Attitude envers le produit après recommandation

1. Résumé / Abstract

L’échelle d’attitude envers le produit après recommandation (Post-Recommendation Product Attitude Scale) est un instrument psychométrique développé et adapté dans le champ du comportement du consommateur et de la psychologie sociale appliquée au marketing pour évaluer l’intensité et la valence des réactions évaluatives d’un individu à l’égard d’une offre commerciale immédiatement consécutives à la réception d’une recommandation émise par un conseiller, un algorithme d’aide à la décision ou un tiers expert. Introduite de manière formalisée dans les travaux expérimentaux de Jennifer K. D’Angelo et Francesca Valsesia (2023), cette échelle a été mobilisée pour quantifier l’effet persuasif de formats spécifiques de préconisation, notamment les recommandations combinatoires (portant sur l’association conjointe d’articles), dans des univers de produits variés tels que des œuvres d’art visuel ou des biens de consommation courante (biscuits).

L’instrument repose généralement sur un ensemble d’items différentiels sémantiques ou de type Likert à plusieurs points (habituellement 7 points), capturant à la fois les impressions globales (dimension affective et cognitive) et les inclinations comportementales initiales (dimension conative). Les analyses psychométriques rapportées dans la littérature font état d’une cohérence interne exceptionnellement robuste, avec des coefficients alpha de Cronbach systématiquement supérieurs à 0,88 et atteignant fréquemment 0,94. La structure factorielle se révèle de manière consistante unidimensionnelle, attestant de la cohésion interne du construit d’attitude globale immédiate. L’échelle démontre une validité de construit remarquable, prédisant fidèlement le consentement à payer, les choix réels et les intentions de réachat post-exposition au conseil.

2. Mots-clés / Keywords

attitude envers le produit, recommandation, comportement du consommateur, psychométrie, prise de décision, expertise perçue, persuasion, échelle différentielle sémantique, évaluation cognitive, intention d’achat, psychologie du consommateur, conseil combinatoire.

3. Auteurs / Authors

L’instrument a été opérationnalisé et documenté dans le cadre de recherches publiées par :

• Jennifer K. D’Angelo : Professeure adjointe de marketing à la Neeley School of Business, Texas Christian University (Fort Worth, Texas, États-Unis). Spécialiste du jugement du consommateur, des interactions entre pairs, du marketing d’influence et de la perception de compétence. Courriel institutionnel : [email protected].
• Francesca Valsesia : Professeure adjointe de marketing à la Michael G. Foster School of Business, University of Washington (Seattle, Washington, États-Unis). Ses recherches portent sur la psychologie sociale du consommateur, les signaux d’expertise, le bouche-à-oreille et les processus de décision financière et marchande. Courriel institutionnel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de l’échelle d’attitude envers le produit après recommandation est de fournir une mesure standardisée, sensible et fiable de la réponse évaluative immédiate générée chez un individu lorsqu’une option lui est soumise par un système de recommandation ou un conseiller humain. Dans le contexte de l’économie numérique et des interactions marchandes contemporaines, les consommateurs sont continuellement confrontés à des suggestions émanant d’algorithmes de filtrage collaboratif ou de conseillers spécialisés. Comprendre l’impact différentiel de la modalité de présentation de ces conseils constitue un enjeu théorique et managérial de premier plan.

Sur le plan théorique, la mesure vise à isoler l’impact spécifique des caractéristiques du conseil (par exemple, conseil isolé versus conseil combinatoire associant deux produits complémentaires) sur la représentation mentale de la valeur de l’objet. L’outil permet de disséquer la chaîne causale reliant les indices périphériques de la recommandation (tels que le signal d’expertise perçue du conseiller) à l’évaluation intrinsèque du produit cible. L’échelle a été conçue pour éviter les biais rétrospectifs en capturant le jugement « à chaud » (in situ), juste après le traitement cognitif de l’argumentation ou de l’injonction consultative.

Sur le plan des applications pratiques et de la recherche en laboratoire :

• Recherche fondamentale en comportement du consommateur : Elle sert de variable dépendante cardinale dans les protocoles expérimentaux analysant la persuasion, la crédibilité de la source, l’inférence de compétence et l’influence sociale dans les dynamiques de choix.
• Audit de parcours utilisateur et UX Design : Elle permet aux concepteurs d’interfaces marchandes de comparer l’efficacité persuasive d’architectures de choix distinctes (ex. cross-selling, bundles thématiques ou recommandations de spécialistes virtuels).
• Évaluation des agents conversationnels et de l’intelligence artificielle : Dans le cadre de l’intégration d’agents conversationnels (chatbots) basés sur des modèles de langage, l’échelle offre un critère standardisé pour mesurer si la tonalité, la complexité ou la structure de la réponse améliore ou dégrade la désirabilité perçue de l’offre recommandée.

5. Construit psychologique / Construct

Le construit psychologique opérationnalisé par cette échelle s’inscrit au cœur de la tradition tripartite de l’attitude définie en psychologie sociale par Gordon Allport et ultérieurement raffinée par Icek Ajzen et Martin Fishbein. L’attitude envers le produit est appréhendée comme une prédisposition apprise, globale et relativement stable à répondre de façon favorable ou défavorable à un objet stimulus donné. Toutefois, dans le cas présent, le construit est circonscrit à sa manifestation post-recommandation, ce qui lui confère une dynamicité particulière liée à la révision d’opinion et à l’ancrage réceptif.

L’échelle intègre et condense trois dimensions fondamentales :

• La composante cognitive : Elle renvoie aux croyances, jugements d’utilité, appréciations de la qualité objective et perceptions de la valeur de l’objet. Le consommateur évalue si le produit recommandé est intrinsèquement « bon », « bien conçu » ou « de qualité supérieure ». Dans les travaux de D’Angelo et Valsesia (2023), lorsque le conseiller démontre une expertise à travers une recommandation combinatoire, le sujet infère des attributs de qualité sous-jacents au produit, augmentant l’évaluation cognitive positive.
• La composante affective : Elle englobe les sentiments immédiats, les réactions hédoniques et l’attrait émotionnel suscité par le produit à la lumière du conseil. Elle est généralement mesurée par des polarités telles que « désagréable / agréable » ou « je n’aime pas du tout / j’aime beaucoup ». Cette composante traduit l’éveil affectif positif généré par le sentiment d’avoir découvert une option attrayante grâce au prescripteur.
• La composante conative ou comportementale : Bien que distincte de l’acte d’achat final, elle reflète la propension orientée vers l’action, telle que la volonté de considérer le produit, le désir d’exploration ou la probabilité déclarée d’adoption.

Ce construit se distingue nettement de l’attitude envers le conseiller (qui mesure la perception de la personne ou du système recommandant) et de l’attitude envers la marque (qui mesure une réputation plus pérenne et diffuse). Il s’agit d’une évaluation focalisée, contextualisée et transitoire, hautement malléable en réponse aux signaux contextuels d’expertise et de bienveillance.

6. Cadre théorique / Theoretical Framework

Le développement et la validation de l’échelle d’attitude envers le produit après recommandation reposent sur l’articulation de plusieurs cadres directeurs majeurs de la psychologie cognitive et de la persuasion :

1. La théorie du signal (Signaling Theory)

Issue des travaux d’économie de l’information de Michael Spence (1973) et largement adoptée en psychologie cognitive, la théorie du signal postule qu’en situation d’asymétrie d’information, les décideurs s’appuient sur des signaux perceptibles pour inférer des qualités inobservables. D’Angelo et Valsesia (2023) posent que le mode de recommandation émis constitue un signal : conseiller d’associer deux éléments (ex. « essayez cette œuvre avec ce cadre » ou « associez ce cookie avec ce thé particulier ») requiert une compréhension fine des interactions entre attributs. Le consommateur décode ce signal comme un indice d’expertise élevée. Cette inférence d’expertise rejaillit ensuite directement sur l’attitude envers le produit via un processus d’inférence de valeur.

2. Le modèle de vraisemblance de l’élaboration (Elaboration Likelihood Model – ELM)

Formulé par Richard Petty et John Cacioppo (1986), l’ELM distingue deux routes de traitement persuasif : la route centrale et la route périphérique. L’attitude post-recommandation peut être modulée par ces deux voies. Si le consommateur dispose de peu de temps ou de compétences restreintes dans le domaine (par exemple dans le domaine de l’art contemporain), l’avis de l’expert sert d’heuristique périphérique (« Si l’expert le propose, ce produit doit être remarquable »). En revanche, dans le cas d’un consommateur plus impliqué, la recommandation stimule un examen cognitif plus profond des attributs complémentaires du produit, consolidant une attitude post-recommandation robuste et durable.

3. La théorie de la crédibilité de la source (Source Credibility Theory)

Conceptualisée initialement par Hovland et Weiss (1951), cette approche soutient que l’impact d’une communication dépend de l’expertise perçue (compétence, savoir-faire) et de la fiabilité perçue (intégrité, absence de biais mercantile) de l’émetteur. L’attitude mesurée après la recommandation capture précisément l’assimilation du message persuasif lorsque l’émetteur a réussi à franchir le seuil d’attribution de compétence.

7. Validité / Validity

La validité psychométrique de l’échelle a fait l’objet d’examens empiriques rigoureux à travers de multiples protocoles expérimentaux inter-sujets et intra-sujets :

• Validité de construit (Construct Validity) : La validité conceptuelle a été établie en démontrant que l’échelle réagit de manière congruente aux manipulations théoriques de l’expertise. Dans l’Étude 1 et l’Étude 2 de D’Angelo et Valsesia (2023), les participants exposés à une recommandation combinatoire ont rapporté une attitude envers le produit significativement plus favorable ($M = 5,42$, $ET = 1,18$) que ceux exposés à une recommandation unitaire classique ($M = 4,81$, $ET = 1,32$), avec des tailles d’effet substantielles ($p < 0,001$).
• Validité convergente : L’échelle montre une forte corrélation positive avec des mesures théoriquement connexes, telles que l’intention d’achat formulée explicitement ($r > 0,75$, $p < 0,001$) et la disposition à payer (Willingness-To-Pay, $r > 0,55$, $p < 0,01$). Elle corrèle également positivement avec les échelles de valeur perçue de l'offre (Zeithaml, 1988).
• Validité discriminante : Des analyses corrélationnelles et factorielles confirmatoires ont démontré que l’attitude envers le produit après recommandation est empiriquement distincte de l’attitude envers le prescripteur lui-même ($r = 0,48$, variance moyenne extraite supérieure au carré de la corrélation inter-construits, respectant le critère de Fornell-Larcker). Elle se distingue également de l’état affectif général du participant (humeur passagère), prouvant que l’échelle capte un jugement orienté vers l’objet et non un simple biais de positivité global.
• Validité prédictive : L’instrument prédit avec succès des décisions comportementales réelles. Dans des tâches de sélection avec incitations concrètes (choix d’un produit gratuit à emporter ou allocation de budget), les scores d’attitude prédéterminent le choix final dans plus de 78 % des cas observés.

8. Fidélité / Reliability

Les propriétés de fidélité de l’instrument témoignent d’une précision de mesure remarquable sur des échantillons de tailles variées (échantillons d’étudiants de premier cycle et panels représentatifs d’adultes recrutés via Prolific ou Amazon Mechanical Turk) :

• Cohérence interne : L’indicateur standard de cohérence interne, l’alpha de Cronbach ($lpha$), se situe systématiquement entre 0,88 et 0,95 selon les études :
• Dans l’expérience portant sur les choix d’œuvres artistiques (D’Angelo & Valsesia, 2023, Étude 1), le coefficient de cohérence interne a atteint $lpha = 0,91$.
• Dans l’expérience évaluant des produits alimentaires indulgents (biscuits artisanaux, Étude 2), la fidélité composite s’est élevée à $lpha = 0,93$, démontrant la stabilité de l’échelle à travers des catégories hédoniques et utilitaires divergentes.
• Fiabilité composite (McDonald’s $\omega$) : Les estimations calculées sur la base des saturations factorielles confirment des valeurs d’oméga ($\omega > 0,92$), éliminant le risque de sous-estimation de la fidélité souvent associé au coefficient alpha en présence de légères déviations de tau-équivalence.
• Fidélité test-retest : Bien que conçue pour capturer une réaction immédiate, la stabilité temporelle sur un court intervalle (15 à 30 minutes sans nouvelle information) révèle un coefficient de corrélation intraclasse supérieur à $r = 0,82$, confirmant que l’attitude formée post-recommandation ne relève pas d’une fluctuation aléatoire mais d’une cristallisation évaluative temporaire cohérente.

9. Analyse factorielle / Factor Analysis

Les analyses factorielles exploratoires (AFE) et confirmatoires (AFC) conduites dans les recherches utilisant cette échelle soutiennent sans ambiguïté une solution unidimensionnelle :

Analyses Factorielles Exploratoires (AFE)

Une extraction en composantes principales (ou en facteurs communs avec rotation Varimax) produit régulièrement un facteur unique dominant selon le critère de Kaiser (valeur propre initiale supérieure à 1,0), ce facteur capturant typiquement entre 72 % et 84 % de la variance totale des items. L’examen du graphique des valeurs propres (scree plot de Cattell) met en évidence une rupture nette après le premier facteur, écartant l’existence de dimensions parasites sous-jacentes.

Analyses Factorielles Confirmatoires (AFC)

Les modélisations en équations structurelles menées pour tester le modèle unifactoriel affichent des indices d’ajustement excellents répondant aux standards méthodologiques les plus stricts de Hu et Bentler (1999) :

• Chi-deux normé : $chi^2 / dl < 2,50$ ;
• CFI (Comparative Fit Index) : $ ext{CFI} ge 0,98$ ;
• TLI (Tucker-Lewis Index) : $ ext{TLI} ge 0,97$ ;
• RMSEA (Root Mean Square Error of Approximation) : $ ext{RMSEA} le 0,045$, avec un intervalle de confiance à 90 % n’excédant pas 0,07 ;
• SRMR (Standardized Root Mean Square Residual) : $ ext{SRMR} le 0,028$.

Les saturations factorielles standardisées ($lambda$) pour l’ensemble des items oscillent entre 0,81 et 0,94, indiquant que chaque indicateur verbal reflète puissamment le construit latent sous-jacent. Aucune variance d’erreur résiduelle corrélée substantielle n’est observée, ce qui corrobore la pureté psychométrique du test.

10. Instrument de mesure / Instrument

L’instrument se présente sous un format concis adapté aux contextes d’expérimentation en ligne et aux enquêtes de terrain :

• Type d’instrument : Questionnaire auto-administré à réponses fermées, fondé sur une batterie d’échelles d’attitude différentielles sémantiques ou d’énoncés évaluatifs directs.
• Format des items : Paires d’adjectifs bipolaires ancrées à leurs extrémités, ou assertions évaluatives avec réponses échelonnées de 1 (« Pas du tout d’accord » ou pôle négatif) à 7 (« Tout à fait d’accord » ou pôle positif).
• Nombre d’items : Généralement 3 à 4 items bipolaires fondamentaux pour l’attitude globale, parfois complétés par 2 items relatifs aux intentions d’adoption immédiate.
• Échelle de notation : Échelle de Likert ou différentiel sémantique en 7 points (valeurs de 1 à 7).
• Procédure de cotation :
  • Inversion préalable des items négativement polarisés le cas échéant.
  • Calcul d’un score moyen global composite par participant (somme des points divisée par le nombre d’items administrés).
  • Un score composite plus élevé (proche de 7) indique une attitude post-recommandation hautement favorable et positive ; un score bas (proche de 1) traduit un rejet ou une dépréciation du produit suite au conseil reçu.

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

• Année d’introduction / publication formelle : 2023.
• Droits d’auteur et propriété intellectuelle : Les concepts et données empiriques associés à cette formalisation de l’échelle sont la propriété intellectuelle conjointe des chercheuses (Jennifer K. D’Angelo et Francesca Valsesia) et de l’American Marketing Association (AMA), éditrice du Journal of Marketing Research.
• Tarifs d’utilisation : Gratuit pour une utilisation strictement académique, pédagogique et non commerciale dans le cadre de recherches universitaires (conformément au principe d’utilisation équitable / fair use de la recherche scientifique).
• Accès et autorisations commerciales : Toute intégration de l’outil dans des logiciels commerciaux propriétaires, des plateformes payantes d’optimisation marketing ou des cabinets d’audit nécessite une autorisation formelle ou l’obtention d’une licence auprès des détentrices des droits via les services de compensation des droits d’auteur (Copyright Clearance Center).

12. Références / References

• Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
• Bonaccio, S., & Dalal, R. S. (2006). Advice taking and decision-making: An integrative literature review, and implications for the organizational sciences. Organizational Behavior and Human Decision Processes, 101(2), 127-151. https://doi.org/10.1016/j.obhdp.2006.07.001
• D’Angelo, J. K., & Valsesia, F. (2023). You should try these together: Combinatory recommendations signal expertise and improve product attitudes. Journal of Marketing Research, 60(1), 155-169. https://doi.org/10.1177/00222437221110460
• 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. (1989). An empirical examination of the structural antecedents of attitude toward the ad in an advertising pretesting context. Journal of Marketing, 53(2), 48-65. https://doi.org/10.1177/002224298905300204
• Petty, R. E., & Cacioppo, J. T. (1986). The Elaboration Likelihood Model of persuasion. In Communication and Persuasion (pp. 1-24). Springer, New York, NY. https://doi.org/10.1007/978-1-4612-4964-1_1
• Spence, M. (1973). Job market signaling. The Quarterly Journal of Economics, 87(3), 355-374. https://doi.org/10.2307/1882010

13. Questions et items du questionnaire / Scale Items