#Mars 2019 : Fuzzy Sets Qualitative Comparative Analysis

Fuzzy Sets Qualitative Comparative Analysis

Quels apports de la méthode à la recherche en Marketing ?

Karine Raïes,  professeure associée de marketing à l’EMLyon Business School. Ses recherches portent sur la relation consommateur-marque dans un monde digital." data-share-imageurl="">

tribunes_mars2018.png

Approfondissement méthodologique

Photo_DhouhaELAMRI.jpg

Tribune coordonnée par Dhouha El Amri, Enseignante-chercheure en Marketing à l’ICD International Business School, Paris et responsable des tribunes de l’afm.

Suite à la présentation de la méthode des Fuzzy Sets Qualitative Comparative Analysis par Karine Raïes lors des dernières rencontres d’automne de l’afm, nous avons décidé d’innover dans les tribunes de l’afm en proposant une tribune méthodologique. Force est de constater que la méthode des Fuzzy Sets est très utile en marketing en l’occurrence pour étudier les comportements des consommateurs ou des produits dotés d’une complexité tels que les nouveaux produits hybrides. Cet apport méthodologique est rédigé par Karine Raïes, professeure associée de marketing à l’EMLyon Business School.

Fuzzy Sets Qualitative Comparative Analysis

Quels apports de la méthode à la recherche en Marketing ?

Photo_KarineRAIES.jpg

Karine Raïes,  professeure associée de marketing à l’EMLyon Business School. Ses recherches portent sur la relation consommateur-marque dans un monde digital. Elle a soutenu une thèse en sciences de gestion portant sur l’engagement des consommateurs au sein d’une communauté virtuelle de marque au CERAG – Grenoble Alpes, et a publié ses travaux dans diverses revues académiques nationales et internationales dont Recherche et Application Marketing, Décisions Marketing et Journal of Business Research.

La majorité des articles publiés en marketing partent du postulat que la relation entre les variables étudiées est linéaire (Dul, 2016). La plupart de ces recherches appliquent alors des méthodologies basées sur des analyses de régression simple ou multiple pour conclure à une relation de cause à effet entre les variables considérées. Pourtant, la complexité du consommateur, aussi bien dans la construction psychologique que dans la construction sociale de ses attitudes et de ses comportements, pose la question de l’intérêt de prendre en compte de nouvelles méthodologies permettant de considérer cette complexité. Par ailleurs, de nombreuses voix se sont élevées, remettant en cause la pertinence de l’utilisation quasi-exclusive des méthodes de régression multiples (MRA) lors de l’analyse de données quantitatives (Ragin, 2000 ; Woodside, 2016 ; Dul, 2016). Des résultats contradictoires au sein de la littérature posent la question de la pertinence de l’application d’analyses de types linéaires et symétriques sur des relations entre des attitudes et des comportements humains qui ne sont sûrement ni linéaires ni symétriques (Gupta et Zeithaml, 2006). Cette pratique revient à écraser la richesse de l’information collectée et à passer à côté d’explications potentiellement intéressantes.

Dans ce contexte, la théorie de la complexité considérée par les approches basées sur les cas (George et Bennett, 2005 ; Cooper et Glaesser, 2011) connait un succès grandissant au sein de différentes disciplines aussi variées que la politique (Redding et Viterna, 1999), l’histoire (Kiser, Drass et Brustein, 1995), les sciences sociales (Cress et Snow, 1996) et les sciences des organisations (Misangyi et al., 2017 ; Fiss, 2011). En management, les travaux de Woodside (2012, 2013) peuvent être cités comme des travaux précurseurs dans l’application de ces méthodes à des problématiques managériales à travers l’utilisation de l’analyse qualitative comparée « fuzzy-set » (fsQCA).

Je souhaiterais à travers cette tribune apporter un éclairage sur l’intérêt de la prise en compte de cette méthode dans la recherche en Marketing. Pour ce faire, je vous propose une réflexion construite autour de l’application des quatre principes de la complexité sur lesquelles se base la méthode fsQCA à des problématiques liées à l’analyse de la relation consommateur-marque.

Les principes de la théorie de la complexité appliqués à la compréhension du consommateur

Anderson (1999) a été un des précurseurs dans la prise en compte des principes de la théorie de la complexité dans l’étude organisationnelle. Il a été suivi par Urry (2005) qui a proposé de l’appliquer dans le contexte des sciences sociales en introduisant le fait que les relations entre les variables peuvent être non-linéaires et que la même cause peut, dans différents contextes, avoir différentes conséquences et qu’une même conséquence peut avoir, dans différents contextes, des causes différentes. Étonnement, en marketing, cette question de la complexité des comportements reste peu abordée. Pourtant, dès 1967, Kotler prévenait déjà que « les décisions marketing doivent être prises dans un contexte d’information insuffisante à propos de processus dynamiques, non-linéaires, stochastiques, interactifs, etc. ». Plus de 50 ans après ces propos, la recherche marketing se cantonne à appliquer des méthodes linéaires, symétriques et simplifiées pour étudier des phénomènes complexes.

La méthode fsQCA se base sur quatre principes de la théorie de la complexité : la suffisance et la nécessité des antécédents, l’équifinalité des antécédents, l’asymétrie des relations et la non-linéarité des relations. Afin de discuter l’intérêt de ces principes pour la recherche en marketing, je vais utiliser un exemple fictif et très simplifié qui suppose que des données ont été collectées auprès de 6 répondants afin de savoir s’ils sont fidèles à une marque. Afin d’expliquer cette fidélité, imaginons que nous avons également en notre possession des informations concernant leur niveau de satisfaction par rapport à la marque en question, leur comportement face à l’indisponibilité du produit en magasin et la présence de promotions sur cette marque. Les données collectées sont schématisées dans la figure 1. Les six répondants ABCDEF présentent un niveau élevé (en vert) ou faible (en rouge) de fidélité. Ils présentent un niveau élevé d’un antécédent s’ils sont positionnés à l’intérieur du cercle représentant cet antécédent et un niveau faible s’ils sont positionnés à l’extérieur du cercle en question.

Complexite.png

Figure 1 : Exemple illustrant les principes de la complexité

Le principe de suffisance et de nécessité

Le premier postulat suggère que la relation entre une variable antécédente et une variable conséquente peut être suffisante et/ou nécessaire. Les notions de suffisance et de nécessité des relations ne sont pas considérées en tant que telles par les méthodes basées sur la corrélation et la régression (Armstrong, 2012 ; Frösèn et al., 2016 ; Isaksson et Woodside, 2016), elles le sont pourtant de manière implicite dans l’interprétation des résultats de ces analyses. Pour Dul (2016), la notion de suffisance reflète cette part de la notion de causalité́ qui dit que « Si X, alors Y » alors que la nécessité reflète l’autre part de la notion de causalité qui dit que « pas de Y sans X ». Cette manière de penser les relations est très rarement visible dans la littérature actuelle en marketing et les deux notions sont indépendamment comprise dans le terme « causalité ».

Une variable antécédente est reconnue comme nécessaire à une variable conséquente si cette dernière a besoin de la variable antécédente pour exister. En d’autres termes, à chaque fois que la variable conséquente est observée, la variable antécédente est également présente. Le fait qu’une variable soit nécessaire ne voudra pas dire qu’elle est suffisante dans l’apparition d’une variable conséquente. D’autres variables expliqueront également l’apparition de la variable conséquente.

Reprenons notre exemple la détermination des antécédents de la fidélité par les trois antécédents « satisfaction », « présence de promotions » et « disponibilité du produit ». Pour répondre à la question de la nécessité et de la suffisance de ces variables antécédentes observons la figure 1. Tous les consommateurs fidèles (A, B et C) sont également satisfaits (se trouvent dans le cercle de la satisfaction dans la figure 1). Nous pouvons alors dire qu’à chaque fois que la variable conséquente est observée (ici la fidélité), la variable antécédente est présente (ici la satisfaction). Nous n’observons aucun cas de consommateurs fidèles qui ne sont pas satisfaits (se trouvent en dehors du cercle satisfaction). Sur la base de ces données fictive, la satisfaction est une condition nécessaire à la fidélité.

D’autre part, si la satisfaction semble ici être une condition nécessaire, elle n’est pas pour autant suffisante, d’autres variables contribuent à l’apparition d’une fidélité élevée. Pour l’individu B par exemple, la présence de promotions lors de l’achat combinée à la satisfaction (représenté par la présence de l’individu dans l’intersection entre les deux cercles satisfaction et promotions) explique son niveau de fidélité. Les trois variables identifiées ici mènent donc à l’observation d’individus fidèles, elles sont suffisantes. Seule la satisfaction est nécessaire.  La méthode d’analyse QCA prend en compte ce type de relations et propose des indices de couverture et de cohérence permettant de conclure à la suffisance et/ou à la nécessité d’une variable antécédente.

Le principe d’équifinalité́

Le second postulat de la théorie de la complexité stipule que dans la plupart des cas, surtout en sciences sociales, une variable antécédente unique est rarement suffisante à l’explication d’un phénomène mais une ou plusieurs combinaisons de plusieurs variables peuvent l’être. On parle ici d’équifinalité (Urry, 2005). Ainsi, il n’y a pas de route unique ou de recette miracle mais plusieurs chemins pourront mener à l’apparition d’un phénomène en fonction du contexte étudié. Cette richesse propre aux résultats qu’apportent les méthodes des cas et les analyses qualitatives est accompagnée d’une mesure quantitative permettant de déterminer le niveau de cohérence globale et de couverture de chaque solution.

Le principe d’équifinalité appliqué à l’exemple donné plus tôt nous permet de conclure que trois chemins peuvent mener à l’observation d’un niveau élevé de fidélité. Pour certaines personnes, la fidélité résulte de la combinaison de valeurs élevées de satisfaction, de présence de promotions et de disponibilité du produit (individu C). Pour d’autres, la satisfaction seule suffit à mener à la fidélité (individu A). Enfin, pour un troisième répondant, la satisfaction lorsqu’elle est combinée avec la présence de promotions mène à la fidélité (individu B). Ce cas simplifié reprend chaque individu et le considère comme représentatif d’une solution. Lorsqu’e l’on se retrouve avec une base de données contenant plusieurs répondants, la méthode fsQCA permettra de sélectionner les chemins qui représentent un nombre important de répondants (indice de couverture) ainsi que les chemins qui expliquent une part significative de la variable à expliquer (indice de cohérence).

L’asymétrie des relations

Le troisième postulat de la théorie de la complexité́ concerne la notion d’asymétrie des relations. Les études actuelles en Marketing, dont la plupart testent des relations symétriques, partent du principe que si un niveau élevé d’un antécédent mène à un niveau élevé d’une variable conséquente, cela suppose qu’un niveau faible de cette variable antécédente impliquera forcément un niveau faible de la variable conséquente. Or, les relations humaines sont bien plus complexes et une variable conséquente élevée pourra avoir comme antécédent des niveaux élevés ou faibles de cette variable antécédente.

Par exemple, si la disponibilité du produit impacte positivement le rachat d’un produit dans la plupart des cas, il est possible d’observer certains cas pour lesquels le niveau de satisfaction élevé seul est si fort que même en cas de non disponibilité du produit dans le magasin habituel, le consommateur restera fidèle à la marque et ira se procurer le produit dans une autre enseigne (répondants A et B de notre exemple). Ainsi l’analyse fsQCA propose différentes combinaisons de présence et/ou absence de variables antécédentes qui sont observées lorsqu’un niveau élevé de la variable conséquente est observé. Dans notre exemple (figure 1), les trois solutions menant à la fidélité sont : (1) la présence des trois variables antécédentes (répondant C), (2) la présence de satisfaction et de promotion et l’absence de disponibilité (répondant B), (3) la présence de satisfaction et l’absence de promotion et de disponibilité (répondant A)

La non-linéarité des relations

Pour finir, le dernier postulat suppose la non-linéarité des relations étudiées. Ceci veut dire que les combinaisons de variables antécédentes liées à un niveau élevé de la variable conséquente sont rarement l’exact opposé des combinaisons de variables antécédentes menant à un niveau faible de la variable conséquente. La méthode d’analyse fsQCA permet ainsi de distinguer les solutions qui mènent à un niveau élevé de la variable conséquente de celles qui mènent à un niveau faible de cette même variable. Pour illustrer ce propos sur la base de l’exemple qui a guidé notre propos, nous pouvons voir que si la présence des trois variables antécédentes simultanément peut mener à une fidélité forte (Répondant C), l’opposé de cette solution qui correspond à l’absence simultanée des trois variables antécédentes ne correspond pas à une des solutions menant à une absence de fidélité.

Une méthode qui pourrait enrichir la vision actuelle

Au vu de ces résultats, et en se basant sur l’évidence que le consommateur est par nature un être complexe, il semble évident que la méthode fsQCA et ses principes sous-jacents présentent un réel intérêt pour la compréhension du consommateur aussi bien d’un point de vue théorique qu’en termes de recommandations managériales. La logique de la méthode des cas, à l’origine de la réflexion de Ragin (2000) permet d’aller plus loin que la détermination de la solution la plus efficace pour rechercher toutes les solutions potentiellement intéressantes. En développant cette méthode ainsi qu’un logiciel d’analyse de données spécifique, Ragin (2000) permet d’analyser des données qualitatives et/ou quantitatives, avec de petits, moyens ou grands échantillons dans une démarche alliant profondeur de l’analyse et indicateurs quantitatifs dont l’utilisation permettrait à minima de compléter la connaissance actuelle en marketing. 

Bibliographie

CHANSON, G. (2007). Surmonter les difficultés de la méthode QCA grâce au protocole SC-QCA Guillaume. Noûs, 33(0). https://doi.org/10.7202/1002365ar

Cooper, B., & Glaesser, J. (2011). Using case-based approaches to analyse large datasets: A comparison of ragin’s fsQCA and fuzzy cluster analysis. International Journal of Social Research Methodology, 14(1), 31–48. https://doi.org/10.1080/13645579.2010.483079

De Meur, G., Rihoux, B., & Varone, F. (2004). L ’ analyse quali-quantitative comparée ( AQQC ) : un outil innovant pour l ’ étude de l ’ action publique. Pyramides, 8(8), 137–148.

Dul, J. (2016). Necessary Condition Analysis (NCA): Logic and Methodology of “Necessary but Not Sufficient” Causality. Organizational Research Methods, 19(1), 10–52. https://doi.org/10.1177/1094428115584005

Fiss, P. C. (2011). Building better causal theories: A fuzzy set approach to typologies in organization research. Academy of Management Journal, 54(2), 393–420. https://doi.org/10.5465/AMJ.2011.60263120

Ragin, C. C. (2000). Fuzzy Sets: Calibration Versus Measurement, 1–31.

Ragin, C. C. (1999). Using qualitative comparative analysis to study causal complexity. Health Services Researchesearch, 34(5), 1225–1239. https://doi.org/10.1177/0049124107313903

Rihoux, B. (2006). Qualitative comparative analysis (QCA) and related systematic comparative methods: Recent advances and remaining challenges for social science research. International Sociology, 21(5), 679–706. https://doi.org/10.1177/0268580906067836

Seny Kan, A. K., Adegbite, E., El Omari, S., & Abdellatif, M. (2016). On the use of qualitative comparative analysis in management. Journal of Business Research, 69(4), 1458–1463. https://doi.org/10.1016/j.jbusres.2015.10.125

Thiem, A. (2017). Conducting Configurational Comparative Research With Qualitative Comparative Analysis: A Hands-On Tutorial for Applied Evaluation Scholars and Practitioners. American Journal of Evaluation, 38(3), 420–433. https://doi.org/10.1177/1098214016673902

van Doorn, J., Verhoef, P. C., & Bijmolt, T. H. A. (2007). The importance of non-linear relationships between attitude and behaviour in policy research. Journal of Consumer Policy, 30(2), 75–90. https://doi.org/10.1007/s10603-007-9028-3

Wagemann, C., Buche, J., & Siewert, M. B. (2016). QCA and business research: Work in progress or a consolidated agenda? Journal of Business Research, 69(7), 2531–2540. https://doi.org/10.1016/j.jbusres.2015.10.010

Woodside, A. G. (2013). Moving beyond multiple regression analysis to algorithms: Calling for adoption of a paradigm shift from symmetric to asymmetric thinking in data analysos and crafting theory. Journal of Business Research, 66..

Exemples de fsQCA

Chang, C.-W., Tseng, T. H., & Woodside, A. G. (2013). Configural algorithms of patient satisfaction, participation in diagnostics, and treatment decisions’ influences on hospital loyalty. Journal of Services Marketing, 27(2), 91–103. https://doi.org/10.1108/08876041311309225

Crotts, J. C., & Charleston, C. (2015). Are Wall Street Wolves Actually High Sales Performers ( Yes ) and Are All High Sales Performers Wolves ( No )? Are Wall Street Wolves Actually High-Sales Performers ( Yes ) and Are All High-Sales Performers Wolves ( No )?, 1–42.

Feurer, S., Baumbach, E., & Woodside, A. G. (2016). Applying configurational theory to build a typology of ethnocentric consumers. International Marketing Review, 33(3), 351–375. https://doi.org/10.1108/IMR-03-2014-0075

Fiss, P. C. (2011). Building better causal theories: A fuzzy set approach to typologies in organization research. Academy of Management Journal, 54(2), 393–420. https://doi.org/10.5465/AMJ.2011.60263120

GRECKHAMER, T. (2006). CEO Compensation In Relation to Worker Compensation Across Countries: The Configurational Impact of Country-Level Institutions. Canadian Mining Journal, 127(1), 12–13. https://doi.org/10.1002/smj

Grohs, R., Raies, K., Koll, O., & Mühlbacher, H. (2016). One pie, many recipes: Alternative paths to high brand strength. Journal of Business Research, 69(6), 2244–2251. https://doi.org/10.1016/j.jbusres.2015.12.037

Isaksson, L. E., & Woodside, A. G. (2016). Modeling firm heterogeneity in corporate social performance and financial performance. Journal of Business Research, 69(9), 3285–3314. https://doi.org/10.1016/j.jbusres.2016.02.021

Kincl, T., & Štrach, P. (2012). Measuring website quality: Asymmetric effect of user satisfaction. Behaviour and Information Technology, 31(7), 647–657. https://doi.org/10.1080/0144929X.2010.526150

Ordanini, A., Parasuraman, A., & Rubera, G. (2014). When the Recipe Is More Important Than the Ingredients: A Qualitative Comparative Analysis (QCA) of Service Innovation Configurations. Journal of Service Research, 17(2), 134–149. https://doi.org/10.1177/1094670513513337

Pappas, I. O., Kourouthanassis, P. E., Giannakos, M. N., & Chrissikopoulos, V. (2016). Explaining online shopping behavior with fsQCA: The role of cognitive and affective perceptions. Journal of Business Research, 69(2), 794–803. https://doi.org/10.1016/j.jbusres.2015.07.010

Raïes, K., Mühlbacher, H., & Gavard-Perret, M. L. (2015). Consumption community commitment: Newbies’ and longstanding members’ brand engagement and loyalty. Journal of Business Research, 68(12), 2634–2644. https://doi.org/10.1016/j.jbusres.2015.04.007

Ruiz-Mafe, C., Chatzipanagiotou, K., & Curras-Perez, R. (2018). The role of emotions and conflicting online reviews on consumers’ purchase intentions. Journal of Business Research, 89(June 2017), 336–344. https://doi.org/10.1016/j.jbusres.2018.01.027

Thiem, A. (2017). Conducting Configurational Comparative Research With Qualitative Comparative Analysis: A Hands-On Tutorial for Applied Evaluation Scholars and Practitioners. American Journal of Evaluation, 38(3), 420–433. https://doi.org/10.1177/1098214016673902

Woodside, A. G. (2017). Releasing the death-grip of null hypothesis statistical testing ( p < .05): Applying complexity theory and somewhat precise outcome testing (SPOT). Journal of Global Scholars of Marketing Science, 27(1), 1–15. https://doi.org/10.1080/21639159.2016.1265323

Woodside, A. G. (2014). Embrace erform model: Complexity theory, contrarian case analysis, and multiple realities. Journal of Business Research, 67(12), 2495–2503. https://doi.org/10.1016/j.jbusres.2014.07.006

Woodside, A. G. (2015). The general theory of behavioral pricing: Applying complexity theory to explicate heterogeneity and achieve high-predictive validity. Industrial Marketing Management, 47, 39–52. https://doi.org/10.1016/j.indmarman.2015.02.004

Wu, P. L., Yeh, S. S., Huan, T. C., & Woodside, A. G. (2014). Applying complexity theory to deepen service dominant logic: Configural analysis of customer experience-and-outcome assessments of professional services for personal transformations. Journal of Business Research, 67(8), 1647–1670. https://doi.org/10.1016/j.jbusres.2014.03.012

Xu, B., Zheng, H., Xu, Y., & Wang, T. (2016). Configurational paths to sponsor satisfaction in crowdfunding. Journal of Business Research, 69(2), 915–927. https://doi.org/10.1016/j.jbusres.2015.06.040