1. Résumé
L’échelle Branded App Usability: Personalisation (BAU-P), développée et validée par Tae Hyun Baek et Chan Yun Yoo en 2018, constitue une sous-échelle psychométrique essentielle du modèle multidimensionnel de l’utilisabilité des applications mobiles de marque (Branded App Usability). Cet instrument d’évaluation mesure spécifiquement la perception qu’a le consommateur d’être traité comme un client unique et privilégié, ainsi que la capacité de l’application mobile à délivrer des informations et des fonctionnalités parfaitement adaptées à ses besoins individuels. Composée de 3 items formulés de manière concise et administrés selon une échelle de réponse de type Likert en 7 points (allant de 1 = « Fortement en désaccord » à 7 = « Fortement en accord »), l’échelle BAU-P capture la facette relationnelle et personnalisée de l’expérience utilisateur (User Experience, UX) dans le contexte du commerce mobile (m-commerce) et du marketing relationnel numérique.
Sur le plan des qualités psychométriques, l’instrument a fait l’objet d’un processus rigoureux de développement et de validation comprenant des revues systématiques de littérature, des groupes de discussion qualitative (focus groups), des évaluations de validité de contenu par des jurys d’experts, ainsi que des analyses factorielles exploratoires (AFE) et confirmatoires (AFC) conduites auprès d’un échantillon représentatif de 319 utilisateurs américains réguliers de smartphones. Les analyses psychométriques attestent d’une excellente cohérence interne, d’une fiabilité composite élevée et d’une variance moyenne extraite (Average Variance Extracted, AVE) de 0,62, confirmant une validité convergente robuste. L’échelle démontre une validité discriminante nette vis-à-vis des autres dimensions de l’utilisabilité (information, commodité, design et interaction sociale) et présente une forte validité prédictive à l’égard de la fidélité à la marque (brand loyalty), de l’engagement continu et des intentions d’achat des consommateurs.
2. Mots-clés
utilisabilité, application de marque, personnalisation perçue, marketing mobile, expérience utilisateur, fidélité à la marque, psychométrie, analyse factorielle confirmatoire, engagement du consommateur, interface mobile
3. Auteurs
L’échelle BAU-P a été conçue et formalisée par :
- Tae Hyun Baek, Ph.D. — Professeur associé en communication stratégique et publicité, School of Journalism and Media, College of Communication and Information, University of Kentucky (Lexington, Kentucky, États-Unis). Ses recherches se concentrent sur la psychologie du consommateur numérique, le marketing d’influence, l’interaction humain-machine et l’efficacité des médias publicitaires interactifs.
- Chan Yun Yoo, Ph.D. — Professeur et directeur de recherche en publicité et médias interactifs, Department of Advertising and Public Relations, Grady College of Journalism and Mass Communication, University of Georgia (Athènes, Géorgie, États-Unis). Ses travaux portent sur le traitement cognitif de la publicité en ligne, les métriques d’engagement digital et la modélisation des comportements sur les plateformes interactives.
4. Objectif
L’objectif fondamental de la sous-échelle BAU-P est de quantifier empiriquement le niveau de personnalisation perçue offert par une application mobile développée sous l’égide d’une marque commerciale. Alors que les métriques d’utilisabilité logicielles traditionnelles — telles que le System Usability Scale (SUS) ou les normes ISO 9241-11 (centrées sur l’efficacité, l’efficience et la satisfaction) — évaluent les systèmes informatiques sous un prisme strictement instrumental et ergonomique, elles échouent à saisir les résonances symboliques, relationnelles et affectives inhérentes aux applications mobiles de marque. Une application de marque ne sert pas uniquement à réaliser une tâche utilitaire (par exemple, consulter un solde bancaire ou passer une commande) ; elle constitue un point de contact permanent (touchpoint) incarnant les valeurs de la marque et visant à consolider le lien affectif entre le consommateur et l’organisation.
L’intégration de la personnalisation au sein du méta-construit d’utilisabilité comble une lacune théorique et méthodologique majeure. L’instrument permet de répondre aux questions suivantes : dans quelle mesure l’application reconnaît-elle l’utilisateur en tant qu’entité singulière ? Comment l’algorithme d’adaptation de contenu répond-il aux préférences idiosyncrasiques de l’individu sans paraître intrusif ? En milieu organisationnel et en recherche appliquée, la BAU-P permet aux gestionnaires de marque (brand managers), aux concepteurs d’expérience utilisateur (UX designers) et aux chercheurs en sciences de gestion d’évaluer l’efficacité des fonctionnalités d’hyper-personnalisation (recommandations intelligentes de produits, alertes géolocalisées pertinentes, interfaces adaptatives, flux de contenu sur mesure).
Sur le plan diagnostique, l’utilisation de l’échelle permet de corréler directement les défaillances de personnalisation à des phénomènes d’attrition utilisateur (app abandonment) ou d’insatisfaction relationnelle. Dans le cadre de protocoles d’expérimentation A/B testing ou d’études longitudinales, la BAU-P offre un standard psychométrique étalonné facilitant la comparaison de différentes versions d’algorithmes de recommandation et la mesure de leur impact sur le capital-marque (brand equity).
5. Construit psychologique
Le concept de personnalisation perçue dans l’écosystème numérique représente une évaluation cognitive et affective subjective par laquelle un utilisateur juge qu’un système technologique adapte son comportement, son interface et ses contenus en fonction de ses caractéristiques individuelles, de son historique d’interactions et de ses préférences explicites ou implicites. Dans le modèle de Baek et Yoo (2018), la personnalisation n’est pas traitée comme une simple caractéristique technique objective du système informatique (telle que la présence d’une base de données relationnelle ou d’un moteur de filtrage collaboratif), mais comme un construit phénoménologique ancré dans la perception de l’utilisateur.
5.1. Les composantes du construit
Le construit opérationnalisé par la sous-échelle BAU-P repose sur deux dimensions psychologiques complémentaires :
- La valorisation de l’unicité du consommateur (Statut individuel) : Cette facette renvoie au besoin fondamental d’estime et de reconnaissance de soi dans la relation d’échange. Lorsque l’application adapte son accueil, son ton rédactionnel ou son parcours transactionnel à l’historique du client, ce dernier développe un sentiment de considération individuelle (feeling of uniqueness). Ce sentiment s’oppose à la perception d’un traitement générique de masse, où l’utilisateur ne se sent qu’un identifiant anonyme dans une cohorte indistincte.
- L’adéquation informationnelle contextuelle (Pertinence perçue) : Cette dimension concerne l’alignement précis entre l’offre de contenu transmise par l’application et les besoins concrets, immédiats ou latents, exprimés par l’utilisateur. Elle englobe la pertinence des notifications, l’élimination des signaux publicitaires non pertinents et la fourniture proactive de solutions adaptées à la situation personnelle de l’utilisateur.
5.2. Distinctions conceptuelles
Il convient de distinguer rigoureusement la personnalisation (personalization) de la customisation (customization). La customisation réfère à un processus descendant déclenché par l’utilisateur, qui configure manuellement ses paramètres, ses thèmes graphiques ou ses alertes. En revanche, la personnalisation mesurée par la BAU-P capture un processus ascendant et proactif : c’est l’application — via son intelligence logicielle et sa politique de gestion de la relation client (CRM) — qui s’ajuste dynamiquement à l’individu, générant chez ce dernier une perception de prise en charge attentionnée et individualisée.
6. Cadre théorique
L’élaboration de l’échelle BAU-P s’inscrit au confluent de plusieurs théories majeures issues de la psychologie cognitive, des sciences de l’information et du comportement du consommateur :
6.1. La théorie de l’adéquation cognitive (Cognitive Fit Theory)
Initiée par Iris Vessey (1991), la Cognitive Fit Theory postule que l’efficacité et l’efficience de la résolution d’une tâche dépendent de la concordance entre le format de présentation de l’information et les processus cognitifs de l’individu. Transposée à l’univers des applications de marque, la personnalisation réduit la charge cognitive de l’utilisateur en filtrant le bruit informationnel ambiant et en fournissant des représentations qui correspondent exactement aux schémas mentaux et aux besoins situationnels de l’individu. L’adéquation cognitive génère une aisance de traitement (processing fluency) qui se traduit par des jugements hédoniques favorables envers l’application et la marque porteuse.
6.2. La théorie des usages et gratifications (Uses and Gratifications Theory – U&G)
Issue des travaux de Katz, Blumler et Gurevitch (1974), l’approche des Usages et Gratifications envisage les utilisateurs de médias comme des agents actifs guidés par des motivations ciblées pour satisfaire des besoins spécifiques. Dans les environnements interactifs mobiles, la personnalisation répond directement à des gratifications instrumentales (gain de temps, optimisation transactionnelle) et psychosociales (reconnaissance de l’identité, valorisation du statut). Baek et Yoo (2018) mobilisent ce cadre pour expliquer comment la satisfaction de ces gratifications via l’utilisabilité personnalisée conduit à un usage répété de l’application et à un attachement durable.
6.3. Le marketing relationnel et la théorie de la réciprocité psychologique
Sur le versant relationnel, l’échelle mobilise les fondements de la norme de réciprocité formulée par Alvin Gouldner (1960). Lorsqu’une marque déploie des efforts technologiques perceptibles pour fournir un service personnalisé qui prend soin de l’individu, le consommateur interprète cette personnalisation comme un signe d’engagement et de bienveillance organisationnelle. En réponse, il est psychologiquement enclin à rendre la pareille par une fidélité accrue (brand loyalty), une diffusion de bouche-à-oreille positif et une tolérance supérieure face aux erreurs mineures du service.
7. Validité
Le protocole de validation de la sous-échelle BAU-P documenté par Baek et Yoo (2018) a fait appel à un ensemble d’analyses statistiques sophistiquées garantissant sa robustesse méthodologique :
7.1. Validité de contenu et validité faciale
La génération initiale des énoncés découle d’une triangulation méthodique : revue exhaustive des échelles d’interaction humain-machine et de commerce électronique, suivie d’entretiens qualitatifs approfondis au sein de focus groups. Les items préliminaires ont ensuite été soumis à un panel d’experts académiques et professionnels spécialisés en marketing mobile et en ergonomie numérique afin d’évaluer la clarté linguistique, la pertinence conceptuelle et la redondance des énoncés, permettant d’isoler les trois indicateurs les plus discriminants.
7.2. Validité convergente
La validité convergente vérifie que les items mesurent de manière homogène le même construit latent. Lors de l’analyse factorielle confirmatoire menée sur l’échantillon de 319 utilisateurs, les saturations factorielles standardisées (factor loadings) de l’ensemble des trois items ont toutes dépassé le seuil recommandé de 0,70 (p < 0,001). De surcroît, la variance moyenne extraite (AVE) s’est élevée à 0,62. Selon les critères conventionnels établis par Fornell et Larcker (1981), une AVE supérieure à 0,50 confirme qu’une proportion majoritaire de la variance observée dans les indicateurs est imputable au construit théorique sous-jacent plutôt qu’à l’erreur de mesure aléatoire.
7.3. Validité discriminante
La validité discriminante a été examinée selon la règle de Fornell-Larcker, en comparant la racine carrée de l’AVE de la dimension personnalisation (√0,62 ≈ 0,787) avec les corrélations inter-construits reliant la personnalisation aux quatre autres dimensions de l’utilisabilité globale des applications de marque (Information, Commodité, Design, Interaction sociale). Dans chaque comparaison bivariée, la racine carrée de l’AVE est demeurée strictement supérieure au coefficient de corrélation inter-dimensionnel, attestant que la personnalisation constitue un phénomène psychologique empiriquement distinct des aspects purement informationnels ou esthétiques de l’interface.
7.4. Validité prédictive et nomologique
La validité nomologique et prédictive de la BAU-P a été éprouvée par le biais de modèles d’équations structurelles (Structural Equation Modeling, SEM). Les résultats indiquent que la personnalisation perçue exerce un effet direct et positif statistiquement significatif sur l’évaluation globale de l’utilisabilité de l’application de marque, laquelle prédit puissamment la fidélité globale envers la marque (loyauté attitudinale et comportementale). De surcroît, la personnalisation est associée positivement à une augmentation du temps d’utilisation hebdomadaire et à une intention de revisite continue de l’application.
8. Fidélité
La consistance interne et la fiabilité de la sous-échelle BAU-P ont été confirmées à plusieurs niveaux d’analyse lors des études empiriques de Baek et Yoo (2018) :
- Consistance interne (Alpha de Cronbach) : L’indice de cohérence interne Alpha de Cronbach calculé pour la sous-échelle à 3 items s’établit bien au-delà du seuil critique standard de 0,70, atteignant des valeurs supérieures à 0,80, ce qui dénote une inter-corrélation exemplaire entre les items sans redondance sémantique excessive.
- Fiabilité composite (Composite Reliability – CR) : La fiabilité composite du construit calculée dans le cadre de l’AFC dépasse largement le seuil requis de 0,80, garantissant que les variables manifestes reflètent avec précision la variable latente sous-jacente.
- Sensibilité et erreur de mesure : L’absence d’items inversés minimise les biais cognitifs d’inattention, et l’emploi d’une échelle de réponse en 7 points offre une granularité de variance adéquate, réduisant l’erreur standard de mesure (SEM) et évitant les effets de plafond ou de plancher souvent observés sur des échelles plus courtes à 4 ou 5 échelons.
9. Analyse factorielle
Le calibrage factoriel de l’échelle d’utilisabilité des applications de marque s’est déroulé en deux étapes séquentielles rigoureuses :
9.1. Analyse factorielle exploratoire (AFE)
Au cours de la phase initiale d’épuration des données, une analyse factorielle exploratoire employant la méthode d’extraction des axes principaux (principal axis factoring) assortie d’une rotation oblique (Promax), tenant compte des corrélations naturelles entre les sous-dimensions de l’expérience utilisateur, a été mise en œuvre. Les tests préalables de sphéricité de Bartlett (p < 0,001) et l’indice de Kaiser-Meyer-Olkin (KMO > 0,85) ont attesté d’une excellente adéquation des données à la factorisation. Les trois items de la dimension personnalisation se sont regroupés sans ambiguïté sur un facteur unitaire distinct doté d’une valeur propre (eigenvalue) supérieure à 1,0, n’affichant aucune saturation croisée (cross-loading) problématique supérieure à 0,30 sur les autres composantes.
9.2. Analyse factorielle confirmatoire (AFC)
L’architecture multidimensionnelle de premier et second ordre a été modélisée par analyse confirmatoire auprès des 319 répondants sous le logiciel AMOS/LISREL. Les indices d’ajustement global du modèle structurel ont révélé une congruence remarquable entre la structure théorique proposée et les données empiriques observées :
- Chi-deux normalisé (χ²/df) : Inférieur au seuil conventionnel de 3,0, reflétant un ajustement parcimonieux adéquat.
- Comparative Fit Index (CFI) : Supérieur à 0,95, attestant d’une amélioration notable par rapport au modèle d’indépendance de référence.
- Tucker-Lewis Index (TLI) : Dépassant le standard de 0,95.
- Root Mean Square Error of Approximation (RMSEA) : Inférieur à 0,06 (avec un intervalle de confiance à 90 % étroit), signalant une résidualisation minimale de l’erreur d’approximation dans la population.
- Standardized Root Mean Square Residual (SRMR) : Inférieur à 0,05.
Chacun des trois items de la BAU-P présente un coefficient de régression standardisé univoque et hautement significatif (t-values > 10,0), ce qui démontre la solidité statistique de la structure factorielle isolée par les auteurs.
10. Instrument de mesure
- Nom complet de l’instrument : Branded App Usability: Personalisation (BAU-P)
- Auteurs de référence : Tae Hyun Baek et Chan Yun Yoo (2018)
- Type d’évaluation : Questionnaire d’auto-évaluation psychométrique (self-report measure)
- Domaine d’application : Ergonomie numérique, psychologie du consommateur, marketing relationnel mobile, conception d’applications mobiles
- Nombre d’items : 3 items unifactoriels
- Format de réponse : Échelle de Likert à 7 points (1 = Strongly Disagree [Fortement en désaccord] à 7 = Strongly Agree [Fortement en accord])
- Temps moyen de passation : Moins de 2 minutes
- Modalités de calcul et de cotation :
- Aucun item inversé (pas de recodage préalable nécessaire).
- Le score global de personnalisation s’obtient en calculant la moyenne arithmétique (ou la somme brute) des scores accordés aux 3 items.
- Le score moyen s’échelonne ainsi de 1,00 à 7,00 (ou un score cumulatif de 3 à 21).
- Interprétation des scores : Un score élevé reflète une perception marquée de personnalisation, où l’utilisateur se sent activement reconnu, valorisé individuellement et alimenté en informations calibrées selon ses exigences particulières. Un score faible signale une expérience standardisée, générique, déconnectée des impératifs singuliers de l’usager.
11. Permissions, Tarifs et Année du test
- Année de publication princeps : 2018
- Statut des droits d’auteur : L’article fondateur et l’instrument d’évaluation sont protégés par le droit d’auteur détenu par l’American Academy of Advertising et diffusé par l’éditeur Taylor & Francis Group.
- Conditions d’utilisation et permissions : L’usage des 3 items de l’échelle BAU-P est autorisé à titre gratuit dans le cadre strict de la recherche scientifique fondamentale, des thèses universitaires et des travaux académiques non commerciaux, sous réserve d’une citation bibliographique intégrale de l’article source de Baek et Yoo (2018). Pour des intégrations dans des outils d’évaluation commerciale ou des logiciels propriétaires, les licences d’exploitation doivent être sollicitées auprès de Taylor & Francis.
- Tarif d’utilisation : Gratuit pour la communauté académique et scientifique.
12. Références
- Baek, T. H., & Yoo, C. Y. (2018). Branded app usability: Conceptualization, measurement, and prediction of consumer loyalty. Journal of Advertising, 47(1), 70–82. https://doi.org/10.1080/00913367.2017.1405756
- 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/10.1177/002224378101800104
- Gouldner, A. W. (1960). The norm of reciprocity: A preliminary statement. American Sociological Review, 25(2), 161–178. https://doi.org/10.2307/2092623
- Katz, E., Blumler, J. G., & Gurevitch, M. (1974). Utilization of mass communication by the individual. In J. G. Blumler & E. Katz (Eds.), The uses of mass communications: Current perspectives on gratifications research (pp. 19–32). SAGE Publications.
- Vessey, I. (1991). Cognitive fit: A cognitive explanation in the theory of decision making. Information Systems Research, 2(1), 63–84. https://doi.org/10.1287/isre.2.1.63