Les stratégies centrées sur le client sont des moteurs essentiels de la croissance à long terme. Elles génèrent des revenus, stimulent l’innovation, renforcent l’avantage concurrentiel et assurent la pérennité de l’entreprise. Pour devenir véritablement « customer-centric », il est essentiel de comprendre les différences et les liens entre trois notions clés : la satisfaction client (CSAT), l’expérience client (CX) et le succès client.

‍

La satisfaction client (CSAT) : une mesure ponctuelle de l’expérience

Lorsque vous effectuez un achat, vous interagissez avec plusieurs points de contact — boutiques physiques ou en ligne, personnel, processus de commande, livraison. Votre niveau de satisfaction à ce moment-là dépend de ces interactions spécifiques. C’est précisément ce que mesure la satisfaction client (CSAT) : une perception immédiate d’un moment donné dans le parcours client.

Mesurer la satisfaction permet d’identifier des points de friction précis, des axes d’amélioration produit/service ou des opportunités de développement.
La méthode la plus utilisée reste le sondage, sous de nombreuses formes :

• Borne tactile à la sortie d’un aéroport ou d’un commerce
  
  
• QR code sur une table de restaurant
  
  
• Évaluation après un appel au service client
  
  

Les questions types visent à évaluer l’interaction récente :

• Êtes-vous satisfait du service client que vous venez de recevoir ?
  
  
• Quelle note donneriez-vous à la qualité du service aujourd’hui ?
  
  
• Était-il facile d’utiliser notre site ?
  
  
• Que pourrions-nous améliorer aujourd’hui ?
  
  

La satisfaction client peut également être mesurée à l’aide d’analyse de sentiment sur les avis en ligne, les réseaux sociaux ou les conversations avec le support. Grâce à l’analyse de texte alimentée par l’IA, les commentaires ouverts peuvent être catégorisés par thèmes, ce qui permet d’identifier ce qui influence réellement la satisfaction.

‍

L’expérience client (CX) pour une perception globale et durable

L’étude de l’expérience client ne se limite pas à un point de contact, mais couvre l’ensemble de la relation sur le long terme. Par exemple, des entreprises comme Apple, Amazon, Disney ou Starbucks sont reconnues pour leurs parcours omnicanaux fluides. Que ce soit en personne, sur leur site, via une application ou à travers un produit, elles offrent une expérience cohérente qui fidélise leurs clients sur plusieurs générations.

En mesurant l’expérience client, les marques peuvent :

• détecter et corriger les points de friction tout au long du parcours,
  
  
• améliorer l’expérience globale,
  
  
• exploiter les données CSAT pour prioriser l’innovation, adapter les messages aux différentes cibles, et prendre de meilleures décisions stratégiques.
  
  

L’expérience client étant un domaine vaste, elle se mesure souvent à l’aide :

• de questionnaires quantitatifs,
  
  
• d’entretiens qualitatifs,
  
  
• de groupes de discussion,
  
  
• de forums,
  
  
• de réponses ouvertes analysées par IA.
  
  

Exemples de questions possibles :

• Sur une échelle de très satisfait à très insatisfait, comment évalueriez-vous votre expérience globale avec nous ?
  
  
• Quelle est la probabilité, sur une échelle de 0 à 10, que vous nous recommandiez à votre entourage ? (NPS)
  
  
• Veuillez décrire votre expérience avec notre service client.
  
  
• Était-il facile de commencer à utiliser notre produit ?
  
  
• Notre produit vous semble-t-il intuitif ?
  
  
• Quels mots utiliseriez-vous pour décrire notre entreprise ?
  
  
• Qu’est-ce qui pourrait vous inciter à choisir un autre fournisseur ?
  
  

‍

Le succès client pour favoriser la fidélité et la rétention

Au-delà de la satisfaction et de l’expérience, les entreprises doivent aussi donner la priorité au succès client. Il ne s’agit plus simplement de fournir une bonne interaction, mais de s’assurer que vos produits ou services permettent aux clients d’atteindre leurs objectifs à long terme. Cela mène à des partenariats durables, une augmentation de la valeur client à vie, et des opportunités de croissance partagée.

Le succès client se mesure à la fois :

• de manière quantitative pour le suivi,
  
  
• et qualitative pour une compréhension plus approfondie.
  
  

En plus des questions CSAT et CX, les études sur le succès client peuvent inclure :

• Dans quelle mesure nos services vous aident-ils à atteindre vos objectifs ?
  
  
• Quelles tâches vous permettent d’exploiter pleinement notre solution ?
  
  
• Quels bénéfices mesurables avez-vous constatés grâce à nos services ?
  
  
• Notre équipe support vous apporte-t-elle l’accompagnement nécessaire ?
  
  
• Sommes-nous proactifs dans l’optimisation de votre utilisation produit ?
  
  
• La formation reçue vous a-t-elle été utile ?
  
  

‍

Intégrer la CSAT, la CX et le succès client

Se concentrer sur la satisfaction client permet d’identifier rapidement des points de blocage isolés. Mais pour générer une croissance durable, les entreprises doivent aller plus loin : transformer les projets ponctuels de satisfaction en programmes structurés d’expérience et de succès client.

Avec une approche bien pensée, cette transformation peut donner lieu à un véritable cycle de recherche et d’action — améliorant la fidélisation, créant des ambassadeurs de marque, et accélérant la croissance de l’entreprise.

L’équipe Voxco s’engage à offrir une expérience client de qualité et à aider ses partenaires à atteindre leurs objectifs. Si vous souhaitez créer un programme sur mesure autour de l’expérience et du succès client, contactez dès aujourd’hui l’un de nos experts en expérience client.

L’une des principales différences entre un professionnel des études en début de carrière et un profil plus expérimenté réside dans sa façon de collaborer avec les clients. Beaucoup d’entre nous commencent en tant que spécialistes de l’analyse de données, et apprennent progressivement à adopter une posture plus consultative. Développer cette approche dès le départ offre des avantages aussi bien pour les professionnels que pour leurs clients.

‍

Quelles questions posent les professionnels des études vs les consultants en études ?

Un professionnel des études de marché “traditionnel” se concentre principalement sur les données. À l’aide de méthodes rigoureuses et systématiques, il collecte, analyse et restitue des données destinées à répondre à une problématique bien définie. Il peut poser (et répondre à) des questions comme :

• Quelle méthode d’étude est la plus appropriée pour mesurer ce comportement ?
  
  
• Comment limiter les biais dans un questionnaire portant sur les inégalités de revenus ?
  
  
• Quelle est la relation entre l’âge et les comportements d’achat ?
  
  
• Quelle théorie est la mieux appuyée par les données ?
  
  
• Est-ce que X entraîne Y — et si oui, par quel mécanisme ?
  
  

Les consultants en études, eux aussi, recueillent et analysent des données — mais leur perspective est plus large et orientée vers la stratégie. Leur objectif est d’extraire des insights riches, tournés vers l’avenir, pour guider la prise de décision. Ils visent à formuler des recommandations actionnables et à proposer une feuille de route stratégique à leurs clients. Leurs questions peuvent ressembler à :

• Quelle stratégie serait la plus efficace pour augmenter les ventes dans les 5 prochaines années ?
  
  
• Pourquoi perdons-nous des parts de marché, et comment inverser la tendance ?
  
  
• Laquelle de ces trois stratégies offre le meilleur retour sur investissement à court vs long terme ?
  
  
• “Préparer l’avenir” signifie-t-il s’ouvrir à une nouvelle catégorie ou à un nouveau marché ?
  
  
• Quelle stratégie permettrait d’améliorer plus rapidement le niveau d’alphabétisation des adultes ?

‍

Quelles compétences distinguent un professionnel d’un consultant en études ?

Les deux rôles nécessitent une solide expertise méthodologique, ainsi qu’une bonne maîtrise des normes professionnelles et éthiques établies par des organismes comme ESOMAR, CRIC, ou Insights Association. Voici quelques compétences clés partagées :

• Concevoir des questionnaires ou guides de discussion clairs et sans biais
  
  
• Comprendre quand et comment utiliser le CATI, les questionnaires et les outils d’analyse
  
  
• Mener des entretiens, modérer des groupes, analyser du contenu et des émotions
  
  
• Utiliser les données pour répondre à des problématiques concrètes
  
  
• Présenter des résultats compréhensibles via des rapports ou dashboards

Cependant, pour évoluer vers un rôle de consultant, il faut élargir sa palette avec des compétences plus transversales, notamment :

• Oser remettre en question la demande initiale pour proposer de nouvelles pistes
  
  
• Faire le lien entre la collecte de données et les enjeux business
  
  
• Se positionner comme partenaire stratégique auprès des décideurs
  
  
• Anticiper les besoins du client et résoudre les problèmes avant qu’ils ne se présentent
  
  
• Maîtriser l’art du récit et de la persuasion pour susciter l’adhésion et l’action
  
  

‍

Quand adopter une posture “traditionnelle” ou “consultative” ?

Certain·es professionnels aiment concevoir des méthodologies robustes et approfondir les données. D’autres préfèrent transformer ces données en décisions stratégiques. Être l’un n’exclut pas de devenir l’autre.

Les rôles d’études traditionnels sont essentiels dans les projets à grande échelle, avec des méthodologies normalisées. Dans un cadre bien défini, ils garantissent la fiabilité et la rigueur des livrables. Si vous vous reconnaissez dans ce rôle, vous êtes l’un des piliers de la génération d’insights.

Les consultants brillent dans des contextes où les insights doivent guider des décisions stratégiques. Ils excellent dans les projets collaboratifs ou inter-équipes, où l’enjeu est de créer de la valeur à long terme. Leur posture repose sur deux questions : Et alors ? et Que faire maintenant ?

Ils vont au-delà des résultats chiffrés, explorent les implications concrètes, interviennent dès la phase de cadrage du problème, et construisent un récit qui connecte les données aux décisions. Devenir ce type de conseiller stratégique demande du temps et de la pratique — mais les retours sont forts, tant en épanouissement personnel qu’en fidélisation client.

‍

C’est le moment de passer à l’action !

Si vous êtes acheteur d’études, vous avez sans doute l’habitude de collaborer avec des experts méthodologiques. Ce sont eux qui assurent le bon déroulement de vos projets. Mais dans un monde en évolution constante, intégrer des consultants en études comme partenaires stratégiques permet de mieux connecter vos données à votre stratégie — pour générer de la croissance durable.

Chez Voxco, nous accompagnons nos clients avec des outils puissants : CATI, SVI, solutions d’analyse de texte ou de sondage multi-canal. Et nous avons aussi l’expertise humaine pour transformer vos données en décisions. Nos consultants stratégiques sont là pour vous aider à tirer le meilleur de vos études.

‍

Pour les professionnels des études ayant des années, voire des décennies d’expérience en analyse de données quantitatives, l’analyse qualitative assistée par l’IA peut sembler intimidante.

Souvent, les experts se spécialisent dans l’un ou l’autre domaine — quantitatif ou qualitatif — car les compétences requises sont assez différentes. Pourtant, vous verrez vite que l’analyse qualitative a bien plus en commun avec l’analyse quantitative qu’on pourrait le croire, surtout si vous avez déjà utilisé des statistiques avancées comme l’analyse factorielle ou l’analyse en grappes.

Voyons pourquoi.

Le versant qualitatif de l’analyse factorielle et de l’analyse en grappes

Lors d’une analyse factorielle, un logiciel statistique repère les réponses qui apparaissent fréquemment ensemble. Par exemple, il établira une corrélation entre une personne qui indique être PDG et celle qui déclare avoir un revenu élevé. De même, une personne qui aime faire des économies aura probablement aussi coché des réponses liées aux coupons ou aux offres du type « un acheté = un offert ».

Quand on travaille sur une centaine de questions, il est tout simplement impossible pour un professionnel des études d’identifier manuellement toutes les corrélations significatives entre deux, trois, voire dix variables.

C’est pour cela que nous apprécions tant l’analyse factorielle ou l’analyse en grappes : le logiciel permet d’identifier rapidement des corrélations pertinentes et de regrouper 100 variables et 500 réponses possibles en différentes solutions — chacune avec 4, 5, 6, 7, 8 ou même 15 catégories.

Aucune de ces solutions n’est la vérité, mais à mesure que vous les analysez, vous développez un avis subjectif : une solution vous semblera plus logique et plus fiable que les autres.

Cette solution aura souvent :

• Moins de variables ou de réponses qui semblent mal classées,

• Moins de groupes de réponses incohérentes ou aléatoires,

• Plus de catégories cohérentes, significatives et faciles à nommer.

Après cette évaluation, vous choisirez une solution à adopter, à interpréter, et à présenter. Et même si tout ce processus repose sur des analyses statistiques avancées, vous constaterez qu’il s’agit en fait... d’un raisonnement très qualitatif.

Le versant quantitatif de la codification qualitative par IA

Il y a trente ans, bien avant l’arrivée des outils d’IA générative et automatisée, ce travail se faisait entièrement à la main. Pendant des jours, voire des semaines, les professionnels des études lisaient les réponses papier ou les transcriptions pour identifier les tendances, les idées récurrentes, et les regrouper en catégories pertinentes.

Avec l’évolution technologique, il est devenu plus facile et rapide de rechercher des concepts et d’attribuer des codes qualitatifs (ex. : genre, colère, prix) et des codes quantitatifs (ex. : 1 = Femme, 7.2 = Colère.Élevée, 32 = Prix).

Aujourd’hui, grâce à la codification des réponses ouvertes assistée par IA, il est possible de créer une structure de codification à plusieurs niveaux, d’extraire des thèmes descriptifs à partir de commentaires ouverts — en quelques minutes seulement, là où cela prenait autrefois des semaines.

Un professionnel habitué à l’analyse qualitative préférera peut-être revoir manuellement les codes pour dégager des pistes et choisir la théorie la plus convaincante.
De son côté, un expert en quantitatif pourrait voir dans les codes générés un jeu de données prêt à être analysé avec une analyse factorielle.

Que vous abordiez la démarche sous un angle quantitatif ou qualitatif, la meilleure méthode reste celle qui vous semble juste — et qui donne des résultats exploitables et fiables.

Remettre l’humain au cœur de la codification

Que les codes aient été générés par l’IA ou rédigés manuellement, cela ne signifie pas que l’analyse qualitative est terminée.

L’étape suivante consiste à analyser, interpréter et affiner ces codes pour en tirer un résultat ou une hypothèse stratégique, pertinente et exploitable :

• Quelle solution s’aligne logiquement avec une théorie existante (comportementale, sociale, économique, psychologique) ?

• Quels aspects de cette théorie sont absents dans les données ?

• Ces éléments manquent-ils parce qu’ils ne faisaient pas partie des réponses ou parce qu’ils sont passés inaperçus ?

• La solution remet-elle en question la théorie ? Ou est-ce la théorie qui semble obsolète ?

• Les résultats justifient-ils le développement d’une nouvelle hypothèse ou d’une nouvelle théorie ?

L’IA et les logiciels statistiques ne possèdent pas (encore) la compréhension émotionnelle, sociale, culturelle ou humaine de l’expérience vécue. Ce qui est statistiquement cohérent doit encore être validé, ajusté et interprété pour refléter toute la richesse du réel. C’est là que les professionnels des études apportent une valeur irremplaçable.

En résumé

L’IA n’est plus un concept futuriste. Elle est déjà bien ancrée dans notre quotidien. De l’analyse de comportements à l’élaboration d’hypothèses, vos compétences en quantitatif peuvent tout à fait s’appliquer à l’univers qualitatif. La codification assistée par IA, ce n’est qu’une nouvelle façon d’aborder une analyse factorielle ou en grappes — une approche que vous maîtrisez déjà !

Envie d’en savoir plus sur nos outils IA ? Découvrez notre solution de codification des réponses ouvertes, Ascribe, et lisez nos réponses aux 20 questions ESOMAR pour les acheteurs de services IA (EN). Et quand vous serez prêt·e à accélérer votre analyse qualitative avec une solution tout-en-un, n’hésitez pas à contacter l’un de nos experts en sondage.

‍

‍

We may not like to admit it but making mistakes is an expected part of the scientific process. As market and social researchers, we regularly discover errors, learn from them, and improve our processes because of them. You might even say that errors are essential for innovating and generating better insights. From the initial stages of data collection to later stages of results presentation, embracing mistakes is a pathway to better research.

‍

Champion Methodological Mistakes

Plenty of errors are likely to occur during the research design and data collection phase. They reveal unexpected gaps that can be anticipated and prevented in future projects with better training, tools, and processes. How can we embrace these errors?

• Expect flawed data collection tools. Whether you’re working with discussion guides, questionnaires, diaries, or bulletin board outlines, errors such as leading questions, unclear scales, and missing response options are bound to appear. Plan for these problems by including time in the schedule for colleagues to review your tools, perhaps adding incentives for creative solutions. Further, be sure to pilot test the final tool with a few participants prior to the full launch.
• Train for neutrality. As hard as we try to avoid it, questionnaire authors, interviewers, and moderators have feelings and opinions that show up as biased questions, micro-expressions/body language, and tone of voice. This unintentional lack of neutrality can decrease participation rates and distort results. To address this problem, attend refresher training courses on a regular basis. You’ll not only be reminded of common mistakes you may have forgotten about but you’ll also learn new techniques that have gained prominence since your last training.
• Plan for sampling gaps. Every researcher knows how easy it is to recruit a large group of research participants. At the same time, every researcher also knows how difficult it is to recruit participants who are representative of the target population. When budget and field dates are pressuring you, avoid the temptation to overlook representativeness. Build extra time into the schedule and actively oversample difficult target audiences from the beginning to avoid the biases that will result from settling on non-representative samples.

‍

Embrace Analytical Errors

Once data has been collected, the potential for errors doesn’t stop. By embracing errors during the analytical phase, we can achieve more thorough and nuanced data analysis.

• Seek outliers. Sometimes, outliers are discovered to be mistakes like miscodes or shifted columns. These are easily corrected. However, other outliers are analytical puzzles that need to be deciphered. It’s easy to automatically dismiss statistical anomalies but first consider whether they signal an unexpected insight. Mark the anomaly so that once you have a better understanding of the entire research problem, you can go back to it and determine if it was more meaningful than first realized.
• Contradict yourself. As you’re reviewing the analysis and building theories, actively contradict your own ideas. Try to prove the alternative hypothesis. Ask yourself what is missing. Assume errors have been made. Consider if you’ve overgeneralized beyond what the data is telling you. This will help you to avoid the confirmation bias that can arise out of early discoveries.
• Encourage dissent. Throughout your analysis, invite other team members to independently interpret your data. Incentivize them to contradict your interpretations and conclusions with plausible alternatives. And be prepared to put your ideas aside when other ideas are more likely.
• Leverage technology. Rushing through every potentially important theoretical model or statistical analysis is a fast-track to making errors. Use AI tools to dramatically improve your productivity and accuracy. Read our case studies to learn how C+R Research and Frost & Sullivan use Ascribe and Voxco Online to build complex questionnaires and code qualitative data faster, more accurately, and at a lower cost.

‍

Capitalize on Communication Glitches

In many cases, stakeholders review research reports without guidance from the researcher. Consequently, it’s essential that reports are clear, engaging, and powerful.

• Test reports with stakeholders. After spending days and weeks writing a report, your headlines and summaries will seem clear and concise – to you. Schedule sufficient time into your plan so that non-researchers can review it for clarity. Invite them to interpret and mis-interpret charts and tables, and point out conclusions that don’t make sense. Incentives are a great idea here too as many people don’t feel comfortable sharing criticisms of their colleagues’ work.
• Use plain language. As much as you love talking about various statistical tests and study designs with your colleagues, research jargon is not plain language and will not help readers who are further down the chain. Yes, share the jargon as learning opportunities but also incorporate sufficient descriptions so that people who don’t know your jargon will still understand what you’re talking about.
• Highlight limitations. Limitations are not flaws or mistakes. They are acknowledgements that research can never uncover every possible insight regarding every possible scenario. Since no one knows the limitations of the research better than you do, share details about any study constraints during verbal presentations and in the report. Preventing misunderstandings is a key part of your role and your clients will appreciate the guardrails.

‍

Convert Errors into Enhancements

Even the best researchers can’t avoid mistakes. What they do, however, is implement processes to anticipate, detect, and learn from those mistakes. Leverage AI and automation to reduce errors arising out of tedious activities. Collaborate with colleagues and other teams to invite dissenting opinions and alternative insights. Formalize debriefing sessions to identify problems and implement processes to prevent them in future projects.

Remember, mistakes aren’t failures. They’re feedback. By normalizing the presence of errors and fostering a culture of feedback, researchers can improve research validity and methodologies, build trust with stakeholders, and produce more impactful results. Embrace imperfection and the continuous improvement that goes along with it!

If you’d like to work with an experienced team of researchers who also value continual improvement, please get in touch with one of our research experts.

‍

À l’ère de l’IA, analyser des réponses ouvertes n’a jamais été aussi rapide. Mais si des modèles d’IA généralistes comme ChatGPT peuvent traiter du texte, ils manquent de précision, de structure et de compréhension métier pour coder les données de manière fiable.

C’est là qu’Ascribe Coder fait toute la différence : une solution spécialement conçue pour l’analyse des réponses ouvertes. Voici pourquoi c’est l’outil privilégié des équipes d’études.

‍

Conçu pour les études de marché et l’analyse de questionnaires

Contrairement à ChatGPT, qui est un modèle de langage généraliste, Ascribe Coder a été pensé pour catégoriser, structurer et analyser les réponses ouvertes. Son moteur d’analyse s’appuie sur une méthodologie propriétaire, perfectionnée au fil de plusieurs décennies d’expertise en études de marché. Résultat : des insights mieux codés, qui respectent les standards du secteur.

‍

Un codage fiable, cohérent et transparent

L’un des problèmes majeurs avec ChatGPT ? Sa nature générative peut entraîner des réponses incohérentes.

Avec Ascribe Coder, vous bénéficiez de :

• Un codage structuré et reproductible, avec des paramètres clairs pour garantir la pertinence des résultats.
  
  
• Une transparence totale : chaque code appliqué reste lié au contexte original de la réponse.
  
  
• Des rapports incluant les réponses partiellement codées, pour faciliter la révision et les ajustements.
  
  

‍

Codebooks personnalisables

Avec Ascribe Coder, vous gardez le contrôle sur la structure de codification :

• Créez des codebooks thématiques générés automatiquement, adaptés à votre projet.
  
  
• Définissez des structures hiérarchiques avec des regroupements à plusieurs niveaux.
  
  
• Sauvegardez et réutilisez vos codebooks pour des projets récurrents ou similaires.
  
  

Avec ChatGPT, ce type de gestion structurée n’est tout simplement pas possible.

‍

Une IA flexible, pensée pour l’efficacité à grande échelle

Les chercheurs travaillent souvent avec d’importants volumes de verbatims. Parfois, ils veulent utiliser l’IA. D’autres fois, ils préfèrent ne pas l’intégrer.

Ascribe Coder s’adapte à tous les cas de figure :

• Traitement entièrement manuel, entièrement automatisé, ou hybride — selon les besoins du projet.
  
  
• Modes génératifs et non génératifs disponibles, pour s’adapter à la nature de vos données.
  
  

ChatGPT, lui, traite un prompt à la fois. Ce n’est pas viable pour l’analyse de grande ampleur.

‍

Intégration fluide dans vos flux de travail

Ascribe Coder s’intègre facilement à vos outils d’études :

• Connexion directe à votre plateforme de collecte pour automatiser l’import de données.
  
  
• Suivi centralisé des projets pour gagner en visibilité et en efficacité.
  
  
• Accès aux livrables d’études pour faciliter le reporting.
  
  
• Outils de visualisation intégrés, pour des insights instantanés.
  
  
• Ask Ascribe : un assistant IA qui répond à vos questions sur les données en générant des synthèses ou rapports en un clic.
  
  

‍

Supervision humaine pour garantir la qualité de l’IA

L’IA doit renforcer l’expertise humaine — pas la remplacer.

Ascribe Coder place les analystes au cœur du processus :

• Supervisez les résultats générés, ajustez-les selon vos critères.
  
  
• Utilisez des outils puissants pour revoir, corriger et valider les codages.
  
  

ChatGPT, lui, fonctionne de manière autonome, sans validation structurée possible.

‍

Indépendant de la langue

Pour les études internationales, la capacité à gérer plusieurs langues est cruciale.

Ascribe Coder est agnostique :

• Il peut créer des codebooks et restituer les résultats dans n’importe quelle langue, quel que soit l’idiome d’origine.
  
  
• ChatGPT peine à gérer une analyse multilingue structurée avec cohérence.

‍

Formation et support client experts

Vous avez un projet complexe ? Un nouveau membre à former ? Un export de données à préparer ?

L’équipe Support & Formation d’Ascribe est là pour vous accompagner — avec 20 ans d’expérience terrain, elle aide les chercheurs à obtenir les résultats dont ils ont besoin pour atteindre leurs objectifs.

Ascribe est plus qu’un outil. C’est un partenaire de recherche.

‍

Conclusion

ChatGPT est un outil impressionnant, mais il n’a jamais été conçu pour les études de marché.
Ascribe Coder, lui, offre une analyse textuelle structurée, transparente, évolutive et entièrement personnalisable. Grâce à son IA propriétaire, ses intégrations fluides et ses outils interactifs sous supervision humaine, il s’impose comme la référence pour le codage des réponses ouvertes.

Vous recherchez plus de précision, d’efficacité et de contrôle ? Ascribe Coder est la solution.

Le suréchantillonnage est souvent mal compris comme une méthode d'études qui introduit un biais dans les résultats ou les données. Dans cet article, nous démontrerons qu'il est, en fait, un outil important et nécessaire pour réduire le biais dans les études sociales et de marché. En pratique, il nécessite des calculs mathématiques complexes, mais nous laisserons de côté les complexités pour nous concentrer sur les concepts généraux.

Interprétations difficiles sans suréchantillonnage

Pour votre projet d'études de marché ou sociales, vous pourriez étudier un échantillon de 300 personnes. Si nous utilisions un échantillon vraiment aléatoire, n=300 nous donnerait une marge d'erreur d'environ 6 points de pourcentage.

Dans un échantillon de 300 personnes des États-Unis, il y aurait probablement environ 6 personnes avec un doctorat (2 %), 24 personnes âgées de 74 ans ou plus (8 %) et 45 personnes dans des foyers de 3 personnes (15 %). Encore une fois, en supposant un échantillon vraiment aléatoire, la marge d'erreur serait d'environ 14 points pour le sous-échantillon de 45 personnes dans des foyers de 3 personnes, d'environ 20 points pour le sous-échantillon de 24 personnes âgées de 74 ans ou plus, et d'environ 45 points pour le sous-échantillon de 6 personnes avec un doctorat.

Effectuons une enquête en ligne hypothétique pour illustrer cela. Nous avons demandé aux gens s'ils préféraient la nouvelle saveur A ou la nouvelle saveur B ajoutée à leur paquet préféré de bonbons fruités. Notre outil d'analyse d'enquête révèle que 69 % des 300 personnes préfèrent la saveur B. Sachant que les erreurs d'échantillonnage et non d'échantillonnage peuvent s'infiltrer dans les données à de nombreux endroits, nous utilisons la marge d'erreur pour apprendre que la vérité est probablement quelque part entre 63 % et 75 %. Nous pouvons être confiants que, globalement, les gens préfèrent la saveur B.

Cependant, interpréter les résultats des sous-échantillons n'est pas simple. En raison de leurs hautes marges d'erreur, il est difficile d'être confiant quant aux saveurs que les gens préfèrent. Les personnes dans les foyers de trois personnes préfèrent probablement la saveur A, comme la plus haute marge d'erreur le suggère, jusqu'à 25 % peuvent préférer la saveur B. Pendant ce temps, les personnes âgées de 74 ans ou plus préfèrent probablement la saveur B. Cependant, les personnes avec un doctorat pourraient facilement préférer A ou B. Il est impossible de savoir. Les énormes marges d'erreur pour les petits sous-échantillons obscurcissent complètement les préférences réelles.

Le suréchantillonnage apporte de la confiance dans la prise de décision

Maintenant, faisons les choses différemment. Prenons toujours un échantillon aléatoire de 300 personnes car nous devons préserver les caractéristiques démographiques et la représentation de la population au sein d'un échantillon de taille appropriée. Mais cette fois, ajoutons des personnes supplémentaires afin que chacun des sous-échantillons ait 50 personnes. Aux 300, nous suréchantillonnerons 5 personnes dans des foyers de 3 personnes, 26 personnes âgées de 74 ans ou plus, et 44 personnes avec un doctorat pour un nouveau total de 375 personnes.

Ces ajouts signifient que les personnes dans les foyers de trois personnes représentent maintenant 13 % au lieu de 15 % de l'échantillon, les personnes âgées de 74 ans ou plus représentent maintenant 13 % au lieu de 8 %, et les personnes avec un doctorat représentent maintenant 13 % au lieu de 2 %. En augmentant chaque sous-échantillon à 50 personnes, nous avons perdu la représentativité de la population, mais nous avons amélioré la marge d'erreur.

Maintenant que nous avons des tailles de sous-échantillon plus grandes, le Tableau 2 montre des scores de préférence plus précis parmi les sous-échantillons : seulement 5 % des personnes dans des foyers de 3 personnes, 65 % des personnes âgées de 74 ans ou plus, et 10 % des personnes avec un doctorat préfèrent B. Après avoir pris en compte les marges d'erreur, nous réalisons que les personnes dans des foyers de 3 personnes préfèrent A, les personnes âgées de 74 ans ou plus préfèrent B, et les personnes avec un doctorat préfèrent A. Et, parmi les 375 personnes au total, 59 % préfèrent B.

Comment s'assurer que le suréchantillonnage n'introduit pas de biais

Bien que nous puissions déterminer que 59 % des 375 personnes préfèrent B, ce score ne reflète pas la population car nous avons suréchantillonné sur trois caractéristiques. Au lieu de cela, nous devons rapporter un score de préférence où les personnes dans des foyers de 3 personnes sont 15 % et non 13 % de l'échantillon, les personnes âgées de 74 ans ou plus sont 8 % et non 13 %, et les personnes avec un doctorat sont 2 % et non 13 %.

En pondérant les résultats totaux selon ces pourcentages, nous pouvons déterminer que 66 % de l'échantillon total préfèrent la saveur B. Avec la marge d'erreur, nous savons que la vérité se situe probablement entre 60 % et 72 %. Nous pouvons être confiants que la population préférerait la saveur B.

Le suréchantillonnage nous a apporté deux avantages majeurs. D'abord, nous avons découvert que l'utilisation de tailles d'échantillon insuffisamment petites a conduit à une surestimation des préférences pour la saveur B parmi les sous-échantillons. Et, nous avons légèrement surestimé la préférence globale pour la saveur B parmi l'échantillon total. En exploitant le suréchantillonnage, nous avons réduit le biais d'échantillon et augmenté la précision pour à la fois l'échantillon total et les trois sous-échantillons.

Résumé

Choisir parmi des saveurs, des formes, des tailles et des couleurs n'est pas nécessairement révolutionnaire mais cela peut l'être. Par exemple, nous pourrions avoir besoin de comprendre quelle forme d'emballage faciliterait l'ouverture des médicaments par les personnes, quel ensemble d'instructions convaincrait davantage de personnes à terminer leurs médicaments, ou quelle couleur de signalisation attirerait les gens dans un établissement de santé. Il y a des

situations commerciales et d'études infinies où il est profondément important que la précision par le suréchantillonnage et la pondération soit atteinte.

Le suréchantillonnage et la pondération ne sont pas des concepts faciles à saisir, et ils ne sont pas statistiquement simples à mettre en œuvre. Heureusement, parce que nous disposons de logiciels spécialisés et de statisticiens experts à nos côtés, la plupart des professionnels des études n'ont besoin que de comprendre pourquoi le suréchantillonnage et la pondération sont importants, comment ils fonctionnent généralement, et quand rapporter les résultats pondérés et non pondérés.

Si vous souhaitez en savoir plus sur l'échantillonnage et la pondération, n'hésitez pas à contacter l'un de nos experts en enquêtes. Nous serions heureux de vous aider à naviguer dans cette technique essentielle !

Tous les professionnels des études sont confrontés à la question du « pourquoi ». Pourquoi les gens se comportent-ils d'une certaine manière ? Pourquoi les gens préfèrent-ils des produits d'une certaine forme, d'une certaine taille ou d'une certaine couleur ? Pourquoi les gens préfèrent-ils une certaine marque ? Ces types de questions « pourquoi » amènent souvent les professionnels des études à se demander si une méthode qualitative ou quantitative est la meilleure option pour un projet d'étude de marché particulier.  

Mais le « pourquoi » n'est pas une question réservée à la prise de décision concernant l'utilisation d'études qualitatives ou quantitatives. Il s'agit plutôt d'une question que les professionnels des études sociales et de marché devraient se poser tout au long du processus d'études. 

Pourquoi la méthodologie que vous avez choisie est-elle la plus appropriée ?  

Les professionnels des études qui se spécialisent dans les études par questionnaire sont extrêmement compétents dans leur domaine. En fait, ils peuvent probablement répondre à n'importe quelle question commerciale que vous leur posez en élaborant un questionnaire complet et détaillé. De même, les professionnels des études qualitatives peuvent résoudre un large éventail de problèmes commerciaux à l'aide de groupes de discussion et d'entretiens individuels. Nous savons cependant que toutes les questions d'études ne peuvent pas être résolues de manière optimale en utilisant votre méthodologie préférée.     

• Mesures de référence : Cherchez-vous à obtenir des données de référence sur la fréquence, l'ampleur et la durée ? Dans ce cas, les études quantitatives sont votre meilleure option. Si la plupart des gens se tournent immédiatement vers les questionnaires, il existe en effet de nombreuses autres options quantitatives. Les méthodes biométriques telles que l'oculométrie, l'EEG, la réponse galvanique de la peau et la variabilité du rythme cardiaque offrent des mesures valables et fiables. De même, l'analyse des données clients, l'analyse du web et l'exploration des données pourraient être des méthodes quantitatives plus appropriées. Sachez POURQUOI vous avez choisi votre méthode quantitative spécifique. 

• Généralisabilité : Essayez-vous de généraliser les comportements ou les émotions d'un petit groupe de personnes à une population beaucoup plus large ? Dans ce cas, vous devrez commencer par un échantillon aléatoire assez large, représentatif de la population en termes de données démographiques et psychographiques clés. Historiquement, les méthodes quantitatives étaient la seule option, mais les innovations en matière d'intelligence artificielle ont changé la donne. Historiquement, les méthodes quantitatives étaient la seule option, mais les innovations en matière d'IA ont changé la donne. Aujourd'hui, la recherche qualitative peut être menée à une échelle beaucoup plus grande, car des outils comme Ascribe peuvent coder et analyser de grandes quantités de données qualitatives avec des niveaux de précision élevés.  

Il y avait autrefois une séparation claire entre la recherche quantitative et qualitative et ce qu'elle peut faire, mais ce n'est plus le cas. Les chercheurs doivent se demander pourquoi ils ont recours à des méthodologies traditionnelles alors que de nouvelles options s'ajoutent chaque jour à notre boîte à outils.    

Pourquoi les questions sont-elles si monotones ?  

La plupart des outils de collecte de données pour les études de marché consistent à poser des questions aux gens. Où faites-vous vos courses ? Qu'est-ce que vous achetez ? Quand achetez-vous ? Combien en achetez-vous ? Pourquoi achetez-vous ? Ce sont des questions simples et directes. Mais réduire notre vie à ces questions simples revient à nier la complexité de notre vie et de nos processus de décision. La simplicité est une bonne chose, mais les questions simples suscitent des réponses superficielles et habituelles plutôt que des réflexions profondes et personnelles.  

Nous devons plutôt nous poser les questions suivantes : Pourquoi ai-je formulé la question de cette manière ? Pourquoi ai-je choisi cette série de réponses ? Pourquoi ai-je toujours recours à des questions types ? Pourquoi tous mes questionnaires utilisent-ils les mêmes questions ? Lorsque nous examinons nos questionnaires de la même manière que nous attendons des participants qu'ils examinent leurs réponses, nous obtenons des questions plus efficaces.  

Les questions simples n'ont pas besoin d'être ennuyeuses et peu complexes pour générer des réponses réfléchies. Choisissez les cinq questions les plus importantes de chaque questionnaire et prenez trente minutes pour réfléchir à dix alternatives pour chacune d'entre elles. Rédigez autant de questions absurdes que possible. Imaginez des scénarios inhabituels, des partenaires d'achat inattendus et des occasions d'achat improbables. Visez l'étrange et l'inattendu. Même si aucune des questions qui en résultent n'est bonne, le processus vous poussera à poser des questions plus intéressantes et plus stimulantes pour vos participants.  

Pourquoi avez-vous choisi ce type de rapport ?  

La façon la plus rapide de terminer un rapport est de le rédiger en PPT ou en Word. C'est ce que nous avons toujours fait et c'est ce que les clients ont toujours attendu. Mais il n'y a aucune raison, hormis la convention, pour que les résultats soient partagés de cette manière. L'objectif d'un rapport est de partager ou d'enseigner un enseignement clé, et non de créer des pages d'écriture. Alors pourquoi avoir choisi PPT ou Word ?  

Pensez à ce que vous aimez faire pendant votre temps libre. Peut-être aimez-vous lire ? Dans ce cas, Word pourrait être le type de rapport parfait pour vous. Mieux encore, imaginez qu'il prenne la saveur de votre auteur préféré et qu'il soit écrit comme un roman d'amour, un roman policier ou un roman historique. Ce pourrait être le livre le plus captivant que vous ayez jamais lu et vous en garderez certainement un souvenir impérissable.  

Imaginez que vous prépariez une recette de cuisine pour un cuisinier, un résumé Spotify de titres de chansons correspondant à quatre personas d'acheteurs pour un mélomane, ou un jeu de société de stratégies pour attirer de nouveaux acheteurs pour un ludophile ? Imaginez leur engagement et l'impact de ce rapport. Les options sont infinies... une collection de « coupures de journaux », des « lettres d'un amoureux », un puzzle, des cartes à collectionner. L'astuce consiste à découvrir ce qui est le plus significatif pour l'auteur de la recherche.  

Il est évident que le rapport créatif doit être accompagné d'un addendum contenant des résultats détaillés, mais il n'y a aucune raison pour que l'outil pédagogique le plus important soit de la prose.  

Quelle est la prochaine étape ?  

Un moyen extrêmement efficace de réussir en affaires consiste à rejeter le statu quo. Au lieu de cela, demandez-vous pourquoi. Pourquoi ai-je choisi ceci - parce que vous avez en fait choisi chaque aspect du processus de recherche, même si vous l'avez fait sans réfléchir. Faites suivre ce pourquoi de plusieurs questions jusqu'à ce que vous soyez sûr d'avoir choisi la meilleure voie, et non la plus facile, la plus rapide ou la plus simple.  

Pour les études quantitatives, cela pourrait signifier recommander des entretiens qualitatifs avec codage et analyse par IA pour votre prochain projet. Pour les auteurs de questionnaires, cela pourrait signifier le rejet de votre modèle traditionnel et l'élaboration d'un nouveau modèle rempli d'options créatives qui inspirent une réflexion approfondie. Quel que soit votre pourquoi, il vous mettra certainement sur la voie d'études plus efficaces et plus engageantes. Nous serions ravis d'être sur cette voie, alors n'hésitez pas à prendre contact avec l'un de nos experts en enquêtes ! 

Familiarisez-vous avec l'IA

Qu’on l’aime ou non, l’intelligence artificielle (IA) est là pour rester et elle est en train de tout changer. Dans l’industrie des études, elle a infiltré le recrutement, l’échantillonnage, la conception de la recherche, la création de questionnaires, la modération des interviews, l’analyse des données, les rapports et bien plus encore. Impossible d’éviter l’IA.  

Si vous souhaitez maintenir votre pertinence et votre bonheur dans votre travail, il est essentiel de collaborer avec l'IA et d'acquérir des compétences en la matière. Vous n’avez pas besoin de devenir un programmeur ou un développeur, mais il est important de pouvoir engager des conversations significatives et prendre des décisions éclairées. Voici quelques ressources gratuites et payantes pour vous aider à démarrer. 

• Coursera : L'une de mes sources gratuites préférées pour apprendre et améliorer ses compétences, Coursera propose une multitude de cours gratuits et payants dispensés par de nombreuses institutions accréditées que vous connaissez déjà. Parfait pour les débutants, vous pouvez vous inscrire à leur cours en ligne gratuit intitulé « AI for Everyone » enseigné par Andrew Ng de l'Université de Stanford. Ce cours se concentre sur la compréhension de la terminologie, ce à quoi vous pouvez vous attendre de l'IA, comment l'utiliser et comment l'utiliser de manière éthique. Aucune compétence technologique ou expérience n’est requise pour bénéficier de ce cours.
• Université de Harvard : Si vous souhaitez briller un peu et que vous maîtrisez déjà Python, ce cours est pour vous. Harvard propose de nombreux cours gratuits au public, dont un intitulé : « CS50’s Introduction to Artificial Intelligence with Python ». Vous y apprendrez les algorithmes, l’apprentissage automatique, les principes de l'IA et comment utiliser l'IA avec Python. N’oubliez pas de mettre cette certification sur votre page LinkedIn !
• NewMR : Si vous préférez être plus observateur et absorber des informations en cours de route, inscrivez-vous à la newsletter sur l’IA de Ray Poynter. Avec de nombreuses discussions sur la façon d'utiliser l'IA et des informations sur des webinaires et de nouveaux outils, Ray vous tiendra informé de tout ce que les experts en études devraient savoir. C’est une excellente option pour ceux qui estiment être trop âgés ou trop avancés dans leur parcours professionnel pour commencer à apprendre quelque chose de nouveau, car Ray ne l’est pas !

Améliorez vos compétences en conception de questionnaires

Peu importe combien d’années d’expérience vous avez dans la rédaction de questionnaires, il y a toujours quelqu’un d’une autre industrie avec des expériences différentes qui peut vous offrir quelque chose de nouveau à apprendre. Que ce soit de nouveaux types de questions ou des perspectives que vous n'aviez pas envisagées auparavant, développez vos compétences en conception de questionnaires avec un cours gratuit ou payant, un webinaire ou un livre.

• ESOMAR Academy : Toujours une mine de connaissances actualisées, ESOMAR propose régulièrement des cours en ligne, dont celui-ci intitulé « Empathetic Survey Design » par Jon Puleston et Martha Espley. Rempli de données issues de leurs propres recherches, vous y apprendrez sûrement des techniques utiles que vous n’aviez pas envisagées auparavant.
• Coursera : Les choix sur Coursera sont interminables. Que vous préfériez l’approche des psychologues, des sociologues, des anthropologues ou des économistes, il existe un cours sur la conception de questionnaires pour vous. Pour une approche complète, essayez le cours « Questionnaire Design for Social Surveys » proposé par l’Université du Michigan.
• People Aren’t Robots : Passez cette option si vous n'aimez pas que les auteurs fassent la promotion de leurs propres livres ! En revanche, si c'est votre cas, « People Aren't Robots » est un livre court mais détaillé, avec de nombreux exemples qui vous inciteront à rédiger de meilleurs questionnaires. Partant du principe que les gens sont imparfaits, il offre une perspective rare sur la manière d'être plus aimable avec les personnes qui répondent aux questionnaires. 

Il est facile de se frustrer lorsque l’on voit son secteur d’activité prendre une direction qui ne correspond pas à celle que l’on souhaite suivre. Heureusement, il existe une solution simple : rejoignez votre association nationale et prenez les commandes !

• Insights Association : Si vous êtes basé aux États-Unis, l’Insights Association œuvre en votre nom pour défendre, protéger et créer de la demande pour l’industrie des études et des analyses. Les bénévoles participent à l’élaboration de normes de qualité, à la formation, à la certification et bien plus encore. Impliquez-vous dans quelques petits projets pour voir l’impact considérable que vous pouvez avoir.
• CAIP et CRIC : Si vous êtes basé au Canada, vous avez deux options pour aider à orienter votre association nationale. Les individus peuvent devenir Certified Analytics and Insights Professionals (Professionnels certifiés en analyses et études) et les entreprises peuvent rejoindre le Canadian Research Insights Council. Dans les deux cas, faites du bénévolat en tant que membre d'un conseil d'administration ou d'un comité et concrétisez vos priorités.
• Esomar : Prêt à faire un geste audacieux et à avoir un impact mondial ? Alors Esomar est l’endroit qu’il vous faut ! Vous pouvez avoir l’impression de ne pas être encore prêt à vous présenter pour un poste au conseil ou pour un poste de représentant national, mais il existe de nombreuses autres façons de faire entendre votre voix. Cela pourrait être au sein de comités de projets qui travaillent sur des tâches spécifiques comme les lignes directrices et les publications, ou de comités de programmes qui planifient des événements et des contenus. Contactez Esomar pour découvrir comment concrétiser vos idées.

Et après ?

Comme le dit le proverbe, le meilleur moment pour commencer, c’est maintenant. Que ce soit le 1er janvier ou le 30 juin, stimulez votre esprit avec un cours, un webinaire, un livre ou un email à votre association nationale. Et lorsque vous serez prêt à mettre en œuvre vos nouvelles compétences en conception de questionnaires ou à tester un système d'analyse de texte IA et de codage des verbatim, discutez avec l’un de nos experts en enquêtes et IA. Nous serions ravis de faire partie de votre parcours de croissance !

‍

Quelles que soient les précautions prises, une fausse précision se glisse dans les résultats et les rapports de recherche. Qu’il s’agisse de la conception des études, des tests statistiques ou de l’incapacité générale à accepter les limites des personnes et des données, les chiffres paraissent souvent plus précis qu’ils ne le sont en réalité. Les professionnels des études de marché peuvent toutefois essayer de minimiser les fausses précisions afin que les responsables du marketing puissent prendre des décisions commerciales plus éclairées.

Intégrer autant de rigueur que possible

Les professionnels des études de marché disposent de nombreux outils pour réduire le risque de fausse précision, mais trois techniques fondamentales sont particulièrement importantes.

Premièrement, utilisez des échantillons de la plus grande taille possible. Bien qu’il n’y ait pas de taille d’échantillon « idéale » applicable à toutes les études, on peut dire que plus il y en a, mieux c’est. Dans le domaine des études de marché, un échantillon de 700 personnes par groupe offre souvent la précision nécessaire pour déterminer si deux groupes sont différents – dans ce cas, 10 % contre 15 % seront probablement statistiquement différents. Lorsque les budgets conduisent à des tailles d’échantillon de 200 à 300 par groupe, la fiabilité diminue et la fausse précision augmente.

Deuxièmement, utilisez des groupes de comparaison ou de contrôle aussi souvent que possible. Sans comparaison, il est impossible de savoir dans quelle mesure le hasard a affecté les données. Le taux de rappel de votre marque était-il réellement de 10 % ou 10 % des gens se seraient-ils souvenus d’une marque que vous venez d’inventer ? Est-ce que 10 % des gens ont essayé, acheté, aimé ou recommandé votre produit ou est-ce que 10 % des gens auraient dit la même chose d’une marque que vous venez d’inventer ? Quelle que soit la prudence dont ils font preuve, les gens se souviendront toujours mal et comprendront mal des choses apparemment évidentes.

Troisièmement, lorsque l’occasion se présente, utilisez un véritable échantillon aléatoire. Si vous avez la chance de travailler avec des élèves inscrits dans une école ou des caissiers employés dans un magasin, il peut être possible d’obtenir le consentement d’un échantillon de la population. Malheureusement, la plupart des études de marché n’ont pas accès à une liste de clients/acheteurs/utilisateurs et ne peuvent donc pas en bénéficier.

Utiliser le moins possible de chiffres significatifs

Les chiffres sont faciles à générer. Il suffit de soumettre un questionnaire à 700 personnes, d’effectuer des chi-carrés, de calculer des valeurs p et d’élaborer des tableaux d’un millier de pages. Cependant, les chiffres qui en résultent ne sont pas la véritable réponse. Ce sont des représentations de constructions subjectives complexes basées sur des êtres humains faillibles et peu fiables. Alors que la vérité est de 68 %, le résultat d’un sondage peut être de 61 % ou de 69 %. Dire que 61,37 % des personnes recommanderaient l’hypothétique marque C est une grossière erreur d’utilisation des décimales.

Les décimales sont peut-être la source la plus problématique de fausse précision, en particulier dans le monde des études de marché. Pour éviter cela, n’utilisez pas de décimales lorsque les pourcentages sont compris entre 5 % et 95 %. De même, évitez d’utiliser deux décimales lorsque vous présentez des résultats de type Likert. Ne vous aventurez à utiliser une ou plusieurs décimales que lorsque vous travaillez avec des échantillons de grande taille provenant d’échantillons réellement aléatoires.

Mieux encore, si vous êtes courageux et que vous voulez exprimer votre appréciation de la fausse précision, arrondissez 61,37 % à « environ 60 % ».

Utiliser les tests statistiques à bon escient

Tout comme l’intelligence artificielle, les tests statistiques sont dénués de sens lorsqu’ils ne sont pas accompagnés d’une supervision humaine.

Les rapports de tabulation peuvent inclure des milliers de tests t et de tests chi-carré mais, par construction, nous savons que 5 % des résultats significatifs sont des erreurs de type I. Pire encore, nous ne savons pas lesquels de ces résultats significatifs sont faux. Parce qu’ils sont faciles à trouver et excitants à rapporter, il est facile d’abuser de ces résultats significatifs. Pour aider les lecteurs à saisir le concept de fausse précision, il est bon de partager des tendances corroborantes provenant d’autres sources, telles que le rapport de recherche de l’année dernière, les données de fidélité, les données économiques ou politiques.

Si vous avez la chance d’utiliser des échantillons aléatoires, indiquez toujours les marges d’erreur. De plus, indiquez toujours les intervalles de confiance disponibles. Bien que ces chiffres intègrent également un degré de fausse précision, les lecteurs ont besoin qu’on leur rappelle que toutes les statistiques communiquées ne sont pas gravées dans le marbre.

Le plus important est de s’assurer que le lecteur comprend que les chiffres présentés ne sont pas la vérité. Au contraire, ils sont beaucoup plus proches de la vérité que les hypothèses.

Résumé

La fausse précision est un piège dans lequel il est facile de tomber, surtout lorsque les résultats de la recherche correspondent à vos hypothèses. Elle peut donner lieu à des interprétations trompeuses, à des prises de décision erronées et, en fin de compte, à des conséquences négatives pour les entreprises. Cependant, en étant conscients des limites des modèles de recherche et des rapports de données, et en offrant des instructions claires sur la meilleure façon d’interpréter les chiffres, les chercheurs peuvent aider les professionnels du marketing à mieux comprendre leurs données et à prendre des décisions plus éclairées et plus précises. Si vous êtes curieux de savoir si la fausse précision peut se présenter dans vos études, n’hésitez pas à prendre contact avec l’un de nos experts en enquêtes !

Les entreprises se livrent à une course effrénée pour montrer comment leurs innovations en matière d’IA aident les entreprises à réaliser des gains significatifs dans le traitement des données de manière plus rapide et plus précise. Cependant, comme pour toute chose, il est rarement judicieux de sauter dans le train sans plan d’action.

Au fil des ans, les outils d’IA se sont développés dans divers secteurs et leur utilisation a permis de tirer des enseignements pour les futurs innovateurs. Voici quelques-unes de ces leçons.

Les pivots soudains sont judicieux

Bien que cela semble remonter à une éternité, il y a seulement huit ans que Microsoft a lancé le chatbot Tay. Il est immédiatement devenu un outil de conversation ludique avec de petites bizarreries mignonnes. Cependant, les gens ont rapidement cessé d’avoir des conversations amusantes avec lui pour s’engager dans des cas d’utilisation plus controversés. Ils ont réalisé qu’ils pouvaient entraîner Tay et lui ont rapidement appris à devenir raciste, sexiste et haineux.

Ce résultat inattendu a permis de tirer deux enseignements importants. Tout d’abord, Microsoft a réagi rapidement et a retiré Tay de la circulation. Le retrait de Tay ne reflète pas nécessairement un échec, mais plutôt un risque calculé dans l’entonnoir de l’innovation. Deuxièmement, comme nous l’avons déjà appris des méthodes de « Privacy by design », l’incident de Tay a renforcé la nécessité pour les outils d’IA d’incorporer des modèles d’« Ethics by design ». Grâce en partie à Tay, la plupart des outils d’IA intègrent désormais des garde-fous éthiques. Prenez des risques, mettez vos innovations sur le marché, mais veillez à ce qu’elles soient préconstruites avec des processus de détection et de prévention des abus.

Les normes minimales viables sont relatives

Vous souvenez-vous de l’apparition des sèche-mains équipés de capteurs dans les toilettes ? Ils fonctionnaient très bien pour de nombreuses personnes, mais il est vite apparu qu’ils n’étaient pas fiables pour les personnes à la peau plus foncée. Les développeurs n’avaient pas testé le produit sur des personnes à la peau plus foncée. D’une manière générale, nous avons constaté que les outils d’IA sont souvent biaisés en faveur des visages pâles et masculins parce que les autres personnes sont exclues en quantité suffisante des données d’entraînement de l’IA. Par conséquent, nous avons désormais des normes minimales plus élevées pour les ensembles de données d’entraînement, et nous veillons à ce qu’ils incluent des personnes reflétant un large éventail de données démographiques, en particulier dans les études sociales et de marché.

Nos normes se sont améliorées au fil du temps, mais elles diffèrent également en fonction du cas d’utilisation. Dans le secteur des études, par exemple, si vous devez coder des verbatims de questionnaires pour comprendre quelle couleur de savon les gens préfèrent, une précision de 85 % convient pour ce travail. Passer de 85 % à 95 % ne changera pas le résultat de l’étude, mais cela prendra plus de temps et coûtera plus cher. En revanche, s’il s’agit de comprendre l’efficacité de différentes thérapies de santé mentale, il est préférable d’atteindre une précision de 99 % grâce à un codage automatisé complété par un codage manuel. Les situations de vie ou de mort nécessitent une plus grande précision. Les normes sont relatives.

Veiller à ce que les personnes conservent le contrôle final

Si vous demandez à plusieurs outils concurrents de génération d’images par IA de créer une image de poissons dans une rivière et qu’ils montrent tous des sushis et des rouleaux maki nageant en amont, l’image n’est pas valide pour autant. En fait, après avoir vu une seule image, les gens sauraient que le résultat n’est pas valable.

C’est précisément pour cette raison qu’il est nécessaire de faire appel à des personnes pour confirmer la validité et la précision des outils d’IA. Par exemple, au cours du développement de notre outil de codage qualitatif, Ascribe, nous avons comparé les résultats générés par l’outil d’IA aux résultats générés par des codeurs humains experts. Il faut du temps pour générer continuellement des résultats dans divers secteurs et sujets, puis pour tester ces résultats avec le codage humain. Ce processus continu est toutefois un temps bien utilisé pour garantir que la qualité des résultats de l’IA est comparable, voire supérieure, à celle des résultats humains.

La prise de risque prudente gagnera la course à l'IA

La perfection est insaisissable, même à l’ère de l’IA. Tout produit, aussi avancé soit-il, a ses limites. Si certains défauts, comme ceux observés avec Tay, peuvent nécessiter des changements radicaux, la plupart peuvent être corrigés par de petites modifications ou en découvrant les cas d’utilisation optimaux. Le secret d’une innovation réussie réside dans un équilibre entre des idées audacieuses, une adaptation agile et le courage de prendre de petits risques calculés. Si vous souhaitez en savoir plus sur notre approche de l’utilisation judicieuse de l’IA, n’hésitez pas à contacter l’un de nos experts Ascribe ou en Intelligence Artificielle.