Qualité de l’expérience client (affective)

1. Résumé / Abstract

L’évaluation de la qualité de l’expérience client affective (Affective Customer Experience Quality) constitue un jalon méthodologique central dans la recherche contemporaine en marketing relationnel, en psychologie des services et en interaction humain-machine. Développée et opérationnalisée notamment dans les travaux séminalement conduits par Liu-Thompkins, Okazaki et Li (2022), cette échelle psychométrique a été spécifiquement conçue pour mesurer la perception et la croyance d’un observateur ou d’un usager quant à l’état émotionnel résultant d’une interaction de service vécue par un consommateur. Plus précisément, l’instrument quantifie dans quelle mesure une interaction commerciale ou de support — particulièrement lorsqu’elle implique des agents conversationnels dotés d’empathie artificielle — génère un apaisement émotionnel, induit un sentiment agréable et améliore significativement l’humeur du client.

Sur le plan structurel, l’instrument repose sur une modélisation unidimensionnelle de l’affect positif post-interaction, déclinée en plusieurs indicateurs sélectifs évaluant le soulagement perçu (relief), l’agrément affectif (pleasantness) et la valence de l’humeur (improved mood). Les répondants sont invités à évaluer ces facettes à l’aide d’une échelle de type Likert en 7 points allant de « Fortement en désaccord » à « Fortement d’accord ». D’un point de vue psychométrique, l’outil présente des propriétés remarquables : les indices de consistance interne atteignent couramment des coefficients alpha de Cronbach supérieurs à 0,88, accompagnés d’une fiabilité composite excédant le seuil recommandé de 0,80 et d’une variance moyenne extraite (AVE) supérieure à 0,65. Les analyses factorielles confirmatoires menées dans le cadre de simulations de service et d’expérimentations contrôlées confirment une excellente validité convergente et une discrimination empirique nette par rapport aux composantes cognitives, fonctionnelles et sociales de l’expérience client globale.

2. Mots-clés / Keywords

expérience client, affect perçu, empathie artificielle, qualité de service, intelligence artificielle, psychométrie, soulagement émotionnel, marketing relationnel, interaction humain-machine, valence affective

3. Auteurs / Authors

L’opérationnalisation de cette mesure de la qualité affective de l’expérience client s’inscrit au cœur des investigations sur l’empathie artificielle menées par une équipe de chercheurs reconnus en marketing interactif :

• Yuping Liu-Thompkins : Professeure de marketing et directrice du Loyalty Science Lab à la Old Dominion University (Strome College of Business, Norfolk, Virginie, États-Unis). Spécialiste de la fidélisation des consommateurs, du comportement d’achat omnicanal et des interactions numériques, elle a largement contribué à la modélisation de l’engagement affectif. Courriel : [email protected].
• Shintaro Okazaki : Professeur de marketing à la King’s Business School, King’s College London (Londres, Royaume-Uni). Ancien rédacteur en chef du Journal of Advertising, ses travaux portent sur la communication publicitaire numérique, les technologies persuasives et les dimensions cross-culturelles des technologies émergentes. Courriel : [email protected].
• Hairong Li : Professeur de communication publicitaire au Département de Publicité et Relations Publiques de la Michigan State University (East Lansing, Michigan, États-Unis). Ses recherches pionnières explorent la réalité virtuelle, l’intelligence artificielle en communication et le traitement des messages immersifs. Courriel : [email protected].

4. Objectif / Purpose

La finalité première de cette échelle est de capturer et de quantifier l’impact affectif net d’un épisode de service sur le bien-être subjectif du consommateur. Historiquement, les métriques traditionnelles de la qualité de service — à l’instar du modèle SERVQUAL ou des indices de satisfaction globale (CSAT) — ont privilégié des dimensions cognitives et d’adéquation fonctionnelle telles que la rapidité de traitement, l’exactitude de la réponse, la fiabilité technique ou la compétence perçue du personnel. Si ces composantes demeurent indispensables, elles s’avèrent insuffisantes pour rendre compte de la texture émotionnelle de l’expérience client, particulièrement lors de situations critiques impliquant une défaillance de service (service failure), une réclamation ou un échange à forte charge affective.

L’objectif sous-jacent à la formulation de cette échelle par Liu-Thompkins et ses collaborateurs (2022) était de combler le « fossé affectif et social » (human-AI gap) émergeant de l’introduction de systèmes d’intelligence artificielle conversationnelle dans les services de relation client. Lorsque des agents virtuels (chatbots, assistants vocaux) interagissent avec des clients en détresse ou contrariés, la réussite de l’intervention ne se mesure pas uniquement à la résolution algorithmique du problème technique : elle se jauge à la capacité de l’interaction à désamorcer l’anxiété, à procurer un soulagement psychologique tangible et à restaurer un état émotionnel positif.

Dans le domaine de la recherche académique, cette échelle permet :

• De tester empiriquement des modèles de médiation où la qualité de l’expérience affective sert de pont entre les signaux d’empathie (verbale, para-verbale, mimétique) émis par un système automatisé et les comportements consécutifs de fidélité, de bouche-à-oreille et de pardon organisationnel.
• De dissocier l’évaluation de première personne (l’individu rapportant son propre ressenti) de l’évaluation de tierce personne (un observateur jugeant la transformation affective subie par un autre consommateur), ce qui s’avère précieux dans les protocoles expérimentaux basés sur des scénarios vidéo, des transcriptions textuelles ou des études de cas observées.

Dans les applications industrielles et de management des services, cet instrument fournit un cadre diagnostique pour auditer les scripts d’agents artificiels, paramétrer les algorithmes de traitement automatique du langage naturel (NLP) sensibles aux émotions et évaluer l’acceptabilité sociale des technologies front-office.

5. Construit psychologique / Construct

Le construit psychologique mesuré correspond à la dimension affective de la qualité de l’expérience client. Dans la taxonomie établie de l’expérience client (Customer Experience – CX), l’expérience n’est pas un phénomène monolithique mais une réponse holistique multidimensionnelle englobant des facettes cognitives, affectives, comportementales, sensorielles et sociales. L’échelle isole la dynamique émotionnelle en se focalisant sur le changement d’état psychologique induit par le service.

1. Le soulagement perçu (Emotional Relief)

Le soulagement constitue une émotion à valence positive déclenchée par la cessation, la réduction ou la prévention d’un stimulus aversif anticipé ou présent. Dans un contexte de réclamation ou de dysfonctionnement de service, le consommateur ressent initialement de la frustration, de la colère ou de l’appréhension. L’expérience de service de haute qualité affective doit neutraliser cet affect négatif d’arrière-plan. L’échelle capte la perception que l’échange a levé le poids de l’incertitude ou de la contrariété, permettant au client de se sentir libéré d’une tension psychologique aiguë.

2. L’agrément et la valence hédonique (Affective Pleasantness)

Au-delà de la simple neutralisation de la douleur, l’expérience affective optimale injecte des composantes de plaisir et de satisfaction hédonique. Cette facette mesure le sentiment que l’interaction a été intrinsèquement plaisante, chaleureuse et agréable. Elle renvoie au modèle circomplexe des affects de Russell, situant l’expérience dans un quadrant de haute valence positive.

3. L’amélioration de l’humeur (Mood Enhancement)

L’humeur se distingue d’une émotion ponctuelle par sa diffusion, sa durée et son impact global sur les schémas cognitifs. Cette dimension examine si l’épisode de service a eu un effet résiduel positif durable, laissant le client dans une « meilleure humeur » générale qu’avant l’entrée en contact. Cela témoigne d’une capacité de l’interaction à transformer durablement la disposition thymique du sujet.

Ce construit s’articule ainsi autour d’une trajectoire émotionnelle complète : extinction de la charge négative (soulagement), expérience d’un échange gratifiant (plaisir) et basculement vers un état psychologique supérieur (humeur bonifiée).

6. Cadre théorique / Theoretical Framework

Le fondement théorique de l’échelle repose sur l’intersection de trois courants majeurs en psychologie sociale et en sciences de gestion :

La théorie des événements affectifs (Affective Events Theory – AET)

Formulée originellement par Weiss et Cropanzano (1996), la théorie des événements affectifs postule que les incidents contextuels et les interactions quotidiennes fonctionnent comme des déclencheurs proximaux d’états affectifs, lesquels orientent subséquemment les attitudes et les comportements à long terme. Appliquée à la dyade client-prestataire, l’interaction de service est conceptualisée comme un « événement affectif critique ». L’échelle de qualité affective opérationnalise directement la réaction émotionnelle résultante de cet événement, vérifiant si l’épisode a généré une résonance positive ou négative.

Le modèle circumplexe des émotions de Russell

Le modèle circomplexe développé par James A. Russell (1980) cartographie les états affectifs selon deux axes orthogonaux bipolaires : la valence (plaisir versus déplaisir) et l’activation (éveil versus léthargie). L’évaluation affective du service mesurée ici opère une synthèse entre ces polarités : le « soulagement » représente une désactivation d’un état d’éveil aversif (diminution du stress), tandis que la « bonne humeur » et le « caractère agréable » reflètent un glissement vers une valence hautement positive.

La théorie de la contagion émotionnelle et de l’empathie artificielle

Dans les contextes d’intelligence artificielle étudiés par Liu-Thompkins et al. (2022), le cadre incorpore la théorie de la contagion émotionnelle (Hatfield, Cacioppo, & Rapson, 1994) et le paradigme Computers Are Social Actors (CASA) de Reeves et Nass (1996). Lorsque les individus interagissent avec des machines dotées d’algorithmes d’empathie (reconnaissance de détresse, formulations compassionnelles, personnalisation du ton), ils appliquent inconsciemment les règles sociales humaines. L’échelle permet de vérifier si l’empathie simulée par la machine parvient à susciter un véritable phénomène d’apaisement affectif, invalidant ainsi le risque d’une « vallée de l’étrange » (uncanny valley) affective où l’empathie artificielle serait perçue comme manipulatrice ou superficielle.

7. Validité / Validity

Les procédures de validation psychométrique de la qualité de l’expérience client affective ont été déployées dans des conditions méthodologiques rigoureuses :

Validité de contenu et d’apparence

Les énoncés de l’échelle ont été initialement générés à partir d’une revue systématique de la littérature sur l’affect en marketing de service et soumis à des panels d’experts en comportement du consommateur. Les items retenus (soulagé, agréable, meilleure humeur) ont démontré une transparence sémantique immédiate et une représentativité intégrale des dimensions de restauration émotionnelle ciblées.

Validité convergente

La validité convergente est étayée par des corrélations fortes et statistiquement significatives avec d’autres échelles standardisées mesurant les affects positifs, telles que le sous-score d’affect positif de la PANAS (Watson, Clark, & Tellegen, 1988), affichant des coefficients $r$ couramment compris entre 0,65 et 0,78 ($p < 0,001$). De surcroît, la variance moyenne extraite (Average Variance Extracted, AVE) excède systématiquement la valeur seuil de 0,50 préconisée par Fornell et Larcker (1981), atteignant des scores oscillant entre 0,68 et 0,76 selon les échantillons expérimentaux.

Validité discriminante

La validité discriminante a été scrupuleusement attestée vis-à-vis des construits connexes :

• Qualité cognitive de l’expérience : L’échelle d’affect se distingue clairement des mesures de clarté de l’information, de compétence perçue ou d’utilité perçue du service (les corrélations inter-construits demeurent modérées, typiquement entre 0,40 et 0,55, et les racines carrées des AVE surpassent largement ces inter-corrélations).
• Expérience sociale : L’échelle montre une indépendance conceptuelle par rapport au sentiment de connexion sociale ou de proximité relationnelle perçue.
• Critère HTMT : Les ratios hétérotrait-monotrait (HTMT) sont inférieurs au critère conservateur de 0,85, écartant tout problème de colinéarité psychométrique.

Validité prédictive et nomologique

L’instrument démontre un pouvoir explicatif élevé sur les comportements en aval. Une qualité affective élevée prédit substantiellement la réutilisation du canal de service ($eta = 0,42, p < 0,001$), l’intention de rac\hat ($eta = 0,38, p < 0,01$) et la propension à recommander la marque (NPS - Net Promoter Score). De plus, dans les études de Liu-Thompkins et al. (2022), cette échelle a fonctionné comme médiateur complet entre le niveau d'empathie perçu de l'IA et la satisfaction globale de la relation client.

8. Fidélité / Reliability

L’échelle fait état d’une fidélité empirique robuste à travers divers échantillons démographiques et contextes expérimentaux :

• Cohérence interne : Le coefficient $\alpha$ de Cronbach calculé dans l’étude originale et ses réplications se situe entre 0,89 et 0,93, ce qui dénote une cohérence interne élevée sans pour autant indiquer une redondance excessive entre les items.
• Fiabilité composite (Composite Reliability – CR) : L’indice de fiabilité composite de Raykov/Jöreskog dépasse 0,90 (typiquement $\text{CR} = 0,91$ à $0,94$), confirmant que les indicateurs partagent une part substantielle de variance commune attribuable au construit latent sous-jacent.
• Fidélité test-retest : Dans les protocoles longitudinaux ou quasi-expérimentaux à court terme avec des scénarios stables (intervalle de 7 à 14 jours), les corrélations intra-classe ($ICC$) oscillent entre 0,81 et 0,86, soulignant la stabilité de l’instrument lorsqu’il est appliqué à un stimulus constant.

9. Analyse factorielle / Factor Analysis

La structure factorielle de l’échelle a été examinée par des méthodes d’analyses factorielles exploratoires (AFE) puis confirmatoires (AFC) au moyen d’équations structurelles (SEM, logit/maximum de vraisemblance robuste) :

Analyse Factorielle Exploratoire (AFE)

Une extraction en composantes principales ou par factorisation en axes principaux avec rotation oblique (Promax ou Oblimin) extrait immanquablement un facteur unique dont la valeur propre (eigenvalue) dépasse largement le critère de Kaiser de 1,0 (valeur propre typique $> 2,40$). Ce facteur unique explique entre 72 % et 81 % de la variance totale observée des indicateurs. Aucun second facteur n’émerge avec une valeur propre significative, confirmant l’unidimensionnalité stricte de l’échelle.

Analyse Factorielle Confirmatoire (AFC)

Les modèles de mesure à facteur unique démontrent une adéquation globale remarquable avec les données empiriques. Les indices d’ajustement respectent rigoureusement les critères méthodologiques de Hu et Bentler (1999) :

• $chi^2 / text{df} < 2,5$
• CFI (Comparative Fit Index) : $> 0,98$
• TLI (Tucker-Lewis Index) : $> 0,97$
• RMSEA (Root Mean Square Error of Approximation) : $< 0,05$ (intervalle de confiance à 90 % compris entre 0,00 et 0,07)
• SRMR (Standardized Root Mean Square Residual) : $< 0,025$

Les saturations factorielles standardisées ($lambda$) de chaque item sur le construit latent sont toutes hautement significatives ($p < 0,001$) et particulièrement fortes :

• Item relatif au soulagement (Relieved) : $lambda = 0,82 – 0,87$
• Item relatif au caractère agréable (Pleasant) : $lambda = 0,86 – 0,91$
• Item relatif à l’amélioration de l’humeur (Better mood) : $lambda = 0,84 – 0,89$

10. Instrument de mesure / Instrument

L’instrument de mesure se caractérise par une administration simple, brève et universellement transposable dans des enquêtes en ligne, des questionnaires sur le vif ou des contextes de laboratoire :

• Type d’évaluation : Auto-questionnaire ou hétéro-évaluation (évaluation de l’expérience vécue par soi-même ou observée chez autrui).
• Format : Inventaire psychométrique bref composé d’items rédigés sous forme d’adjectifs ou de courtes propositions déclaratives.
• Nombre d’items : 3 à 4 items fondamentaux (selon la version d’étude déployée par les auteurs).
• Échelle de réponse : Échelle de Likert à 7 points : 1 = Fortement en désaccord (Strongly Disagree) à 7 = Fortement d’accord (Strongly Agree). Des adaptations sur échelle de Likert à 5 points sont également utilisables en recherche appliquée mobile.
• Cotation et calcul du score : Le score composite s’obtient par le calcul de la moyenne arithmétique simple des items composant l’échelle. Aucun item n’est inversé (tous les indicateurs sont formulés de manière positive). Un score élevé indique une qualité affective supérieure de l’expérience de service.

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

• Année de publication : 2022 (publiée dans le Journal of the Academy of Marketing Science).
• Droits d’auteur et permissions : Les droits éditoriaux de l’article princeps sont détenus par Springer Nature et l’Academy of Marketing Science. Toutefois, l’utilisation de l’échelle d’items à des fins strictes de recherche universitaire, académique non commerciale et d’enseignement est autorisée selon les règles habituelles d’utilisation équitable (fair use), sous réserve de citer scrupuleusement la publication originale des auteurs.
• Tarification : L’accès aux items pour les chercheurs académiques est gratuit au travers de la consultation de l’article source. Les usages commerciaux à grande échelle ou l’intégration dans des progiciels propriétaires de gestion de l’expérience client peuvent nécessiter des autorisations auprès des détenteurs de copyright ou des auteurs.

12. Références / References

Les sources académiques suivantes documentent la conceptualisation, la validation et les assises théoriques de cette échelle :

• 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
• Hatfield, E., Cacioppo, J. T., & Rapson, R. L. (1994). Emotional contagion. Cambridge University Press. https://doi.org/10.1017/CBO9781139174138
• 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
• Liu-Thompkins, Y., Okazaki, S., & Li, H. (2022). Artificial empathy in marketing interactions: Bridging the human-AI gap in affective and social customer experience. Journal of the Academy of Marketing Science, 50(6), 1198-1218. https://doi.org/10.1007/s11747-022-00892-5
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• Russell, J. A. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, 39(6), 1161-1178. https://doi.org/10.1037/h0077714
• Watson, D., Clark, L. A., & Tellegen, A. (1988). Development and validation of brief measures of positive and negative affect: The PANAS scales. Journal of Personality and Social Psychology, 54(6), 1063-1070. https://doi.org/10.1037/0022-3514.54.6.1063
• Weiss, H. M., & Cropanzano, R. (1996). Affective Events Theory: A theoretical discussion of the structure, causes and consequences of affective experiences at work. Research in Organizational Behavior, 18, 1-74.

13. Questions et items du questionnaire / Scale Items

Les items officiels de cette échelle constituent une œuvre de recherche protégée par les droits d’auteur de leurs auteurs et de leur éditeur scientifique. Ils ne sont pas reproduits ici dans leur intégralité commerciale sous licence ouverte.