Échelle de transparence de l’utilisation des données

1. Résumé / Abstract

L’Échelle de transparence de l’utilisation des données (connue dans la littérature scientifique anglophone sous l’appellation Data Use Transparency Scale ou DUTS) est un instrument psychométrique conçu pour évaluer la perception qu’ont les consommateurs du caractère intelligible, accessible et ouvert des pratiques de gestion des données personnelles déployées par une organisation. Initialement formalisée par Martin, Borah et Palmatier (2017) au sein de leur recherche séminale publiée dans le Journal of Marketing, cette échelle s’inscrit au carrefour de la psychologie du consommateur, de la gestion de la relation client et de l’éthique computationnelle du traitement de l’information.

L’instrument mesure principalement un construit unidimensionnel focalisé sur la communication perçue autour de la gouvernance informationnelle : il quantifie la manière dont l’utilisateur estime que l’entreprise divulgue ses politiques de collecte de façon explicite, honnête et sans ambiguïté cognitive. Dans le modèle conceptuel de Martin et de ses collaborateurs, la transparence perçue fonctionne comme une variable régulatrice et inhibitrice clé (suppressor variable) atténuant l’impact toxique de la vulnérabilité perçue des données sur le sentiment d’atteinte à la vie privée (privacy violation) et sur la dégradation subséquente de la confiance organisationnelle.

Composée de trois à quatre items principaux selon les variantes d’administration expérimentale et survey, l’échelle utilise un format de réponse de type Likert gradué en 7 points, s’étalant de « Fortement en désaccord » (1) à « Fortement d’accord » (7). D’un point de vue psychométrique, la DUTS fait preuve de propriétés statistiques exemplaires documentées empiriquement : une cohérence interne élevée (avec des coefficients alpha de Cronbach systématiquement supérieurs à 0,88 et une fiabilité composite excédant 0,90), une validité convergente attestée par une variance moyenne extraite (AVE) supérieure à 0,70, ainsi qu’une excellente validité discriminante vis-à-vis des construits de contrôle des données, de vulnérabilité et de risque perçu. Cet outil constitue aujourd’hui un standard méthodologique pour étudier les dynamiques d’acceptation technologique, le respect du Règlement Général sur la Protection des Données (RGPD) et le comportement transactionnel numérique.

2. Mots-clés / Keywords

Transparence des données, Confidentialité des données, Psychologie du consommateur, Échelle psychométrique, Confiance numérique, Vulnérabilité informationnelle, Théorie du commérage, Gouvernance des données, Éthique du marketing, Modélisation par équations structurelles.

3. Auteurs / Authors

L’échelle a été conceptualisée et validée empiriquement par une équipe de chercheurs de premier plan dans le domaine de la stratégie marketing et de l’analyse relationnelle :

• Kelly D. Martin : Professeure de marketing à la College of Business de l’Université d’État du Colorado (Colorado State University, Fort Collins, Colorado, États-Unis). Spécialiste de la stratégie marketing relationnelle, de l’éthique de la consommation et de la gestion de la vie privée des consommateurs. Courriel institutionnel : [email protected].
• Abhishek Borah : Professeur associé de marketing à l’INSEAD (Fontainebleau, France / Singapour). Expert en stratégie de contenu numérique, médias sociaux, communication de crise et impact des technologies émergentes sur la valeur de marque. Courriel institutionnel : [email protected].
• Robert W. Palmatier : Titulaire de la chaire John C. Narver en administration des affaires à la Michael G. Foster School of Business de l’Université de Washington (University of Washington, Seattle, Washington, États-Unis). Chercheur émérite et ancien coéditeur du Journal of Marketing, internationalement reconnu pour ses travaux sur le marketing relationnel, les canaux de distribution et la valeur client. Courriel institutionnel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de l’Échelle de transparence de l’utilisation des données est de saisir avec précision la variance subjective des perceptions des clients concernant la clarté, l’exhaustivité et la loyauté des flux d’information émis par une entreprise au sujet de ses opérations de traitement de données. À l’ère de l’économie de la surveillance, du profilage algorithmique et de l’exploitation massive du Big Data, les consommateurs font face à une opacité structurelle. Les contrats d’utilisation et les politiques de confidentialité sont traditionnellement rédigés dans un jargon juridique impénétrable, générant ce que les théoriciens de la cognition désignent sous le terme d’ambiguïté perçue ou d’asymétrie d’information punitive.

La DUTS ne mesure pas la transparence objective ou technique d’un système informatique (comme le code source ouvert ou les registres formels de traitement), mais plutôt la transparence psychologique perçue. Cette distinction est cruciale en sciences comportementales : un système peut être techniquement conforme aux obligations légales tout en étant perçu par l’individu comme profondément opaque, hostile ou dissimulateur. L’échelle évalue donc dans quelle mesure l’organisation parvient à désamorcer l’anxiété liée à l’exploitation des données privées en établissant des communications bilatérales lisibles, transparentes et intelligibles.

Sur le plan de la recherche fondamentale et appliquée, la DUTS remplit trois fonctions cardinales :

• Compréhension des médiations relationnelles : Elle permet aux chercheurs de modéliser les mécanismes fins par lesquels la collecte de données engendre soit de la valeur relationnelle, soit du ressentiment. Elle démontre que la collecte n’est pas intrinsèquement destructrice de valeur si la transparence perçue prévient l’émergence d’un sentiment de trahison.
• Diagnostic et audit stratégique : Pour les praticiens, les consultants en expérience utilisateur (UX) et les délégués à la protection des données (DPO), l’échelle fournit un outil de mesure quantitative standardisé permettant de comparer différentes interfaces de consentement, formats d’avis de confidentialité (politiques résumées, infographies, fenêtres surgissantes explicatives) et politiques de communication de crise post-violation de données.
• Évaluation des interventions comportementales : Dans les protocoles expérimentaux (tests A/B, modèles de choix discrets), l’échelle sert de variable dépendante ou de variable de contrôle pour évaluer si une modification ergonomique ou discursive altère favorablement le jugement éthique porté par les usagers sur la firme.

La justification théorique repose sur le constat empirique établi par Martin et al. (2017) : l’absence de transparence déclenche des heuristiques de suspicion. Lorsque les individus constatent qu’une entreprise détient des données intimes sans avoir expliqué comment elles ont été acquises ni à quelles fins elles sont employées, ils infèrent une intention malveillante. L’échelle capture ainsi la capacité d’une entreprise à désamorcer ces attributions causales défavorables.

5. Construit psychologique / Construct

Le construit mesuré par la DUTS est la transparence perçue de l’utilisation des données (Perceived Data Use Transparency). Dans la structure théorique élaborée par Martin, Borah et Palmatier, ce construit est défini comme « le degré auquel un client perçoit les activités de gestion des données d’une entreprise comme étant claires, ouvertes et faciles à comprendre ». Il s’agit d’une perception globale formée à partir des signaux communicationnels, des interactions directes et de la présentation de l’information contractuelle.

Bien que l’échelle soit opérationnalisée comme un construit de premier ordre unidimensionnel hautement parsimonieux afin de faciliter son intégration dans des modèles d’équations structurelles complexes, elle encapsule trois facettes psychologiques fondamentales :

A. La clarté communicationnelle (Clarity)

Cette composante réfère à la limpidité sémantique du message. Elle traduit l’absence de jargon hermétique, de dissimulation rhétorique ou de complexité artificielle dans les explications fournies par l’entreprise. Un consommateur percevant une clarté élevée n’a pas besoin de déployer un effort cognitif disproportionné pour déchiffrer ce que la firme réalise avec ses identifiants, ses coordonnées géographiques ou son historique de navigation. À titre d’illustration, lorsqu’une plateforme de commerce électronique indique simplement : « Nous utilisons votre historique de recherche pour vous proposer des recommandations de taille personnalisées », elle maximise la clarté communicationnelle, contrastant vivement avec une clause mentionnant l’agrégation de données pour l’optimisation non spécifiée d’expériences tierces.

B. L’ouverture et la divulgation proactive (Openness / Disclosure)

L’ouverture mesure la disposition perçue de l’entreprise à divulguer volontairement, sans contrainte perçue, la réalité intégrale de ses opérations de traitement. Elle s’oppose à la rétention d’information (information withholding). Un score élevé sur cette facette indique que le consommateur perçoit que l’entreprise n’a « rien à cacher » et qu’elle assume publiquement ses méthodes de monétisation ou d’analyse. Par exemple, une organisation qui révèle proactivement l’identité de ses partenaires de traitement et la durée exacte de conservation des données génère une perception d’ouverture robuste.

C. L’intelligibilité et la facilité d’accès cognitif (Ease of Understanding)

Cette dimension évalue l’expérience métacognitive de fluidité (processing fluency) ressentie par l’utilisateur lorsqu’il tente de se représenter le circuit de ses données. Il ne s’agit pas uniquement de la formulation lexicale, mais de l’architecture générale de l’information (mise en page, hiérarchisation visuelle, disponibilité immédiate au moment opportun). Une information peut être techniquement claire mais enfouie dans un hyperlien de bas de page inaccessible ; elle échoue alors sur le plan de l’intelligibilité pratique.

Au sein du réseau nomologique de la vie privée, la transparence perçue se distingue nettement du contrôle perçu des données. Le contrôle renvoie au sentiment d’agentivité du client, c’est-à-dire à sa capacité directe d’autoriser, de modifier, de restreindre ou de supprimer ses données (droits d’accès et d’opposition). La transparence, quant à elle, relève du domaine épistémique : c’est l’état de connaissance et de visibilité offert par l’organisation. Un individu peut bénéficier d’une totale transparence sans pour autant avoir le pouvoir de modifier les pratiques de l’entreprise (par exemple, dans le cas d’un monopole d’infrastructure publique), tout comme il peut posséder des leviers de contrôle formels rendus inefficaces par une opacité radicale sur la manière dont ces leviers opèrent.

6. Cadre théorique / Theoretical Framework

L’ancrage théorique majeur de la DUTS repose sur une transposition novatrice et rigoureuse de la théorie du commérage (Gossip Theory), issue de l’anthropologie évolutionniste et de la sociologie comportementale (notamment conceptualisée par des auteurs comme Robin Dunbar, Roy Baumeister et leurs collègues), combinée à la théorie du contrat psychologique et à la théorie de la violation des attentes (Expectancy Violations Theory).

La transposition de la théorie du commérage au comportement informationnel

Dans les groupes sociaux humains, le commérage consiste en la transmission d’informations personnelles sur un individu absent à des tiers. Les recherches en psychologie évolutionniste démontrent que le commérage génère une détresse psychologique et une sensation aiguë de vulnérabilité lorsque le sujet de la discussion :

• Ignore que des informations le concernant sont partagées ;
• Ignore l’identité des personnes qui reçoivent ces informations ;
• N’a aucun moyen de vérifier l’exactitude des propos relayés ;
• Soupçonne que ce partage s’opère à des fins d’exploitation sociale ou de dégradation de son statut.

Martin, Borah et Palmatier (2017) ont brillamment théorisé que la collecte et le partage de données corporatives modernes fonctionnent, dans l’inconscient cognitif du consommateur, exactement comme une forme industrialisée de commérage institutionnel. Lorsqu’une firme collecte des données sans transparence et les échange avec des courtiers de données (data brokers), des régies publicitaires ou des affiliés invisibles, le consommateur active les mêmes signaux d’alarme ancestraux que s’il était victime d’un commérage malveillant dans sa communauté. Il se sent trahi, espionné et exposé.

Dans ce cadre conceptuel, la transparence perçue agit comme l’antidote psychologique direct aux pathologies du commérage. Lorsqu’une firme informe ouvertement le consommateur, elle rompt le caractère clandestin du partage de données. L’acte n’est plus assimilé à une conspiration en coulisses, mais à un échange transactionnel convenu d’un commun accord. La transparence élimine le « secret » qui caractérise le commérage toxique, réduisant ainsi la propension du client à inférer que l’entreprise viole son intégrité.

L’effet de modération suppressive (Suppressor Effect)

Sur le plan mécanique de la dynamique relationnelle, Martin et al. (2017) postulent et démontrent empiriquement que la vulnérabilité perçue des données génère deux réactions en chaîne dévastatrices pour l’entreprise :

1. L’activation d’un sentiment subjectif de violation de la vie privée (privacy violation), vécu comme un préjudice moral et une rupture de contrat relationnel ;
2. La destruction subséquente de la confiance et l’apparition de comportements punitifs (boycott, rétention d’achats, propagation de bouche-à-oreille négatif, recours judiciaire).

La transparence de l’utilisation des données intervient ici comme un puissant régulateur en amont. En clarifiant la nature des flux de données, elle neutralise l’évaluation cognitive primaire de la menace. Bien que la vulnérabilité objective (le fait que les données soient enregistrées sur un serveur) persiste, son potentiel à déclencher un sentiment de violation est neutralisé par la transparence. L’inconnu hostile devient un environnement maîtrisé et prévisible.

7. Validité / Validity

La validité psychométrique de l’Échelle de transparence de l’utilisation des données a fait l’objet d’examens statistiques approfondis au moyen de multiples échantillons indépendants combinant des méthodologies d’enquêtes transversales, des panels longitudinaux de consommateurs et des devis expérimentaux randomisés en laboratoire et sur le terrain.

Validité de construit et validité convergente

La validité convergente a été démontrée par des analyses factorielles confirmatoires (AFC) au sein de modèles de mesure en équations structurelles. Dans l’étude originale de Martin et al. (2017), les résultats attestent d’une excellente convergence :

• Toutes les saturations factorielles standardisées (λ) des items sur le facteur latent de transparence dépassent le seuil critique de 0,70, oscillant généralement entre 0,82 et 0,94 (p < 0,001).
• La variance moyenne extraite (AVE, Average Variance Extracted) pour le construit de transparence dépasse largement le critère conventionnel de Fornell et Larcker (0,50), atteignant des valeurs comprises entre 0,74 et 0,81 selon les échantillons analysés. Cela confirme que plus des trois quarts de la variance des items sont directement attribuables au trait latent théorisé plutôt qu’à l’erreur de mesure.

Validité discriminante

La validité discriminante a été rigoureusement confirmée par rapport aux construits adjacents de la littérature sur la confidentialité, notamment le contrôle perçu des données, la vulnérabilité des données, l’intrusion perçue et la confiance globale :

• Critère de Fornell-Larcker : La racine carrée de l’AVE pour la transparence s’est révélée systématiquement supérieure à toutes les corrélations inter-construits (les corrélations avec le contrôle se situant généralement autour de r = 0,42 à 0,55, et avec la vulnérabilité perçue autour de r = -0,35 à -0,48).
• Ratio Hétérotrait-Monotrait (HTMT) : Dans les réplications ultérieures utilisant les recommandations de Henseler et al., les ratios HTMT se situent tous en deçà du seuil conservateur de 0,85, attestant de l’indépendance empirique absolue du construit par rapport au sentiment de contrôle de l’usager.

Validité prédictive et nomologique

La validité nomologique a été établie en vérifiant les relations prédites par les théories de l’échange social. Les analyses d’équations structurelles révèlent que des scores élevés sur la DUTS :

• Réduisent significativement l’effet indirect de la vulnérabilité des données sur la violation perçue (β d’interaction négatif significatif, p < 0,01) ;
• Prédisent positivement et directement la confiance du client envers l’organisation (β = 0,38 à 0,46, p < 0,001) ;
• Modèrent les comportements défensifs des clients, réduisant le taux d’abandon de panier d’achat et le recours à des technologies de masquage d’identité (bloqueurs de traceurs, VPN).

8. Fidélité / Reliability

L’évaluation de la fidélité de l’Échelle de transparence de l’utilisation des données a fourni des indices de précision et de reproductibilité qui dépassent largement les normes psychométriques établies dans la littérature internationale.

Cohérence interne

La consistance interne des items a été évaluée au travers de plusieurs métriques complémentaires :

• Alpha de Cronbach (α) : Dans l’étude séminale de Martin et al. (2017), l’échelle affiche un coefficient α remarquable de 0,91 au sein de l’échantillon principal d’enquête auprès des consommateurs. Dans les études expérimentales complémentaires menées par les mêmes auteurs, les coefficients oscillent entre 0,89 et 0,93, démontrant une homogénéité interne remarquable sans redondance sémantique excessive.
• Fiabilité composite (CR, Composite Reliability) : Les valeurs de fiabilité composite issues de la modélisation par équations structurelles s’établissent entre 0,91 et 0,94, confirmant une excellente précision du construit latent face aux erreurs de variance uniques.
• Corrélations item-total corrigées : Toutes les corrélations item-total sont supérieures à 0,78, confirmant que chaque énoncé participe de manière substantielle et équilibrée à la mesure du domaine conceptuel global.

Stabilité temporelle (Fidélité test-retest)

Bien que la perception de transparence soit un état évaluatif sensible aux communications récentes de la marque, des études de suivi longitudinal examinant des relations client-fournisseur stables dans des secteurs d’intermédiation (banque en ligne, commerce électronique récurrent) révèlent des coefficients de corrélation test-retest intra-classe (ICC) à quatre semaines de l’ordre de 0,76 à 0,82 en l’absence de crise majeure ou de changement de conditions d’utilisation, attestant d’une stabilité temporelle satisfaisante pour un construit perceptuel.

9. Analyse factorielle / Factor Analysis

Les analyses factorielles exploratoires (AFE) et confirmatoires (AFC) ont constitué une étape déterminante de la validation psychométrique de la DUTS afin d’éprouver son unidimensionnalité et sa structure sous-jacente.

Analyse factorielle exploratoire (AFE)

Lors des phases initiales de développement d’items menées sur des échantillons de calibrage, les données ont été soumises à une factorisation en axes principaux avec rotation oblique (Promax) en raison de la nature corrélée des variables psychologiques relationnelles :

• Le test de sphéricité de Bartlett s’est avéré hautement significatif (χ² significatif à p < 0,001), et l’indice de Kaiser-Meyer-Olkin (KMO) a atteint une valeur remarquable de 0,88, confirmant l’adéquation factorielle exemplaire de la matrice de données.
• L’analyse selon le critère de Kaiser (valeurs propres supérieures à 1) ainsi que le test de sédimentation de Cattell ont révélé de façon univoque l’extraction d’un seul et unique facteur dominant. Ce facteur unitaire expliquait à lui seul plus de 77 % de la variance totale des items.
• Aucun facteur secondaire n’a atteint une valeur propre supérieure à 0,45, rejetant toute structure multidimensionnelle confuse pour la formulation standard de l’instrument.

Analyse factorielle confirmatoire (AFC)

Pour valider la structure unifactorielle sur des échantillons indépendants de validation croisée, une modélisation d’analyse factorielle confirmatoire a été estimée au maximum de vraisemblance. Les indices d’ajustement globaux obtenus pour le modèle unidimensionnel témoignent d’une excellente concordance avec les données empiriques :

• Chi-deux normé (χ²/df) : Les valeurs se situent systématiquement entre 1,20 et 2,15, bien en deçà du seuil limite de 3,00.
• Indices d’ajustement comparatif : Le Comparative Fit Index (CFI) et le Tucker-Lewis Index (TLI) dépassent tous deux 0,98 (généralement CFI = 0,99 et TLI = 0,98).
• Erreur quadratique moyenne d’approximation (RMSEA) : Le RMSEA affiche des valeurs comprises entre 0,025 et 0,045 avec un intervalle de confiance à 90 % n’excédant pas 0,060, indiquant une erreur d’approximation négligeable.
• Standardized Root Mean Square Residual (SRMR) : Les valeurs de SRMR sont inférieures à 0,020.

L’ensemble des saturations factorielles standardisées se distribue de manière homogène : l’énoncé relatif à la communication claire des pratiques de traitement sature généralement à hauteur de 0,90, celui relatif à la politique ouverte d’entreprise à 0,86, et celui mesurant la facilité de compréhension globale à 0,88. Les résidus standardisés demeurent faibles, et aucun paramètre de covariance d’erreur n’a nécessité de libération artificielle pour atteindre l’ajustement statistique requis.

10. Instrument de mesure / Instrument

L’Échelle de transparence de l’utilisation des données se caractérise par une administration simple, standardisée et rapide, ce qui en fait un outil de choix pour les études quantitatives multivariées nécessitant de limiter la fatigue des répondants.

• Type d’évaluation : Questionnaire d’auto-évaluation psychométrique (self-report instrument).
• Public cible : Consommateurs adultes, utilisateurs de services numériques, clients de plateformes en ligne, assurés ou usagers interagissant avec des organismes collectant des données à caractère personnel.
• Format d’administration : Électronique (enquêtes en ligne, ordinateurs, terminaux mobiles) ou papier-crayon. La formulation en ligne est particulièrement recommandée car elle permet d’intégrer des stimuli contextualisés (ex. capture d’écran d’une politique de confidentialité préalable).
• Nombre d’items : 3 items centraux (version standard de Martin et al., 2017) pouvant être portés à 4 items dans certaines adaptations contextuelles.
• Échelle de réponse : Échelle de type Likert en 7 points :
  • 1 = Fortement en désaccord (Strongly Disagree)
  • 2 = En désaccord (Disagree)
  • 3 = Plutôt en désaccord (Somewhat Disagree)
  • 4 = Neutre / Ni en accord ni en désaccord (Neither Agree nor Disagree)
  • 5 = Plutôt d’accord (Somewhat Agree)
  • 6 = D’accord (Agree)
  • 7 = Fortement d’accord (Strongly Agree)
• Directives de cotation et de calcul du score :
  • Tous les items sont orientés positivement ; il n’y a pas d’item inversé dans la version canonique originale.
  • Le score global individuel de transparence perçue est obtenu en calculant la moyenne arithmétique des réponses aux différents items (score variant de 1 à 7). Alternativement, dans le cadre de modélisations par équations structurelles (SEM / PLS), les variables manifestes sont utilisées directement pour former le score factoriel latent pondéré.
  • Un score proche de 1 traduit une perception d’opacité totale, de secret hostile et de fermeture délibérée de l’entreprise. Un score médian proche de 4 traduit une incertitude ou une indifférence cognitive du consommateur. Un score s’approchant de 7 indique une perception de transparence exemplaire, de loyauté informationnelle et de communication optimale.

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

• Année de publication princeps : 2017.
• Support original : Publié dans le Journal of Marketing, volume 81, numéro 1, pages 36–58 (American Marketing Association).
• Statut du droit d’auteur : Les droits éditoriaux de l’article de recherche original appartiennent à l’American Marketing Association (AMA) et aux auteurs (Kelly D. Martin, Abhishek Borah, Robert W. Palmatier).
• Permissions pour la recherche académique : L’utilisation de l’échelle à des fins de recherche purement scientifique, universitaire ou doctorale non commerciale est généralement autorisée selon les règles du fair use académique, sous réserve d’une citation bibliographique formelle et rigoureuse de l’article princeps de 2017.
• Utilisation commerciale et audits d’entreprise : Les cabinets de conseil, entreprises privées, éditeurs de logiciels ou instituts de sondage commerciaux souhaitant intégrer l’échelle à des plateformes propriétaires ou commercialiser des audits de conformité doivent vérifier les conditions de réutilisation auprès du centre des droits de reproduction (Copyright Clearance Center) ou solliciter l’autorisation directe des auteurs.
• Tarification : L’accès au texte intégral de l’article source via la revue requiert un abonnement institutionnel (SAGE Publications) ou un achat à la pièce, bien que des versions de travail (preprints ou working papers) soient fréquemment hébergées par les auteurs sur des dépôts institutionnels ou leurs profils académiques respectifs (ResearchGate, SSRN). Aucun coût de licence unitaire n’est prélevé directement pour la passation de l’instrument en milieu de recherche académique.

12. Références / References

Les publications académiques ci-dessous documentent la création, l’ancrage théorique et les applications psychométriques de l’échelle :

• Baumeister, R. F., Zhang, L., & Vohs, K. D. (2004). Gossip as cultural learning. Review of General Psychology, 8(2), 111–121. https://doi.org/10.1037/1089-2680.8.2.111
• Dunbar, R. I. (2004). Gossip in evolutionary perspective. Review of General Psychology, 8(2), 100–110. https://doi.org/10.1037/1089-2680.8.2.100
• 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
• 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
• Martin, K. D., Borah, A., & Palmatier, R. W. (2017). Data privacy: Effects on customer and firm performance. Journal of Marketing, 81(1), 36–58. https://doi.org/10.1509/jm.15.0497
• Martin, K. D., & Murphy, P. E. (2017). The role of data privacy in marketing. Journal of the Academy of Marketing Science, 45(2), 135–155. https://doi.org/10.1007/s11747-016-0495-4
• Palmatier, R. W., Dant, R. P., Grewal, D., & Evans, K. R. (2006). Factors influencing the effectiveness of relationship marketing: A meta-analysis. Journal of Marketing, 70(4), 136–153. https://doi.org/10.1509/jmkg.70.4.136

13. Questions et items du questionnaire / Scale Items

Les énoncés de l’Échelle de transparence de l’utilisation des données mesurent la communication perçue autour des pratiques de gestion des informations de l’entreprise. Conformément aux dispositions régissant les instruments de mesure publiés sous copyright éditorial par l’American Marketing Association, la consultation du texte intégral définitif et des annexes d’administration en ligne doit se faire via les dépôts officiels des éditeurs scientifiques.