact clé des instituts d’études. Voici le chapitre 10 du livre Big Quali consacré à cette question. J’y aborde notamment l’utilisation des photos et des vidéos tout au long d’une étude, l’intérêt des techniques journalistiques et de l’Ux éditorial, l’enregistrement vidéo des présentations en mode slideshare, les modalités de transmission des résultats, les workshops. En complément, voici un document sur « à quoi ressemblent nos livrables ? » : https://lnkd.in/eMK6tXaa

    Téléchargement Big Quali chap 10

    Exemple d’utilisation de la vidéo, le témoignage d’expert enregistré en mode slidecast. Avec le logiciel Loom, Betty Touzeau, https://www.loom.com/share/9e4a91f437ba42899a2f3d0214a2560a spécialiste du e-commerce chinois, a décrypté la page produit de Supor (groupe Seb) sur le site T-Mall en scrollant le site et en commentant au fur et à mesure. Elle passe en revue l’agencement des menus, le choix des influenceurs pour représenter les produits, les mots et visuels utilisés, etc. Pour un public occidental ne connaissant pas bien la culture chinoise, ce cheminement progressif est très éclairant. Les commanditaires apprécient de pouvoir revisionner ces séances d’analyse. 
    Autre exemple d’utilisation de la vidéo pour illustrer une étude, le safari retail  : https://www.youtube.com/playlist?list=PLaU4MnGr46By2Y0xlAV8ODdc88OVHbN0b C’est le principe du retail store tour avec en plus les prises de vues. Cela demande de se déplacer pour filmer en captant la réalité au mieux afin de la restituer. Une technique d’enregistrement vidéo consiste à déam- buler in situ en marchant doucement pendant 1 à 2 minutes avec la caméra à hauteur d’homme. Nous avons utilisé régulièrement cette méthode pour l’étude sur les pop-up stores à la demande de Delphine Beer-Gabel. J’ai eu l’opportunité de filmer le pop-up store d’Havana Club au café A près de la Gare de l’Est en 2015, 2016 et 2017. La comparaison des évolutions est très instructive pour comprendre le potentiel de renouvellement d’un lieu éphémère. Merci à Emmanuel Duverrière et à Bertrand Mialet de m’avoir permis de vivre ces expériences successives. Cette étude a donné lieu à la publication de https://www.qualiquanti.com/wp-content/uploads/2019/03/Livre-Blanc-Pop-up-Store.pdf, une autre forme de livrable, le livre blanc.
  • Ouvrir les études quantitatives, 7ème chapitre de Big Quali

    Les questions ouvertes sont très intéressantes pour motiver les répondants et expliciter les réponses. Elles stimulent la participation, la réflexion, la créativité du répondant. Elles suivent la progression en entonnoir du questionnaire en s’inspirant de l’entretien semi-directif. Pour obtenir des réponses riches, il faut alterner questions fermées et ouvertes et privilégier les formats panoramiques, qui donnent une vision complète. Le digital facilite la réponse aux questions ouvertes car c’est le répondant qui tape sa réponse. La réponse aux questions ouvertes sera encore plus naturelle avec la modalité de réponse audio associée au speech-to-text.

    L’ouverture des questions présente des avantages sur le plan du contenu de l’interrogation et sur le plan ergonomique. Voici un exemple utilisé pour valider un projet de vidéo de la Macif, dont les résultats sont détaillés en fin d’article.

    https://asptest.sphinxonline.net/surveyserver/s/test6/testcamcach0521/questionnaire1.htm

    L’ouverture du questionnaire permet surtout une meilleure investigation et une collecte de données plus fine. Jean Moscarola dans son article intitulé « Les actes de langage. Protocole d’enquêtes et analyse des données textuelles[1] » montre qu’une question très structurée comme la mesure de satisfaction sur une échelle donne une impression de précision en partie illusoire. Ce type de questions systématiques (échelles, items,…) impose à l’interviewé de se situer au sein du cadre de référence de l’enquêteur. Ces questions semblent objectives alors qu’elles subissent une part de subjectivité. Pour améliorer la fiabilité des interprétations et éclairer les résultats quantitatifs, une solution consiste à combiner avec les questions fermées des questions ouvertes.

    Pour une question aussi périlleuse qu’une mesure d’intention d’achat, le recours à une double question ouverte sur “ce qui incite / n’incite pas à acheter” s’avère extrêmement utile. Cet approfondissement permet d’expliciter ce que l’interviewé a en tête au moment où il se situe sur l’échelle d’intention d’achat. Une campagne de publicité peut plaire à travers une question fermée très positive mais pour des raisons incompatibles avec la stratégie de la marque. Ces raisons sont décelables seulement grâce à l’exploitation de questions ouvertes. Une campagne de publicité rejetée dans une question quantitative peut être optimisée grâce aux enseignements de la partie qualitative. A contrario, dans les études strictement quantitatives, les résultats chiffrés non éclairés sont parfois risqués à interpréter.

    Pour lire l’article complet sur Linkedin.

    (suite…)

  • Exploration Big Quali du brand content


     

    Le brand content a fait partie des sujets, que nous avons exploré à grande échelle : veille de plusieurs centaines de cas, analyse sémiologique sur deux jours, test de nombreux exemples, recherche documentaire.

    Fin 2022, les rapports d’étude publiés en 2007 ont été rendus publics.

    Le rapport principal de l’étude en souscription qui a généré le premier livre en France sur le brand content.

    Le rapport annexe de l’étude en souscription avec une série de cas.

     

  • L’anthropologue Dominique Desjeux explique l’importance de multiplier les points de vue sur une recherche

    Le Big Quali se justifie par la nécessité d'aborder tout sujet d'étude à différents niveaux : géographique, historique, sociologique, psychologique, pratique, micro-biologique, symbolique, économique, du point de vue des jeux des acteurs, etc . Voir également ce texte de 98 avec un exemple sur la santé : https://consommations-et-societes.fr/wp-content/uploads/2017/08/1998-SHS-ECHELLE-CONSOMMATION.pdf

  • Etude sur le product content réalisée à partir de plus de 500 exemples de fiches produit : extrait et compte-rendu

    Le product content est la pierre angulaire de la conversion vers la vente. Pour en savoir plus, voir ce slidecast.

    Sur les sites de e-commerce, la fiche produit accompagne le prospect dans sa délibération d’achat. L’acte d’achat est le résultat d’un processus, qui consiste à peser les options, scruter l’objet, le comparer, regarder les avis, déterminer sa préférence et, finalement, prendre sa décision. Ce processus comporte différentes étapes, de la compréhension de l’utilité du produit à l’arbitrage, jusqu’à la projection dans l’usage.

    Le choix des contenus est donc essentiel pour aider le consommateur à se décider. Ils devront inclure les informations incontournables, dont les photos de l’objet dans tous ses aspects, des mises en contexte d’usages, le prix, les avis clients pour nourrir la délibération, les modalités de paiement et de livraison, etc. L’approche informative doit ici être complète, détaillée, bien structurée, orientée usages ; et raconter le produit et la marque d’une manière visuelle en donnant une capacité à comparer. C’est le product content, un contenu conçu pour aider le consommateur à choisir et à utiliser un produit

    En regroupant tout à la fois les fonctions jouées initialement par la publicité, le packaging, le catalogue, le bouche-à-oreille et le lieu de vente, la fiche produit peut y devenir page produit, un espace digital multimédia riche et innovant, ouvrant la voie au product content et permettant ainsi de convertir plus facilement le consommateur.

    (suite…)

  • Enquête auprès de 300 personnes avec 10 questions ouvertes : l’exemple de la caméra cachée Macif

    En mai 2021, la MACIF a demandé à l’institut d’études QualiQuanti d’évaluer un projet de caméra cachée « La Macif au banc d’essai ». Lancée le 15 juin https://youtu.be/7jlrxubyDqU (08 :48), cette vidéo a dépassé 4,5 millions de vues en deux mois avec 60% des spectateurs allant au bout des huit minutes.

    Cet article présente :

    • la méthode de test quali-quanti appliquée au cas Macif
    • les résultats clés très positifs de cette étude, qui ont conduit la direction de l’engagement de la Macif à diffuser la vidéo.


    La méthode : 300 interviews en entonnoir pour combiner exhaustivité et profondeur

    Pour évaluer cette caméra cachée, deux impératifs s’imposaient :

    • Travailler sur un panel large pour voir converger des points de vue, comprendre ce qui plaisait et ce qui pouvait être amélioré ;
    • Aller assez en détail pour définir clairement la perception de la Macif qui en découlait, et l’appréhension de chaque moment de l’histoire.

    Le dispositif s’est articulé en deux temps : l’un sur un large panel, l’autre sur un groupe plus restreint. A chaque étape ont été utilisées des questions ouvertes pour entrer dans le détail des perceptions :

    1. Une enquête semi-ouverte auprès de 300 sociétaires et prospects

    Voici un aperçu du questionnaire proposé, qui invite au visionnage de la vidéo avant de réagir : https://asptest.sphinxonline.net/surveyserver/s/test6/testcamcach0521/questionnaire1.htm

    (suite…)

  • La vente à emporter : étude auprès de 200 restaurants

    L’étude sur « Aidons les restaurants à développer la vente à emporter » est terminée. Nous avons recueilli 2000 photos, analysé plus de 200 lieux, testé de nombreux menus, interviewé des restaurateurs et recueilli les réactions d’une vingtaine de consommateurs via un forum quali online.

    Il y a une belle carte à jouer pour la vente de proximité. La plupart de ces restaurateurs établissent une relation directe avec leurs clients sans passer par Deliveroo ou Uber Eats. On voit se dessiner une nouvelle gestion de l’espace et de nouvelles expériences (dégustation gastronomique accessible à domicile).

    Récit en images sur la transformation de Paris et la réaction des consommateurs.

    Interview de 30 minutes sur Frenchweb par Maxence.

  • L’histoire des sondages

    Fiche de lecture d’un ouvrage de Loïc Blondiaux intitulé « La fabrique de l’opinion, une histoire sociale des sondages ».

    Ce livre tiré d’une thèse retrace le processus de légitimation des sondages d’opinion, et s’efforce de mettre en lumière les présupposés de cette pratique sociale trop rarement questionnée. C’est aussi une invitation à maintenir vivante la réflexion sur une pratique qui tend à se figer.

  • ARCHIVE / «Quanti / Quali» = distinction artificielle, fallacieuse et stérile ! selon Jacques Jenny

    Voici le testament scientifique de Jacques Jenny, que j’ai trouvé très inspirant.

    La thèse que je voudrais ici exposer et argumenter, c’est que non seulement les deux grands «genres méthodologiques» dénommés habituellement «Qualitatif» et «Quantitatif» sont nécessairement complémentaires – banalité largement partagée – mais surtout que leur distinction même est foncièrement artificielle, fallacieuse et par conséquent stérile et contre-productive.

    Cette division classique du travail méthodologique procède d’une illusion d’optique, provoquée par une perception tronquée de ce que sont réellement, concrètement, d’une part les pratiques et méthodes dites «quantitatives» et d’autre part les pratiques et méthodes dites «qualitatives».
    Déjà, la frontière entre les deux n’est pas toujours placée aux mêmes endroits, selon les points de vue et selon les auteurs.
    Et que dire des espèces «hybrides» ? où classer par exemple les «statistiques textuelles» et autres lexicométries, qui font entrer le langage dans le camp des mathématiques ?

    Ce qui mériterait éventuellement les qualificatifs distincts de Quantitatif et Qualitatif, ce ne sont pas des Méthodes mais ce qu’on pourrait appeler les «plate-formes techniques» de ces méthodes. Car il est exact qu’on se trouve confronté, dans un cas, à des répartitions numériques et, dans l’autre, à des énoncés langagiers – et que ces deux matériaux ont des structures et des contraintes spécifiques telles que leur analyse, leur interprétation, exige la discipline de spécialités pertinentes et performantes : disons pour simplifier, respectivement les mathématiques, les statistiques et les sciences du langage, la sociolinguistique.

    Mais les méthodes, elles, ne peuvent pas se réduire à ces disciplines spécifiques :
    – les traitements mathé-statistiques doivent impérativement prendre en compte, intégrer, les significations précises et circonstanciées des catégories de classement des objets dénombrés, ordonnés ou mesurés et, au-delà, les discours dans lesquels ces catégories prennent sens, sous peine de n’être que des «exercices de calcul»,
    – et les analyses discursives de corpus textuels ne peuvent négliger ni les «opérateurs de quantification» que contient tout énoncé ni les formes de répartition spatio-temporelle de leurs éléments constitutifs, qui contribuent à leurs significations, sous peine de n’être que des «exercices de littérature».

     

    Jacques JENNY – Sociologue retraité (ancien de l’Iresco-CNRS)

    _ _ _ _ _ _ _ _ _ _ _ _ _ _ ___ __ __ __ ___ __ ___ ____ _____ ____ ____ ____ ____