Cas 1 : i envoie un message à j

Comportement du consommateur et marketing viral :
une modélisation à l’aide de réseaux et d’automates
probabilistes?
Jean-François Rouhaud.
IUT GEA
Université de Poitiers
93
détaillée
dans
l’état
actuel
des
connaissances est ainsi recherché. Des
éléments pour la construction d’un modèle
de simulation du marketing viral sont
proposés et le modèle qui en résulte est
testé.
INTRODUCTION
Le marketing viral est à la mode. Ce
nouveau concept de bouche-à-oreille
électronique à des fins commerciales est
apparu avec le développement de
l’Internet. Il est fondé sur un processus de
communication
écrite
au
moyen
d’échanges d’e-mails, de forums et de sites
web. Bien utilisé, ce phénomène peut se
révéler pour l’entreprise un outil de
communication extrêmement efficace mais
de maîtrise délicate. Le lancement du film
‘Blair Witch’ à l’aide de la création de sites
web ‘pro’ et ‘anti’ a montré la puissance
d’informations soi-disant confidentielles
transmises par le bouche-à-oreille et
constitue un véritable cas d’école.
LE MARKETING VIRAL ET LE
BOUCHE-A-OREILLE
TRADITIONNEL
1. Ce qu’est le marketing viral
Le marketing viral peut être défini
comme une forme de communication
commerciale qui se propage d’individu à
individu sur un réseau électronique
(habituellement l’Internet) à la manière
d’un virus, par contamination progressive.
Technologiquement, il ne s’agit pas d’un
virus informatique mais d’un processus de
bouche-à-oreille dont la progression peut
être extrêmement rapide et bon marché
pour l’entreprise qui en est à l’origine.
Mais ‘la seule différence entre la
propagation d’un virus et une action de
marketing viral qui y puise son inspiration
réside, sauf cas de triche, dans la
nécessaire coopération du destinataire.
Une information virale devra donc être
renvoyée par chacun des internautes
impliqués dans la chaîne (Chatelain et
Roche, 2001).
Phénomène récent, le marketing viral n’a
encore donné lieu à aucune véritable
théorie de sa propagation et des
conditions de son efficacité. Les approches
les plus courantes font appel aux concepts
de réaction en chaîne nucléaire et de
développement exponentiel (Richard,
2001). Elles insistent sur la rapidité de
transmission des rumeurs volontaires
générées par une action de marketing viral
(Kapferer, 2001), sur son faible coût et sur
son impact commercial.
Le marketing viral est une variante du
bouche-à-oreille traditionnel. Cependant,
le support utilisé – le réseau électronique
Internet – modifie considérablement les
conditions de fonctionnement de ce
mécanisme classique qui a donné lieu à de
nombreuses études. Cette communication
propose une approche fondée sur
l’analyse des réseaux sociaux (l’outil
privilégié de la sociométrie) et sur une
formalisation des comportements de
consommation individuels par le moyen
d’automates probabilistes. Un compromis
entre une approche globale trop réductrice
et une approche microanalytique trop
Concrètement, les formes de marketing
viral sont multiples et peuvent notamment
s’exprimer
à
l’aide de
courriers
électroniques, de forums, de listes de
discussion et de sites web pouvant
constituer le point de départ de rumeurs
soigneusement étudiées.
Le marketing viral ne doit pas être
confondu avec le ‘spamming’, c’est-à-dire
l’envoi en masse d’e-mails non désirés.
94
2. Les relais du marketing viral
avec d’autres communautés virtuelles
(Brodin, 2000).
Par analogie avec le bouche-à-oreille
traditionnel (Katz and Lazarsfeld, 1955),
les prescripteurs et leaders d’opinion
paraissent susceptibles de jouer un rôle
important dans toute stratégie de
marketing viral. Les leaders d’opinion (‘einfluents’) déploient habituellement une
activité importante sur l’Internet et
peuvent
disposer
d’un
site
web
constituant éventuellement un organe de
presse électronique. Un relais par des
médias traditionnels hors réseau est
également courant (par ex. un organe de la
presse écrite pratiquant une veille
informationnelle sur l’Internet).
Une information introduite dans une
communauté virtuelle est très vite diffusée
dans l’ensemble de la communauté en
raison des liens directs existant entre ses
membres.
Plus généralement, la structure du
réseau social des relations entre individus
apparaît déterminante dans le processus
de
bouche-à-oreille
électronique.
L’intensité de ces relations semble a priori
constituer un facteur important de la
transmission d’informations sur l’Internet.
Le marketing viral apparaît ainsi comme
un bouche-à-oreille considérablement
amplifié.
L’existence de communautés virtuelles
semble d’un intérêt vital pour toute action
de marketing viral.
LA
MODELISATION
MARKETING VIRAL
Une communauté virtuelle est ‘un
agrégat social qui émerge du Net lorqu’un
nombre suffisants de personnes mènent
des discussions publiques assez durables
pour former des réseaux de relations
interpersonnelles dans le cyberespace’
(Rheingold, 1993).
DU
Une modélisation du marketing viral a
pour objectif de fournir une représentation
cohérente
d’un
ensemble
de
comportements individuels à partir d’un
certain
nombre
d’hypothèses
simplificatrices de la réalité. Actuellement,
le besoin de modèles explicatifs des
processus observés sur l’Internet apparaît
pressant (Lilien and Rangaswamy, 2000 ;
Mahajan and Venkatesh, 2000).
Les participants à une communauté
virtuelle doivent posséder des centres
d’intérêt partagés (métier, hobby, etc…),
une culture, une identité et un langage
communs.
Les communautés virtuelles peuvent
être :
spontanées (par ex. fondées à
l’initiative d’internautes passionnés par un
thème) ou artificielles (par ex. fondées par
une entreprise
ayant un
objectif
commercial) ;
centralisées
(des
relations
privilégiées sont établies avec un individu
central d’où provient l’information
initiale) ou
décentralisées
(tous
les
membres sont sur un pied d’égalité) ;
ouvertes ou fermées, ces dernières
étant caractérisées par la faiblesse des liens
Différents principes alternatifs peuvent
être proposés pour la construction d’un
modèle.
1. Les formalisations envisageables
d’un modèle de marketing viral
La
représentation
des
relations
interindividuelles peut être envisagée à
partir d’un réseau d’automates cellulaires.
Les automates cellulaires ont donné lieu à
95
diverses applications relatives à des
phénomènes similaires de diffusion
(Bhargava and al., 1993 ; Rouhaud, 2000).
Chaque individu pourrait ainsi être
représenté par un automate cellulaire au
comportement assez simple et serait
mécaniquement, et éventuellement de
façon probabiliste, influencé par ses
voisins sur le plan relationnel.
d’analyse des relations individuelles
qu’une description en termes d’automates
cellulaires.
L’application des principes des modèles
microanalytiques du comportement du
consommateur
au
bouche-à-oreille
électronique pourrait constituer une autre
approche. Néanmoins, la complexité de ce
type de modèle et les difficultés pratiques
d’estimation des paramètres peuvent être
dissuasives.
2.1 Les individus (consommateurs
internautes)
2.
La
modélisation
comportement des acteurs
marketing viral
du
du
Il existe un nombre n d’individus i
constituant autant d’automates.
A une période t (égale par ex. à une
journée), chaque internaute i est
caractérisé par 2 états possibles: Ei,t =1
(attitude positive envers le message reçu
d’autres internautes), Ei,t =0 (attitude
neutre).
Une autre méthode pourrait s’appuyer
sur les modèles de diffusion des
innovations (Rogers, 1983), la propagation
de l’usage d’un produit nouveau semblant
assez proche de celle des informations et
des attitudes sur un réseau électronique.
Cet internaute-automate possède une
fonction de transition composée de 3
probabilités :
La modélisation retenue dans cette
communication s’appuie sur un principe
double, assez voisin mais différent :
une
probabilité
PCRi
de
connexion au réseau au cours d’une
période t. Une probabilité PCRi égale à 0,2
signifie que i se connecte en moyenne une
fois tous les 5 jours, une probabilité PCRi
égale à 1 révèle une connexion quasipermanente.
un comportement individuel fondé
sur quelques hypothèses simples et
réalistes permettant de constituer un
automate virtuel ;
un réseau reproduisant l’ensemble
des relations interindividuelles au sein de
l’échantillon d’internautes étudiés et dont
les matériaux de base sont fournis par la
théorie sociométrique des réseaux sociaux.
une probabilité PAPi d’attitude
positive envers le message reçu d’autres
individus (message stocké auparavant
dans sa boîte à lettres électronique
pendant une ou plusieurs périodes), cette
attitude positive se manifestant par un
intérêt pour le message et, le cas échéant,
par un achat.
L’utilisation d’automates virtuels, dont
le comportement est probabiliste, possède
l’avantage d’une relative simplicité
autorisant cependant une description des
mécanismes fondamentaux du marketing
viral et une possibilité facile d’évolution
ultérieure.
une
probabilité
PTRi,k
de
transmission du message reçu à un autre
internaute k
Sur le réseau, chaque individu est en
relation habituelle avec un nombre limité
d’autres individus. Ce nombre est variable
Enfin, après divers essais, il a paru que
l’application de la théorie des réseaux
sociaux permet une plus grande souplesse
96
d’un individu à un autre et peut être élevé
pour un leader d’opinion.
La représentation algébrique s’exprime
par la valeur de la variable Rij traduisant
la relation entre i et j. Dans le cas 1, Rij = 1
et Rji = 0.
2.2. Les sites
Cas 2 : j envoie un message à i.
Un site web, dont une entreprise peut
être à l’origine, est considéré comme un
individu,
mais
possède
quelques
particularités concernant sa fonction de
transition :
C’est le cas inverse du précédent, ce qui
donne Rij = 0 et Rji = 1.
Cas
3:
i
et
j
s‘envoient
mutuellement des messages.
la probabilité PCRs de connexion
du site s au réseau est égale à 1, le site
étant connecté en permanence ;
La représentation graphique peut
s’exprimer :
soit par i  j (graphe orienté);
soit par i  j (graphe orienté);
soit par i – j (graphe non orienté).
la probabilité d’attitude positive
PAPs d’un site visant à diffuser un
message favorable est égale à 1 ; elle
pourrait être inférieure à 1 pour un site
intervenant comme relais sans part-pris
(par ex. cas d’un site représentant la presse
en ligne ou traditionnelle) ;
Cas 4 : absence de relations
habituelles Internet entre i et j
Rij = Rji = 0
A priori, le caractère interactif du Web
semble correspondre plutôt aux cas 3
(dialogue) ou au cas 4 (absence de
relations).
le nombre de relations avec les
autres individus est plus élevé que pour
un individu i quelconque.
3. La structure
interindividuelles
des
3.2. Les relations entre n individus
relations
Les conventions précédentes appliquées
à n internautes définissent un graphe à n
sommets. Ce graphe R peut être
représenté par une matrice RR du réseau
des relations interindividuelles.
Elle repose sur les principes de la théorie
sociométrique des réseaux sociaux et de la
théorie mathématique des graphes.
C’est ainsi que l’ensemble des relations
entre n individus peut être décrit par un
graphe dont chaque individu occupe un
sommet.
Les propriétés essentielles du graphe R
sont :
le nombre maximal de relations
possibles est égal à n(n-1) ;
la densité des relations sur ce
réseau est définie par D = RO / n(n-1) où
RO est le nombre de relations observées ;
le graphe R est orienté (relations
d’informations non symétriques entre les
individus) ou non orienté (relations
symétriques).
3.1. Les relations entre 2 individus i et j
Elles forment une dyade correspondant
à 4 cas différents :
Cas 1 : i envoie un message à j
La représentation graphique se traduit
par un arc (ou flèche) allant de i à j.
ij
97
3.3. Les leaders d’opinion
individu ayant plus de relations, mais
toutes situées dans un même sous-graphe
de R.
CIi = ( j gjk(i)) / gjk pour j et k  R
CIi est la proportion des géodésiques
(plus court chemins entre 2 individus)
entre j et k passant par i.
avec gjk(i): chemin entre j et k passant par
i et gjk = i gjk(i)
Dans un réseau de type Internet, les
leaders d’opinion exercent un rôle
important de diffusion d’une information
et
disposent
généralement
d’une
crédibilité
importante
vis-à-vis
de
beaucoup d’autres membres du réseau
(Granitz and Ward, 1996). Le repérage de
ces leaders peut être effectué à l’aide d’un
score de centralité révélateur de l’influence
de l’individu concerné sur le réseau. Trois
types de scores de centralité sont calculés
dans ce modèle.
Ce score, très long, voire impossible à
calculer pour un graphe comportant une
centaine de sommets, a été simplifié en un
score de centralité d’intermédiarité
approché dénommé CIAi.
CIAi = j gjk(i) / gjk avec Gjk(i) <= 2
Type 1 : Score de centralité de degré
Ce score CDi détermine pour un
individu i le rapport du nombre de
relations de cet individu avec les autres
membres du réseau au nombre de
relations possibles, soit :
Type 3: Score de centralité de
proximité
Ce score CPi mesure la distance (en
nombre d’arcs sur le graphe R) d’un
individu i vis-à-vis des autres individus. Il
constitue un bon indicateur de la rapidité
de la transmission d’informations à partir de
i.
CDi = j Rij / (n-1) avec ji (formulation
proposée par S. Wasserman et K. Faust,
1994)
Il est évalué par (Sabidussi, 1966) CPi =
1 / j dij
avec dij : distance géodésique entre i et j.
Dans ce modèle, 2 types de scores de
centralité sont appliqués pour chaque
individu i :
un score de centralité de degré
simple CDSi qui reprend la formulation
précédente ;
Pour des raisons similaires à celles
évoquées dans le calcul du score de
centralité d’intermédiarité, un score
approché CPAi a été calculé :
CPAi = 1 / j dij avec dij = 3 si dij > 2
un score de centralité de degré
complexe CDCi , plus adapté aux
caractéristiques de l’Internet, et qui prend
en compte les comportements individuels
vis-à-vis du Net.
avec :
CDCi = j Rij x PCRi x PAPi x PTRik.
Type 2: Score
d’intermédiarité
de
Le calcul de ces scores de centralité
permet ainsi des tests comparatifs
d’actions de marketing viral s’exerçant à
partir de divers types de leaders
d’opinion.
centralité
4. Les communautés virtuelles
Ce score CIi est fondé sur la notion de
contrôle exercé par un individu sur les
relations entre 2 ou plusieurs individus.
Un internaute (ou un site) i qui constitue
un passage obligé entre d’autres
internautes peut posséder un pouvoir
d’information plus important qu’un autre
Une communauté virtuelle d’internautes
constitue un sous-graphe de R. Ces
communautés peuvent être décentralisées
ou centralisées.
98
catégorie d’individus concernés dépend de
la structure du réseau relationnel (graphe
R) et de la cible visée. Des actions
prioritaires sur des leaders d’opinion
et/ou des membres de communautés
virtuelles peuvent logiquement être
envisagées.
Cas 1 : Les communautés virtuelles
décentralisées
Une
communauté
virtuelle
CV
décentralisée
est
un
ensemble
d’internautes tous reliés directement entre
eux (par ex. un forum). Elle peut donc être
représentée par un graphe non orienté
complet (c’est-à-dire un graphe dans
lequel les sommets sont tous adjacents 2 à
2.
Une action de marketing viral peut
néanmoins être freinée en raison de 2
phénomènes relationnels structurels
pouvant éventuellement être observés :
On a ainsi Rij = Rji = 1 pour i,j  CV  R.
Au sens de l’analyse des réseaux
sociaux, une communauté virtuelle de ce
type constitue une clique.
- le caractère non fortement
connexe du graphe R, un graphe étant
fortement connexe si, à partir d’un
sommet quelconque (un internaute), on
peut atteindre tout autre sommet
(n’importe quel autre
internaute)
en suivant un chemin du graphe ;
- l’existence éventuelle de circuits
absorbants dans le graphe R (par ex. des
sous-graphes constituant des boucles
entraînant
une
non-diffusion
de
l’information)
ou
d’individus
ne
transmettant
pas
(ou
très
peu)
l’information (représentés sur R par des
sommets de degré 1 ou par des sommets
ne comportant que des degrés rentrants) et
constituant ainsi des culs-de-sac.
Cas 2 : Les communautés virtuelles
centralisées
Une communauté virtuelle centralisée
est composée d’un ensemble d’internautes
regroupés autour d’un individu jouant un
rôle central dans la diffusion de
l’information (ex. : site d’entreprise). Les
relations directes entre individus de la
communauté peuvent être fréquentes mais
non systématiques.
Elles constituent des n-cliques (n
indiquant le nombre d’arcs reliant 2
individus quelconques de la communauté
virtuelle CV) avec n égal à 2 en général.
On a ainsi :
Rik = Rjk = 1 avec k : individu central de
la communauté virtuelle
Rij = 0 ou 1 avec i,j  CV
La propagation d’une action de
marketing viral à partir d’un individu i
dans l’ensemble d’un réseau de type R
demande une durée minimale. Cette
durée est définie par le plus long des plus
courts chemins (en nombre d’arcs) reliant
l’individu i à chacun des autres individus.
La durée réellement observée est
susceptible d’être considérablement plus
élevée en raison des valeurs des
paramètres de la fonction de transition des
consommateurs-automates.
Un
individu i
peut
appartenir
simultanément à plusieurs communautés
virtuelles, ce qui peut lui conférer un score
de centralité d’intermédiarité élevé.
5. Les conditions de l’application
du marketing viral
6. La structure du modèle
Toute action de marketing viral passe
par une opération de ‘persuasion’ d’un ou
de plusieurs internautes. Le choix de la
Ce modèle permet le test de différents
scénarios sur un ensemble d’internautes
virtuels ou réels dont on connaît les
comportements.
99
La structure générale de l’algorithme mis
en œuvre peut être décrite ainsi :.
Différents scénarios ont fait l’objet de
simulations :
Etape 1 : Initialisation : Test sur nt
périodes et ni individus avec RR, PCRi,
PAPi, PTRi i
propagation d’une action de
marketing viral au sein d’une population
d’internautes non structurée ;
Etape 2 : Choix du scénario testé et des
individus à l’origine de l’action de
marketing viral
Période t = 1 Individu i = 1
influence de la densité des
interrelations et des variables de la
fonction de transition ;
influence
des
structures
relationnelles :
leaders
d’opinion,
communautés virtuelles, sites web.
Etape 3 : Connexion de i au réseau selon
PCRi
Si non-connexion Alors étape 7
Etape 4 : Lecture des messages en attente
dans la boîte à lettres
Si message reçu par i de la part de j < > i
Alors étape 5 Sinon étape 7
2. Les caractéristiques des tests
effectués
Etape 5 : Attitude positive de i selon
PAPi
Si attitude positive de i et si Ei,t-1 = 0
Alors Ei,t =1
Si attitude non positive de i et si Ei,t-1 = 0
Alors Ei,t =0 et étape 7
Si Ei,t-1 = 1 Alors Ei,t = 1
Sauf
indication
contraire,
les
caractéristiques communes de ces tests
sont les suivantes :
nombre d’individus : 100
nombre
de
périodes par
simulation : 300
nombre de relations par individu :
compris entre 1 et 10
graphe R non orienté
probabilité PCRi de connexion par
période de l’individu i au réseau :
comprise entre 0 et 0,5
probabilité PAPi d’attitude positive
envers les messages : comprise entre 0 et
0,5
probabilité PTRi,k de transmission
du message : comprise entre 0 et 0,5
initialisation aléatoire par une loi
de probabilité uniforme du nombre de
relations pour chaque individu i et des
probabilités PCRi, PAPi et PTRi,k
un individu unique est à l’origine
de l’action de marketing viral
nombre de simulations effectuées
par variante : 30
Etape 6 :Transmission du message à
d’autres individus j < > i selon PTRi
Etape 7 :Si i < ni Alors i = i+1 et Retour à
l’étape 3
Etape 8 : Si t < nt Alors t = t + 1 et Retour
à l’étape 3
Etape 9 : Fin : mesures statistiques des
résultats obtenus
LES TESTS DU MODELE
1. Les objectifs des tests
Dans son état actuel, ce modèle ne vise
pas d’applications opérationnelles. Plus
simplement,
il
s’agit,
par
le
développement d’outils théoriques, de
vérifier la faisabilité de modèles plus
ambitieux
et
d’en
déduire
les
caractéristiques
fondamentales
du
fonctionnement du marketing viral.
100
3. La propagation d’une action de
marketing
viral
dans
une
population
d’internautes
non
structurée
4. L’influence de la densité des
interrelations et des variables de la
fonction de transition
La
densité
des
interrelations
individuelles et le comportement des
individus à l’égard du réseau semblent
constituer des éléments essentiels. Le test
de leur influence a été effectué en
considérant :
3
niveaux
de
relations
interindividuelles : faible (de 1 à 5 par
individu), moyen (de 1 à 10), élevé (de 1 à
20) ;
3
niveaux
de
‘réceptivité
individuelle au marketing viral’ : faible
(PCRi, PAPi et PTRi comprises entre 0 et
0,25), moyen (PCRi, PAPi et PTRi entre 0
et 0,5), élevé (PCRi, PAPi et PTRi entre 0 et
1).
Les tests effectués montrent une
diffusion assez rapide d’une attitude
positive au sein de la population. La
courbe représentant le pourcentage
d’individus atteints et ‘convaincus’ par
l’action de marketing viral croît en général
assez
rapidement
et
connaît
habituellement un plafond compris, pour
les valeurs des paramètres indiquées
précédemment, entre 80 % et 90 % des
individus. Après 300 périodes, le
pourcentage d’internautes ayant une
attitude positive s’établit, pour 30
simulations, à 85,9, l’écart-type étant égal à
2,63.
Le tableau 1 indique les résultats
obtenus (pourcentage d’internautes ayant
une attitude positive après 300 périodes)
ainsi que le caractère significatif (S) ou non
significatif (NS) des différences de
moyennes constatées, au seuil de
confiance 95 %.
Une étude plus précise révèle que les
internautes échappant à l’action de
marketing viral sont , fort logiquement,
caractérisés par un ou plusieurs des
éléments suivants : peu de relations
interindividuelles
et/ou
de
faibles
probabilités de connexion au réseau,
d’attitude positive et de transmission des
messages.
Tableau 1 : Résultats obtenus
Faible
Réceptivité
Densité
Faible
Diff.des
moyennes
Moyenne
Diff.des
moyennes
Elevée
Différence
des moyennes
Moyenne
Différence
des moyennes
Elevée
m = 25,1
 = 17,77
N.S.
S.
m = 54,2
= 13,39
S.
S.
m = 93,4
 = 4,27
N.S.
m = 25,0
 = 20,3
N.S.
S.
m = 85,9
 = 2,63
N.S.
S.
m = 96,6
 = 2,32
S.
m = 31,1
 = 39,76
S.
m = 87,6
 = 17,33
S.
m = 98,0
 = 1,88
Ces
résultats
montrent
que,
contrairement à l’intuition, la densité des
relations interindividuelles ne joue pas un
rôle important. En revanche, les
101
différences individuelles de comportement
à l’égard du Net semblent déterminantes.
(S) ou non significatif (NS) des différences
de moyennes observées.
Il apparaît qu’une action ciblée sur un
leader d’opinion est plus efficace à terme
qu’une action purement aléatoire, un
pourcentage significativement plus élevé
d’individus étant atteint. De plus,
l’observation montre, qu’à pourcentage
d’individus égal, une action sur un leader
d’opinion permet une diffusion plus
rapide.
5. L’influence des leaders d’opinion
L’influence des leaders d’opinion dans le
processus de marketing viral a été testée
en considérant une initialisation à partir
de 4 types de leaders d’opinion selon le
score de centralité calculé. Dans chaque
variante, le leader d’opinion ainsi identifié
a été à l’origine de l’action de marketing
viral et, comme précédemment, 30
simulations ont été réalisées.
Par
contre,
aucune
différence
significative n’a été notée entre les
différents modes de désignation du
leader : ce fait pourrait être explicable par
les simplifications adoptées dans le mode
de calcul de certains de ces scores (cf.
supra).
Le tableau 2 indique les résultats
obtenus selon le type de leader d’opinion
initialisé ainsi que le caractère significatif
Tableau 2 : Résultats obtenus
Score
Résultats
Centralité de
degré simple
Centralité de
degré complexe
Centralité
d’intermédiarité
Centralité de
proximité
Sans
leader
d’opinion
m = 87,23
 = 1,26
m = 88,11
 = 2,36
m = 88,05
 = 2,42
m = 88,36
 =2,81
m = 85,9
 = 2,63
6. Le rôle
virtuelles
des
Centralité
Centralité
Centralité
Centralité
de
degré de
degré d’intermédiarité de proximité
simple
complexe
X
N.S
N.S.
N.S.
N.S.
X
N.S.
N.S.
N.S.
N.S.
X
N.S.
N.S.
N.S.
N.S.
X
S.
S.
S.
S.
communautés
les
communautés
virtuelles
centralisées : une communauté virtuelle de
50 internautes regroupés autour d’un
individu.
Le rôle des communautés virtuelles a été
évalué en considérant 2 catégories :
les
communautés
virtuelles
décentralisées : en l’occurrence, une
communauté virtuelle de 50 internautes
coexistant avec 50 individus à relations
interindividuelles
déterminées
aléatoirement ;
Le tableau 3 indique les résultats
obtenus ainsi que la significativité (S.) ou
la non-significativité (N.S.) des différences
de moyennes observées.
102
Tableau 3 : Résultats obtenus
Structure
C.V. décentralisée
C.V. centralisée
Sans C.V.
Résultats
m = 93,45
 = 1,89
m = 88,22
 = 5,78
m = 85,9
 = 2,63
Ces simulations montrent ainsi l’intérêt
théorique
de
l’utilisation
des
communautés virtuelles pour toute action
de marketing viral. De plus, probablement
en raison de la plus grande densité des
relations interindividuelles y prévalant, les
communautés virtuelles décentralisées
paraissent plus efficaces que les
communautés virtuelles centralisées.
C.V. décentralisée
X
C.V. centralisée
S.
S.
X
S.
S.
La structure méthodologique proposée
peut permettre de rendre compte des
particularités liées au marketing viral :
comportements individuels de bouche-àoreille électronique, existence de leaders
d’opinion et de communautés virtuelles…
Différents points ont été mis en évidence
par les tests effectués : les caractéristiques
de la progression des effets d’une action
de marketing viral, le rôle de la structure
des réseaux sociaux reliant les internautes,
etc… Néanmoins, il est évident que les
conclusions de ces tests ne peuvent être
généralisées : d’autres hypothèses de
comportement pourraient être introduites
et, ce qui reste le plus difficile, il faudrait
confronter ce type de modèle au monde
fluide et évolutif de l’Internet.
7. L’efficacité des sites
L’efficacité de l’utilisation d’un site a été
mesurée en considérant un site relié
directement à 10 % des individus,
l’ensemble des relations entre les
internautes étant comme précédemment
générée aléatoirement.
A l’issue des 30 simulations effectuées, le
pourcentage
d’internautes
atteints
positivement s’est établi à 87,82 avec un
écart-type égal à 2,15. Au seuil de
confiance 95 %, la différence des
moyennes entre ces simulations et celles
du modèle standard est significative, ce
qui suggère le caractère efficace de la
création et de l’utilisation d’un site.
Face à un phénomène nouveau tel que le
marketing viral, le chemin à parcourir
reste très long. Les recherches ultérieures
devraient s’intéresser notamment à une
mesure concrète des paramètres de
comportement, à une description plus fine
des processus mis en œuvre, au problème
du ciblage des actions ainsi qu’à la
complémentarité entre le marketing viral,
la publicité sur l’Internet et les médias ‘offline’ plus traditionnels.
CONCLUSION
Le modèle présenté dans cette
communication
s’insère
dans
une
démarche plus générale de l’élaboration
nécessaire jugée nécessaire (Conte, 2000)
de modèles de marketing appliqués à
l’Internet.
103
Lilien G.L. and A. Rangaswamy (2000),
Modeled to Bits : Decision Models for
the Digital, Networked Economy,
International Journal of Research in
Marketing, Vol. 17, pp. 227-235
BIBLIOGRAPHIE
Bhargava S.C., A. Kumar and A.
Mukherjee (1993), A Stochastic Cellular
Automata
Model
of
Innovation
Diffusion,
Review
Technological
Forecasting and Social Change, 44
Lutz R.J. (1975), Changing Brand Attitudes
through Modification of Cognitive
Structure, Journal of Consumer Research, 1,
Mars 1975, pp. 49-59
Brodin O. (2000), Les communautés
virtuelles : un potentiel marketing
encore peu exploré, Decisions Marketing,
no 21, pp. 47-56
Mahajan V. and R. Venkatesh (2000),
Marketing Modeling for E-business,
International Journal of Research in
Marketing, Vol. 17, pp. 215-225
Chatelain Y. et L. Roche (2001), L’Hacking
Marketing in Le Webmarketing, Ed.
Hermès, Paris, pp. 185-206
Rheingold H. (1993), Homesteading on the
Electronic Frontier, Ed. Allison Wesley,
New York
Conte R. (2000), The Necessity of
Intelligent Agents in Social Simulation,
in Applications of Simulation to Social
Sciences, Ed. Hermès, Paris, pp. 19-38
Richard R. (2001), Le Papillon digital, Ed.
ENI , Nantes, tome 2, pp. 123- 135
Rogers E.M. (1983), Diffusion of Innovations,
3rd. ed., Free Press, New York
Freeman L.C. (1979), Centrality in Social
Networks: Conceptual Clarification,
Social Networks, 1, pp. 215-239
Rouhaud J-F. (2000), Cellular Automata
and Consumer Behaviour, European
Journal of Economic and Social Systems, 14
no 1, pp. 37-52
Granitz N.A. and J.C. Ward (1996), Virtual
Community: a Sociocognitive Analysis,
Advances in Consumer Research, 23, pp.
161-166
Sabidussi G. (1966), The Centrality Index
of a Graph, Psychometrika, 31, pp. 581-603
Kapferer J-N. (2001), L’Internet est un outil
remarquable pour les rumeurs, Journal
du Net, http://www.journaldunet.com
Wasserman, S. and K. Faust (1994), Social
Network
Analysis :
Methods
and
Applications, Ed. Cambridge University
Press, Cambridge
Katz E. and P.Lazarsfeld (1955), Personal
influence: the Part Played by the People in
the Flow of Mass Communication, Free
Press, New York
104