Attitude anticipée envers l’application de vente au détail

1. Résumé / Abstract

L’échelle d’attitude anticipée envers l’application de vente au détail (Anticipated Retail App Attitude Scale) est un instrument psychométrique conçu pour quantifier l’évaluation affective et cognitive globale qu’un consommateur forme de manière prospective envers une application mobile marchande avant même son adoption ou son déploiement effectif sur le marché. Introduite et formalisée dans les travaux de Barney, Hancock, Esmark Jones, Kazandjian et Collier (2022) au sein du Journal of Retailing, cette échelle s’inscrit au cœur des recherches sur les technologies interactives orientées vers le consommateur (shopper-facing retail technology) et les interfaces anthropomorphisées.

Sur le plan structurel, l’instrument repose sur une modélisation unidimensionnelle évaluant la valence attitudinale (favorable/défavorable, positive/négative, attrayante/non attrayante). Elle mobilise généralement une échelle sémantique différentielle ou une échelle de type Likert en 7 points. Les données empiriques issues d’expérimentations contrôlées indiquent des propriétés psychométriques exceptionnelles : une consistance interne robuste avec des coefficients alpha de Cronbach systématiquement supérieurs à 0,90 (couramment compris entre 0,92 et 0,96), une validité convergente confirmée par une variance moyenne extraite (AVE) excédant 0,75, et une forte validité prédictive à l’égard de l’attitude générale envers l’enseigne mère et des intentions de fréquentation en magasin. L’outil s’avère fondamental pour comprendre les transferts d’affects entre une innovation technologique projetée et le capital de marque du distributeur.

2. Mots-clés / Keywords

attitude anticipée, application mobile de vente au détail, anthropomorphisme, technologie de distribution, psychométrie, comportement du consommateur, adoption technologique, transfert d’affect, modélisation d’équations structurelles, expérience d’achat en ligne

3. Auteurs / Authors

L’échelle a été conceptualisée et validée empiriquement par une équipe de chercheurs spécialisés en marketing des services, distribution et interaction humain-technologie :

• Christian Barney — Department of Management and Marketing, Steele Hall, University of North Alabama, Florence, AL, États-Unis. Spécialiste du comportement du consommateur dans les environnements de vente au détail digitalisés. Courriel institutionnel : [email protected].
• Tyler Hancock — Department of Marketing and International Business, College of Business and Innovation, The University of Toledo, Toledo, OH, États-Unis. Recherches axées sur la psychologie de la vente, les interactions technologiques et les jugements sociaux des consommateurs. Courriel : [email protected].
• Carol L. Esmark Jones — Department of Marketing, Quantitative Analysis, and Business Law, College of Business, Mississippi State University, Mississippi State, MS, États-Unis. Experte reconnue en distribution omnicanale et en réponses affectives aux stimuli commerciaux. Courriel : [email protected].
• Brett Kazandjian — Department of Marketing, College of Business, California State University, Long Beach, Long Beach, CA, États-Unis. Ses travaux portent sur les technologies immersives, le commerce mobile et le traitement cognitif des représentations numériques. Courriel : [email protected].
• Joel E. Collier — Department of Marketing, Quantitative Analysis, and Business Law, Mississippi State University, Mississippi State, MS, États-Unis. Titulaire de la chaire Tommy et Terri Nusz en marketing, méthodologiste réputé pour ses ouvrages sur la modélisation en équations structurelles (SEM) et l’analyse avancée des données multivariées. Courriel : [email protected].

4. Objectif / Purpose

Dans un contexte de transformation numérique accélérée, les distributeurs physiques et les marques de commerce électronique déploient des applications mobiles dotées de fonctionnalités sophistiquées, intégrant fréquemment des agents conversationnels, des assistants virtuels et des éléments visuels dotés de caractéristiques humaines. L’objectif principal de l’échelle d’attitude anticipée envers l’application de vente au détail est de capturer les représentations évaluatives préalables des consommateurs face à un concept ou à un prototype d’application avant son introduction réelle sur le marché.

Contrairement aux mesures conventionnelles de satisfaction post-achat ou d’évaluation d’usage effectif, cette échelle mesure un jugement prospectif fondé sur des simulations mentales ou des prototypes de communication commerciale. Elle répond à un impératif méthodologique crucial : évaluer la désirabilité psychologique et la réceptivité affective d’un service mobile avant d’engager des investissements en capital considérables. L’échelle isole l’attitude anticipée pour examiner comment des variables de conception technique (telles que le degré d’anthropomorphisme de l’agent numérique, l’utilité perçue de l’interface ou sa convivialité) modulent le jugement évaluatif.

Au-delà de la technologie elle-même, l’instrument a pour but de documenter le phénomène de déversement évaluatif (evaluative spillover effect). Les auteurs ont démontré que l’attitude anticipée envers l’application mobile ne reste pas confinée à l’artefact numérique : elle agit comme un puissant mécanisme médiateur transmettant les réactions psychologiques initiales vers des évaluations globales de l’enseigne de distribution (store attitude), la confiance envers la marque et la propension à fréquenter les points de vente physiques. En milieu de recherche fondamentale ou appliquée (études de marché, tests de concept, UI/UX testing), elle permet de prévenir les effets de rejet technologique, d’identifier les niveaux optimaux d’humanisation des agents numériques et d’éviter les réactions aversives liées au phénomène de la « vallée de l’étrange » (uncanny valley).

5. Construit psychologique / Construct

Le construit psychologique d’attitude anticipée relève de la psychologie sociale cognitive appliquée au comportement du consommateur. Traditionnellement, une attitude est définie comme une prédisposition apprise à réagir de façon favorable ou défavorable à un objet, une personne, une institution ou un événement donné (Fishbein & Ajzen, 1975). Dans le cadre spécifique de cet instrument, l’objet d’attitude est une technologie mobile prospective liée à une enseigne commerciale.

Ce construit s’articule autour de deux dimensions sous-jacentes interconnectées au sein d’une structure factorielle de premier ordre :

• La composante affective anticipée : Elle englobe les sentiments projectifs, le plaisir ressenti à l’idée d’interagir avec l’application et l’attrait émotionnel ressenti par l’individu lorsqu’il imagine utiliser le dispositif. Par exemple, si l’application présente un avatar commercial doté d’expressions faciales ou d’un ton chaleureux, le consommateur anticipe un sentiment d’agrément, de sympathie ou, à l’inverse, un sentiment de malaise ou de rejet si l’humanisation paraît discordante.
• La composante cognitive et instrumentale anticipée : Elle renvoie au jugement rationnel sur la valeur globale, la pertinence, la qualité fonctionnelle et la conformité de l’application vis-à-vis des standards du commerce de détail contemporain. Le consommateur juge prospectivement si l’application sera une addition bénéfique ou superflue à son expérience d’achat.

Le caractère « anticipé » confère à ce construit une dynamique temporelle distincte. Il mobilise le concept de prévision affective (affective forecasting ; Wilson & Gilbert, 2003), où les consommateurs s’appuient sur des indices perceptifs limités (captures d’écran, descriptions fonctionnelles, démonstrations d’un assistant virtuel) pour inférer leur état de bien-être futur lors des interactions marchandes. Dans les études de Barney et al. (2022), cette attitude prospective reflète la synthèse cognitive résultant de la perception de chaleur (perceived warmth) et de compétence (perceived competence) attribuées à l’agent technologique.

6. Cadre théorique / Theoretical Framework

L’échelle d’attitude anticipée envers l’application de vente au détail s’ancre dans plusieurs paradigmes théoriques majeurs de la psychologie sociale, de la communication et des systèmes d’information :

La théorie de l’anthropomorphisme et le modèle à trois facteurs

Selon la théorie de l’anthropomorphisme formulée par Epley, Waytz et Cacioppo (2007), les êtres humains possèdent une tendance naturelle à imputer des caractéristiques, des intentions et des motivations humaines à des entités non humaines. Dans le contexte des applications de vente au détail, les distributeurs incorporent des éléments anthropomorphiques visuels (visages numériques, corps virtuels) et conversationnels (langage naturel, expressions empathiques). Barney et al. (2022) démontrent que l’attribution de traits humains modifie directement l’attitude anticipée envers l’outil. Cependant, cette relation suit une trajectoire non linéaire régie par l’adéquation contextuelle : une humanisation excessive d’une technologie purement transactionnelle peut susciter une dissonance cognitive et dégrader l’attitude anticipée.

Le paradigme CASA (Computers Are Social Actors)

Développé par Reeves et Nass (1996), le cadre théorique CASA postule que les individus appliquent involontairement et automatiquement des règles sociales fondamentales (politesse, réciprocité, attribution de genre et de personnalité) aux ordinateurs et aux interfaces logicielles dès lors que ceux-ci émettent des signaux sociaux minimaux. L’attitude anticipée envers l’application mesure la réponse évaluative issue de cette interaction sociale simulée : l’application n’est plus simplement perçue comme un canal de distribution abstrait, mais comme un partenaire social d’interaction commerciale.

Le Modèle d’Acceptation de la Technologie (TAM) et les théories de l’action raisonnée

Dans la lignée du Technology Acceptance Model (Davis, 1989), l’attitude envers l’utilisation d’un système constitue un prédécesseur direct de l’intention comportementale. L’attitude anticipée affine cette chaîne causale en intervenant en amont de l’utilisation continue, agissant comme un filtre perceptuel à travers lequel les bénéfices perçus (utilité, facilité d’usage) sont transformés en capital attitudinal pour la marque globale.

La théorie du transfert d’affect et l’effet de halo

La formation de l’attitude envers une extension de service technologique repose sur les principes du transfert d’affect (Aaker & Keller, 1990). Les sentiments et jugements forgés à l’égard de l’application mobile proposée « débordent » vers l’attitude globale envers le magasin (retail store attitude), illustrant un effet de halo où l’évaluation d’une composante technologique saillante restructure la perception holistique de l’entreprise distributrice.

7. Validité / Validity

Les études empiriques conduites par Barney et ses collègues (2022) dans le Journal of Retailing apportent des preuves empiriques rigoureuses quant aux qualités psychométriques et à la validité de l’échelle d’attitude anticipée envers l’application.

Validité de contenu et validité de construit

La validité de contenu repose sur l’adaptation des échelles fondamentales d’évaluation sémantique de l’attitude validées dans les travaux de référence en marketing (Mitchell & Olson, 1981 ; MacKenzie, Lutz & Belch, 1986). Les items couvrent le spectre complet du jugement évaluatif général (bon/mauvais, favorable/défavorable, positif/négatif, désirable/indésirable). Lors des analyses factorielles confirmatoires (AFC), les saturations factorielles standardisées (λ) de chaque indicateur sur le facteur latent de l’attitude anticipée excèdent largement le seuil standard de 0,70, se situant régulièrement entre 0,86 et 0,95, attestant d’une excellente validité de construit.

Validité convergente

La validité convergente est étayée par le calcul de la variance moyenne extraite (Average Variance Extracted, AVE). Dans les différents échantillons analysés (couvrant des contextes d’achats vestimentaires, d’épicerie et de biens d’équipement), l’AVE du construit surpasse systématiquement le critère conventionnel de 0,50 établi par Fornell et Larcker (1981), atteignant des valeurs oscillant entre 0,78 et 0,88. Cela démontre que le construit latent capture la grande majorité de la variance de ses indicateurs mesurés, bien au-delà de la variance d’erreur.

Validité discriminante

La validité discriminante a été testée rigoureusement par rapport aux construits adjacents dans le réseau nomologique, notamment l’anthropomorphisme perçu, la compétence perçue, la chaleur perçue et l’attitude générale envers l’enseigne :

• Selon le critère de Fornell et Larcker, la racine carrée de l’AVE pour l’attitude anticipée envers l’application est significativement plus élevée que toutes les corrélations inter-construits bivariées (√AVE > r).
• Le ratio hétérotrait-monotrait des corrélations (HTMT) reste inférieur au seuil critique le plus conservateur de 0,85, garantissant l’indépendance empirique du construit par rapport aux évaluations générales de l’enseigne.

Validité prédictive et nomologique

Au travers de trois expérimentations distinctes, l’attitude anticipée envers l’application s’est révélée être un prédicteur hautement significatif de l’attitude globale envers le magasin (β variant de 0,45 à 0,62, p < 0,001) et a médié l’impact indirect du degré d’anthropomorphisme de l’interface sur les intentions d’achat des consommateurs. L’intégration de cette échelle dans des modèles d’équations structurelles a démontré des indices d’ajustement global satisfaisants, corroborant sa validité nomologique.

8. Fidélité / Reliability

La fidélité de l’échelle d’attitude anticipée envers l’application a fait l’objet d’évaluations exhaustives dans les recherches de Barney et al. (2022) :

• Cohérence interne (Alpha de Cronbach) : Dans les différentes études expérimentales rapportées dans la publication originale, l’alpha de Cronbach (α) s’établit entre 0,93 et 0,96. Ces scores attestent d’une homogénéité interne remarquable, largement au-dessus du seuil d’admissibilité académique de 0,70 ou 0,80.
• Fiabilité composite (Composite Reliability – CR) : La fiabilité composite (coefficient de Jöreskog) a été calculée dans le cadre de la modélisation par équations structurelles. Les indices de CR dépassent systématiquement 0,92 (souvent > 0,95), confirmant que l’ensemble des indicateurs contribue fidèlement et de manière équilibrée à la mesure du construit latent.
• Fidélité à travers les conditions expérimentales : L’échelle maintient une stabilité métrique et de configuration rigoureuse à travers différentes manipulations expérimentales (présence d’avatar anthropomorphe versus interface textuelle neutre ; différents secteurs de distribution), démontrant l’invariance de mesure de l’instrument.

9. Analyse factorielle / Factor Analysis

Les investigations factorielles menées lors du développement et de la validation de l’outil ont confirmé la structure unidimensionnelle de la mesure :

Analyse factorielle exploratoire (AFE)

Lors des phases préliminaires d’analyse factorielle (extraction par composantes principales ou par factorisation en axes principaux avec rotation oblique Promax/Direct Oblimin), les résultats mettent systématiquement en évidence un facteur unique dominant selon le critère de Kaiser (valeur propre / eigenvalue > 1,0). Ce premier facteur explique couramment plus de 78 % à 84 % de la variance totale observée, sans présence de résidus factoriels significatifs.

Analyse factorielle confirmatoire (AFC)

L’ajustement du modèle de mesure unidimensionnel a été validé par AFC sous le logiciel Mplus ou AMOS, en utilisant l’estimateur du maximum de vraisemblance robuste (MLR). Les indices d’ajustement obtenus démontrent une conformité étroite avec les normes les plus exigeantes formulées par Hu et Bentler (1999) :

• Chi-deux normé (χ²/ddl) : inférieur à 2,50, indiquant un ajustement parcimonieux adéquat.
• CFI (Comparative Fit Index) : > 0,985 (témoignant d’un ajustement comparatif exceptionnel).
• TLI (Tucker-Lewis Index) : > 0,978.
• RMSEA (Root Mean Square Error of Approximation) : ≤ 0,048 (avec un intervalle de confiance à 90 % inférieur à 0,08).
• SRMR (Standardized Root Mean Square Residual) : ≤ 0,022.

Toutes les saturations factorielles (λ) sont statistiquement significatives à p < 0,001, avec des erreurs de mesure résiduelles faibles, corroborant la pureté factorielle et l’absence d’ambiguïté dimensionnelle.

10. Instrument de mesure / Instrument

L’instrument se présente sous un format d’auto-évaluation directe, administrable par questionnaire en ligne, sur tablette ou sur papier :

• Type de test : Échelle psychométrique d’attitude déclarative (auto-questionnaire standardisé).
• Format d’administration : Papier-crayon ou administration assistée par ordinateur (Qualtrics, LimeSurvey, Gorilla). Souvent administrée immédiatement après la visualisation d’une vidéo de démonstration, d’une maquette interactive (Figma/Adobe XD) ou d’une vignette textuelle décrivant la future application.
• Nombre d’items : Généralement 3 à 4 paires d’adjectifs sémantiques différentiels ou énoncés évaluatifs.
• Format de réponse : Échelle sémantique différentielle en 7 points (ex. 1 = Très défavorable, 7 = Très favorable) ou échelle de Likert en 7 points (1 = Fortement en désaccord, 7 = Fortement en accord).
• Temps de passation : Moins de 2 minutes pour l’ensemble des items.
• Procédure de cotation : Calcul de la moyenne arithmétique ou du score factoriel moyen des items. Tous les items étant libellés dans le même sens (ou recodés si des pôles inversés sont utilisés), un score plus élevé reflète une attitude prospective plus positive envers l’application de vente au détail.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

• Année de publication : 2022.
• Propriété intellectuelle et droits : L’article original est publié dans le Journal of Retailing et est sous copyright de l’Elsevier Inc. et de l’Université de New York. L’utilisation des items dans le cadre de recherches académiques non commerciales est généralement autorisée au titre de l’usage loyal (fair use), sous réserve d’une citation bibliographique complète de Barney et al. (2022).
• Tarifs : Aucun frais d’utilisation pour la recherche scientifique et universitaire. Pour toute utilisation commerciale, d’intégration propriétaire dans des plateformes SaaS d’études de marché ou de distribution commerciale, une autorisation peut être requise auprès des détenteurs de droits (Elsevier / auteurs).

12. Références / References

Les sources académiques ci-dessous documentent la conception, la validation et les fondements théoriques de l’échelle :

• Aaker, D. A., & Keller, K. L. (1990). Consumer evaluations of brand extensions. Journal of Marketing, 54(1), 27–41. https://doi.org/10.1177/002224299005400102
• Barney, C., Hancock, T., Esmark Jones, C. L., Kazandjian, B., & Collier, J. E. (2022). Ideally human-ish: How anthropomorphized do you have to be in shopper-facing retail technology? Journal of Retailing, 98(4), 685–705. https://doi.org/10.1016/j.jretai.2022.04.002
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
• Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. https://doi.org/10.1037/0033-295X.114.4.864
• Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Addison-Wesley.
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/00222438101800104
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
• MacKenzie, S. B., Lutz, R. J., & Belch, G. E. (1986). The role of attitude toward the ad as a mediator of advertising effectiveness: A test of competing explanations. Journal of Marketing Research, 23(2), 130–143. https://doi.org/10.1177/002224378602300205
• Mitchell, A. A., & Olson, J. C. (1981). Are product attribute beliefs the only mediator of advertising effects on brand attitude? Journal of Marketing Research, 18(3), 318–332. https://doi.org/10.1177/002224378101800306
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• Wilson, T. D., & Gilbert, D. T. (2003). Affective forecasting. Advances in Experimental Social Psychology, 35, 345–411. https://doi.org/10.1016/S0065-2601(03)01006-2

13. Questions et items du questionnaire / Scale Items

Les items officiels complets et protocoles expérimentaux associés sont protégés par le droit d’auteur d’Elsevier et des auteurs de l’étude. Ci-dessous figure la présentation indicative du format de mesure psychométrique standardisé adapté du paradigme évaluatif de Barney et al. (2022).