poids est associé à chacune des catégories de réponse. Cette pondération présente l’avantage de pouvoir être utilisée à des fins prévisionnelles, puisque les données sur les achats effectifs n’ont pas besoin d’être disponibles.
La pondération employée pour chacun des échelons de l’échelle d’intention d’achat reste toutefois délicate. Ainsi, 6 différents schémas peuvent être utilisés (Johnson, 1979) :
1. 100% en haut de l’échelle ; 2. 28% en haut de l’échelle ;
3. 80% en haut de l’échelle - 20% au second échelon ; 4. 96% en haut de l’échelle - 36% au second échelon ; 5. 70% - 54% - 35% - 24% - 20% ;
6. 75% - 25% - 10% - 5% - 2%.
De ces différents schémas de pondération, testés par Jamieson et Bass (1989), aucun n’arrive réellement à se distinguer par une meilleure qualité prédictive de l’achat effectif. En effet, selon la catégorie de produits utilisée dans l’enquête, les résultats divergent : alors qu’un schéma de pondération se révèle efficace pour un type de produits, il ne l’est pas pour un autre.
1.2 - La complémentarité intention – probabilité d’achat
Cette approche tente de matérialiser la complémentarité entre la mesure verbale de l’intention d’achat et la mesure de la probabilité d’achat. Les individus répondent à deux échelles, l’une de probabilité en 101 points Px et l’autre d’intention verbale Ix en 5 points.
Ainsi, la probabilité d’essai d’un produit, à intention d’achat connue, est la suivante : )
( ) ( intention)
essai
( ?
?
x
x x
x P P I
I P
P (Eq.II.1)
La modification linéaire permet d’attacher une probabilité d’essai du produit, en employant un coefficient d’ajustement k, estimé empiriquement :
intention) essai
( ) essai
( kP
P ? (Eq.II.2)
Cette méthode de retraitement permet donc de prendre en compte le biais résultant de la transformation d’une intention verbale en probabilité d’achat. Elle est testée avec succès par Jamieson et Bass (1989), qui estiment le coefficient d’ajustement en intégrant certaines mesures supplémentaires s’attachant à l’environnement de l’achat.
Toutefois, son caractère prédictif semble peu opérationnel, puisque les achats effectifs doivent être connus afin de pouvoir estimer le coefficient d’ajustement.
1.3 - De l’intention à la probabilité d’achat : les transformations nécessaires
Afin de répondre aux faiblesses prédictives de l’intention d’achat, Morrison (1979) propose un modèle général reliant l’intention d’achat déclarée à la probabilité d’achat, en tenant compte des possibles évolutions entre l’instant de la mesure de l’intention d’achat et l’instant de l’achat. Évolutions représentant la difficulté principale afin de définir l’utilité d’une mesure de l’intention d’achat. Ce modèle, établi dans le cadre des achats de biens durables, comporte trois étapes :
1. La transformation de l’intention déclarée Is en intention réelle It par un modèle d’intention effective22 ;
2. Le calcul d’une probabilité d’achat non ajustée, incluant l’influence de variables exogènes, par l’intermédiaire de la probabilité de changement d’intention23 ;
3. L’ajustement de cette probabilité d’achat, par la prise en compte du biais déclaratif systématique24.
Servant de point de départ à l’ensemble du mouvement probabiliste de l’intention d’achat, il apparaît nécessaire de présenter succinctement ce modèle, afin d’en rappeler les fondements sur lesquels porteront ses évolutions.
1ière étape : le calcul de l’intention d’achat réelle
Dans un premier temps, il s’agit de déduire une intention réelle à partir de l’intention déclarée par l’individu. L’intention réelle est alors supposée être une fonction linéaire de l’intention déclarée :
s
t a kI
I ? ? (Eq.II.3)
a et k représentent les coefficients de la régression, tels que a > 0 ; k > 0 ; a + k < 1.
L’intention déclarée est alors supposée, au niveau individuel, être une variable aléatoire dont la moyenne est proche de l’intention réelle. Dernière variable suivant une loi Binomiale de paramètres n, le nombre de points de l’échelle, et It, l’espérance. Ainsi,
r n r t t t
s r nI C nr I I
I
P( ? ; , )? ( , ) (1? ) ? (Eq.II.4)
avec : r = 0, 1, ..., n.
22 True Intention Model.
23 Exogenous Events Model.
Les probabilités individuelles n’étant pas identiques pour tous les répondants, au niveau de l’échantillon pris en compte, la distribution agrégée de l’intention déclarée est de la forme suivante, dès lors que g(It), qui suit une loi Béta de paramètres ? et ?, représente la fonction de densité de It :
?
??
?
1
0
) ( ) ,
; ( )
(Is r P Is r n It g It dIt
P (Eq.II.5)
avec : r = 0, 1, ..., n.
En divisant l’intention déclarée par n, l’équation II.3 devient :
s est
t I
I 1
1
1? ? ?
?
? ?
?
?
?
?
? (Eq.II.6)
avec : Itest la valeur estimée de It .
Les paramètres ? et ? de la loi Béta sont estimés empiriquement.
Cette première étape permet essentiellement la prise en compte de différences individuelles, modélisées aléatoirement, entre chacun des consommateurs face à la mesure de l’intention d’achat.
2ième étape : l’introduction de la probabilité de changement d’intention d’achat
Cette étape a pour but la modélisation des événements externes susceptibles de modifier l’intention d’achat durant la période de l’étude. Il ne s’agit pas d’expliquer ces facteurs, mais bien de les prendre en compte de manière aléatoire.
Ainsi, la probabilité ? que l’individu change d’intention réelle est incorporée au modèle.
Deux cas de figure apparaissent donc :
?? L’individu possède une probabilité ? de changer d’intention réelle, auquel cas une nouvelle valeur de It est générée par la loi Béta ;
?? L’individu possède une probabilité (1 - ?) de conserver son intention réelle.
24 Probability Adjustment Model.
Afin de prendre en compte ces deux possibilités, l’équation II.6 est pondérée par ces probabilités :
est t t
est
u E I I
p ? ? ( )?(1? ?) (Eq.II.7)
avec : puestla nouvelle valeur de Itest.
Ainsi, si ? = 0, ce qui signifie qu’aucun changement n’a eu lieu, l’équation II.7 équivaut à l’équation II.6, qui exprime l’intention réelle sans prise en compte d’influence externe. Tandis que si ? = 1, l’intention déclarée au moment de l’enquête n’a aucun effet sur l’intention réelle.
Au terme de cette seconde étape, l’intention mesurée est retraitée, par la prise en compte :
?? Des individualités face à la mesure de l’intention ;
?? Mais également de la possibilité de changement d’intention, traduisant l’influence des événements externes.
3ième étape : la prise en compte du biais systématique
Cette dernière étape prend en considération le biais déclaratif systématique b, supposé constant tel que :
p I
b? s? (Eq.II.8)
avec : Is la moyenne des intentions déclarées, p la proportion des acheteurs effectifs.
d’où,
b p
pest ? uest ? (Eq.II.9)
La proportion d’acheteurs effectifs estimée,pest, est donc fonction de l’intention déclarée, diminuée du biais de la mesure.
Le regroupement des trois différentes étapes du modèle permet ainsi, à partir d’une intention déclarée, de prendre en compte :
1. Les individualités face à le mesure de l’intention d’achat ;
2. La possibilité de changement d’intention d’achat, suite aux influences externes ; 3. Et le biais de mesure déclaratif.
Les intentions d’achat sont supposées suivre une loi binomiale et la probabilité de changer d’intention réelle après l’enquête est identique pour tous les consommateurs. Les paramètres de la loi binomiale, ainsi que la probabilité de changer d’intention étant estimés de manière empirique.
Le schéma suivant, proposé par Kalwani et Silk (1982), résume les approches développées par Morrison (1979) et Jamieson et Bass (1989) :
Figure II.1 – Modèle de probabilité d’achat
Intention observée en t Ix
Intention réelle en t
It
Intention réelle en t + ?
I’t
Probabilité d’achat observée en t + ?
Px
Changement de l’intention réelle
?
Erreur aléatoire
?
Biais b
Relation prédictive observée
Source : Kalwani & Silk, 1982.
Ce modèle est validé à la fois par l’étude empirique de Morrison (1979) et par celle de Jamieson et Bass (1989). Toutefois, l’estimation des paramètres nécessite de disposer des données relatives aux achats effectifs. Par conséquent, le modèle de Morrison (1979) ne peut être employé à des fins prévisionnelles.
2 - Une alternative aux modèles de probabilité d’achat par intention directe : l’intention conditionnelle
Tout comme Bagozzi (1981b, 1982), Warshaw (1980a, 1980b) développe un modèle intégrant les bases de l’intention d’achat, et aboutissant à l’étude de l’achat en lui-même. Il
s’agit, a priori, d’un des rares exemples de modèles contenant à la fois des relations validées tant en amont qu’en aval de l’intention d’achat.
2.1 - La modélisation de l’intention conditionnelle
Warshaw (1980a) développe un modèle d’intention d’achat conditionnelle, tel que l’intention d’achat ne corresponde à la probabilité d’achat que dans le cas unique où l’événement conditionnant l’intention est connu :
) ( ) ( )
(
1 1
i n
i
i n
i
i
y P y Y P Y P yY
BI
?
? ?
?? ?
?
? ???
?
? ?
? (Eq.II.10)Avec : y l’acte conditionnant l’intention,
BIy l’intention d’achat conditionnelle à l’acte y, Yi la condition i antérieure à l’acte.
Cette formulation permet à l’auteur de conclure que la mesure de BIy par une échelle de probabilité directe n’est appropriée que lorsque le contexte peut être prédit. Elle permet également d’expliquer comment certains modèles permettent d’obtenir de fortes corrélations entre l’intention d’achat et l’achat, alors que d’autres font état de faibles corrélations : c’est ainsi que, par exemple, le modèle développé par Ajzen et Fishbein (1980) obtient des corrélations élevées, puisque la mesure de l’intention d’achat qu’ils proposent tient compte de l’action, du but recherché, du temps et du contexte. Dès lors, les conditions antérieures à l’acte étant relativement spécifiées au sein de la mesure de l’intention d’achat, il apparaît normal de constater une corrélation élevée.
En conclusion, la mesure par une intention conditionnelle apparaît plus proche du comportement que la mesure réalisée par le biais d’une intention directe.
2.2 - La prise en compte des antécédents de l’intention d’achat
Le modèle complet, présenté comme une alternative au modèle de Fishbein (1967), est développé par Warshaw (1980b). Cet article fait état des antécédents de l’intention d’achat d’un produit, notée BIY, puis de l’intention d’achat d’une marque conditionnée à l’intention d’achat du produit, notée BIy/Y. Ces antécédents résident tant dans les possibilités d’achat du produit que dans le désir personnel et la pression de l’entourage.
L’attitude envers la marque en est volontairement écartée. En effet, l’attitude incorpore implicitement le désir d’acheter, la possibilité d’acheter et l’évaluation de l’utilité du produit, trois dimensions que Warshaw (1980b) préfère mesurer séparément et explicitement.
Une fois la probabilité d’achat du produit connue, ses différents antécédents étant identifiés, il est possible de définir la probabilité d’achat d’une marque, sous condition d’achat du produit.
Finalement, les mesures de BIY et de BIy/Y doivent permettre de connaître la probabilité d’achat de la marque y, BIy selon le schéma suivant :
Figure II.2 – Déterminants de l’intention d’achat d’un marque
Probabilité d’acheter un produit de type Y
BIY
Probabilité d’acheter la marque y sachant l’achat
d’un produit Y BIy/Y
Probabilité d’acheter la marque y comme produit Y
BIy
Source : Warshaw, 1980b.
Les validations réalisées sur le modèle ainsi proposé permettent de conclure à la supériorité du modèle d’intention d’achat conditionnelle sur le modèle d’intention d’achat directe.
Toutefois, si les conclusions de Warshaw (1980a, 1980b) sont soutenues empiriquement, d’autres recherches (Miniard et al., 1982, 1983) viennent infirmer ces résultats par plusieurs études réalisées dans des conditions similaires : pour ces auteurs, le pouvoir prédictif de la mesure directe de l’intention d’achat n’est pas affecté par la correspondance contextuelle avec le comportement.
La divergence de résultats entre ces différentes recherches permet de justifier un approfondissement des travaux concernant la relation entre l’intention d’achat et l’achat, tout en s’attachant aux variables contextuelles.
Section 4 - La levée des hypothèses fortes : hétérogénéité et changement