Qu’est-ce que l’analyse factorielle et comment simplifie-t-elle l’interprétation des études
complexes ?

Il existe de nombreuses méthodes analytiques pour interpréter et analyser les données issues d’une enquête. Chaque méthode trouve son utilité dans un cas particulier. Pour simplifier la compréhension et le traitement d’ensembles de données complexes qui comptent de nombreuses variables, l’analyse factorielle est idéale. En effet, cette technique statistique permet de regrouper des data similaires et de simplifier la compréhension des résultats de recherche. Mais qu’est-ce que l’analyse factorielle concrètement ? Quels sont ses avantages ? Et comment l’utiliser dans ses études en entreprise ?

Qu’est-ce que l’analyse factorielle ?

Définition

L’analyse factorielle est un moyen de condenser les données de nombreuses variables en quelques variables seulement pour simplifier la compréhension des résultats. Pour cette raison, elle est aussi parfois appelée « réduction de dimension ». Vous pouvez réduire les « dimensions » de vos données en une ou plusieurs « super-variables ».

La technique d’analyse factorielle la plus courante est connue sous le nom d’ACP, Analyse en Composantes Principales (PCA en anglais pour Principal Component Analysis).

L’Analyse en Composantes Principales (ACP)

L’ACP consiste à transformer des variables corrélées statistiquement (c’est-à-dire liées entre elles) en nouvelles variables « décorrélées » les unes des autres. Ces nouvelles variables dites « décorrélées » sont appelées « composantes principales » Elle permet à un analyste de réduire le nombre de variables, de simplifier une analyse et de pouvoir identifier le facteur qui provoque le plus de variance.

Les avantages de l’analyse factorielle

L’analyse factorielle est très utile pour les enquêtes et études qui génèrent un nombre très important de données complexes. Même pour le plus expérimenté des analystes, traiter un grand volume de données complexes peut s’avérer difficile. Elle permet notamment de :

• Condenser des variables
• Découvrir des rassemblements de données
• Simplifier la compréhension

Par exemple, lors d’une enquête ayant pour objectif l’évaluation de la satisfaction de la clientèle sur des aspects différents mais étroitement liés, une entreprise veut obtenir un score de satisfaction global. Il est en effet plus simple de partager et d’interpréter un score de satisfaction unique plutôt que de rendre compte de multiples scores complémentaires.

Pour obtenir le score de satisfaction, l’entreprise interroge ses clients sur différentes dimensions de cette notion de la Customer Experience comme :

• Le CSAT (Customer Satisfaction) : Dans quelle mesure êtes-vous satisfait de notre produit ?
• Le NPS (Net Promoter Score) : Recommanderiez-vous notre produit à un proche ?
• La probabilité d’achat : Quelle est la probabilité que vous achetiez ce produit à nouveau ?
• Le CES (Customer Effort Score) : Quel niveau d’effort avez-vous dû déployer pour acquerir ce produit en ligne ?

Pour obtenir un score de satisfaction unique, elle peut faire la moyenne des réponses aux 4 questions ou utiliser l’Analyse en Composantes Principales ACP. L’avantage de l’ACP par rapport à une moyenne est l’automatisation de la pondération de chacune des variables du calcul.

L’analyse factorielle permet également de dresser une représentation graphique de données multiples et complexes sous forme de matrice afin de simplifier leur compréhension et les observations. En effet, dans certaines études complexes, présenter les données en lignes et en colonnes dans un tableau peut ne pas être très parlant.

Quand utiliser l’analyse factorielle ?

L’analyse factorielle pour segmenter les individus

L’analyse factorielle, dont la Principal Component Analysis, est souvent utilisée lors d’études de segmentation. Les consommateurs et les clients d’une entreprise peuvent être regroupés en segments directement à l’aide de l’ACP. Ce type de méthode analytique peut également être utilisé comme étape intermédiaire en vue de réduire le nombre de variables avant d’utiliser la méthode des K-Means (ou k-moyennes) pour créer les différents segments d’individus dans la [link to : https://www.qualtrics.com/fr/gestion-de-l-experience/research-core/segmentation-marketing/]stratégie de segmentation[end link].

L’analyse factorielle pour comprendre les facteurs décisifs principaux

Pour faciliter l’interprétation des résultats d’une enquête où l’on dispose d’un nombre très important de données sur les consommateurs, l’analyse factorielle est idéale.  Ce type d’analyse permet de déceler le facteur qui influe majoritairement sur les variables observées. Par exemple, dans une étude visant à connaître la typologie des clients qui utilisent le plus son site Internet, une entreprise va récolter de nombreuses data sur les individus étudiés :

• caractéristiques socio démographiques des répondants (sexe, âge, lieu d’habitation, CSP, coordonnées)
• habitudes d’achat (canal d’achat privilégié, nombre de visites par mois en ligne)
• leurs opinions

Grâce à ce type d’analyse, l’entreprise peut créer des profils d’individus. Les observations de chaque groupe de consommateurs sont alors simplifiées et il est ainsi possible de mieux comprendre les attitudes de chacun et d’adapter son marketing à chaque profil. On peut, grâce à cette technique, expliquer et interpréter la variance des résultats.

L’analyse factorielle pour créer des représentations visuelles de données

En catégorisant les données, il est possible de les représenter sous forme de nuage de points dans une matrice ou un graphique. Cette représentation visuelle des données permet de visualiser les rapprochements, les corrélations et les oppositions entre les différents types de données.

L’analyse factorielle permet donc de visualiser l’influence d’un facteur sur les réponses données et facilite l’interprétation des résultats. Par exemple, l’influence de l’âge des individus sur l’utilisation de tel ou tel canal d’achat.

L’analyse factorielle pour les questions à échelles

L’analyse factorielle offre une simplicité de compréhension et d’utilisation des résultats de toute enquête complexe. Pour de longues études comportant plusieurs grands blocs de questions dont les réponses sont sous forme d’échelle comme l’échelle de Likert (réponses allant de « pas du tout d’accord » à « tout à fait d’accord »), l’analyse factorielle est optimale. Elle permet de condenser les réponses, de créer des groupes de facteurs et d’obtenir des résultats plus visuels et compréhensibles.

Les questions à échelle qui portent sur le comportement (habitudes d’achat, etc.) et la psychologie (préférences, croyances, etc.) des consommateurs sont particulièrement adaptées à l’analyse factorielle.

Exemple d’utilisation de l’analyse factorielle

Prenons l’exemple d’une entreprise qui propose des solutions informatiques B2B. Les freins à l’achat des potentiels clients peuvent être :

• Un prix excessif
• Un coût lié à la mise en place trop élevé
• Un désaccord dans l’organisation cliente
• Un produit/service non conforme avec la stratégie commerciale
• Le besoin de développer davantage son ROI avant l’acquisition de la solution
• Un contrat avec un autre prestataire
• Les bénéfices du produit ne l’emportent pas sur les coûts
• Pas de raison de changer de solution
• Incompatibilité informatique
• Les ressources techniques internes sont insuffisantes
• Une fonctionnalité manquante dans l’offre proposée qui ne répond pas au besoin
• Autre

Vous êtes face à cette liste de questions et que vous ne savez pas exactement quelles réponses vont se regrouper et lesquelles seront plutôt dans des dimensions différentes. En utilisant cette technique analytique, l’interprétation des données va être facilitée et la création de groupes va se faire logiquement.

L’analyse factorielle peut révéler des tendances et évolutions de ses réponses. Voici la répartition des réponses pour chaque facteur ou variable (également appelé Composante Principale). Les entreprises clientes ont donc été classées en fonction de leurs similitudes (groupe 1, groupe 2 et groupe 3). Ce facteur de classification peut être la taille de l’entreprise, l’ancienneté, ou tout autre type de données quantitatives.

On observe dans ce cas que des sous-ensembles de variables se créent pour chaque composante ou facteur. Le premier pondère fortement les variables liées au coût, le deuxième les variables liées à l’informatique et le troisième les variables liées aux facteurs organisationnels. Grâce à cette représentation il est possible de donner des noms à ces Composantes Principales :

• Coût
• Informatique
• Organisation

En représentant les valeurs sous forme matricielle, l’observation est simplifiée. Si nous devions regrouper les clients potentiels interrogés en fonction de ces trois super variables, nous pouvons clairement voir des tendances se dessiner. Les prospects ont tendance à nommer l’organisation (axe 1) ou le coût (axe 2) comme barrière importante mais pas les deux à fois.

L’analyse factorielle avec Qualtrics

Même si elles permettent grandement de simplifier les résultats et la compréhension d’une enquête, l’analyse factorielle et l’Analyse en Composantes Principales peuvent se révéler complexes à mettre en œuvre. Toutes les entreprises ne disposent pas d’un analyste expert.

Qualtrics Core XM, la plateforme dédiée aux études de marché et à la recherche de Qualtrics, permet de simplifier cette démarche analytique et statistique en regroupant automatiquement les data similaires et en créant des matrices visuelles qu’il est facilement possible d’interpréter.

Le logiciel de Qualtrics est l’un des plus performants sur le marché et vous guide dans chaque étape de la constitution de l’enquête, de la collecte des réponses et dans l’analyse des résultats. Son ergonomie et sa performance vous permette de réaliser des enquêtes en seulement quelques clics et de suivre l’évolution des données et des variables obtenues à chaque recherche.

Des experts Qualtrics sont également à votre disposition pour vous aider à prendre les différents outils en main et pour répondre à toutes vos questions afin que vous puissiez vous concentrer pleinement sur vos études de marché et vos enquêtes d’entreprise.