Fuzzy-set Qualitative Comparative Analysis : L’intérêt de l’analyse qualitative comparée en Comportement du consommateur Karine RAÏES * Enseignant Chercheur en Marketing INSEEC Business Schools Hans MÜLBACHER Professeur International University of Monaco * INSEEC Centre de recherche, 27 Avenue Claude Vellefaux, 75010 PARIS, [email protected], Tel : (+33)6.78.84.12.13. Fuzzy-set Qualitative Comparative Analysis : L’intérêt de l’analyse qualitative comparée en Comportement du consommateur Résumé : Cette recherche vise à présenter l’intérêt de l’utilisation de l’analyse qualitative comparée (QCA) en comportement du consommateur. Dans un premier temps, une comparaison entre les analyses par régression multiple (MRA) et les analyses qualitatives comparées (QCA) est présentée. Ensuite, une étude menée auprès de membres d’une communauté virtuelle de marque et visant à mettre en avant l’impact de l’engagement envers la communauté sur la fidélité à la marque est analysée par les deux méthodologies (MRA puis QCA). Cette double analyse permet de mettre en avant la complémentarité de ces deux types d’analyses. Mots-clés : analyse qualitative comparée (QCA), fuzzy-sets, communauté virtuelle de marque, engagement psychologique, engagement comportemental. Fuzzy-set Qualitative Comparative Analysis: Calling for adoption of a new methodology in consumer behavior Abstract : This research aims to present the interest of qualitative comparative analysis (QCA) in consumer behaviour. Firstly, a comparison between the logic underlying the multiple regression analysis (MRA) and the qualitative comparative analysis (QCA) is presented. Then, a quantitative study of members of a virtual community of consumption is exposed. The objective is to highlight the role of community commitment in explaining the brand loyalty of community members. Data are analysed successively by MRA and by QCA. These analyses allow highlighting the complementarity of these two types of methodology. Keywords: qualitative comparative analysis (QCA), fuzzy-sets, brand virtual community, psychological commitment, behavioral engagement. 1 Introduction De plus en plus d’articles académiques remettent en question la pertinence de l’utilisation quasi-exclusive des méthodes de régression lors de l’analyse de données quantitatives, notamment en sciences sociales (Ragin, 2000). Des appels à la prise en compte de méthodes complémentaires aux méthodes linéaires se sont multipliés avec notamment le succès, ces dernières années, des approches basées sur les cas (George et Bennett, 2005 ; Cooper et Glaesser, 2011). L’appel à contribution pour un prochain numéro spécial du Journal of Business Research entièrement consacré à des articles faisant appel à la méthodologie QCA (Qualitative Comparative analysis) en management, ainsi que les nombreuses conférences organisées autour de cette méthodologie en attestent1. Cette approche, développée par Ragin (Crisp and Fuzzy Set Qualitative Comparative Analysis ou cQCA/ fsQCA), avait d’abord été appliquée sur des échantillons de petite ou de moyenne taille mais est de plus en plus appliquée à des échantillons de taille importante (Cooper, 2005 ; Cooper et Galsser, 2011). En marketing, et plus particulièrement en comportement du consommateur, la grande majorité des modèles se sont focalisés sur les relations linéaires et non complexes traitées par des analyses de régression. Pourtant, la complexité du consommateur, aussi bien dans la construction psychologique que dans la construction sociale de ses comportements, pose la question de l’intérêt de prendre en compte des méthodologies proposant de considérer les relations dans leur complexité. Les méthodes de causalité complexe connaissent depuis peu un intérêt grandissant (Schneider, 2014) au sein de différentes disciplines aussi variées que la politique (Redding et Viterna, 1999), l’histoire (Kiser, Drass et Brustein, 1995) et les sciences sociales (Cress et Snow, 1996). En management, les travaux de Woodside (2012, 2013) peuvent être cités comme des travaux précurseurs dans l’intérêt de la prise en compte des méthodes non linéaires basées sur la construction d’algorithmes à travers l’analyse qualitative comparée (QCA). Cet article a pour objectif de mettre en avant l’intérêt de la méthode fuzzy-set QCA (fsQCA) dans l’analyse du comportement du consommateur. Après avoir exposé les différences entre les modèles de régression multiples et les modèles fsQCA, nous analyserons les résultats du test d’un modèle engagement-fidélité avec ces deux méthodologies afin de mettre en avant les apports de cette dernière méthode d’analyse. 1 http://www.compasss.org/events.htm 2 1. Fuzzy-set QCA et méthode de régression multiples : deux perspectives différentes Comparer des méthodes statistiques ne peut se limiter à décrire les étapes de ces méthodes sans en aborder la philosophie et la vision (Woodside, 2013). La plupart des recherches en marketing, utilisant l’analyse de données quantitatives, ont pour objectif d’identifier des liens entre des variables explicatives et des variables à expliquer. L’analyse des résultats, basée sur la qualité structurelle d’un modèle pré-identifié, se fait par des analyses de régression multiple (Multiple Regression Analysis : MRA). Les recherches utilisant les MRA vont alors estimer l’impact d’une variable indépendante sur une variable dépendante en excluant l’effet des autres variables indépendantes; on parle alors d’effets nets (net-effects). Si ces modèles permettent d’apporter une meilleure connaissance des facteurs explicatifs d’un phénomène étudié, elles conditionnent la nature de ces relations qui se doivent d’être linéaires et symétriques. De plus, en se concentrant sur les effets nets, elles mettent de côté tous les cas où cet effet n’est pas observé. Le résultat de ces analyses peut prendre la forme suivante : « X1, X2 et X3 ont un impact positif sur Y » mais en réalité ce résultat ne concerne qu’une partie de la population étudiée. Face à ces méthodes, une nouvelle perspective se propose d’identifier des configurations de cas permettant de mieux comprendre un phénomène donné en prenant en compte toute sa complexité. Cette perspective est celle de l’analyse qualitative comparée développée par Charles Ragin il y a une quinzaine d’année. De Meur, Rihoux et Varone (2004) soulignent que cette approche présente de nombreux avantages puisqu’elle emprunte les avantages de l’analyse qualitative et de l’analyse quantitative. En premier lieu, la nature holistique de l’analyse par QCA considère, tout comme l’analyse qualitative, « chaque cas individuel comme une entité complexe qui a besoin d’être compris globalement et ne doit pas être négligé en cours d’analyse ». De plus, tout comme l’analyse quantitative, l’approche QCA permet de postuler « des conjonctures de généralisation ». Basée sur l’algèbre booléenne, elle analyse par des algorithmes une série de variables dont les résultats sont parfaitement répliquables (De Meur et Rihoux, 2002). Enfin, cette approche considère que c’est une combinaison de conditions qui produisent un phénomène (ou variable étudiée) et que plusieurs combinaisons différentes de conditions ou plusieurs chemins explicatifs peuvent mener au même résultat, on parle alors de « causalité conjoncturelle multiple ». Ragin (1987) propose un logiciel utilisant l’algèbre booléenne qui est capable de ressortir les cas ou combinaisons de conditions pour lesquelles l’appartenance à la variable étudiée est forte. Ses derniers articles défendent l’intérêt de la fuzzy-set QCA (Ragin, 2000) comme méthode d’analyse de données. L’idée ici est de mieux comprendre quelles combinaisons de 3 X1, X2 et/ou X3 sont présentes ou absentes lorsque Y est élevé. Ainsi, il est possible d’avoir plusieurs résultats ou combinaisons observables pour un même phénomène étudié. Les résultats prendront alors la forme suivante : « la présence / absence de X1 combinée avec la présence / absence de X2 combinée avec la présence / absence de X3 sont observés pour des valeurs élevées de Y ». La mesure des variables se fait alors en terme de degrés d’appartenance à une condition. Ainsi, si une étude souhaite mieux comprendre quelles combinaisons d’antécédents (ou conditions) peuvent être associés à une forte fidélité à une marque, le score d’un individu pour la variable Y indiquera son niveau d’appartenance au groupe « consommateurs fidèles à la marque ». Ce score, obtenu suite à une procédure de calibrage, varie entre 0 et 1 où 0 indique la non-appartenance du répondant au groupe des « consommateurs fidèles à la marque » et 1 indique une appartenance totale à ce groupe. Le score 0,5 indique le point qui sépare les consommateurs fidèles aux consommateurs non fidèles. La technique fuzzy-set permet ainsi de transformer une variable mesurée par une échelle d’intervalle en une variable représentant le degré d’appartenance à un groupe (Ragin, 2008a). Ainsi, nous pourrons apporter des conclusions de type : des combinaisons d’appartenance ou de non appartenance d’un individu à la condition X1, X2 et / ou X3 sont associées avec son appartenance au groupe des consommateurs fidèles à la marque (Chang, Tseng et Woodside, 2013). A côté de la possibilité de considérer des combinaisons de conditions comme solution, la méthode QCA permet également de prendre en compte l’asymétrie des relations que Ragin (2000) décrit comme des relations triangulaires. En d’autres termes, des valeurs élevées de X1 sont associées à des valeurs élevées de Y, des valeurs faibles de X1 peuvent être associées à différentes valeurs de Y. Ce type de relations asymétriques prenant en compte les relations de causalités complexes ne peut être observé en utilisant les méthodes de régressions. Ainsi la méthode QCA vérifie la nécessité et la suffisance des conditions dans l’explication du phénomène étudié. Une condition nécessaire est une condition que l’on retrouve dans toutes les combinaisons menant au résultat étudié. Une condition suffisante est observée lorsqu’une appartenance forte à la condition X1 implique la présence du phénomène à expliquer. Par contre, la présence du phénomène à expliquer peut également être observée dans d’autres conditions, notamment dans le cas de modalités faibles ou élevées de X1 (Ragin, 2006). En d’autres termes, des valeurs élevées de X1 sont associées à des valeurs élevées de Y, des valeurs faibles de X1 peuvent être associées à différentes valeurs de Y (voir figure 1). Le logiciel fsQCA calcule pour chaque solution la valeur de cohérence globale (solution consistency) et de couverture globale (solution coverage). Ces valeurs doivent être supérieurs 4 à 0.8 pour permettre de conclure à, respectivement, la suffisance et la nécessité des conditions dans l’explication du phénomène étudié. Figure 1 : Schématisation d’une condition suffisante (Chang, Tseng et Woodside, 2013) 2. Rôle de l’engagement envers une communauté de marque sur la fidélité à la marque: deux méthodologies complémentaires Afin de comparer les deux méthodologies exposées, l’analyse d’une base de données a été effectuée successivement avec le logiciel XLSTAT-PLSPM et le logiciel fsQCA. Les données collectées ont pour objectif de mieux comprendre le rôle antécédent de l’engagement psychologique ainsi que de l’engagement comportemental envers une communauté virtuelle de marque sur l’intention de fidélité du membre de la communauté envers la marque. L’engagement psychologique a été défini comme le désir d’un individu de poursuivre la relation avec le partenaire (Anderson et Weitz, 1992; Moorman, Zaltman et Despande 1992; Moorman, Deshpande et Zaltman, 1993; Gundlach, Achrol et Mentzer, 1995). Ce partenaire pouvant être une personne, une organisation, une marque ou une communauté de consommation. Les personnes engagées psychologiquement envers un partenaire sont alors attachés à ce partenaire (Bevan, Barber et Robinson, 1997; Mowday, Porter et Steers, 1982; Porter & al., 1974). Ils auront alors tendance à être fidèles à ce partenaire parce qu’ils sont émotionnellement attachés à lui, par peur de le perdre ou encore parce qu’ils ressentent un sentiment d’obligation. Allen et Meyer (1990) identifient les dimensions affective, calculée et normative de l’engagement. 5 Dans le cadre d’une relation avec une communauté virtuelle de marque, le désir du membre de poursuivre sa relation avec la communauté pourra alors s’expliquer soit par le lien affectif qui s’est construit avec les autres membres de la communauté (Kang & al., 2007) : on parlera d’engagement affectif envers la communauté ; soit par le lien calculé qui pousse un membre à penser qu’il ne trouvera pas les mêmes informations autour de la marque et la même aide de la part des membres de la communauté ailleurs (Casalo, Flavian et Guinalliu, 2008) : on parlera d’engagement calculé envers la communauté, soit enfin par le sentiment d’obligation de continuer à contribuer à la vie de la communauté (Muniz et O´Guinn, 2001) : on parlera d’engagement normatif envers la communauté. La littérature autour des communautés de consommation a mis en avant le rôle antécédent de l’engagement comportemental (intensité et fréquence de participation) envers la communauté de marque sur l’intention de fidélité envers l’objet du regroupement, ici la marque (Algesheimer, Dholakia & Herrmann, 2005; Casalo, Flavian et Guinalliu, 2007; Casalo, Flavian et Guinalliu, 2008; Jang & al., 2008). D’autres recherches ont étudié le rôle de la confiance (Casalo, Flavian et Guinalliu, 2007), de la satisfaction (Langerak & al., 2004) ou du sentiment communautaire (Kim, Lee et Hiemstra, 2004) mais aucun n’a traité du rôle antécédent des dimensions de l’engagement psychologique envers la communauté sur le comportement de fidélité envers la marque (auteurs, 2011). Cette étude propose donc de mieux comprendre le rôle médiateur des trois dimensions de l’engagement psychologique (affectif, calculé et normatif) sur la relation entre l’engagement comportemental et l’intention de fidélité envers la marque. Par ailleurs, cette étude pose également l’hypothèse que l’engagement psychologique envers la communauté est une condition suffisante mais non nécessaire à l’explication de l’intention de fidélité envers la marque. En effet, il est possible que les membres engagés envers la communauté de manière affective, calculée ou normative ou par une combinaison de ces trois dimensions soient plus amènes à être fidèles envers la marque mais il est aussi possible que le membre fidèle à la marque le soit également pour d’autres raisons, comme l’engagement et l’attachement envers la marque par exemple. Cette recherche pose ainsi deux hypothèses : H1 : Les dimensions de l’engagement psychologique envers la communauté (affectif, calculé et normatif) ont un rôle médiateur sur la relation entre l’engagement comportemental envers la communauté virtuelle de marque et l’intention de fidélité à la marque. H2 : Différentes combinaisons d’engagement affectif, calculé et normatif envers la communauté sont des conditions suffisantes mais non nécessaires à l’explication d’une intention de fidélité comportementale importante envers la marque. 6 3. Méthodologie de la recherche Une étude quantitative a été menée auprès de membres d’une communauté virtuelle formée autour de leur intérêt pour les appareils photos de la marque Nikon. La communauté, créée par un fan de la marque, est modérée par un groupe de membres volontaires. Lors de l’étude, la communauté comptait plus de 30.000 membres. Après avoir obtenu l’accord du modérateur du forum de discussion, un lien a été posté sur la page d’accueil du forum nikonpassion.fr. Afin d’encourager les réponses, un tirage au sort a été organisé auprès des participants à l’étude et deux appareils photo de la marque Nikon ont été proposés comme lots à gagner. Deux semaines après avoir posté le questionnaire, 1065 réponses utilisables ont été collectées. 77% des répondants sont des hommes, 55% sont âgés de 35 à 64 ans et 40% ont au moins le niveau Bac+3. Si ces taux ne sont pas représentatifs de la population française, ils sont très proches de la description des clients de la catégorie de produit étudié, les appareils photo. 3.1. Echelles de mesure L’engagement comportemental, mesuré par la fréquence, la durée de participation ainsi que par le niveau d’activité au sein de la communauté, est conceptualisé comme un construit formatif. Les items de l’échelle d’intention de fidélité comportementale proposée par Johnson, Herrmann et Huber (2006) sont utilisés. Ces items mesurent l’intention de racheter les produits de la marque ainsi que l’intention de recommander la marque. La mesure de l’engagement psychologique envers la communauté virtuelle de marque, conceptualisée comme la volonté de maintenir la relation avec la communauté et considérée comme une variable multidimensionnelle, est adaptée de la mesure de l’engagement psychologique organisationnel d’Allen et Meyer (1990). Afin de valider l’utilisation de cette échelle construite dans un autre contexte, un pré-test a été mené auprès d’une communauté d’intérêt appelé « Chatmania ». L’analyse des 150 réponses obtenues permet de purifier l’échelle initiale et de confirmer l’intérêt des trois dimensions affectives, calculées et normatives dans un cadre communautaire. 3.2. Analyse des données Les variables étudiées sont conceptualisées soit de manière réflective (engagement psychologique envers la communauté et intention de fidélité à la marque), soit de manière formative (engagement comportemental envers la communauté). Le choix du logiciel à utiliser pour le test de la première hypothèse s’est porté sur le logiciel XLSTAT- PLSPM, logiciel qui permet de facilement définir le type de variable à étudier (mode A vs mode B). La 7 méthode PLS-SEM est donc utilisée pour le test de la première hypothèse. Cela se fera en deux étapes : (a) tester la fiabilité et la validité des échelles utilisées grâce à l’analyse du modèle de mesure (b) vérifier le rôle médiateur des dimensions de l’engagement psychologique envers la communauté sur la relation entre engagement comportemental envers la communauté et intention de fidélité envers la marque grâce à l’analyse du modèle structurel. Le test de la seconde hypothèse ne pourra se faire par ce même logiciel d’analyse qui se limite au test des relations supposées linéaires et symétriques (Woodside, 2013). Pour en savoir plus quant à la suffisance et à la nécessité des variables antécédentes identifiées, nous utilisons le logiciel fsQCA 2.0 mis à disposition par Charles Ragin sur son site internet2. Pour cela, un ensemble d’étapes a été suivi : a. La première étape consiste à transformer les variables mesurées par des échelles de Likert en conditions dont les scores indiquent un niveau d’appartenance du membre. Les mesures conventionnelles des variables « résultats » et « conditions » retenues sont ainsi transformées à l’aide du principe de calibrage direct de Ragin (2008b, p13-16). Le niveau d’appartenance à une condition varie de 0 à 1, avec « 1 » indiquant une appartenance totale à la condition (full inclusion) et « 0 » une exclusion totale à la condition (full exclusion). A l’intérieur de cet intervalle, les cas pourront être associés à plusieurs scores intermédiaires avec le score « 0.5 » constituant un point d’inversion (crossover point). Afin de calibrer des données plus riches, les réponses d’un répondant aux différents items de chaque variable réflective ont été multipliées puis transformés par la procédure de calibrage direct (Chang, Tseng et Woodside 2013). Ainsi, à titre d’exemple, pour la variable engagement affectif envers la communauté, mesurée par quatre items sur une échelle à cinq échelons, les scores à calibrer variaient entre 1 comme valeur minimale et 625 comme valeur maximale. Une fois cette première opération effectuée, les seuils à partir desquels chaque répondant peut être considéré comme appartenant parfaitement à la condition étudiée (threshold of full membership >0.95), n’appartenant pas à la condition étudiée (the threshold of non-membership <0.05) ainsi que le point d’inversion (crossover point = 0.5) doivent être fixés (Kan, 2011). Pour l’exemple donné plus tôt, les seuils fixés sont respectivement 500 pour l’appartenance totale à la condition « très engagé affectivement envers la communauté », 2 pour la non appartenance totale à la condition « très engagé affectivement envers la communauté » et 81 pour le point d’inversion (voir 2 http://www.u.arizona.edu/~cragin/fsQCA/software.shtml 8 tableau 1 pour l’ensemble des seuils de la recherche). La fonctionnalité “fuzzy or” a été utilisée pour calculer les valeurs du construit formatif « engagement comportemental envers la communauté ». Les membres de la communauté sont considérés comme engagés de manière comportementale s’ils présentent des valeurs élevées en termes de fréquence de participation, de durée de participation ou de niveau d’activité au sein de la communauté. Engagement Engagement Engagement Intention affectif calculé normatif de fidélité Seuil d’appartenance 500 20 20 2500 Point d’inversion 81 9 9 243 Seuil de non appartenance 2 2 2 2 Tableau 1 : Méthode de calibrage direct: seuils d’appartenance, de non appartenance et point d’inversion b. la seconde étape après le calibrage des données est la génération d’une « table de vérité » ou table de configurations (fuzzy truth table) qui présente toutes les combinaisons possibles de valeurs de conditions et d’une valeur de résultat. La table distinguera uniquement les valeurs 0 (c’est-à-dire la valeur “négative”, “petite”, “absence”, etc.) des valeurs 1 (c’est-à-dire la valeur “positive”, “grande”, “présence”, etc.) (Rihoux, 2004). Il est alors à la charge du chercheur de minimiser cette table pour identifier les configurations qu’il prendra en compte dans son analyse et celles qu’il exclura. Ragin (2006) propose deux critères pour aider à cette minimisation. Tout d’abord, le nombre minimum de cas dans chaque configuration doit être étudié. Pour Ragin (2008b), ce nombre doit être égal au moins à 2 pour que la configuration soit inclue dans l’analyse. Etant donné le nombre de répondants de notre étude, nous fixons le seuil de fréquence à 10. En d’autres termes, pour qu’une configuration soit prise en compte dans l’analyse, il faut qu’elle concerne au minimum 10 répondants de notre étude. Le second critère à prendre en compte est la cohérence calculée par la table de vérité pour chaque configuration (consistency). Ragin (2008b) fixe le seuil minimum de cette valeur à 0,75 mais laisse le choix à chaque chercheur de fixer son seuil en fonction du nombre de répondants en sachant qu’il doit être le plus proche possible de 1. Le seuil de 0.95 est fixé comme seuil de cohérence pour cette étude (cut-off level for consistency). Les valeurs 0 et 9 1, entrés manuellement dans la colonne de résultat, permettent de distinguer les configurations à inclure dans le calcul (car supérieur au seuil) et ceux à exclure. c. la dernière étape consiste à lire et à interpréter les résultats produits par le logiciel suite à la procédure de minimisation. Le logiciel fsQCA 2.0 permet d’obtenir trois sortes de solutions : la solution complexe, obtenue sans introduire les cas logiques ; la solution parcimonieuse, qui permet d’introduire les cas logiques sans évaluer leur plausibilité ; et la solution intermédiaire qui introduit uniquement les cas logiques cohérents avec les connaissances théoriques. Sur les conseils de Ragin et Sonnett (2004), cette dernière solution nous a servi à l’analyse des résultats obtenus. 4. Présentation des résultats 4.1. Validation des échelles de mesure Afin de valider la fiabilité, la validité convergente et la validité discriminante des mesures réflectives de notre modèle, à savoir l’engagement psychologique envers la communauté et l’intention de fidélité envers la marque, les indices alpha de Cronbach, Rhô vc et AVE (Average Variance Extracted) sont calculés. Toutes les valeurs de l’alpha de Cronbach et du Rhô vc sont supérieures au seuil critique de 0.7 et les AVE sont supérieurs au seuil de 0.5, nous permettant de conclure à la fiabilité et à la validité des mesures des construits étudiés. 4.2. Analyse du modèle structurel Afin de tester l’hypothèse H1 qui postule le rôle médiateur de l’engagement psychologique envers la communauté sur la relation entre l’engagement comportemental du membre envers la communauté et son intention de fidélité envers la marque, un modèle d’équation structurel est identifié grâce au logiciel XLSTAT-PLSPM. L’utilisation d’une procédure de boostrap permet de contourner la condition de multi-normalité des données. Les indices d’adéquation du modèle, le GoF externe (permettant de mesurer la performance du modèle de mesure) et le GoF interne (permettant de mesurer la performance du modèle structurel), sont respectivement de 0.990 et 0.909. Ces valeurs doivent être les plus proches possibles de 1 pour conclure à une bonne adéquation du modèle. 10 Figure 2 : Résultat du test du modèle structurel Les valeurs des coefficients de relations, présentés sur la figure 2, permettent de conclure à la validation partielle de l’hypothèse H1. Les trois dimensions de l’engagement psychologique envers la communauté n’impactent pas l’intention de fidélité envers la marque de la même manière. En effet, si l’impact de l’engagement affectif et de l’engagement normatif sur l’intention de fidélité est significatif, ce n’est pas le cas de l’engagement calculé. 4.3. Analyse par la méthode Fuzzy-set QCA Afin d’aller plus loin que ces premiers résultats et de mieux comprendre la manière dont l’engagement envers la communauté de marque impacte l’intention de fidélité envers la marque, nous effectuons des analyses suivant la méthodologie QCA. Les variables engagement comportemental envers la communauté et engagement psychologique envers la communauté (affectif, calculé et normatif) sont identifiés comme des conditions antécédentes à la variable résultat : intention de fidélité à la marque. Le résultat présenté par la solution intermédiaire présente une cohérence globale de 0.95 (solution consistency) et une couverture globale de 0.79 (solution coverage), indiquant que les conditions étudiées sont suffisantes mais non nécessaires à l’explication de l’intention de fidélité envers la marque. L’examen de ce résultat permet de distinguer quatre configurations ou combinaisons possibles. Les trois premières combinaisons indiquent des cas où une des dimensions de l’engagement psychologique est accompagnée d’un engagement comportemental important envers la communauté. La dernière combinaison indique la présence des trois dimensions de l’engagement psychologique de manière simultanée sans présence de l’engagement comportemental envers la communauté (voir tableau 2). 11 Conditions causales Seuil de fréquence: 13.0 Seuil de cohérence: 0.989 Engagement affectif élevé combiné avec engagement comportemental élevé Engagement calculé élevé combiné avec engagement comportemental élevé Engagement normatif élevé combiné avec engagement comportemental élevé Engagement affectif élevé combiné avec engagement calculé élevé combiné avec engagement normatif élevé Couverture de la solution: 0.789 Cohérence de la solution: 0.955 Couverture Couverture cohérence globale unique 0.616 0.023 0.980 0.669 0.049 0.966 0.648 0.034 0.968 0.523 0.021 0.988 Tableau 2 : Combinaisons de l’engagement comportemental et des dimensions de l’engagement psychologique liés à des valeurs élevées d’intention de fidélité à la marque 5. Discussion et conclusion Cette recherche vise à présenter l’intérêt de l’utilisation de l’analyse qualitative comparée (QCA) en comportement du consommateur. Pour cela, une comparaison entre la logique sousjacente aux analyses par régression et aux analyses par QCA est présentée. Une étude analysée par les deux méthodologies permet par la suite de mettre en avant la complémentarité de ces deux types d’analyse. L’objectif est alors de défendre l’importance de l’intégration de la variable « engagement psychologique envers la communauté de marque » dans sa conception multi-dimensionnelle, pour mieux comprendre l’intention de fidélité des membres de la communauté envers la marque-objet de leur regroupement. Une première analyse par équations structurelles, met en avant le rôle médiateur de deux des dimensions de l’engagement psychologique envers la communauté dans la relation entre l’engagement comportemental des membres et leur intention de fidélité envers la marque. Le modèle structurel dessiné sous XLSTAT-PLSPM présente de bons indices d’adéquation. L’impact de l’engagement comportemental du membre de la communauté sur son engagement affectif, calculé et normatif est vérifié (respectivement b = .408, p= .000 ; b = .282, p = .000 ; b = .290, p = .000). Par contre, si les dimensions affectives et normatives de l’engagement psychologique envers la communauté ont un impact significatif sur l’intention de fidélité à la marque (respectivement b = .210, p= .000, b = .126, p = .001), l’impact de la dimension calculée de l’engagement sur l’intention de fidélité est non significative (b = .066, p = .056). 12 Ces résultats permettent de défendre l’intérêt de prendre en compte la variable engagement psychologique envers la communauté dans les modèles qui s’intéressent aux communautés virtuelles, variable encore trop peu prise en considération par ces études. Elle met en outre en avant l’importance de distinguer les trois dimensions de cette variable. Par contre, si les dimensions affectives et normatives semblent jouer un rôle médiateur, le chemin de l’engagement calculé envers la communauté semble moins important pour expliquer l’intention de fidélité envers la marque. Ces premiers résultats, certes très instructifs, ne permettent pas de répondre à certaines questions : les dimensions de l’engagement psychologiques sont-elles nécessaires et suffisantes à l’explication de l’intention de fidélité à la marque des membres d’une communauté de marque ? Y-a-t-il des combinaisons de dimensions de l’engagement permettant de mieux expliquer une intention de fidélité à la marque ? Y-a-t-il des situations où l’engagement calculé, non significatif dans l’analyse par SEM, peut expliquer une intention de fidélité importante à la marque ? L’analyse des données par la méthode fuzzy-set de l’analyse qualitative comparée (fsQCA) permet d’apporter des réponses à tous ces questionnements. En effet, l’analyse du tableau 2 montre que les conditions considérées par cette étude sont suffisantes mais non nécessaires à l’explication de l’intention de fidélité des membres envers la marque (cohérence globale = 0.95, couverture globale = 0.79). L’impact indirect de l’engagement comportemental sur l’intention de fidélité capturé par le rôle médiateur de l’engagement psychologique dans le modèle d’équations structurelles est validé par l’analyse fsQCA. En effet, l’engagement comportemental doit être combiné avec au moins une des dimensions de l’engagement psychologique envers la communauté pour expliquer une intention de fidélité à la marque élevée. Par ailleurs, l’analyse par fsQCA montre que chacune des dimensions peut être suffisante, si elle est combinée avec l’engagement comportemental, ce qui permet de réintroduire l’importance de la dimension calculée au même titre que les deux autres. Ainsi, les membres de la communauté qui seront fidèles à la marque peuvent être ceux qui participent activement aux activités de la communauté et qui ressentent un attachement fort envers les autres membres. Ces résultats rejoignent ceux de Bügel, Buunk et Verhoef (2010) et ceux de van Dorn & al. (2010) sur l’importance de la passion et de l’attachement envers les membres de la communauté. Les membres de la communauté qui seront fidèles à la marque peuvent également être ceux qui participent activement aux activités de la communauté et qui considèrent que cette participation est utile pour eux. Enfin, les membres de la communauté qui seront fidèles à la marque peuvent être ceux qui participent activement aux activités de la 13 communauté et qui ressentent un sentiment d’obligation envers la communauté de par leur statut au sein de cette dernière. Ce résultat rejoint les conclusions de Langerak & al. (2004) pour qui une des motivations les plus importantes de la participation à une communauté est la reconnaissance sociale. Les résultats montrent, par ailleurs, que des membres qui ne sont pas engagés de manière comportementale envers la communauté en termes de fréquence, de durée de participation ou de niveau d’activité peuvent tout de même présenter une intention de fidélité élevée envers la marque. Pour ces membres, la présence des trois dimensions de l’engagement envers la communauté est une solution suffisante. Ainsi, les résultats de l’analyse des résultats par fsQCA permettent de confirmer le rôle important de l’engagement psychologique et de ses dimensions comme antécédents de la fidélité à la marque dans le cadre communautaire. Ils permettent également de mieux comprendre ce rôle en mettant en avant l’importance des combinaisons de l’engagement comportemental avec au moins une des dimensions de l’engagement psychologique envers la communauté. Ces résultats permettront ainsi aux managers et aux gestionnaires des communautés de marque d’adapter leurs stratégies de communication en fonction de la nature de l’engagement de leurs membres. 14 Bibliographie Algesheimer R., Dholakia U. et Herrmann A. (2005), The social influence of brand community: Evidence from European car clubs, Journal of Marketing, 69, 3, 19-34. Allen N. et Meyer J. (1990), The measurement and antecedents of affective continuance and normative commitment to the organization, Journal of Occupational Psychology, 63, 1, 1-18. Anderson E. et Weitz B. (1992), The use of pledges to build and sustain commitment in distribution channels, Journal of marketing Research, 29, 1, 18-34. Bevan S., Barber L. et Robinson, D. (1997), Keeping the best: A practical guide to retaining key employees, Brighton, Grantham Book Services. B gel M., Buunk A. et Verhoef P. (2010), A comparison of customer Commitment in five sectors using the psychological investment model, Journal of Relationship Marketing, 9, 1, 229. Casalo L., Flavian C. et Guinaliu M. (2007), The impact of participation in virtual brand communities on consumer trust and loyalty : The case of free software, Online Information Review, 31, 6, 775-792. Casalo L., Flavian C. et Guinalliu, M. (2008), Promoting consumer’s participation in virtual brand communities: a new paradigm in branding strategy, Journal of Marketing Communications, 14, 1, 19-36. Chang C.W., Tseng T.H. et Woodside A.G. (2013), Configural algorithms of patient satisfaction, participation in diagnostics, and treatment decisions’ influences on hospital loyalty, Journal of service Marketing, 27, 2, 91-103. Cooper B. (2005), Applying Ragin’s crisp and fuzzy set QCA to large datasets: Social class and educational achievement in the National Child Development Study, Sociological Research Online, 10, 2. Cooper B. et 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. Cress D.M. et Snow D.A. (1996), Mobilization at the Margins: Resources, Benefactors, and the Viability of Homeless Social Movement Organizations, American Sociological Review, 61, 6, 1089-1109. De Meur G. et Rihoux B. (2002), L’analyse quali-quantitative comparée : Approche, techniques et applications en sciences humaines, Louvain-la-Neuve, Académia Bruylant. 15 De Meur G., Rihoux B. et Varone F. (2004), L’analyse quali-quantitative comparée (AQQC): Un outil innovant pour l’étude de l’action publique, Pyramides, 8, 137-148. George A.L., et Bennett A. (2005), Case studies and theory development in the social sciences, Cambridge, MIT Press. Gundlach G., Achrol R. et Mentzer J. (1995), The structure of commitment in exchange, Journal of Marketing, 59, 1, 78-92. Jang H., Olfman L., Ko I. et Kim K. (2008), The influence of on-line band community characteristics on community commitment and brand loyalty, International Journal of Electronic Commerce, 12, 3, 57-80. Johnson M., Herrmann A. et Huber F. (2006), The evolution of loyalty intentions, Journal of Marketing, 70, 2, 122-132. Kan K. (2011), Gouvernance d'entreprise des sociétés-mères de groupes multinationaux : Une étude empirique par l'approche "quali-quantitative comparée " (AQQC), Comptabilités, économie et société, Montpellier, France. Kang I., Lee K., Lee S. et Choi, J. (2007), Investigation of online community voluntary behavior using cognitive map, Computers in Human Behavior, 23, 1, 111-126. Kim W., Lee C. et Hiemstra S. (2004), Effects of an online virtual community on customer loyalty and travel product purchases, Tourism Management, 25, 3, 343-355. Kiser E., Drass K.A. et Brustein W. (1995), Ruler Autonomy and War in Early Modern Western Europe, International Studies Quarterly, 39, 1, 109-138. Langerak F., Verhoef P., Verlegh P. et De Valck K. (2004), Satisfaction and participation in virtual communities, Advances in Consumer Research, 31, 56–57. Moorman C., Zaltman G. et Deshpande, R. (1992), Relationships between providers and users of market research : The dynamics of trust within and between organisations, Journal of Marketing Research, 29, 3, 314-328. Moorman C., Deshpande R. et Zaltman, G. (1993), Factors affecting trust in market research relationships, Journal of Marketing, 57, 1, 81-101. Mowday R., Porter L. et Steers R. (1982), Organizational linkages: The psychology of commitment, absenteeism, and turnover, New York, Academic Press. Muniz A. et O’Guinn T. (2001), Brand community, Journal of Consumer Research, 27, 4, 412–432. Porter L., Steers R., Mowday R. et Boulian P. (1974), Organizational Commitment, job satisfaction, and turnover among psychiatric technicians, Journal of Applied Psychology, 59, 5, 603-609. 16 Ragin C. (1987), The comparative method: moving beyond qualitative and quantitative strategies, Berkeley/Los Angeles/London, University of California Press. Ragin C.C. (2000), Fuzzy set social science, Chicago, Chicago University Press. Ragin C. (2006), Set Relations in Social research: Evaluating Their Consistency and Coverage, Political Analysis 14, 3, 291-310. Ragin C. (2008a), Redesigning social inquiry: Fuzzy sets and beyond, Chicago, Chicago University Press. Ragin C. (2008b), Calibration versus measurement, in D. Collier, H. Brady et J. BoxSteffensmeier (eds.), Methodology volume of Oxford Handbooks of Political Science, New York, Oxford University Press, 174-198. Ragin, Charles et John Sonnett (2004), Between Complexity and Parsimony: Limited Diversity, Counterfactual Cases, and Comparative Analysis, Compass Working Paper 2004, 23. Disponible en ligne sur: http://www.compasss.org/files/WPfiles/RaginSonnett2004.pdf Redding K. et Viterna J.S. (1999), Political Demands, Political Opportunities: Explaining the Differential Success of Left-Libertarian Parties, Social Forces, 78, 2, 491-510. Rihoux B. (2004), Six applications d'analyse quali-quantitative comparée (aqqc) et des ensembles flous (ef) : mode d'emploi et originalités, Revue internationale de politique comparée, 11, 1, p. 11-16. Schneider M.R. et Eggert A. (2014), Embracing complex causality with the QCA method : An invitation, Journal of Business Market Management, 7, 1, 312-328. van Doorn J., Lemon K., Mittal V., Nass S., Pick D. et Pirner P. (2010), Customer engagement behavior: Theoretical foundations and research directions, Journal of Service Research, 13, 3, 253–266. Woodside A.G. (2012), Proposing a New Logic for Data Analysis in Marketing and Consumer Behavior: Case Study Research of Large-N Survey Data for Estimating Algorithms That Accurately Profile X (Extremely High-Use) Consumers, Journal of Global Scholars of Marketing Science, 22, 4, 277-289. Woodside (2013), Moving Beyond Multiple Regression Analysis to Algorithms: Calling for Adoption of a Paradigm Shift from Symmetric to Asymmetric Thinking in Data Analysis and Crafting Theory, Journal of Business Research, 66, 4, 463-472. 17