Modélisation du comportement viral des internautes lors de ...
Transcript of Modélisation du comportement viral des internautes lors de ...
Modélisation du comportement viral des internautes
lors de jeux promotionnels en ligne
Christine Balagué
Maître de conférence IAE-Université des Sciences et Technologie Lille 1 LEM- UMR CNRS 8179 Adresse: IAE Lille 104 avenue du peuple belge 59043 Lille Cedex Téléphone: 03 20 12 34 50
Email : [email protected] Nous remercions la société Millemercis, en particulier son directeur général Thibaut Munier, pour l’ensemble des données qui nous ont permis de mener cette recherche et pour ses remarques et conseils lors de réunions intermédiaires.
1
Modélisation du comportement viral des internautes
lors de jeux promotionnels en ligne
Résumé :
L’efficacité des jeux promotionnels en ligne à mécanisme viral repose sur la capacité des
internautes à fournir des adresses email permettant aux entreprises de créer d’importantes
bases de données de prospects. Nous modélisons dans cet article le comportement viral des
participants à ce type de jeu en ligne. Notre modèle repose sur trois jeux de près d’un million
de joueurs chacun. Nous modélisons le nombre d’adresses emails par des réseaux bayésiens à
partir de cinq variables issues de questions de qualification qui peuvent être administrées dans
un questionnaire préalable au jeu
Mots-clés : marketing viral, modélisation, jeu promotionnel, Internet , comportement des
internautes, réseaux Bayésiens
Abstract:
The efficiency of promotional on line games based on viral mechanism relies on the web user
capacity to provide email addresses allowing companies to build important databases of
prospects. In this article, we model the viral behavior of participants to this games. Our model
is based on three on line games gathering each of them around one million participants. We
model the number of email addresses provided in the game by using Bayesian networks. We
show that five qualification variables, that can measured before the game, can predict the
number of viral addresses provided.
Key words: viral marketing, modeling,, promotional game, Internet, web user behaviour,
Bayesian networks
2
INTRODUCTION : La compréhension du marketing viral développé dans les jeux promotionnels en ligne est un
réel défi pour les entreprises qui orientent leur stratégie marketing sur internet. La majorité
des jeux promotionnels en ligne ont pour objectif la création pour les entreprises
d’importantes bases de données de prospects qui pourront ensuite être contactés par des
opérations de marketing direct. En France, de grandes entreprises comme la SNCF (pour son
site www.voyages-sncf.com), Expedia (le leader mondial du domaine des voyages), Sephora
(grand distributeur spécialisé de cosmétiques), Nespresso comme de nombreuses plus petites
entreprises (Ipso Presto par exemple, sur le marché des fournitures de bureau) utilisent ce type
d’opérations. Les bases de données issues de ces opérations sont riches d’informations car
elles comportent un nombre élevé de variables dû à la simplicité de recueil d’informations sur
Internet. Cependant, de nombreuses entreprises hésitent encore à appliquer cette démarche en
raison de leur non maîtrise théorique du phénomène. La première crainte provient du fait que
le marketing viral crée des systèmes nouveaux et complexes: des individus transmettent des
messages à d’autres, qui vont eux-mêmes soit se comporter de la même manière, soit stopper
le processus. Se créent ainsi des « chaînes » de plusieurs générations d’internautes, mais on ne
sait ni comment cela démarre, ni comment ce phénomène s’arrête. La deuxième crainte est
l’ampleur des processus engendrés par les jeux promotionnels en ligne à caractère viral. Le
nombre de participants à ce type d’opération peut en effet facilement dépasser le million
d’internautes. Les entreprises redoutent par conséquent le fait de ne pas pouvoir maîtriser ces
phénomènes par manque d’expérience. Enfin, la troisième crainte concerne l’efficacité de ce
type de jeux. Celle-ci repose sur le comportement des internautes qui soit « viralisent » (c’est-
à-dire donnent au moins l’adresse email de l’une de ses connaissances), soit ne « viralisent »
pas. Dans ce dernier cas, l’opération n’aura que peu d’effet. Les managers aujourd’hui ont
donc l’impression de ne pas maîtriser l’opération et son efficacité. Pour répondre à ces
interrogations, il semble donc important de s’intéresser au potentiel viral des internautes afin
de mieux comprendre ces phénomènes de marketing viral et de maîtriser leur mécanisme.
Sur le plan académique, les chercheurs en marketing ont, durant les dernières années, analysé
les spécificités d’Internet, mais peu de recherches portent sur la modélisation des jeux
promotionnels en ligne à caractère viral. Plusieurs auteurs se sont intéressés au design des
sites Web, à leur trafic (Mandel et Johnson 2002, Ansari et Mela (2003), Lynch et Ariely
2000, Zauberman 2003). Un autre courant de recherche porte sur la modélisation du
comportement de visite et d’achat on line (Sismeiro et Bucklin 2004, Moe et Fader 2004a et
3
2004b, Park et Fader 2004). En raison du peu d’articles dans la littérature et de la
problématique managériale existante sur ce sujet, l’objectif de cette recherche est donc de
déterminer la manière dont on peut mesurer et prévoir le comportement viral des internautes
dans le cas de jeux promotionnels en ligne. Ceci permettrait de mieux maîtriser ces opérations
de marketing viral en sélectionnant dès le départ les « bons » internautes (ceux qui fourniront
le plus d’adresses email).
L’article qui suit est organisé de la manière suivante : nous décrivons tout d’abord le cadre
théorique de notre recherche puis détaillons les trois jeux promotionnels on line que nous
avons utilisés dans cette recherche. Dans une troisième partie, nous proposons un premier
modèle représentant le fait qu’un participant au jeu fournisse ou non une adresse email. Dans
une quatrième partie nous modélisons le nombre total d’adresses email engendrées par le
joueur. Enfin, nous présentons les limites de cette recherche avant de conclure et présenter des
pistes de recherche futures.
CADRE THEORIQUE:
Notre recherche s’appuie sur les courants de recherche portant sur le bouche à oreille
et le marketing viral. Depuis de nombreuses années, plusieurs recherches en marketing
portent sur les phénomènes de bouche-à-oreille (Arndt 1968; Bansal et Voyer 2000; Bowman
et Narayandas 2001; Walker 2001). Certains articles issus de la littérature managériale
développent même l’idée selon laquelle les processus de communication fondés sur le bouche
à oreille constituent une force puissante sur un marché (Marney, 1995 ; Silverman, 1997). Le
bouche à oreille correspond à une communication informelle, à la fois positive et négative, sur
les caractéristiques d’un fournisseur et/ou ses produits (Tax et al. 1993).
Plusieurs recherches proposent des échelles pour mesurer la communication par bouche-à-
oreille (Walker, 2001). D’autres capturent le phénomène en mesurant le nombre de sources de
références consultées, la force des liens (relations dyadiques interpersonnelles dans le
contexte des réseaux sociaux), ou la centralité (comment un acteur est stratégiquement placé
dans un réseau) (Money, Gilly et Graham, 1998).Goldenberg, Libai et Muller (2001) utilisent
des automates et des processus stochastiques pour analyser le phénomène sous-jacent du
bouche-à-oreille. Nous retiendrons dans cette littérature deux recherches en particulier qui
proposent d’analyser le bouche-à-oreille par des analyses de réseau. Le premier article est un
article de référence sur le bouche-à-oreille par Brown et Reigen (1987) qui présentent une
analyse de réseau du comportement de bouche à oreille dans un environnement naturel. Ils
4
examinent le comportement de bouche à oreille grâce à la force de lien et l’homophilie
(niveau auquel des paires d’individus sont similaires sur certains attributs comme l’âge, le
sexe et l’éducation). . Leur étude met en évidence au niveau macro et micro les différents
rôles joués par les liens sociaux faibles et forts. Au niveau macro, les faibles liens exercent
une fonction de passerelle, permettant à l’information de circuler d’un sous-groupe distinct
d’acteurs à un autre sous-groupe dans un système social plus large. Au niveau micro, les forts
liens et l’homophilie sont activés pour développer le flux d’informations auquel les individus
vont se référer. Le deuxième article, de Bristor (1990), propose aussi une approche de réseau
pour étudier le bouche à oreille. L’auteur affirme qu’un réseau de bouche à oreille est un
réseau social de personnes qui s’engagent, en plus des relations qu’elles ont entre elles.
Cependant, même si la littérature en marketing sur le bouche-à-oreille est riche, les recherches
sur le marketing viral sont peu nombreuses. Utilisant le même mécanisme que le bouche-à-
oreille mais sur Internet, la notion de marketing viral a été utilisée par Steve Jurvetson en
1996 pour décrire la stratégie marketing du service gratuit d’e-mail Hotmail (chaque e-mail
arrivant dans la boite de réception comportait le message : « Get your private, free e-mail
from Hotmail at http://www.hotmail.com » avec la recommandation personnelle de
l’expéditeur). Les nombreux articles managériaux sur le marketing viral se résument
essentiellement à la présentation de cas d’entreprises à succès. Les exemples comme Beanie
Babies, the Blair Witch Project, Paypal, dont la stratégie repose sur le phénomène de
marketing viral sont très fréquemment cités.
Certains articles portent plus précisément sur le concept de marketing viral sur le Web.
Récemment, Kaikati et Kaikati (2004) développent le concept de marketing furtif ancré sur le
principe selon lequel le bouche-à-oreille reste la forme de promotion la plus efficace. Selon
ces auteurs, les individus sont aujourd’hui bombardés de messages publicitaires qu’ils
détectent et ils développent des mécanismes de défense. Les marketers doivent donc utiliser
des méthodes plus subtiles pour communiquer un message aux consommateurs, comme le
marketing furtif qui consiste à présenter un nouveau produit en créant intelligemment un
« buzz » de manière clandestine. Plusieurs techniques marketing sont proposées par les
auteurs dans le cadre du marketing furtif : le marketing viral, les « pousseurs de marque »
(acteurs novices s’approchant de personnes dans des situations de vie réelle en leur glissant
des messages commerciaux dans des bars branchés, des magasins de musique), le marketing
célébrité (des célébrités sont embauchées par des laboratoires pharmaceutiques pour discuter
et mentionner certains médicaments), le marketing dans les jeux vidéo (faire apparaître les
5
marques ou les logos pour les renforcer) et enfin le marketing dans la musique Rap et Pop. Le
marketing viral a été analysé sous l’angle du consommateur-vendeur par Helm (2000) qui
souligne l’idée selon laquelle de nombreuses entreprises essaient d’utiliser sur le Web les
réseaux de communication de leurs propres consommateurs pour promouvoir et distribuer
leurs produits. L’expansion d’Internet ouvre également de nouvelles perspectives en ce qui
concerne le bouche à oreille. Certains sites (Walmart, Chase Manhattan Bank, Toys ‘R’ Us)
proposent des espaces de discussion sur les produits et les services multipliant ainsi les effets
du bouche-à-oreille. L’entreprise a donc intérêt à utiliser ces interactions entre internautes.
Helm (2000) définit le marketing viral comme un concept de communication et de
distribution qui repose sur des consommateurs transmettant des produits digitaux par e-mail à
d’autres consommateurs potentiels de leur sphère sociale et animant ces contacts pour que
ceux-ci transmettent aussi les produits à d’autres. L’auteur décrit les trois caractéristiques
d’une stratégie de marketing viral efficace : le produit est proposé gratuitement uniquement
sur le Net et pas dans les autres circuits de distribution (les très faibles coûts fixes sur Internet
favorisent la distribution gratuite des produits, le coût marginal pour une unité supplémentaire
est proche de zéro); l’offre contient une réelle valeur ajoutée ; les premiers contacts sont
choisis avec précaution. Helm (2000) distingue également les stratégies de marketing viral
avec forte ou faible intégration du consommateur. Dans un article provocateur, Dye (2000)
montre que le marketing viral n’obéit pas aux cinq mythes suivants pourtant très répandus: les
produits à scandale ne sont pas les seuls produits intéressants à promouvoir par bouche-à-
oreille (certains médicaments peuvent créer un bouche-à-oreille très fort); le buzz n’arrive pas
tout seul mais est plutôt le résultat d’actions marketing bien organisées ; les meilleurs
déclencheurs de buzz ne sont pas les meilleurs consommateurs (certains « contre culture »
peuvent déclencher un buzz); pour profiter de l’effet d’un buzz, on ne doit pas agir en premier
et vite (certains « copieurs » peuvent tirer des profits substantiels s’ils savent quand créer le
buzz) ; les media et de la publicité ne sont pas nécessaires pour créer un buzz. Présentant une
approche différente, Phelps et al. (2004) s’intéressent aux motivations de l’internaute à faire
passer un email à un autre internaute, ainsi qu’au comportement qui résulte de ces
motivations. Gruen et al. (2006) analysent l’impact du bouche-à-oreille sur Internet sur la
valeur et la fidélité du consommateur.
Cette synthèse de la littérature sur le bouche-à-oreille et le marketing viral montre par
conséquent que peu de recherches académiques portent sur l’étude du comportement viral des
internautes, en particulier dans les jeux promotionnels en ligne, ce que nous nous proposons
6
d’étudier dans cet article. Nous décrivons dans la deuxième partie ci-dessous les jeux
promotionnels en ligne de la société Expedia que nous avons utilisés.
MECANISME DES JEUX PROMOTIONNELS EN LIGNE ETUDIES
Nous avons analysé dans cette recherche trois jeux promotionnels organisés par la société
1000Mercis, leader en France du marketing interactif, pour son client Expedia, leader mondial
du voyage en ligne. Le premier jeu promotionnel a été organisé par la société Anyway, filiale
d’Expedia. Anyway commercialise des vols internationaux et domestiques, des séjours et des
circuits, des idées de week-end, des séjours à thèmes, des réservations hôtelières et des
locations de voiture. L’opération « Le Ciel est à tout le monde » menée par Anyway est un jeu
promotionnel en ligne à caractère viral qui s’est déroulé entre le 10 Mai et le 8 Juin 2004 (soit
une durée de 30 jours). L’un des objectifs d’Anyway était de relancer le trafic sur le site,
d’accroître les ventes et de recruter 200 000 participants. La mécanique du jeu promotionnel
utilisé était la suivante: l’internaute s’inscrit sur la page d’accueil du jeu ; il choisit ensuite son
avion parmi 7;son avion s’envole et atterrit sur la mappemonde; s’il se pose sur la destination
pour laquelle joue le joueur, il a gagné 2 billets d’avion pour cette destination; sinon, il a
perdu. Pour retenter sa chance, le participant doit répondre à une question soit de qualification
(socio-démographique ou comportement de voyage), soit virale (donner l’adresse e-mail d’un
ami pour lui envoyer une e-card et lui proposer de découvrir le jeu). Les dotations mises en
jeu correspondent à 30 billets d’avion aller retour pour deux personnes, soit un gagnant par
jour. Ce jeu a été un succès: 214,768 joueurs sur l’ensemble des 30 jours de jeu; 561 535
visites sur 30 jours de jeu; une durée moyenne de visite de 7 minutes 48 secondes, 10 834 075
de pages vues. Devant ce succès, la société Expedia a renouvelé ce type d’opération mais sur
la marque Expedia cette fois-ci. Le premier jeu Expedia 1, organisé du 25 Juin au 29
septembre 2004, a attiré 1 037 708 joueurs, le deuxième, Expedia 2, du 16 novembre au 15
décembre 2004, a eu 916 853 participants. La mécanique des deux jeux est similaire à celle du
jeu d’Anyway ci-dessus décrit, à savoir une dotation (un voyage à gagner), un jeu (le principe
ici était de gratter avec la souris de l’ordinateur et certains objets, différents selon les jeux et
l’avancement des questions, devaient apparaître), et un questionnaire soumis au joueur s’il a
perdu et s’il souhaite rejouer. Les questions sont de deux types: des questions de qualification,
généralement sur le comportement de l’internaute vis-à-vis des voyages, des questions
« virales » pour lesquelles le joueur doit fournir une ou plusieurs adresses email de ses amis
ou connaissances.
7
MODELISATION DU POTENTIEL VIRAL DES INTERNAUTES
Définition du potentiel viral et résultats descriptifs
Dans une première partie de cette recherche, nous définissons le potentiel viral et essayons de
mieux comprendre le phénomène viral.
Au préalable, il est nécessaire d’introduire différents éléments permettant de décrire le
phénomène viral. Nous définissons l’enfant comme un individu dont l’adresse email a été
fournie par un joueur. Un parent est un joueur qui fournit l’adresse email d’un enfant. Un
ancêtre est un parent qui n’est l’enfant de personne. Une tribu est une chaîne parents-enfants
composée d’un ancêtre et de tous les enfants générés, jusqu’au dernier, qui n’est le parent de
personne. Une tribu est constituée de plusieurs générations (La génération 0 correspond aux
ancêtres, la génération 1 aux enfants générés par les ancêtres, la génération 2 aux enfants
générés par la génération 1 qui sont devenus eux-mêmes parents, etc…). Un enfant direct est
un enfant séparé de son parent par une seule génération. Nous avons dans un premier temps
mesuré le phénomène de « boucles » (lorsqu’un joueur fournit une adresse email déjà
existante dans la base). Ces boucles représentent en moyenne 3% des adresses saisies. Nous
les avons ensuite exclues des données pour ne garder que le phénomène de génération de
nouvelles adresses grâce au mécanisme viral.
Le tableau 1 fournit quelques résultats synthétiques sur les effets viraux par génération.
Insérer Tableau 1: Effet viral par génération
Le tableau 1 montre que nous avons dans les données 160 756 ancêtres parmi lesquels 84 246
(soit 52,4%) deviennent eux mêmes à leur tour parents, fournissant en moyenne chacun 3,6
adresses email. Ces 84 246 joueurs génèrent 303 541 enfants (adresses email) parmi lesquels
16 650 (soit 5,5 %) deviennent parents, donnant chacun en moyenne 3,12 adresses. Les
résultats de la table 1 montrent que le jeu génère au maximum 9 générations (les ancêtres
correspondant à la génération G0). On constate que160 756 ancêtres génèrent 370 755 enfants
(531 511-160 756), ceci correspondant au nombre de nouvelles adresses email générées par le
jeu, et 21 991 nouveaux parents (adresses email qui « viralisent »). En moyenne 20% des
enfants deviennent parents avec une forte hétérogénéité parmi les générations (52,4% pour les
ancêtres et entre 3% et 11% pour les générations suivantes).
Nous définissons ensuite le potentiel viral des ancêtres comme le potentiel de fournir un grand
nombre d’enfants et de “bons” enfants, c’est à dire des enfants qui deviennent eux-mêmes
parents par la suite. Nous utilisons trois critères pour caractériser le potentiel viral des
ancêtres: le nombre total d’enfants générés dans la tribu, le nombre de générations dans la
8
tribu, le nombre d’enfants directs. Le tableau 2 fournit les statistiques descriptives de ces trois
facteurs.
Insérer Tableau 2: statistiques sur les trois caractéristiques du potentiel viral Le tableau 2 montre que 90% des tribus génèrent jusqu’à 10 enfants en une ou deux
générations. Ceci signifie que dans la majorité des cas, le potentiel viral est peu lié au critère
de nombre de générations mais surtout au critère nombre d’enfants directs. On note également
un groupe spécifique de 10% des ancêtres qui fournissent plus de 10 adresses email dans la
tribu et ce sur plusieurs générations. Pour aller plus loin et synthétiser cette analyse, nous
avons donc mené une segmentation des ancêtres fondée sur leur potentiel viral. Nous utilisons
une segmentation (k-means) à partir des trois critères ci-dessus décrits (nombre total d’enfants
dans la tribu, nombre de générations, nombre d’enfants directs). Les résultats sont présentés
dans le tableau 3.
Insérer Tableau 3: Segmentation des ancêtres selon leur potentiel viral Le tableau 3 montre trois groupes d’ancêtres. Nous avons appelé le premier groupe les
“Stériles”. Ils représentent 47,6% des ancêtres et n’ont généré aucun enfant. Un second
groupe (48,9% des ancêtres) est constitué des paresseux générant 2,99 enfants dans leur tribu
en 1,17 génération en moyenne. Le dernier groupe est celui des “Fertiles” (3,5% des ancêtres)
avec 24 enfants générés en 1,8 générations en moyenne. Ce dernier groupe est bien
évidemment le plus intéressant pour les praticiens du marketing car ces internautes ont le plus
fort potentiel viral. Une analyse des profils montre que ce groupe est plus jeune et plus
féminin que les deux premiers. La description du phénomène ci-dessus nous amène à tirer
plusieurs conclusions. Tout d’abord, le phénomène viral se concentre principalement sur une
génération (les internautes donnent une adresse email). Il est donc utopique d’affirmer que les
joueurs génèrent de longues et successives chaînes parents-enfants. La réalité est que ce
phénomène concerne un pourcentage faible des internautes (ici les fertiles ne représentent que
près de 4% des ancêtres). Ceci rend d’autant plus important la détection d’internautes à fort
potentiel viral pour optimiser les opérations de marketing viral.
9
Application des réseaux Bayésiens pour prédire le potentiel viral des internautes
Après la description du phénomène viral, nous cherchons à mieux comprendre les facteurs
permettant de prédire le potentiel viral des joueurs. Nous proposons ici d’appliquer les
réseaux Bayésiens qui répondent à cette problématique en recherchant parmi un nombre élevé
de variables celles dont l’information nous permet de prédire le mieux possible la
connaissance du potentiel viral du joueur.
Les réseaux Bayésiens
Les nouvelles technologies comme Internet permettant de recueillir et de stocker de
nombreuses informations, se pose la question essentielle de l’analyse et de la synthèse de ces
informations. Deux types d’approches suscitent donc un intérêt croissant. Les méthodes
statistiques d’une part, permettant notamment le passage de l’observation à la loi.
L’intelligence artificielle d’autre part, permettant de traiter davantage la connaissance que
l’information. Les réseaux Bayésiens sont le résultat d’une convergence entre ces deux
disciplines. Ils constituent aujourd’hui l’un des formalismes les plus complets pour
l’acquisition, la représentation et l’utilisation de connaissances par des ordinateurs (Naïm et
al. 2004). La méthodologie des réseaux Bayésiens a été initialement développée pour
modéliser le raisonnement humain. Elle se fonde sur les probabilités conditionnelles. Si les
variables X and Y ne sont pas indépendantes, la probabilité de X sachant Y est la probabilité
conditionnelle suivante :
P(X|Y) = P(X,Y) / P(Y)
En utilisant la même équation pour calculer la probabilité de Y sachant X, on obtient la
formule de Bayes suivante:
P(X|Y) = P(Y|X) P(X) / P(Y)
Cette formule exprime le principe d’interdépendance d’évènements arrivant dans le monde
réel. Dans les réseaux bayésiens, les relations entre plusieurs variables sont investiguées. Les
réseaux Bayésiens (Pearl, 1988) sont des graphes acycliques orientés représentant les relations
causales entre plusieurs variables d’un domaine donné. La topologie du graphe définit les
relations d’indépendance conditionnelle parmi les variables du réseau. La probabilité de se
trouver dans un état particulier d’un nœud est conditionné aux états des nœuds « causes »
(parents). La force des relations causales entre les nœuds est exprimée par une probabilité
conditionnelle (Falzon, 2006). Un réseau Bayésien est donc un graphe causal auquel on a
associé une représentation probabiliste sous-jacente. Une représentation simple d’un réseau
Bayésien est présentée dans la Figure 1.
10
Insérer Figure 1: Exemple simple de réseau Bayésien
La figure 1 montre que le nœud C est parent des nœuds E et F et enfant du nœud A. Ceci
signifie que l’état du noeud F est conditionné à l’état du noeud C, lui même conditionné à
celui du nœud A. Pour chaque nœud, une distribution de probabilité doit être spécifiée.
L’avantage de cette représentation graphique est qu’elle permet la spécification de
dépendances directes représentant les relations qualitatives fondamentales (Falzon, 2006) et
ce sur plusieurs variable en même temps (la régression elle va s’intéresser à une variable
dépendante). Les probabilités conditionnelles nécessaires pour élaborer un réseau Bayésien
sont soit fournies par des experts (et fondées sur leur expérience), soit issues d’une base de
donnée. L’un des avantages des réseaux Bayésiens est alors lié à la définition des probabilités
conditionnelles (cf formule de Bayes ci-dessus décrite): la probabilité de X sachant Y est plus
simple à calculer grâce à cette formule que la probabilité jointe de X et Y. La détermination
des probabilités conditionnelles est également plus compatible avec le raisonnement humain
que l’estimation des probabilités absolues (Falzon, 2006). Un deuxième avantage des réseaux
Bayésiens est le fait qu’on peut changer les hypothèses (probabilités définissant les états pour
chaque nœud) et mesurer l’impact sur chaque autre nœud. Les réseaux Bayésiens offrent
également une représentation graphique du phénomène rendant plus simple la compréhension
de systèmes parfois complexes. Dans la littérature en marketing, très peu de recherches
utilisent les réseaux Bayésiens (Kao, Hyuang and Li 2005; Mussi 2003; Cooper 2003). Nous
visons dans cet article à montrer les bénéfices de cette méthodologie et les pistes de recherche
potentielles liées à l’application des réseaux Bayésiens au domaine du marketing.
Application des réseaux Bayésiens pour prédire le potentiel viral La figure 2 représente l’application des réseaux Bayésiens aub jeu promotionnel on line.
Insérer Figure 2: Application des réseaux Bayésiens au jeu Chaque noeud de la figure 2 représente une variable de la base de données sélectionnée. Cette
base est constituée des variables décrivant les 84 246 ancêtres. Ces variables dans une
première analyse sont le type de recrutement (affiliation, email, autopromotion, etc…), le
montant total des achats (sur une durée de 1 an après le jeu), le nombre de générations, le
nombre d’enfants directs, le nombre total d’enfants dans la tribu, la modalité de réponse pour
chacune des 41 questions posée dans le jeu. Une première analyse du réseau a bien
évidemment validé le fait que le nombre total d’adresses virales générées par la tribu est lié au
nombre d’enfants directs, au nombre de générations et au fait d’avoir répondu aux questions
11
virales (résultat évident). Nous avons donc par la suite supprimé de la base de données les
informations de réponses aux questions virales et les variables nombre de générations et
nombre d’enfants directs. L’idée ici est en effet de déterminer si on peut prédire un potentiel
viral sans avoir d’information sur le comportement viral de l’internaute mais uniquement à
partir d’informations issues de questions de qualification. La figure 2 montre le réseau
Bayésien associé à cette dernière base de données. Plus de 4,5 millions d’informations sont
inclues dans la base de données (84 246 ancêtres x 54 variables). Le noeud SUM correspond à
la variable nombre total d’enfants générés dans la tribu, qu’on cherche donc ici à prévoir. Le
premier avantage des réseaux Bayésiens est ici de simplifier l’interprétation d’une telle base
de données en construisant un graphe (figure 2) montrant toutes les relations entre les
variables de la base.
Le deuxième avantage des réseaux Bayésiens est de pouvoir sélectionner un nœud cible et
d’effectuer un certain nombre d’analyses sur ce nœud cible. Nous cherchons ici à prédire la
variable SUM. Pour cela, nous sélectionnons dans le graphe le nœud SUM et le définissons
comme nœud cible. On peut ensuite caractériser ce noeud cible. Cette caractérisation repose
sur un ensemble d’algorithmes et sur l’apprentissage du réseau Bayésien (estimation des
probabilités conditionnelles et recherche de la meilleure structure de réseau). Nous utilisons
ici, pour prévoir la variable SUM, la couverture de Markov, développée uniquement dans le
logiciel BayesiaLab (ce logiciel a été développé par des chercheurs spécialisés dans les
réseaux Bayésiens). Elle repose sur un algorithme de recherche des nœuds appartenant à la
couverture de Markov de la cible, sous-ensemble de nœuds dont la connaissance des valeurs
permet de rendre le nœud cible complètement indépendant des autres. La recherche de cette
structure, entièrement focalisée sur le nœud cible, permet d’obtenir le sous-ensemble des
nœuds réellement pertinents pour prévoir la variable cible SUM. Cette méthode constitue en
outre un puissant algorithme de sélection de variables et un bon outil d’analyse (nombre
restreint de nœuds connectés, relations probabilistes). La figure 3 fournit les résultats de la
couverture de Markov sur le nœud SUM.
Insérer Figure 3: Couverture de Markov sur le noeud SUM
On conclut de la figure 3 que la connaissance des réponses des individus aux questions de
qualification Q5, Q15 (modalités1501 ou 1502), Q19 (modalité1903), Q17 (modalités1702 ou
1703), Q12 (modalité1202), Q9 (modalité 901) permet de prévoir le nombre d’adresses
virales générées dans la tribu. L’application managériale de ces résultats est directe : en
12
posant préalablement au jeu les questions Q5, Q15, Q17, Q9 et Q12 (par exemple lors du
recrutement), la réponse à ces questions nous permet de prévoir le potentiel viral de
l’internaute. Ces questions sont uniquement des questions de qualification (cf questionnaire
en annexe 1).
Performance du modèle des réseaux Bayésiens
La performance du réseau bayésien est fourni par la figure 4 ci-dessous :
Insérer figure 4 :Performance du modèle : matrice de confusion
La figure 4 montre que le modèle prédit correctement la valeur SUM dans 86,4% des cas
(comparaison prédictions du modèle versus données observées). La matrice de confusion
fournit de plus le détail des prévisions du modèle pour chacune des quatre tranches de la
variable SUM. On constate que le modèle prévoit très bien la variable SUM pour chaque
tranche de la variable SUM (le plus bas taux est 76,6%). Les réseaux Bayésiens présentent
plusieurs avantages par rapport à des méthodologies plus classiquement utilisées en
marketing.Une comparaison entre les modèles de régression, les équations structurelles et les
réseaux Bayésiens est développée par Anderson, Mackoy , Thompson ad Harrell (2004). Une
autre comparaison des réseaux Bayésiens avec les réseaux neuronaux, les arbres de décision,
l’analyse de données et les systèmes experts est fournie par Naïm et al. (2004). Dans les deux
cas, les auteurs mettent en avant les avantages des réseaux Bayésiens par rapport à ces autres
méthodes.
IMPLICATIONS ET FUTURES PISTES DE RECHERCHES:
Les implications de cette recherche sont nombreuses. Tout d’abord, elle permet de mieux
comprendre les phénomènes de marketing viral en décomposant le système viral sur plusieurs
générations d’internautes, en définissant puis en étudiant le potentiel viral des ancêtres
initiateurs de la chaîne virale. D’autre part cette recherche introduit une méthode innovante en
marketing, les réseaux Bayésiens, qui montrent dans notre application qu’on peut prévoir le
potentiel viral des internautes par quelques questions de qualification dans le domaine
considéré (ici les voyages). Plus globalement, l’application des réseaux Bayésiens ouvre de
nombreuses pistes de recherche en marketing, ce type de modélisation n’ayant quasiment pas
été utilisé dans ce domaine. Plusieurs problématiques marketing peuvent être modélisées par
cette méthode :
13
- Recherche de variables clés explicatives d’une variable dépendante dans une base
de données regroupant un nombre élevé de variables et d’individus (donc de
nombreuses applications possibles en marketing)
- Analyse des résultats de questionnaires avec construction éventuelle de
questionnaires adaptatifs
- Optimisation des questionnaires (quel est dans un questionnaire le sous-ensemble
des questions dont la connaissance des réponses nous permet de prédire les
réponses aux autres questions ?)
Sur le plan managérial, l’intérêt des réseaux Bayésiens est la visualisation simple et la
modélisation compréhensible qu’ils proposent.
CONCLUSION :
Face à la complexité de certains phénomènes liés aux nouvelles technologies, les praticiens
en marketing doivent utiliser des systèmes d’aide à la décision compréhensibles et simples à
utiliser. Les phénomènes de marketing viral, pourtant souvent considérés comme
particulièrement efficaces et peu chers, sont des systèmes complexes à comprendre
aujourd’hui. Nous avons dans cette recherche essayé de mieux comprendre ces phénomènes
viraux dans un premier temps. Nous avons également proposé une méthode innovante ne
marketing pour prévoir le potentiel viral des internautes. Cette méthode, les réseaux
Bayésiens, permet de modéliser des systèmes complexes en les simplifiant grâce à la
visualisation et au calcul de toutes les relations entre toutes les variables décrivant un
phénomène. Ces réseaux Bayésiens permettent une meilleure compréhension de phénomènes
complexes mais aussi une optimisation des actions marketing, comme nous l’avons montré
sur le cas du jeu promotionnel viral étudié où le recrutement des joueurs pourrait être optimisé
de par la connaissance des réponses de ces mêmes joueurs à quelques questions de
qualification. L’application des réseaux Bayésiens au domaine du marketing constitue une
source importante de pistes de recherche futures.
14
REFERENCES
Ansari,A. et Mela C.F. (2003), E-customization, Journal of Marketing Research, 40, 2,
131-145.
Arndt J. (1968), Selective Processes in Word of Mouth, Journal of Advertising Research, 8,
3, 19-23.
Bansal H.S. et Voyer P.A. (2000), Word-of-Mouth Processes within a Services Purchase
Decision Context, Journal of Service Research, 3, 2, 166-177.
Bowman D. et Narayandas D.(2001), Managing Customer-Initiated Contacts with
Manufacturers: The Impact on Share of Category Requirements and Word-of-Mouth
Behavior, Journal of Marketing Research, 38, 3, 281-297
Bristor J.M. (1990), Enhanced explanations of word of mouth communications: the power of
Relationships,Research in Consumer Behavior, 4, 51-83.
Brown J.J. et Reingen P.H. (1987), Social ties and word-of-mouth referral behavior, Journal
of Consumer Research, 14, 350-62.
Dye R. (2000), The buzz on buzz, Harvard Business Review, 78, 6, 139-147.
Gruen T., Osmonbekov T. et Czaplewski A.J. (2006), eWOM: The impact of customer-to-
customer online know-how exchange on customer value and loyalty, Journal of Business
Research, 59, 4, 449-456.
Helm S. (2000), Viral marketing-establishing customer relationships by “word-of-mouse”,
Electronic Markets, 10,3, 158-161.
Kaikati A.M. et Kaikati J.G. (2004), Stealth marketing : How to reach consumers
Surreptitiously, California Management Review, 4, 4, 6-22.
Lynch J.G. Jr. et Ariely D. (2000), Wine online: Search costs affect competition on price,
quality, and distribution, Marketing Science, 19,1, 83-103.
Mandel N. et Johnson E.J. (2002), When Web pages influence choice: Effects of visual
primes on experts and novices, Journal of Consumer Research, 29, 2, 235-245.
Marney Jo (1995), Selling in Tongues, Marketing Magazine, 100, 38, 14.
Moe W.W. et Fader P.S. (2004a), Capturing evolving visit behavior in clickstream data,
Journal of Interactive Marketing, 18,1, 5-19.
Moe W.W. et Fader P.S. (2004b), Dynamic conversion behavior at e-commerce sites.
Management Science, 50,3, 326-335
Money R. B., Gilly M.C. et Graham, J.L. (1998), Explorations of National Culture and Word-
of-Mouth Referral Behavior in the Purchase of Industrial Services in the United States and
15
Japan, Journal of Marketing, 62, 4, 76-87.
Park Y.H.et Fader P.S. (2004), Modeling browsing behavior at multiple Websites,
Marketing Science, 23,3, 280-304.
Phelps J.E., Lewis R., Mobilio L., Perry, D. et Raman, N. (2004), Viral Marketing on
Electronic Word-of-Mouth Advertising: Examining Consumer Responses and Motivations to
Pass Along Email, Journal of Advertising Research, 44, 4, 333-348.
Silverman G. (1997), Harvesting the power of word of mouth, Potentials in Marketing, 30,
9, 14-16.
Sismeiro C.et Bucklin R.E. (2004), Modeling purchase behavior at an e-commerce Web
site: A task completion approach, Journal of Marketing Research, 41,3, 306-323.
Tax S.S., Chandrashekaran M. et Christiansen T. (1993), Word-of-mouth in consumer
decision-making: an agenda for research, Journal of Customer Satisfaction, Dissatisfaction
& Complaining Behavior, 6, 75-80.
Walker L. J.H. (2001), The Measurement of Word-of-Mouth Communication and an
Investigation of Service Quality and Customer Commitment as Potential Antecedents.
Journal of Service Research, 4,1, 60-75.
Zauberman G. (2003), The intertemporal dynamics of consumer lock-in, Journal of
Consumer Research, 30,3, 405-419.
16
Tableau 1: Effet viral par génération
Nbre Nbre de % Conversion Nbre de % Conversion Nbre d'enfants d'enfants joueurs en joueurs* parents en parents** directs / parent
G0 (ancêtres) 160756 160756 100 G0PAR 84246 52,41 3,60G1 303541 32480 10,70 G1PAR 16650 5,49 3,12G2 51875 7815 15,07 G2PAR 3932 7,58 3,00G3 11811 2028 17,17 G3PAR 1029 8,71 3,06G4 3148 605 19,22 G4PAR 333 10,58 1,00G5 333 70 21,02 G5PAR 36 10,81 1,00G6 36 9 25,00 G6PAR 7 19,44 1,00G7 7 3 42,86 G7PAR 3 42,86 1,00G8 3 1 33,33 G8PAR 1 33,33 1,00G9 1 0 0,00 0 0,00
TOTAL 531511 203767 38,34 106237 19,99
*% Conversion en joueurs = nbre d'enfants de la génération qui deviennent joueurs ** % Conversion en parents = nbre d'enfants générés par la génération n-1 qui deviennent parents
(données traitées sans boucle)
Tableau 2: Statistiques sur les trois caractéristiques du potentiel viral
Statistics
84246 84246 842460 0 0
4,40 1,21 3,607,169 ,546 5,704
51,389 ,298 32,5311 1 1
240 9 2401,00 1,00 1,001,00 1,00 1,001,00 1,00 1,002,00 1,00 2,002,00 1,00 2,003,00 1,00 2,00
ValidMissing
N
MeanStd. DeviationVarianceMinimumMaximum
10203040506070 4,00 1,00 3,00
6,00 1,00 4,008010,00 2,00 8,009011,00 2,00 8,009111,00 2,00 9,009213,00 2,00 10,009314,00 2,00 11,009416,00 2,00 12,009518,00 2,00 14,009621,00 3,00 16,009725,00 3,00 19,0098
99 33,00 3,00 25,00
Percentiles
Nb ad virsaisies partte la tribu
Nb degénérations
Nb de filleulsdirects
17
Tableau 3: Segmentation des ancêtres selon leur potentiel viral
Figure 1: Exemple simple de réseau Bayésien
A
D E F
B C
Stériles Paresseux FertilesNbre de générations 0 1,17 1,80
Nbre d'enfants directs 0 2,55 18,30Total nbre d'enfants générés par la tribu
% total ancêtres 47,59 48,91 3,50
0 2,99 24,12
18
Figure 2: Application des réseaux Bayésiens au jeu
19
igure 4: Performance du modèle : matrice de confusion
Figure 3: Couverture de Markov sur le noeud SUM
F
20
ANNEXE 1 : QUESTIONNAIRE DU JEU Questionnaire du jeu
Q 1 V o u s v iv e zE n c o u p le s a n s e n fa n t
S e u l(e ) s a n s e n fa n t
E n c o u p le a v e c e n fa n t(s )
S e u l(e ) a v e c e n fa n t(s )
C h e z v o s p a re n ts
1 0 1 1 2 3 4 5
Q 2
A c tu e lle m e n t, v o u s ê te s
E tu d ia n t(e ), ly c é e n (n e ) , c o llé g ie n (ne )
S a la r ié (e ) s e c te u r p r iv é
T ra v a ille ur ( s e ) in d é p e n da n t(e )
F o n c t io n na ir e
E n re c h e r c h e d 'e m p lo i
H /F a u fo y e r
R e t ra ité (e ) A u t re
2 0 1 1 2 3 4 5 6 7 8
M e r c i d e p r é c is e r s i v o u s ê te s .. . A g r ic u lte u r A r t is a nC o m m e rça n t
C h e f d 'e n tr e p r is e C a d re
C a d re s u p é r ie u r
E n s e ig n an t
P ro fe s s ion lib é r a le E m p lo y é O u v r ie r A u tr e
2 0 2 1 2 3 4 5 6 7 8 9 1 0
Q 3C o m b ie n d e v o
1 1
y a g e (s ) a lle r - re to u r a v e z -v o u s e f fe c tu é ( s ) a u c o u rs d e s 1 2 d e rn ie rs m o is ?
A u c u n 1 2 3 4 5 6 à 1 0 1 1 à 2 02 1 e t p lu s
3 0 1 E n a v io n p o u r d e s r a is o n s p e rs o n n e lle s 1 2 3 4 5 6 7 8 93 0 2 E n a v io n p o u r d e s r a is o n s p r o fe s s io n n e lle s 1 2 3 4 5 6 7 8 9
Q 4 V IR A L
Q 5 E n g é n é ra l, p o u r v o s v o y a g e s e n a v io n , v o u s r é s e r v e z …M o in s d e 3 jo u r s à l'a v a n c e
E n tr e 3 e t 6 jo u rs à l'a v a n c e
E n tr e u n e s e m a in e e t u n m o is à l'a v a n c e
E n tre u n m o is e t 2 m o is à l'a v a n c e
P lu s d e 2 m o is à l'a v a n c e
Je n e r é s e r v e p a s d e b ille ts d 'a v io n
5 0 1 1 2 3 4 5 6
Q 6Q u e l e s t l'a é r o p o r t d e d é p a r t q u e v o u s u t ilis e z le p lu s f ré q u e m m e n t ?
6 0 1 m e n u d é ro u la n t , v o ir o n g le t c o r re s p o n d a n t
Q 7 Q u a n d p ré v o y e z -v o u s d e p a r t ir e n v o y a g e e n a v io n ?E n m a i o u ju in 2 0 0 4
E n ju ille t 2 0 0 4
E n a o û t 2 0 0 4
E n s e p te m b re 2 0 0 4 o u p lu s ta r d
p ré v o is p a s d e p a r t ir e nv o y a g e e n a v io n
Je n e
7 0 1 1 2 3 4 5
O ù s o u h a ite z v o u s p a r t ir p o u r v o t re p r o c h a in v o y a g e e n a v io n ?E n F r a n c e m é tr o p o lita in e
E n E u ro p e d u S u d
D a n s le re s te d e l'E u ro p e
A u M o y e n O r ie n t
A u x C a ra ib e s
D a n s l'O c é a n I n d ie n
E n A m é r iq u e d u N o rd
E n A m é r iq u e la t in e
E n A fr iq u e d u N o rd
D a n s le r e s te d e l'A f r iq u e
E n A s ie
7 0 2 1 2 3 4 5 6 7 8 9 1 0 1 1
Q 8 V IR A L
Q 9 Q u e lle p a r t d e v o s v o y a g e s a c h e te z -v o u s s u r I n te rn e t ?
Je n 'e n a i ja m a is a c h e té s u r I n te rn e t
M o in s d 'u n q u a r t
E n tr e u n q u a r t e t la m o it ié
E n t re la m o it ié e t le s t ro is q u a r ts
P lu s d e s tr o is q u a r ts
9 0 1 P o u r d e s b ille ts d 'a v io n p e r s o n n e ls 1 2 3 4 59 0 2 P o u r d e s b ille ts d 'a v io n p r o fe s s io n n e ls 1 2 3 4 5
Q 1 0A u c o u rs d e s 1 2 d e rn ie rs m o is , c o m b ie n d e s é jo u r ( s ) e n h ô te l a v e z -v o u s e f fe c tu é ?
A u c u n 1 2 3 4 5 6 e t p lu s
1 1 0 1 p o u r d e s ra is o n s p e r s o n n e lle s 1 2 3 4 5 6 71 1 0 2 p o u r d e s ra is o n s p r o fe s s io n n e lle s 1 2 3 4 5 6 7
21
modalité réponse
Question Condition Intitulé des questions
Q11 VIRAL
Q12Combien de fois avez-vous loué une voiture au cours des 12 derniers mois ?
Aucun
1 2 3 4 56 à 10
11 à 20
21 et plus
1201 Pour des raisons personnelles 1 2 3 4 5 6 7 8 91202 Pour des raisons professionnelles 1 2 3 4 5 6 7 8 9
Q13Pourquoi quelle(s) raison(s) n'achetez vous pas vos voyages personnels sur Internet ? (Plusieurs réponses possible)
1301 Q901=1 Achat en agence de voyage1302 Q901=1 Prix trop chers1303 Q901=1 Délais de livraison trop importants1304 Q901=1 Paiements pas suffisament sécurisés1305 Q901=1 Données non confidentielles1306 Q901=1 Plaintes ou réclamations difficiles1307 Q901=1 Problème de connexion Internet1308 Q901=1 Autres1309 Q901=1 Je n'achète pas personnellement de voyage
1399 Q901<>1 VIRAL
Q14Au cours des 12 derniers mois, combien de séjours à l'étranger avez-vous effectué pour des raisons personnelles
Je n'ai effect
1 2 3entre 4 et 6
plus de 6
1401 Des séjours courts (1 à 4 jours) 1 2 3 4 5 61402 Des séjours d'une semaine 1 2 3 4 5 61403 Des séjours de plus d'une semaine 1 2 3 4 5 6
Q15 Où êtes-vous parti ces 12 derniers mois ?En France
En Euro
Dans le reste
Au Moyen
Aux Caraibes
Dans l'Océan
En Améri
Dans le reste
En Asie
En Océanie
Je ne sais
22
Q25 En général, vous partez en voyagePendant les
Hors vacances
Cela dépend,
2501 1 2 3
Q26 Q201<>(5,6,7) Dans quel secteur travaillez-vous ? (menu déroulant)Agriculture /
Architecture /
Automobile /
Energie / Chimi
Finance / Banq
Droit / Juridi
Conseil / Etude
Média / Com
Informatique /
Santé / Phar
Transport / Logis
Grande distri
Commerces et
Loisirs / Touri
Arts / Culture
Enseignement /
Administration /
Autre
2601 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 182699 Q201 IN (5,6,7) VIRAL
Q27 Avez-vous déjà acheté des voyages sur les sites suivants : Oui Non
2701 Accorhotel 1 02702 Anyway.com 1 02703 Bourse des voyages 1 02704 Ebookers 1 02705 Govoyages.com 1 02706 Havas Voyages 1 02707 Karavel.com 1 02708 lastminute.com 1 02709 Nouvelles Frontières 1 02710 Opodo.fr 1 02711 Partirdiscount.com 1 02712 Promovacances.com 1 02713 Travelprice.com 1 02714 Vivacances.fr 1 02715 voyages-sncf.com 1 0
pe du que
En Amérique
En Afrique du pas
1501 Q301<>1 pour des raisons personnelles 1 2 3 4 5 6 7 8 9 10 11 12 131502 Q302<>1 pour des raisons professionnelles 1 2 3 4 5 6 7 8 9 10 11 12 131599 Q301=1 ET VIRAL
Q16 VIRAL
Q17Quelles sont les 3 compagnies aériennes que vous utilisez le plus souvent ? Air Fr Alitali Amer BritishBritishDelta Easy IberiaKLM LufthaRyanaSAS SwissAutres Compagni
1701 01<>1 ou Q302< choix 1 1 2 3 4 5 6 7 8 9 10 11 12 13 141702 01<>1 ou Q302< membre du programme de fidélité 1 2 3 4 5 6 7 8 9 10 11 12 13 141703 01<>1 ou Q302< choix 2 1 2 3 4 5 6 7 8 9 10 11 12 13 141704 01<>1 ou Q302< membre du programme de fidélité 1 2 3 4 5 6 7 8 9 10 11 12 13 141705 01<>1 ou Q302< choix 3 1 2 3 4 5 6 7 8 9 10 11 12 13 141706 01<>1 ou Q302< membre du programme de fidélité 1 2 3 4 5 6 7 8 9 10 11 12 13 141799 Q301=1 ET VIRAL
Q18 Combien d'enfants avez-vous ? Aucu 1 2 3 4 51801 Q101 IN (2,4) Moins de 3 ans 1 2 3 4 5 61802 Q101 IN (2,4) Entre 3 et 7 ans 1 2 3 4 5 61803 Q101 IN (2,4) Entre 7 et 12 ans 1 2 3 4 5 61804 Q101 IN (2,4) Entre 12 et 18 ans 1 2 3 4 5 61805 Q101 IN (2,4) Plus de 18 ans 1 2 3 4 5 6
1899 Q101<>(2,4) VIRAL
Q19Quels sont les principaux critères qui interviennent dans votre choix pour acheter un billet d'avion (classement par ordre d'importance)
Le prix le
Vol direct
Horaires
Les services
La renommé
Vol en rom
L'existence
p d'un 1901 choix 1 1 2 3 4 5 6 71902 choix 2 1 2 3 4 5 6 71903 choix 3 1 2 3 4 5 6 7
Q20 VIRAL
Q21 Lorsque vous partez en vacances, vous préférez …Un séjour
Un séjour en
Un séjour en
Réserver un
Une croisière
Une thalassoth
Un séjour
Partir à l'ave
Aller dans votre
Aller chez des
Cela dépend
2101 1 2 3 4 5 6 7 8 9 10 11
Q22 Lorsque vous voyagez en avion, vous voyagez principalement…En premi
En class
En class
Je ne voya
2201 à titre personnel 1 2 3 42202 à titre professionnel 1 2 3 4
Q23 Q302<>1Qui s'occupe habituellement de réserver vos billets d'avion professionnels ?
Moi même
Un service
Une personne
2301 1 2 32399 Q302=1 VIRAL
Q24 VIRAL
Q28 VIRAL
Q29Si on vous offrait une nuit d'hôtel, dans quelleville réserveriez-vous?
2901 menu déroulant, voir onglet correspondant
Q30 Disposez-vous d'une connexion Internet à votre domicile?oui, bas débit
oui, haut débit
oui, mais ne connais pas le débit
je n'ai pas de connexion Internet à mon domicile
3001 1 2 3 4
Q31 Combien dépense votre foyer par an pour ses vacances ?
Moins de 762 € (5 000 F)
De 762 € (5 000F) à 1524 € (10 000 F)
De 1524 € (10 000 F) à 3048 € (20 000 F)
Plus de 3048 € (20 000 F)
Je ne souhaite pas répondre
3101 1 2 3 4 5
Q32 VIRAL
Q33Y a-t-il des règles générales édictées par votre entreprise qui conditionnent : Oui Non
3301 Le choix de la compagnie 1 03302 La classe de voyage 1 0
Q34 A quelle fréquence visitez-vous les sites suivants :
Vous n'y êtes jamais allé
Moins d'une fois par mois
Une fois par mois ou plus
3401 Accorhotel 1 2 33402 Anyway.com 1 2 33403 Bourse des voyages 1 2 33404 Ebookers 1 2 33405 Govoyages.com 1 2 33406 Havas Voyages 1 2 33407 Karavel.com 1 2 33408 lastminute.com 1 2 33409 Nouvelles Frontières 1 2 33410 Opodo.fr 1 2 33411 Partirdiscount.com 1 2 33412 Promovacances.com 1 2 33413 Travelprice.com 1 2 33414 Vivacances.fr 1 2 33415 voyages-sncf.com 1 2 3
Q35Avez-vous déjà choisi un billet d'avion uniquement parce qu'il était en promotion ?
Oui NonNe sais pas
3501 1 0 2
Q36 VIRAL
Q37 Vous vivez dans… Un appart Une maisoUne maison avec jardin3701 1 2 3
Q38 Q101<>5 Vous êtes… PropriétairLocataire3801 1 23899 Q101=5 VIRAL
Q39 Quel est le niveau d'étude le plus haut que vous ayez atteint? Collège Lycée Bac +1/2Bac + 3/4
Bac + 5 et plus
3901 1 2 3 4 5
Q40 VIRAL
Q41 Sur Internet, avez-vous déjà acheté? (plusieurs choix possibles)
4101 Du matériel ou des logiciels informatiques4102 Du matériel hifi/photo4103 Des billets de train, des location de voitures4104 Des voyages : séjours, thalassos, croisièrs,…4105 Des produits culturels (Livres, CD audio ou DVD)4106 Des billets pour des sorties, des spectacles4107 Des vêtements4108 Des produits de beauté4109 Des fleurs ou des plantes4110 Des produits alimentaires (courses en ligne)4111 Du vin4112 Des produits ou des services financiers4113 D'autres produits4114 Je n'ai jamais acheté sur Internet
23