Systèmes de réputation et préférences des
consommateurs
Application de la théorie de la détection du signal
au commerce en ligne
Mémoire
Jean-Philippe Boutin
Maîtrise en Économique
Maître ès arts (MA)
Québec, Canada
Systèmes de réputation et préférences des
consommateurs
Application de la théorie de la détection du signal au commerce
en ligne
Mémoire
Jean-Philippe Boutin
Sous la direction de :
Sabine Kröger, directrice de recherche
Vincent Boucher, co-directeur de recherche
iii
Résumé
Ce mémoire propose un modèle qui explique le processus de rétroaction des consommateurs lors de leurs achats en ligne. Plus spécifiquement, je modélise un marché où il existe deux types de vendeurs qui se différencient par leur distribution de la qualité des biens qu'ils vendent. Le vendeur dit de type « Élevé » vend des biens dont la qualité moyenne est supérieure à celle du vendeur de type « Bas ». De plus, on suppose que les consommateurs connaissent les types et leurs distributions de la qualité.
Sachant ces informations, le consommateur va catégoriser le type du vendeur à partir de l’information perceptuelle disponible, soit la qualité des biens vendus. Pour ce faire, il va choisir un critère de décisions, une certaine valeur de la qualité, qui va lui permettre de catégoriser les types de vendeurs. Ensuite, selon la qualité du bien qu’il a acheté, il va attribuer une rétroaction au vendeur en conséquence. Ce processus de rétroaction s’inspire de la théorie de la détection du signal qui permet d’étudier la prise de décision dans un contexte où la provenance des informations est incertaine. Ce dernier aspect est unique au modèle proposé.
Ce modèle a permis d’étudier les préférences des consommateurs envers les systèmes de réputation. Ces systèmes se distinguent par le nombre de modalités d’évaluation qu’ils possèdent. Différentes simulations montrent que leurs préférences varient selon les conditions du marché. En effet, les acheteurs préfèrent le système avec trois modalités relativement à celui avec deux modalités lorsque la distribution de la qualité des types de vendeurs est similaire et lorsque les erreurs d’identification occasionnent des conséquences importantes. Ce résultat s’explique par le fait que les acheteurs préfèrent utiliser une troisième modalité, moins coûteuse en termes d’utilité, lorsque le risque de se tromper sur le type de vendeur est élevé.
IV
Table des matières
Résumé ... iii
Table des matières ... IV Liste des tableaux ... VII Liste des figures ... VIII Remerciements ... X Introduction ... 1
Système de réputation ... 3
1.1 – Collecte d’information ... 5
1.1.1 – Nombre de modalités d’évaluation et formats de présentation ... 5
1.1.2 – Éléments évalués et informations recueillies ... 6
1.2 –Agrégation et transformation de l’information ... 8
1.3 – Diffusion de l’information ... 9
Littérature ... 11
2.1 – Impacts et influences des évaluations sur les acheteurs ... 12
2.2 – Impacts et influences des évaluations sur le vendeur ... 15
2.3 – Modèles théoriques du processus de rétroaction ... 16
2.3.1 – Modèle théorique de Dellarocas (2001) ... 16
2.3.2 – Modèle théorique de You et Sikora (2014) ... 17
2.3.3 – Comparaisons des modèles par rapport à celui proposé ... 18
Théorie de la détection du signal ... 20
3.1 – L’avènement de la psychophysique ... 21
3.2 – Le signal ou l’ «indice informationnel» ... 22
3.3 – Les critères de décision ... 25
Processus de rétroaction des acheteurs ... 29
4.1 – Modèle théorique ... 29
V
4.3 – Choix des critères de décision ... 31
4.4 – Décision du consommateur ... 34
4.5 – Programme de maximisation du consommateur ... 36
4.5.1 – Programme de maximisation pour le format BIN ... 36
4.5.2 – Condition d’optimalité de premier ordre ... 37
4.5.3 – Programme de maximisation pour le format PON ... 38
4.5.4 – Condition d’optimalité du premier ordre ... 40
Préférences des consommateurs à l’égard des systèmes de réputation ... 41
5.1 – Paramètres des préférences des consommateurs ... 42
5.1.1 – Fonction de coûts cognitifs ... 42
5.1.2 – Spécification de la matrice de paiements ... 43
5.1.3 – Règle de décisions ... 44
5.2 – Simulation et analyse des scénarios ... 45
5.3.1 – Effet des paramètres de désutilité ... 46
5.3.2 – Effet de la variation de la proportion de vendeurs de type Élevé et de type Bas ... 48
5.3.3 – Effet de l’augmentation de la variabilité de la qualité perçue ... 51
5.3.4 – Effet de l’augmentation de la différence entre les deux qualités moyennes ... 53
5.3.5 – Effet de l’augmentation des paiements A et des paiements Y ... 54
5.3 – Discussion... 55
Conclusion ... 56
Bibliographie ... 60
VII
Liste des tableaux
Tableau 1
Sites de ventes en ligne consultés du 1er janvier 2016 au 31 décembre 2016….……….4
Tableau 2
Formats des indices de réputation et leurs définitions……..……….….……….…..9
Tableau 3
Matrice des réponses possibles………...………….…………..25
Tableau 4
Matrice des issues possibles selon la réponse de l’acheteur…….………..….………..………..27
Tableau 5
Matrice des paiements selon le type d’évaluation et selon le type de paiements…………....………..32
Tableau 6
Matrice des proportions d'évaluations obtenues selon le type d'évaluation et selon le type de
vendeurs ……….33
Tableau 7
Contexte de décision du consommateur………....34
Tableau 8
Matrice des paiements selon le type d’évaluation et selon le type de paiements………...39
Tableau 9
VIII
Liste des figures
Figure 1
Interface permettant aux acheteurs d’évaluer une transaction sur Amazon.……….…5
Figure 2
Interface permettant aux acheteurs d’évaluer un produit sur Amazon………...…...……...7
Figure 3
Distributions de la qualité des biens vendus selon le type des vendeurs lorsqu’il n’y a pas
d’incertitude sur la provenance des indices ou de la qualité………...……...24
Figure 4
Distributions de la qualité des biens vendus selon le type des vendeurs lorsqu’il a de l’incertitude sur la provenance des indices ou de la qualité..…………..………..…….……...…...24
Figure 5
Critère de décision retenu par l’acheteur dans un système avec deux modalités………..……26
Figure 6
Impact de la variation des paramètres de désutilité sur la différence d'utilité entre le système PON et BIN...……….45
Figure 7
Impact de la variation du % de vendeurs de type Élevé sur la différence d'utilité entre le système PON et BIN.……….48
Figure 8
Valeur des critères de décisions sous le système PON et sous le système BIN selon la variation de la proportion de vendeurs de type Élevé.……….………..………49
IX Figure 9
Impact de la variation de la variance de la qualité des biens sur la différence d'utilité entre le système PON et BIN.………...………..……..….52
Figure 10
Impact de la variation de la différence entre les qualités moyennes sur la différence d'utilité entre le système PON et BIN………..……….………..53
Figure 11
Impact de la variation du paiement Y sur la différence d'utilité entre le système PON et BIN.……….54
Figure 12
X
Remerciements
Ce mémoire est l’aboutissement d’un travail de recherche de près de deux années. En préambule, je veux adresser tous mes remerciements aux amis et collègues avec lesquelles j’ai pu échanger et qui m’ont aidé pour la rédaction de ce mémoire ainsi que pour le bon déroulement de mes études de deuxième cycle. J’en profite pour remercier la Fondation Claude Masse qui a généreusement accepté de financer une partie de mes recherches.
Tout d’abord, je tiens à remercier madame Sabine Kröger. En tant que directrice de mémoire, elle a su me guider tout au long de la réalisation de ce travail et elle m'a également été d’une grande aide afin de devenir un meilleur chercheur, mais aussi une meilleure personne. Je remercie également monsieur Vincent Boucher. Bien qu’il se soit joint plus tardivement à mes recherches, ses judicieux conseils ont grandement contribué à améliorer la qualité de ce travail.
Ensuite, j'adresse aussi mes plus sincères remerciements à ma famille. Ma mère et mon père, Gina Bouchard et Michel Boutin, qui ont su me soutenir et m’encourager tout au long de mes études. Vous avez fait de nombreux sacrifices pour moi, merci! Vous m’avez transmis de magnifiques valeurs comme le respect, le travail et la persévérance. Je vous suis redevable d’une éducation dont je suis fier et d’un héritage dont la valeur est infinie. Merci aussi à ma sœur, Marie-Michèle Boutin, qui a su m’écouter et m’appuyer.
Je remercie par la présente mes proches qui m'ont accompagné, aidé, soutenu et encouragé tout au long de la réalisation de ce mémoire. Spécialement, à Raphaël Ross, Delphine Ross, Pierre Ross, Michèle Hamel, Alain Ross et Rolande Hebert, qui ont su m’encourager et me motiver lors de moments plus difficiles. Je tiens à exprimer toute ma reconnaissance à mes précieux amis.
Enfin, j'adresse mes plus profonds remerciements à une personne toute spéciale, mon amour, Annabelle Ross, qui a été d’une patience infinie et d’un soutien inestimable tout au long de mon parcours académique et lors de la réalisation de ce mémoire. Je ne trouve pas les mots suffisants pour pouvoir exprimer toute ma gratitude à ton égard. Merci pour tes bons petits plats!
1
Introduction
L’arrivée de plusieurs sites de ventes en ligne comme eBay et Amazon a permis un essor important des possibilités de commerce entre les entreprises et les consommateurs. Ces plateformes de ventes permettent désormais aux acheteurs et aux vendeurs de commercer sans avoir à se soucier d’être sur place comme c’est le cas pour les marchés traditionnels. De plus, l’absence de contraintes spatio-temporelles et la multiplication du nombre de vendeurs rendent ces marchés très dynamiques ce qui permet aux consommateurs et aux vendeurs de bénéficier d’opportunités d’affaires uniques. En effet, une étude portant sur la vente de produits électroniques en ligne et en magasin estime que les consommateurs, qui ont accès à ce type de plateforme, peuvent réaliser des économies allant jusqu’à 16.00 % du prix moyen relativement aux prix observés en magasin (Baye, Morgan et Scholten, 2003).
Cette opportunité ne laisse pas indifférents les consommateurs; l’engouement des Québécois à l’égard du commerce en ligne ne cesse de croître depuis plusieurs années. En 2015, environ le tiers (32.20 %) des adultes québécois a effectué des achats en ligne pour des dépenses avoisinant les 8 milliards de dollars (CEFRIO, 2016). Ces données contrastent avec celles de 2014 où 28.00 % des Québécois effectuaient des achats en ligne dont la valeur était estimée à 6.6 milliards de dollars (CEFRIO, 2016). Parmi ces gens, 39.50 % affirment effectuer leurs achats sur des sites de magasins virtuels comme Amazon et près de 19.40 % disent effectuer des achats sur des sites d’enchères en ligne tel qu’eBay (CEFRIO, 2016).
Cependant, puisque les identités sont virtuelles et que le paiement s’effectue avant la livraison, certains vendeurs peuvent adopter des comportements opportunistes, voire frauduleux. À titre d’exemple, il est possible que la description du produit vendu soit inexacte, que le produit soit défectueux ou qu’un vendeur n'achemine pas le bien. Selon le Centre pour la Défense de l’Intérêt Public (2014), près de 28 % des répondants affirment avoir rencontré l'un de ces problèmes lors de leurs achats en ligne. En 2010, les consommateurs canadiens auraient subi des pertes d’environ cinq millions de dollars selon le Centre antifraude Canada (cité par Côté (2012)).
2
Soucieux de cette problématique, les sites de ventes en ligne ont mis en place divers outils afin de dissuader l’adoption de tels comportements. L’un de ces outils permet aux acheteurs d’évaluer les transactions et les vendeurs à l’aide de systèmes de réputation. Ces systèmes permettent de collecter, d’accumuler, de synthétiser, puis de diffuser les expériences d’achats des autres consommateurs. Les informations collectées permettent de constituer un profil de ventes aux vendeurs, ce qui fait alors office de réputation. Ainsi, une accumulation de mauvais commentaires permettrait de signaler aux autres acheteurs que le vendeur est malhonnête. Ceci inciterait les futurs acheteurs à se méfier, et pourrait même les dissuader de commercer avec le vendeur en question.
Afin que les systèmes de réputation soient efficaces, il faut minimalement que les acheteurs et les vendeurs réagissent à ces systèmes. En fait, ces systèmes doivent faire en sorte que le comportement adopté doit être tel que les bénéfices d’être honnête et d’avoir une excellente réputation à long terme viennent à dépasser les gains associés au fait de frauder (Livingston, 2005). À cet effet, plusieurs recherches empiriques ont démontré que la réputation affecte bel et bien le comportement des acheteurs et celui des vendeurs sur les plateformes de ventes en ligne.
Toutefois, peu d’études expliquent comment l’acheteur évalue les transactions en ligne. Ce processus décisionnel demeure moins bien compris. Pourtant, la compréhension de ce processus permettrait de jeter un regard différent sur la conception et les limitations des systèmes de réputation actuels. La présente recherche vise à combler ce manque en proposant un modèle qui explique comment le consommateur procède à l’évaluation d’un vendeur. Une seconde limitation dans la littérature concerne les préférences des consommateurs pour un type de système de réputation. Aucune étude connue à ce jour ne s’est penchée sur cette question. Ce modèle sera utilisé pour étudier les préférences des consommateurs à cet égard et pour déterminer quels sont les facteurs qui influencent ces préférences.
Le mémoire se divise en cinq chapitres. Les types de systèmes de réputation utilisés par le site de ventes sont décrits dans le chapitre 1. Ensuite, la littérature pertinente est présentée au chapitre 2. Le chapitre 3 résume la théorie de la détection du signal sur lequel repose le modèle, qui lui est présenté au chapitre 4. Enfin, le chapitre 5 montre comment il est possible de déterminer les préférences des consommateurs à l’aide de simulations et présente les résultats de celles-ci.
3
Chapitre 1
Système de réputation
L’objectif des systèmes de réputation est de permettre aux utilisateurs de se renseigner, mais aussi d’informer la communauté en ligne sur les comportements transactionnels des autres utilisateurs. Pour ce faire, les acheteurs vont partager leurs avis aux autres consommateurs en commentant ou en évaluant la transaction ainsi que le vendeur. L’accumulation de ces informations va permettre de créer un historique des transactions passées ce qui fera alors office de réputation.
Ce sont ces systèmes qui permettent aux sites de ventes de collecter l’information (les évaluations), de l’organiser, puis de la diffuser au grand public. Dans le cadre de ce mémoire, un système de réputation est défini comme tout outil qui permet de collecter, d’agréger puis de diffuser de l’information sur le comportement d’une autre personne.
L’étude de différents sites de ventes en ligne révèle que le fonctionnement des systèmes de réputation et leurs conceptions varient énormément. Conséquemment, ce chapitre présente les différentes configurations des systèmes de réputation. À cet effet, chaque fonction (collecter, agréger et diffuser l’information) du système de réputation sera caractérisée et illustrée à la lumière de certains sites de ventes qui serviront d’exemple.
Les informations présentées proviennent de l’analyse de 12 sites de ventes en ligne qui ont été étudiés du 1er au 31 décembre 2016. Les critères de sélection des sites sont : la clarté de
l'information, sa qualité ainsi que son accessibilité. Le Tableau 1 résume les principales caractéristiques de ces sites, soit : le nom du site de ventes, les formats de présentations, le nombre de modalités d'évaluation, la présence ou l’absence du nombre total d’évaluations et les critères sur lesquels sont évalués les vendeurs.
4
5
1.1 – Collecte d’information
La première fonction du système de réputation est de permettre de collecter de l’information auprès de ses utilisateurs. À cet effet, les sites de ventes mettent à la disposition de leurs utilisateurs un menu contextuel (une interface) où il est possible d’évaluer la transaction en utilisant une échelle de mesure qui est caractérisée par le nombre de modalités (le nombre d’options) et par le format de présentation de cette échelle. Habituellement, les évaluations sont accompagnées d’un bref commentaire qui explique pourquoi l’utilisateur a octroyé cette évaluation. La Figure 1 montre en exemple l’interface utilisée par Amazon. Ces deux aspects (le nombre de modalités et le format de présentation) seront abordés dans les sous sections suivantes.
Figure 1 – Interface permettant aux acheteurs d’évaluer une transaction sur Amazon
1.1.1 – Nombre de modalités d’évaluation et formats de présentation
Dans ce mémoire, le nombre de choix disponibles pour évaluer un utilisateur est défini comme étant le nombre de modalités d’évaluation. Par exemple, l’interface d’Amazon offre cinq modalités d’évaluation (cinq possibilités) qui sont représentées par des étoiles dans la Figure 1.
En général, les sites de ventes mettent à la disposition des évaluateurs entre deux et cinq modalités d’évaluation. Dans les faits, il est très rare de trouver des sites où le nombre de modalités est supérieur à cinq. En fait, aucun site parmi les 12 sites de ventes susmentionnés n’utilise plus de cinq modalités. Plutôt, il existe trois principales tendances: les systèmes avec deux modalités, ceux
6
avec trois modalités, et les systèmes avec cinq modalités. L’étude des sites de ventes met en exergue le fait qu’il y a tendance, mais faible, des concepteurs des systèmes de réputation à privilégier cinq modalités (près 58 % contre 33 % pour trois modalités d’évaluation).
En ce qui concerne le format visuel de ces modalités, trois types de formats semblent dominer. Le premier format est dit « libellé ». C’est le cas lorsque les modalités d’évaluation sont caractérisées par des termes tels que « Positive », « neutre » ou « négative ». C’est le format privilégié par le site de ventes en ligne eBay et CQout. Amazon, quant à lui va privilégier le second type de format qui est la représentation iconique, soit des symboles visuels (des étoiles, des pouces verts ou rouges). Le dernier format est le format numérique. Dans ce cas, les modalités sont représentées par des chiffres. Les formats les plus populaires sont les styles iconique et libellé. Le format numérique est, quant à lui, rarement utilisé.
Bien que les sites de ventes collectent plusieurs types d’information et par conséquent combinent plusieurs types de modalités, comme illustré à la Figure 1, les modalités pertinentes pour ce mémoire sont celles qui servent exclusivement à la constitution des indices de réputation, soit les informations visuelles qui résument l’historique des vendeurs. Dans le cas d’Amazon, les questions pouvant être répondues par oui ou par non n’ont pas été étudiées, car elles ne servent pas à la construction des principaux indices de réputation.
Pour ce mémoire, deux types d’échelles de mesure sont modélisées. Celle avec deux modalités d’évaluation (BIN) et celles avec trois modalités d’évaluations (PON). Le format visuel des deux échelles de mesure est de type « libellé ». Les acheteurs auront la possibilité de laisser une évaluation positive ou négative pour le système BIN et d’accorder une évaluation positive, neutre ou négative dans le cas de PON.
1.1.2 – Éléments évalués et informations recueillies
La Figure 1 met aussi en évidence le fait que certains sites de ventes précisent l’élément qui doit être évalué. Par exemple, dans le cas d’Amazon, les acheteurs sont invités à évaluer séparément le vendeur (l’expérience d’achat) et le bien acheté. Cette précision est mentionnée dans
7
l’onglet « commentaire » de la Figure 1. Cependant, l’étude de différents sites de ventes en ligne montre que ce ne sont pas tous les sites qui indiquent clairement ce qui doit être évalué. Ici, il importe de préciser que cela concerne uniquement les échelles de mesure qui sont utilisées pour collecter de l’information servant aux calculs des indices de réputation. Ainsi, les consignes pour la rédaction de commentaires écrits ne sont pas analysées.
L’une des pratiques adoptées par les sites consiste à demander aux acheteurs d’évaluer séparément le produit et la qualité de la transaction. C’est le cas d’Amazon qui demande aux acheteurs d’évaluer séparément le vendeur (la transaction) et le produit acheté. Ainsi, le consommateur est en mesure de dissocier la qualité du bien vendu de celle de la transaction. La Figure 1 montre que l’interface utilisée permet de collecter trois ensembles d’information : une appréciation globale de la transaction (de 1 à 5 étoiles), un commentaire écrit et trois avis sur la qualité de la transaction. À noter que le consommateur doit répondre à ces trois dernières questions par oui ou non.
Si l’acheteur le désire, il peut également évaluer le produit en laissant un commentaire écrit et une appréciation globale où d’une à cinq étoiles sont octroyées. La Figure 2 montre l’interface qui est offerte aux acheteurs lorsqu’ils désirent uniquement évaluer le produit.
Figure 2 – Interface permettant aux acheteurs d’évaluer un produit sur Amazon
Le fait de séparer l’évaluation du bien de l’évaluation de la transaction n’est pas une pratique adoptée par tous les sites de ventes. D’autres sites, comme Barnes&Noble et eBay, permettent uniquement d’évaluer la transaction et non le bien vendu. Pour ce faire, eBay demande aux acheteurs de laisser une évaluation positive, neutre ou négative et de justifier cette dernière à l’aide d’un commentaire.
8
Un autre aspect à considérer est que certains sites vont guider les acheteurs lors de leur évaluation. C’est le cas du site Barnes&Noble. En effet, les responsables recommandent explicitement aux acheteurs de décerner une évaluation en fonction de cinq principaux critères: a) délais de livraison, b) exactitude de la description du produit, c) s’il a eu besoin de contacter le vendeur et si ce dernier a répondu en moins de deux jours, d) si le colis a été soigneusement préparé pour éviter tout dommage lors de la livraison et e) si le remboursement a convenablement été obtenu, dans le cas où l’acheteur en a fait la demande. Par contre, un tel degré de précisions sur le contenu des évaluations n’est pas présent sur tous les sites. Par exemple, le site Etsy ne donne aucune indication formelle quant aux aspects devant être évalués. Cette situation prévaut également pour le site Discogs et CQout. Toutefois, contrairement à Etsy, le forum d’aide de Discogs explique que le contenu des évaluations doit référer à l’expérience d’achat, dans son ensemble, sans plus de précisions. Il en est de même pour eBay. En effet, eBay ne donne aucune consigne spécifique quant aux critères à évaluer. Par contre, les acheteurs ont la possibilité de laisser une appréciation plus spécifique avec le système d’évaluations détaillées. En effet, ce système permet d’évaluer un vendeur selon la justesse de la description du produit, selon la courtoisie du vendeur, selon les délais de livraison et selon les frais d’expédition. Toutefois, cette information n’est pas utilisée pour calculer les deux principaux indices de réputation d’eBay qui seront présentés plus bas.
Dans le cadre de ce mémoire, les évaluations vont concerner à la fois la qualité de la transaction et la qualité du produit qui a été vendu. Aucune distinction ne sera faite à cet égard. Qui plus est, les acheteurs auront seulement la possibilité d’accorder une seule évaluation. Il ne sera pas possible d’avoir un système similaire à celui des évaluations détaillées d’eBay.
1.2 –Agrégation et transformation de l’information
L’autre caractéristique des systèmes de réputation est la façon dont l’information est traitée et transformée en vue de calculer les indices de réputation. L’agrégation et la transformation de l’information surviennent après qu’elle ait été collectée. Les méthodes d’agrégation de l’information peuvent être regroupées en deux classes : simple et élaborée. Il s’agit d’agrégation simple lorsque l’information collectée pour le calcul des indices de réputation n’est pas modifiée et il s’agit d'agrégation élaborée lorsque l’information brute subit des opérations mathématiques plus ou moins
9
complexes. Le site de ventes CQout est un exemple où l’information collectée ne subit pas d’opérations arithmétiques (calcul de moyennes, de ratios ou de pourcentage). eBay et Amazon sont des cas où l’information collectée est transformée. À titre illustratif, Amazon convertit le nombre d’étoiles obtenues en pourcentage de commentaires positifs, neutres ou négatifs. Cette conversion permet, par la suite, de calculer différents indices de réputation comme le pourcentage de commentaires positifs et la moyenne du nombre d’étoiles obtenues.
1.3 – Diffusion de l’information
La dernière phase de ce processus est la diffusion de l’information. C’est cette phase cruciale qui permet d’informer les consommateurs des agissements des vendeurs. Pour ce faire, les sites de ventes en ligne vont utiliser ce que l’on nomme, les indices de réputation. Les indices de réputation sont des indices visuels qui résument l’historique des commentaires et des évaluations passées d’un vendeur ou d’un acheteur. Ces indices permettent de synthétiser de façon simple et efficace l’information accumulée sur le comportement passé des différents partenaires. Ils sont généralement situés près du profil des vendeurs et ils sont facilement repérables. Ces indices de réputation peuvent être regroupés en cinq catégories : Brute, différence, étoilée, moyenne et pourcentage. Le Tableau 2 définit ces indices, présente leur nom ainsi que les sites qui les utilisent.
Tableau 2–Formats des indices de réputation et leurs définitions
Format Définition Exemple Site
Brut Information publiée non transformée. (355|3) CQout
Différence Différence entre le nombre d'évaluations
positives et négatives. Bob (826) eBay
Étoilé Nombre ou moyenne d’étoiles obtenues,
généralement arrondie à l’entier. Amazon
Moyenne Moyenne des évaluations obtenues basées sur
une certaine période de temps donnée. 4,4 / 5 PriceMinister Pourcentage Rapport entre le nombre d'évaluations positives
10
Le chapitre qui suit montre qu’il existe plusieurs configurations possibles des systèmes de réputation. Chaque caractéristique et ses variantes font que les systèmes de réputation sont propres à chaque site de ventes en ligne. Mais, lorsqu’ils sont étudiés à un niveau plus agrégé, il en ressort que le système de réputation regroupe trois principales fonctions : la collecte, l’agrégation et la diffusion.
La diffusion de l’information est déjà un intérêt de recherche pour plusieurs chercheurs. En effet, le chapitre suivant présente les différentes conclusions des recherches réalisées sur l’influence des indices de réputation sur le comportement des acheteurs et celui des vendeurs. Les études portant sur les manières méthode d’agrégation ont fait l’objet de peu d’études. À ce jour, seule celle de Dellarocas (2001), présentée dans le prochain chapitre, aborde brièvement cette question.
Ce mémoire de recherche va plutôt s’intéresser à l’aspect collecte d’information. Plus précisément, les préférences des consommateurs à l’égard de deux types de systèmes de réputation (le format BIN et le format PON) seront étudiées à la lumière du modèle théorique de formation des évaluations des acheteurs proposé.
11
Chapitre 2
Littérature
Les systèmes de réputation utilisés par les sites de ventes en ligne font l’objet d’une grande littérature en économie. Cette littérature s’intéresse principalement à l’influence de ces systèmes sur le comportement du consommateur et sur celui des vendeurs. La majeure partie des articles scientifiques qui portent sur ce thème sont de nature empirique et ont comme principal objet d’étude eBay. La section 2.1 et 2.2 de ce chapitre résume les principaux constats rapportés dans cette littérature.
Une autre partie de la littérature s’intéresse aux comportements stratégiques que les agents sont susceptibles, consciemment ou non, d’adopter. Par exemple, Bolton, Greiner et Ockenfels (2013) se sont intéressés au phénomène de réciprocité, soit que l’obtention d’une certaine modalité d’évaluation est conditionnelle à celle qui sera octroyée. Dans un premier temps, les chercheurs ont d’abord montré que ce ne sont pas tous utilisateurs qui vont évaluer leur contrepartie: seulement 70 % des gens évaluent les vendeurs sur eBay (Bolton, Greiner et Ockenfels, 2013). Ensuite, leur étude a aussi mis en évidence qu’il existe une interrelation entre les évaluations des vendeurs et celles des acheteurs : l’évaluation du vendeur dépend de la nature (positive, neutre ou négative) de l’évaluation obtenue par l’acheteur. Si l’acheteur accorde une évaluation négative au vendeur, ce dernier est plus susceptible d’accorder une évaluation négative. À noter que dans 70 % des cas, c’est l’acheteur qui évalue en premier (Bolton, Greiner et Ockenfels, 2013). Les vendeurs attendent de voir la nature de l’évaluation avant d'en accorder une aux acheteurs. Ce résultat suggère que le contenu de l’évaluation (positive, neutre ou négative) ainsi que les conséquences éventuelles (être sanctionné d’avoir accordé une évaluation négative) peuvent être considérés au moment d’accorder une évaluation.
Enfin, une autre partie de la littérature vise plutôt à prescrire et à recommander les conceptions idéales (fenêtre temporelle couverte par les indices, possibilité d'évaluer simultanément les vendeurs et les acheteurs, nombre d'évaluations considérées pour calculer les indices de
12
réputation et le type d’information à afficher) des systèmes de réputation pour répondre aux diverses problématiques (biais, réciprocité et asymétrie d’information). L’approche méthodologique adoptée est plutôt de type théorique et expérimental. À titre illustratif, Dellarocas (2006) a montré que, dans un environnement avec présence d’aléa moral, dans lequel le niveau d’effort d’un vendeur n’est pas parfaitement observable et avec un profit associé au fait de coopérer par transaction (période) suffisamment élevé, il n’est pas nécessaire de publier l’ensemble des évaluations. En effet, publier quelques-unes de ces dernières évaluations serait suffisant pour créer un niveau de coopération plus élevé que les systèmes qui publient l’ensemble des évaluations (Dellarocas 2006).
Dellarocas (2005) s’est également intéressé aux nombres de modalités idéales qu’un système de réputation devrait posséder pour qu’il soit efficace. Pour ce faire, il a modélisé une situation d’aléa moral où un vendeur a deux actions possibles (tricher ou coopérer). Dellarocas (2005) a montré que le maximum de coopération entre l’acheteur et le vendeur survient lorsque les acheteurs vont arbitrairement diviser en deux les modalités d’évaluations. Par exemple, chez Amazon, un acheteur pourrait considérer que l’obtention d’une à trois étoiles constitue une mauvaise évaluation alors que l'octroi de quatre à cinq étoiles est une bonne évaluation.
Enfin, concernant la problématique associée au fait de changer facilement d’identité, Friedman et Resnick (2001) recommandent d’imposer un coût à l’entrée aux nouveaux inscrits suffisamment élevé pour que ce coût soit supérieur aux bénéfices associés au fait de mousser sa réputation, puis de frauder et de changer d’identité pour finalement recommencer ce processus. Les coûts élevés rendraient ainsi cette pratique peu rentable et elle découragerait les vendeurs qui seraient tentés de l’adopter.
2.1 – Impacts et influences des évaluations sur les acheteurs
Les études portant sur l’influence des indices de réputation sur les acheteurs tentent généralement de déterminer quel est leurs impacts sur le prix de vente, sur la probabilité que le bien soit vendu et sur le nombre de mises lors d’une enchère. Bien qu’il existe certains résultats divergents, la plupart des études supportent une relation significative et positive (négative) entre les évaluations positives (négatives) et le comportement des acheteurs.
13
Les chercheurs Resnick, Zeckhauser, Swanson et Lockwood (2006), Bajari et Hortaçsu (2004) ainsi que Rabby et Shahriar (2012) ont recensé près de 24 études portant sur la relation entre la réputation des vendeurs et l’impact de cette dernière sur les prix et la probabilité de vendre. Parmi ces 24 études, certaines supportent l’existence d’une relation significative et positive entre le nombre d’évaluations positives et la probabilité de vendre (Jin and Kato, 2004; Livingston, 2005; Resnick et Zeckhauser, 2002; Rabby et Shahriar, 2012), mais aussi entre le nombre d’évaluations positives et les prix qui sont offerts (Houser et Wooder, 2006 ; Bajari et Hortascu, 2003; Kalyanam et McIntyre, 2001; Melnik et Alm, 2002 et 2005; Livingston, 2002; Rabby et Shahriar, 2012). Cependant, d’autres études ne trouvent pas de relation significative. En effet, certains chercheurs (Lucking-Reiley, et coll., 2007; Jin et Kato, 2004) trouvent que l’impact du nombre d’évaluations positives n’a pas d’impact significatif sur les prix offerts.
Dans le même ordre d’idées, certaines recherches (Melnik et Alm, 2005; Eaton, 2005; Rabby et Shahriar, 2012) montrent également que les évaluations négatives des vendeurs réduisent leur probabilité de vendre. Conformément à cette intuition, plusieurs auteurs (Houser et Wooders, 2006; Melnik et Alm, 2002; Cabral et Hortaçsu, 2010; Rabby et Shahriar, 2012) trouvent une relation négative entre le nombre d’évaluations négatives et les prix offerts. De plus, Rabby et Shahriar (2012) ont étudié l’impact des évaluations neutres sur les acheteurs. Ils ont trouvé que les évaluations neutres peuvent servir à discriminer entre des vendeurs identiques. Qui plus est, l’impact des évaluations neutres peut être bénéfique ou nuisible. En effet, lorsque les vendeurs disposent d’une bonne réputation, les évaluations neutres réduisent les ventes (prix et probabilité) alors que lorsque les vendeurs disposent d’une moins bonne réputation c’est le contraire qui survient (Rabby et Shahriar, 2012).
Comme dans le cas des évaluations positives, les chercheurs Grund et Gütler (2008) montrent que le nombre d’évaluations négatives n’influence pas le prix des biens. Ce résultat contraste avec les études précédentes. Pour en arriver à cette conclusion, Grund et Gütler (2008) ont analysé l’impact du nombre d’évaluations négatives et celui du pourcentage d’évaluations négatives sur le prix de vente de DVD sur eBay en Allemagne. Les auteurs attribuent ce résultat au fait que les biens analysés ont une faible valeur et donc que la réputation du vendeur est un élément beaucoup moins déterminant. Toutefois, une grande hétérogénéité des méthodes statistiques employées, des
14
types de biens analysés, des prix affichés et du type d’indice de réputation considéré expliquent pourquoi certains de ces résultats diffèrent.
Pour leur part, Resnick et coll. (2006) ont étudié cette problématique à l’aide d’une expérience sur le terrain sur le site de ventes en ligne eBay. Pour ce faire, les chercheurs ont créé différents profils (nouveaux vendeurs) dont les caractéristiques étaient parfaitement identiques puisque les biens (des cartes postales antiques) étaient vendus par un même vendeur expérimenté. L’expérience s’est réalisée en deux temps. Au terme d’une première partie de cette étude, ils ont montré que les consommateurs sont prêts à payer en moyenne 8,1 % de plus pour transiger avec un vendeur dont la réputation est bien établie relativement à un vendeur débutant sur eBay. Ensuite, lors de la deuxième partie, les chercheurs ont volontairement créé de fausses évaluations négatives aux nouveaux profils pour ensuite comparer les prix de vente des vendeurs avec les évaluations négatives à ceux n’ayant pas d’évaluations négatives. Étonnamment, les résultats montrent que les évaluations négatives ne semblent pas affecter la décision des acheteurs. Selon les chercheurs, ceci peut s'expliquer par le fait que le protocole expérimental ne dispose pas d'un pouvoir statistique suffisant pour déceler un impact.
Pour leur part, Cabral et Hortaçsu (2010) ont utilisé à la fois des données en coupe transversale et des données de panel provenant d’eBay afin de mettre en évidence l’impact des évaluations négatives sur les vendeurs. Tout d’abord, à l’aide de données en coupe transversale, ils ont montré que l’augmentation de 1 % du nombre d’évaluations négatives réduit de 7,5 % les prix de vente qui sont offerts par les acheteurs. Une analyse similaire réalisée avec des données de panel montre que le taux de ventes hebdomadaire passe de 5 %, en moyenne, à une décroissance des ventes de 8 % après que les vendeurs aient reçu leurs premières évaluations négatives. Enfin, les auteurs ont souligné que la première évaluation négative obtenue contribue à augmenter de 25% la probabilité de recevoir une autre évaluation négative lors des transactions subséquentes.
Ainsi, la littérature semble supporter le fait que les évaluations ont effectivement un impact significatif sur le comportement du consommateur et donc, que ces dernières sont considérées par les acheteurs aux moments de transiger.
15
2.2 – Impacts et influences des évaluations sur le vendeur
Une autre question à répondre concerne la réaction des vendeurs à ses évaluations. Cabral et Hortaçsu (2010) se sont intéressés à cette question. Les données empiriques qu’ils possèdent suggèrent que la réputation préoccupe effectivement les vendeurs.
Le premier élément supportant ce fait est la guerre de mots qui survient après qu’un acheteur ait laissé une mauvaise évaluation au vendeur (Cabral et Hortaçsu, 2010). Une guerre de mots survient lorsque deux utilisateurs, ici le vendeur et l’acheteur, se mettent à répliquer de manière effrénée aux commentaires de l’un et de l’autre.
Un autre fait qui prouve que les vendeurs considèrent leur réputation est que le vendeur qui a une mauvaise réputation a tendance à quitter le marché plus rapidement que celui qui a une bonne réputation. D’ailleurs, Cabral et Hortaçsu (2010) ont montré que, conditionnellement au log du nombre d’évaluations négatives et neutres et au log du nombre d’évaluations positives, la probabilité qu’un vendeur quitte le marché est plus importante lorsque le nombre d’évaluations neutres et négatives est élevé et diminue lorsque le nombre d’évaluations positives est important. De plus, il semble que la réception d’évaluations négatives soit plus fréquente peu de temps avant que le vendeur décide de quitter le marché. Cabral et Hortaçsu (2010) illustrent ce cas à l’aide d’un vendeur qui avait accumulé 22 755 évaluations positives et 54 évaluations négatives. Ce dernier, avant qu’il ne quitte le marché, a reçu pas moins de 11 évaluations négatives lors de ses 25 dernières évaluations. Ainsi, 44 % des dernières évaluations étaient négatives comparativement à 0,6 % pour son historique complet.
En somme, la littérature supporte le fait que les acheteurs et les vendeurs considèrent et réagissent aux indices de réputation. L’autre aspect à explorer est de comprendre comment les acheteurs évaluent ces vendeurs. À cet égard, deux modèles théoriques repérés dans la littérature proposent une explication.
La section 2.3 présente brièvement les modèles de Dellarocas (2001) et celui de You et Sikora (2014) qui permettent d’expliquer comment les acheteurs évaluent les vendeurs. Il faut
16
préciser que ce type de modèles théoriques est rare et que ces modèles ont étonnamment fait l’objet de peu d’études et de validations empiriques.
2.3 – Modèles théoriques du processus de rétroaction
Les quelques articles qui proposent un modèle théorique comportemental se concentrent presque exclusivement sur les décisions du consommateur au moment de transiger (choix du vendeur, prix payés, etc.) et de l’influence exercée par la réputation du vendeur. Or, très peu d’études s’intéressent à la dernière étape du processus d’achat du consommateur : l’évaluation de la transaction. Seuls les articles de Dellarocas (2001) et de You et Sikora (2014) proposent un tel modèle.
2.3.1 – Modèle théorique de Dellarocas (2001)
Dellarocas (2001) propose un modèle théorique où les acheteurs évaluent un vendeur selon trois modalités d’évaluations : positives, neutres et négatives. Il va s’intéresser principalement aux évaluations positives et aux évaluations négatives. Les évaluations neutres ne sont pas considérées directement. Elles représentent plutôt un refus de la part de l’acheteur d’évaluer un vendeur.
Ce modèle sert d’abord et avant tout à analyser les marchés en ligne qui disposent d’un système de réputation de type binaire similaire à celui qu’utilise CQout en ce moment. De plus, il sert à signaler si la qualité du bien vendu annoncée correspond à la qualité réelle du bien acheté. L’objectif de l’auteur était de déterminer sous quelles conditions un système de réputation va permettre de contraindre un vendeur à annoncer correctement la qualité de son bien vendu.
Plus formellement, le modèle suppose que la satisfaction de l’acheteur (S) à l’égard d’une transaction provient de la différence entre l’utilité espérée et l’utilité réelle. L’utilité d’un acheteur est fonction de la qualité du bien, qu’elle soit annoncée ou réelle.
17
La satisfaction de l’acheteur peut être représenté par la fonction S suivante : ( ) où ( ) est la qualité espérée et est la qualité perçue du bien. La qualité espérée est une fonction de la qualité du bien annoncée par le vendeur ( ) et de la réputation du vendeur. De son côté, la qualité perçue (q) correspond à la qualité réellement mise en vente ( ) plus un facteur aléatoire ( ), c’est à dire . Le terme aléatoire permet de capturer le fait qu’il est possible que la qualité du bien soit différente de celle d’origine. Des problèmes lors de l’expédition pourraient expliquer cette différence, par exemple. Le paramètre capture la sensibilité de l’individu à cette différence. Plus il est élevé, plus une déviation entre les deux qualités produira un effet important sur la satisfaction du consommateur.
Dans son modèle, Dellarocas (2001) postule que l’acheteur va accorder une évaluation positive si S est strictement supérieure à zéro, une évaluation négative si S est inférieure à , et aucune évaluation si S se trouve entre les deux intervalles. Le paramètre est un facteur capturant « l’indulgence » de l’individu à l’endroit d’une différence entre la qualité réelle et attendue. Ce paramètre est une forme de seuil critique permettant de partitionner l’espace de la satisfaction en différentes modalités d’évaluations. Plus ce paramètre est élevé, plus l’individu est tolérant à l’égard du fait que la différence entre les deux utilités est importante.
You et Sikora (2014) ont repris une idée similaire dans leur modèle: les consommateurs choisissent une évaluation selon la différence entre ses attentes et la qualité du service ou du bien réel. Cependant, la spécification de leur modèle diffère de celle proposée par Dellarocas (2001).
2.3.2 – Modèle théorique de You et Sikora (2014)
Le modèle proposé par You et Sikora (2014) est fondé sur des principes similaires à ceux du modèle de Dellarocas (2001). Ce modèle sert à modéliser certains biais cognitifs (sous déclaration, dépendance entre les autres évaluations, etc.) et à évaluer comment ils affectent les évaluations des acheteurs et l’efficacité des systèmes de réputation à l’aide de simulations provenant d’un système multiagent.
18
Le modèle proposé suppose que les rétroactions R proviennent de la différence entre la valeur actuelle du service (ASV) et sa valeur espérée LSV. Dans ce modèle, le vendeur choisit d’abord la qualité du service. La valeur ASV va être tirée d’une loi normale de variance et de qualité moyenne de ( )LSV si le service offert par le vendeur est bon et de ( ) si le service est mauvais, avec .
Selon You et Sikora (2014), la qualité du bien est strictement comprise entre la qualité moyenne LSV plus ou moins deux écarts-types. Les auteurs proposent l’équation (2.1) pour expliquer les évaluations (R) de l’acheteur.
(2.1)
L’équation (2.1) signifie que le consommateur va accorder une rétroaction dont la valeur se situera entre -1 et 1. Cette valeur va dépendre de la différence entre la valeur réelle du service et celle auquel l’acheteur s’attendait. Contrairement au modèle de Dellarocas (2011), ce modèle de rétroaction ne dispose pas de critères précis comme le facteur énoncé plus tôt. Les modalités d’évaluations sont continues et comprises entre -1 et 1. Or, dans les faits, les sites de ventes en ligne ne permettent pas cette possibilité. Amazon est celui qui possède le système avec le plus de modalités, soit cinq.
2.3.3 – Comparaisons des modèles par rapport à celui proposé
Le modèle que je propose dans ce mémoire permet de pallier certaines lacunes des modèles présentés ci-haut.
Premièrement, le modèle proposé par Dellarocas (2011) postule l’existence d’un critère de décision , mais il n’explique pas l’origine de ce dernier, ni même comment les consommateurs déterminent sa valeur. Contrairement à cela, le modèle que je propose permet d’expliquer, à l’aide de la théorie de la détection du signal, comment le consommateur choisit ce critère et ce qui affecte sa
19
valeur. Qui plus est, le modèle présenté dans ce mémoire permet également d’avoir plus d’un seul critère lorsqu’il y a plus de deux modalités.
Deuxièmement, le modèle que je propose permet de modéliser des systèmes de réputations avec plusieurs modalités d’évaluations ce qui n’est pas le cas avec le modèle de Dellarocas(2001). Le modèle de You et Sikora (2014) n’est pas discret et il permet difficilement d’étudier les systèmes similaires à celui d’eBay, de CQout ou même d’Amazon puisque ces derniers sont discrets et qu’ils nécessiteraient un ou des critères décisionnels, à l’instar de celui de Dellarocas (2001) et de notre modèle, afin de pouvoir associer à chaque modalité un intervalle de satisfaction .
Troisièmement, dans ce mémoire, les évaluations servent à révéler le type des vendeurs à l’aide des évaluations. Les différentes modalités d’évaluations permettent aux consommateurs de transmettre un degré relatif de certitude quant au réel type du vendeur.
Quatrièmement, ce modèle suppose également que le processus de rétroaction est une tâche perceptuelle où l’acheteur doit inférer le type du vendeur à partir d’information dont la provenance est incertaine. Ainsi, contrairement aux autres modèles, la perception de la qualité qui est propre à chaque acheteur joue un rôle important. De plus, les différentes conséquences associées au fait de correctement identifier un type de vendeur ou de se tromper influencent également le choix des consommateurs.
Afin de combler ce manque dans la littérature, le présent mémoire a comme objectif de recherche de créer un modèle théorique qui explique comment les acheteurs évaluent les vendeurs. Le modèle proposé se base sur la théorie de la détection du signal, théorie largement employée en psychophysique. Cette théorie est expliquée en détail dans le prochain chapitre. Contrairement aux modèles de formation des évaluations identifiés au sein de la littérature, ce modèle postule que le processus de rétroaction des vendeurs est fondamentalement un processus perceptuel où la qualité de la transaction ou des biens résultent de la perception propre des acheteurs.
20
Chapitre 3
Théorie de la détection du signal
La théorie de la détection du signal (ci-après nommé « TDS ») vise à expliquer comment les individus catégorisent ou classifient des stimuli en présence d’incertitude perceptuelle (Lynn et Barret, 2014; McNicol, 2005). L’incertitude, telle que présentée dans la TDS, est différente de celle conceptualisée en économique.
Dans le cadre de la TDS, l’incertitude n’est pas liée à la distribution de la réalisation d’un évènement. Plutôt, l’incertitude concerne la provenance de l’information que le consommateur va recevoir pour l’aider dans sa prise de décision est elle-même incertaine.
Dans le cadre de ce modèle et de la TDS, les décisions des consommateurs sont également mues par la perception qu’ils ont de leur environnement physique. Notamment, le processus de rétroaction des consommateurs est influencé par la qualité perçue du bien qu’ils ont acheté. Dans le cadre de marchés en ligne, il est possible que la qualité des biens vendus serve d’indice sur la nature même du vendeur. Toutefois, le bien et sa qualité perçue peuvent provenir autant d’un bon que d’un mauvais vendeur, et ce, malgré que le bon vendeur soit réputé vendre des biens dont la qualité est supérieure à celle des moins bons vendeurs. Il peut arriver qu’un vendeur très honnête soit malchanceux et que le bien livré à l’acheteur soit de mauvaise qualité. C’est en ce sens que la provenance du signal (la qualité du bien), qui est observable, est elle-même incertaine (Lynn et coll., 2015). L’acheteur n’est plus en mesure d’identifier aisément la nature du vendeur selon la qualité du bien qu’il a acheté.
Lorsque l’acheteur n’est pas en mesure de connaître avec certitude la provenance du bien, il peut devenir hésitant à accorder une évaluation négative. Comme le suggèrent les travaux de Bolton, Greiner et Ockenfels (2013) et de Resnick et Zeckhausser (2001), le consommateur peut craindre les représailles ou les démarches pénibles qui peuvent survenir si les vendeurs sont injustement
21
sanctionnés. Par conséquent, le consommateur sera confus et il se demandera s’il s’agit d’un bon vendeur malchanceux ou d’un mauvais vendeur.
L’utilisation de la TDS permet d’expliquer comment différents indices (signaux) ou stimuli affectent la prise de décisions chez les consommateurs. Cette théorie suppose que le consommateur va procéder à une tâche d’identification ou de catégorisation à partir du signal pour ensuite y associer une réponse. Pour le commerce en ligne, ceci revient à identifier le type du vendeur selon la qualité du bien qu’il a reçu pour ensuite leur attribuer une évaluation en conséquence. Pour ce faire, la TDS postule que l’individu va fonder sa décision en fonction de différents seuils critiques déterminés préalablement. Ces seuils vont par la suite lui permettre d'assigner une réponse (une décision) selon l’intensité de l’indice qu'il perçoit.
En 2014, les chercheurs Lynn et Barrett ont proposé un cadre théorique qui permet d’intégrer à la fois le risque économique et l’incertitude perceptuelle. Ce mémoire va s’inspirer de celui-ci afin de l’appliquer dans le contexte du commerce en ligne et du processus de rétroaction de l’acheteur.
Mais avant, l’origine de la TDS sera présentée brièvement, puis les principaux éléments constituant cette théorie seront décrits. Il sera notamment question des concepts clés pour ce mémoire, soit le signal, les critères de décision ainsi que la matrice de réponses et de paiements. Ces éléments seront tous utiles à l’élaboration du modèle théorique présenté au chapitre suivant.
3.1 – L’avènement de la psychophysique
L’étude de la psychologie humaine expérimentale remonte au 19e siècle avec l’avènement de la psychophysique. Gustav Fechner publia en 1860 un ouvrage considéré comme la référence en psychophysique. Fechner est l’un des premiers psychologues à utiliser la modélisation mathématique afin d’étudier les expériences internes et externes chez l’individu (MacMillan et Creelman, 2004). Les recherches réalisées par ce dernier portaient principalement sur le lien qui existe entre les stimuli physiques et la sensation ressentie par l’individu (Fortin et Rousseau, 2012). Entre autres, l’intérêt principal de Fechner était de mesurer les seuils critiques où la différence entre deux stimuli entraînait une réaction chez la personne.
22
On attribue la naissance de la TDS à la combinaison de la théorie de la décision en statistique à la psychophysique, et ce, à des fins militaires, notamment pour la détection des avions sur les radars. Cette théorie offre deux mesures de performances intéressantes : la sensibilité (capacité à discriminer des stimuli) et le biais (tendance chez un individu à favoriser une réponse au détriment d’une autre) (McNicol, 2005) qui se révèleront particulièrement utiles pour les fins susmentionnées. Cette théorie a été développée par un groupe de chercheurs américains de l’université du Michigan, dirigé par le psychologue John A. Swets au cours des années 1952 à 1954 (Swets et coll., 1961). Cependant, plusieurs auteurs attribuent plutôt l’essor de cette théorie à la publication d’un livre pionnier écrit par les auteurs Green et Swets: Signal Detection Theory and Psychophysics (1966). Ce livre serait à l’origine de l’influence exercée par la TDS sur plusieurs champs d’études (McNicol, 2005). Depuis, cette théorie a été utilisée à de nombreuses reprises afin d’étudier différents processus mentaux tels que la reconnaissance, la mémorisation et la discrimination (Lynn et Barrett, 2014). Cette théorie s’applique également à différents domaines tels qu’au domaine médical, celui de la criminalité, et même au domaine industriel, pour ne nommer que ceux-là (Swets et Green, 1978).
3.2 – Le signal ou l’ «indice informationnel»
L’un des éléments très importants, dans la TDS ce sont les « indices informationnels » ou les signaux. Les indices sont des informations qui peuvent autant favoriser l’une ou l’autre des hypothèses (par exemple c’est un bon vendeur ou c’est un mauvais vendeur dans le cas de commerce en ligne) ou un choix par rapport à un autre (McNicol, 2005). Traditionnellement, ces indices sont des stimuli physiques comme des timbres sonores ou des indices lumineux. Cependant, ces signaux ne sont pas restreints aux éléments physiques présents dans l’environnement de la personne. Par exemple, dans une tâche de catégorisation probabiliste, Kubovy et Healy (1981) ont demandé à des sujets lors d’une expérience d’indiquer si le stimulus (la taille mesurée chez un individu) venait de la catégorie homme ou femme. Les sujets recevaient alors un numéro correspondant à la taille. Ensuite, ils devaient décider si la personne était un homme ou une femme selon l’information dont ils disposaient sur la taille. Ainsi, l’information numérique peut également servir aussi d’indice.
23
Ici, le concept d’indice est similaire au concept de « signal » en économie. Selon l’article classique de Spence (1973), les auteurs vont distinguer les « indices » des « signaux ». Le premier réfère aux caractéristiques observables et immuables d’un individu alors que le second réfère aux caractéristiques qui peuvent être manipulées par l’individu. Ce sont ces informations qui sont ensuite partagées volontairement ou involontairement entre l’agent et un principal dans le but de convaincre l’interlocuteur d’un fait. Dans le cas du commerce en ligne, la qualité du bien vendu va servir d’indice permettant à un acheteur d’inférer si le vendeur est bon ou mauvais. Toutefois, à partir de ces indices, il n’est pas possible de tirer une conclusion certaine sur la provenance du bien (McNicol, 2005,p.2). En somme, le terme « signal » utilisé dans la TDS peut aussi bien référer aux indices qu’aux signaux en économiques puisqu’il s’agit d’informations observables, mais qu’aucune distinction n’est faite sur la base de la capacité d’une personne à affecter ou non ce signal. Pour le reste de ce mémoire, le terme « indice » sera privilégié puisque le vendeur n’aura pas de contrôle sur la qualité (l’indice) du bien qu’il envoie.
Dans la TDS, chaque catégorie ou option est caractérisée par une distribution des valeurs possibles d’un même l’indice. En se référant à l’exemple de Kubovy et Healy (1981), les deux catégories (Homme et femme) ont chacun leur propre distribution de moyenne différente, mais de variance similaire. Comme lors de l’expérience Kubovy et Healy (1981), ces distributions suivent généralement une loi normale de moyenne et de variance . Il est important de noter que la valeur ou l’intensité d’un indice peut provenir autant de l’une ou de l’autre des distributions, mais que sa probabilité de réalisation varie selon celles-ci.
L’incertitude perceptuelle concernant les indices peut provenir de deux sources : internes et externes. La variabilité interne proviendrait, par exemple, de la capacité cognitive d’un individu à correctement traiter et discriminer les stimuli perçus (Lynn et Barret, 2014). En revanche, la deuxième source d’incertitude proviendrait plutôt de l’environnement externe à l’individu comme le bruit dans un endroit public lors d’une conversation. Dans le cadre du commerce en ligne, la variabilité de la qualité sera considérée comme une source externe d’incertitude, puisque la variabilité de la qualité peut provenir des aléas du transport et de la manutention, par exemple.
24
Figure 3 – Distributions de la qualité des biens vendus selon le type des vendeurs lorsqu’il n’y a pas d’incertitude sur la provenance des indices ou de la qualité
La Figure 3 illustre une situation où il n’y a pas d’incertitude sur la provenance de la qualité. Dans une telle situation, l’acheteur serait parfaitement en mesure d’identifier le type du vendeur et de lui attribuer l’évaluation qu’il mérite. Si l’acheteur observe que la qualité du bien est de -1 unité, il saura avec certitude que ce bien provient d’un vendeur de type Bas et cet acheteur lui accordera une évaluation négative. La Figure 4, quant à elle montre une situation où il y a présence d’incertitude perceptuelle.
Figure 4 – Distributions de la qualité des biens vendus selon le type des vendeurs lorsqu’il a de l’incertitude sur la provenance des indices ou de la qualité
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% -6 -4 -2 0 2 4 6 D ensi té de pr obabl ité
Qualité des biens vendus (Signal)
Vendeur de type Bas
Vendeur de type Élevé
25
Puisque l’indice est maintenant brouillé par différents aléas, le consommateur n’est plus en mesure d’affirmer avec certitude d’où provient le bien selon la qualité qu’il perçoit. Par exemple, un bien de qualité « zéro » peut très bien provenir d’un vendeur de type Élevé ou de type Bas, mais la probabilité d’observer une valeur inférieure ou égale à zéro avec la distribution du vendeur de type Élevé est plus faible que si elle provenait d’un vendeur qui ne l’est pas.
Cette situation fait qu’il est désormais possible pour un acheteur d’incorrectement identifier la nature du vendeur. Conséquemment, lorsqu’il y a deux catégories et deux réponses possibles quatre situations peuvent survenir. Il est possible de représenter les différentes issues par la matrice du Tableau 3 ci-contre.
Tableau 3– Matrice des réponses possibles
Réponses de l’acheteur
Élevé Bas
Type du vendeur
Élevé HR M
Bas FA CR
La matrice du Tableau 3 permet de représenter les décisions prises par l’acheteur, soit le type de vendeur identifié par ce dernier selon la vraie nature du vendeur. Le taux HR (Hit rate) est le pourcentage ou le nombre de fois que l’acheteur a correctement identifié le type du vendeur lorsque ce dernier était honnête. De même, CR (correct rejection) correspond au cas où l’acheteur a correctement identifié le vendeur mal honnête lorsqu’il était effectivement présent. À l’inverse, le taux FA (False alarm) et M (miss) représentent le nombre de fois où les acheteurs ont incorrectement identifié la nature des vendeurs. Dans une telle situation, l’individu doit définir, consciemment ou non, une règle de décision qui va lui permettre de décider quelles actions entreprendre.
3.3 – Les critères de décision
L’autre aspect important dans la TDS est que la personne va prendre une décision selon un ou plusieurs critères de décision qu’il aura préalablement choisit. C’est ce critère qui va permettre à un individu de classer, de catégoriser ou d’identifier un stimulus qui lui est présenté.
26 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% -6 -4 -2 0 2 4 6 D ensi té de pr obabl ité
Qualité des biens vendus (Signal)
Vendeur de type Bas
Vendeur de type Élevé
Dans le contexte d’achats en ligne, le consommateur va utiliser différents critères afin d’évaluer le type du vendeur avec lequel il a transigé. Par exemple, l’individu va adopter une règle selon laquelle, si la qualité du bien acheté est supérieure au seuil critique « c », il va juger la transaction comme « bonne ». Ceci va le conduire à conclure que le bien provient fort probablement d’un vendeur de type Élevé. Ainsi, le consommateur va lui accorder une évaluation positive. À l’inverse, si la qualité est inférieure à ce critère, il va juger la transaction comme mauvaise et va donc donner une évaluation négative (MacMillan et Creelman, 2004). La Figure 5 montre un exemple où le consommateur déciderait que les vendeurs dont la qualité des biens est inférieure à -2 unités obtiendraient une évaluation négative.
Figure 5 – Critère de décision retenu par l’acheteur dans un système avec deux modalités
Une règle de décision généralement admise est celle du ratio de vraisemblance ou likelihood
ratio, identifié par . Dans l’équation (3.1) l’hypothèse alternative ( ) est que le vendeur est de type Élevé et l’hypothèse nulle ( ) que le vendeur est de type Bas.
( ) ( | ) ( | ) (3.1) 0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% -6 -4 -2 0 2 4 6
Qualité des biens vendus (Signal)
Vendeur de type Bas
Vendeur de type Élevé Critère
27
La règle de décision optimale choisie serait alors d’affirmer que le vendeur est de type Élevé lorsque et d’affirmer l’inverse lorsque la valeur est inférieure à un. Ce critère lui permettrait de maximiser le nombre HR et CR du Tableau 3 (McNicol, 2005).
Dans le cadre de la TDS, le choix du critère de décision est déterminé par l’individu lui-même et il est également influencé par différents éléments. Healy et Kubovy (1981) ont par exemple montré que les critères de décisions peuvent être affectés par les objectifs des individus, par les conséquences anticipées de leurs réponses et par les a priori concernant les distributions des indices. Cet aspect sera d’ailleurs repris dans le présent modèle présenté au chapitre suivant. Notamment, la proportion de chaque type de vendeur, les coûts et les gains associés à chaque évaluation attribuée par le consommateur influenceront les critères de décision et ainsi les réponses des acheteurs. Cette spécification permet de mettre en évidence le rôle de l’incertitude qui peut exister sur les marchés en ligne, mais aussi les impacts des éventuelles conséquences pour les acheteurs de sanctionner les vendeurs.
L’équation (3.1) ne met pas en évidence le rôle des conséquences associées à chacune des quatre issues présentées dans le Tableau 4. À la place, il est possible d’utiliser la règle de décision suivante (voir équation (3.2)) où les gains (V) et les coûts (C) sont identifiés ainsi que la probabilité qu’un vendeur soit de type Élevé et de type Bas sur le marché.
( )( ) ( )( )
(3.2)
Tableau 4– Matrice des issues possibles selon la réponse de l’acheteur
Réponses de l’acheteur
Élevé Bas
Type du vendeur
Élevé
28
Par exemple, supposons que l’acheteur est récompensé par 2 $ s’il identifie correctement le bon vendeur (VHR) et de 1 $ s’il s’agit d’un vendeur de type bas lorsqu’il est effectivement de type
Bas (VCR). Supposons également que l’acheteur est puni de 0.50 $ lorsqu’il se trompe. Dans cet
exemple, l’acheteur a intérêt d’affirmer que le vendeur est type de Élevé (
( ) ( ) ) et sanctionner en conséquence. Cela revient en quelque sorte à comparer l’espérance d’utilité des deux réponses possibles (voir Annexe A pour une démonstration). Lors du prochain chapitre, ce paramètre sera explicité lors du programme de maximisation.
Le prochain chapitre permet d’adapter ces différents concepts énoncés ci-haut au contexte du commerce en ligne. Qui plus est, il va permettre également de modéliser le processus de rétroaction de l’acheteur.
