RÉCLAMATIONSETINERTIERÉACTIONNELLEDESCLIENTSPROFESSIONNELS
Herbert Castéran*
Ecole de Management de Strasbourg, laboratoire Humanis herbert.casteran@em-strasbourg.eu
* EM Strasbourg, 61, av de la Forêt Noire, 67 085 Strasbourg Cedex. Tél : 03 68 85 80 00 Résumé : L’impact des réclamations des clients professionnels sur leur niveau de
consommation reste très partiellement étudié. Cette étude se base sur un échantillon de 491 clients professionnels d’un livreur de colis express sur une durée 30 mois (un total de 27 146 réclamations pour plus de 3 millions de colis expédiés). En utilisant une approche par vecteurs autorégressifs (VAR) qui permet la prise en compte des interactions dans le temps
expéditions/ réclamations, ce travail met en évidence une dynamique comportementale spécifique. Après une baisse le mois suivant, la consommation semble revenir à la normale mais baisse fortement 6 mois après l’incident. Cette période d’inertie réactionnelle apparente masque manifestement la recherche de solutions alternatives. Cette dynamique
comportementale invite à chercher de nouvelles pistes de modélisation des comportements de consommation basées sur des données comportementales.
Mots clefs : réclamation ; expédition de colis ; client B-to-B ; modèle VAR COMPLAINTSANDREACTIVEINERTIAOF B-TO-B CUSTOMERS
Abstract: The impact of B-to-B customer complaints on their consumption level remains partially explored. This study is based on a sample of 491 B-toB customers of an express parcel delivery over a period 30 months (a total of 27,146 claims for over 3 million packages shipped). Using a vector autoregression model (VAR) for taking into account time-based interactions shipment / complaints, this work highlights specific behavioral dynamics. After declining in the following month, consumption seems back to normal but strongly decrease 6 months after the incident. This period of apparent reaction inertia hides obviously a quest of alternative solutions. This behavioral dynamic needs to search new modeling approaches of consumer behavior based on behavioral data.
Keywords : complaints ; parcel delivery; B-to-B customer, VAR modelling
RÉCLAMATIONSETINERTIERÉACTIONNELLEDESCLIENTSPROFESSIONNELS
Introduction
Le site http://www.customerchampions.co.uk1 affirme qu’un traitement jugé insatisfaisant d’une réclamation amène un boycott de l’entreprise « fautive » en moyenne de 10 ans par un client masculin et de 20 ans par une cliente. Si l’on peut s’interroger sur le fondement de telles affirmations, elles sont une illustration de l’intérêt porté à la réclamation et à ses conséquences. L’impact du comportement de réclamation du client particulier fait en effet l’objet d’un fort intérêt managérial et de nombreuses recherches (cf. par exemple Crié, 2001). Par contre, la réclamation du client professionnel et ses implications reste curieusement assez peu traitée et systématiquement dans un cadre déclaratif ou non dynamique (Henneberg et al., 2015).
Il existe pourtant un consensus pour considérer qu’une réclamation représente une opportunité si elle est bien gérée par l’entreprise mais ces considérations concernent essentiellement des éléments de satisfaction (Sabadie, Prim-Allaz et Llosa, 2006 ; Blodgett, Granbois et Walters, 1994). Même imparfaitement mesuré, l’impact est a priori d’autant plus important dans le secteur en fort développement des services (De Matos, Henrique et Rossi, 2007). Il y a donc un intérêt évident, dans un cadre d’une prestation de services, de se pencher sur l’impact des réclamations du client professionnel sur sa consommation en observant d’éventuelles variations dans le temps.
Ce travail vise à investiguer cette thématique. Il s’intéresse ainsi à l’impact des réclamations sur la dynamique de consommation d’une clientèle professionnelle. Cette dynamique de consommation est observée dans le cadre d’une prestation de service. Elle met en lumière trois phases réactionnelles : une baisse immédiate de l’activité suite à l’incident, un retour à la normale, trompeur puisqu’il laisse place à une baisse de l’activité au bout de 12 à 14 mois. La présence d’une réclamation porte donc en germe une détérioration à long terme de la relation client.
Cadre conceptuel
Le comportement de réclamation. A la suite de Crié (2001), nous définissons le comportement de réclamation comme une réponse du client portée à la connaissance de l’entreprise suite à une insatisfaction associée à un produit ou service. Cette réclamation peut se doubler ou pas d’une traduction comportementale en termes de consommation.
Cette traduction comportementale dépend de plusieurs facteurs. Dans une des rares études sur données comportementales, Knox et Van Oest (2014) montrent dans le cas de clients individuels que la probabilité d’attrition s’accroît de manière significative après une réclamation. Toutefois, cet effet est nuancé par la fréquence d’achat du client. De même, une réclamation associée à un prix ou la rapidité de réaction de l’entreprise génèrent une meilleure rétention du client. Par contre, une réclamation associée à un défaut de service accroît le risque de défection du client (Kumar, Bhagwat et Zhang, 2015).
Le défaut de service et la réclamation qui lui est éventuellement étaient traditionnellement réputés pour avoir une portée limitée dans le temps. Cependant, des
1 http://www.customerchampions.co.uk/cost-of-customer-complaints/, dernière consultation le 07/12/2015
travaux récents montrent au contraire la permanence des ressentis (Gijsenberg, Van Heerde et Verhoef, 2015).
La réclamation chez le client professionnel. D’autre part, Haverila et Naumann (2010) établissent une non-linéarité des effets de la réclamation sur la satisfaction en fonction des niveaux de satisfaction. Si l’impact des réclamations est globalement négatif, il est très réduit pour des clients avec une satisfaction faible à l’origine. Le bouche-à-oreille auprès de tiers joue également un rôle essentiel générant potentiellement des phénomènes boules de neige sur les consommations de plusieurs clients y compris non directement concernés (Ferguson et Johnston, 2011).
Méthodologie et données
Les données sont issues d’une enquête ad hoc conduite auprès d’un échantillon aléatoire de clients professionnels d’un livreur de colis express agissant sur le territoire national. Les informations relatives à l’activité (issues du système de gestion de la relation client) et aux réclamations de 600 entreprises ont été collectées sur 30 mois. Après une phase d’épuration pour supprimer les observations manquantes, un échantillon représentatif de 491 entreprises a été retenu par analyse. Le tableau 1 présente les principaux détails de l’activité.
Tableau 1 Activité et réclamations mensuelles
Données mensuelles Moyenne Ecart-type
Colis expédiés 214,6 2 827,8
Réclamations 1,8 30,6
La forte hétérogénéité reflétée par les écart-types se retrouve également dans le temps avec une croissance des réclamations sur les 12 derniers mois d’observation.
Analyser l’impact des réclamations sur l’activité est délicat méthodologiquement parlant dans la mesure où les deux mesures sont corrélées positivement (r=0,849).
Logiquement, un nombre d’expéditions élevés induit un risque plus élevé de réclamations.
Une approche méthodologique classique (régression linéaire par exemple) conduirait à associer à une réclamation un impact automatiquement positif sur le niveau d’activité. Nous avons donc décidé d’adopter une approche par vecteur autorégressif (modèle VAR). Toutes les variables du modèle sont considérées comme endogènes : elles sont à la fois variables dépendantes et variables explicatives autorégressées.
Dans l’équation, t désigne le nombre de mois et p le nombre de décalages. Le nombre optimal de décalages est déterminé d’après le critère d’information bayesien (Lütkepohl, 2005). Plusieurs groupes de coefficients apparaissent :
les constantes : c0, Reclam pour les réclamations, c0, Exped pour les expéditions,
3
les coefficients de l’impact des réclamations du mois (t-i) : i11 sur les réclamations du mois t, i21 sur les expéditions du mois t,
les coefficients de l’impact des expéditions du mois (t-i) : i12 sur les réclamations du mois t, i22 sur les expéditions du mois t,
les bruits blancs μ.
Les paramètres sont estimés à travers le package vars du logiciel R. Les résultats pouvant difficilement être estimés sur la base des seuls paramètres compte-tenu des interactions, une fonction de réponse est calculée. Les intervalles de confiance correspondant sont estimés par le biais d’une procédure bootstrap.
Résultats et discussion
Le nombre optimal de décalages s’établit à 8.
La figure 1 permet de suivre la fonction de réponse sous l’effet d’un accroissement des réclamations durant 15 mois. Cette durée a été définie en raison de l’incertitude croissante avec le temps qui se traduit par des intervalles de confiance toujours plus étendus. La courbe noire décrit la fonction de réponse des expéditions là où les courbes pointillées montrent les bornes inférieures et supérieures de cette fonction.
Figure 1 Fonction de réponse des expéditions
Trois phases se dégagent à l’examen des coefficients de la fonction de réponse. Le premier mois, l’effet est significativement négatif. Il y a clairement diminution du nombre de colis confiés. La situation se caractérise, dans un second temps, par un retour progressif à la normale avec même, sur les mois 5 et 6, un effet positif. Ce résultat est surprenant en première analyse. Il semble devoir tenir à une évolution structurelle de l’activité et donc des expéditions. Mais cette phase est en réalité trompeuse et laisse place à une diminution sensible de l’activité client avec, en dépit de l’étendue toujours plus importante des intervalles de confiance, une baisse significative de l’activité au 14ème mois.
L’accroissement ou à tout le moins le retour à la normale de l’activité après ce qui pourrait être considéré comme un accès de « mauvaise humeur » est donc trompeur. Elle pourrait refléter le temps nécessaire pour trouver un nouveau prestataire. Ce temps de latence peut cependant avoir une vertu positive. La promptitude de la réaction permettrait de limiter une possible attrition tout comme dans le cas du client particulier (Kumar, Bhagwat et Zhang, 2015).
Conclusion
Au niveau conceptuel, la réaction aux incidents de service s’inscrit manifestement dans le temps long. La réclamation ne s’opère pas seulement en fonction d’une auto-sélection du consommateur, les plus déçus n’effectuant pas de réclamation. Dans le cadre d’une relation B- to-B, la réclamation correspond sans doute à une volonté de dédommagement qui ne correspond pas à une totale « réparation » de la relation. Le comportement de réclamation apparaît, dans le cadre B-to-B, bien comme un processus (Crié, 2001) qui ne peut s’appréhender que dans une perspective dynamique.
Les contributions managériales résident dans une meilleure lecture de la réclamation de la part d’un client professionnel pour les entreprises prestataires. Si la réclamation est une marque de l’entreprise cliente de ne pas vouloir que la relation s’interrompe dans l’immédiat, elle est aussi le signe avant-coureur d’une probable défection. La durée durant laquelle l’entreprise prestataire peut tenter de restaurer la qualité de la relation est d’environ 6 mois.
Au-delà, même en l’absence de signes tangibles précurseurs, le client risque d’avoir trouvé des prestataires alternatifs. Cette inertie comportementale peut être vue comme une vraie opportunité dans le cadre d’une relation B-to-B par rapport à la relation avec une clientèle particulière comme la soulignent Hart, Heskett et Sasser Jr (1989). Il convient, pour la saisir, de ne pas prendre en compte les seules données de consommation comme mesure de la qualité de la relation.
En termes méthodologiques, les modèles VAR confirment leur intérêt majeur dans le cadre de la modélisation de données comportementales avec des relations de causalité croisées (Gijsenberg, Van Heerde et Verhoef, 2015). La fréquence de ces données dans le cadre de la recherche marketing en dont une technique précieuse.
Les données comportementales, censément refléter la réalité du ressenti client, peuvent être trompeuses. Elles ne reflètent ici qu’un mouvement acquis durant lequel le client professionnel est en réalité à la recherche de nouveaux prestataires. Le délai observé (6 mois environ) correspond non à une phase d’inertie mais de recherche de solutions alternatives.
L’étude des données de consommation afin d’appréhender par exemple la fidélité ou la valeur client doit tenir compte de cette latence du client. Si on peut concevoir que la réaction soit quasi instantanée pour des clients particuliers et des produits peu impliquants (ce que reflète par excellence le modèle BG/ NBD de Fader, Hardie et Lee, 2005), elle est manifestement plus longue pour des clients professionnels. Les formalisations des modèles de la valeur client devraient donc tenir compte de cette inertie réactionnelle afin de ne pas être « leurrés » par une phase d’ajustement des comportements.
Les voies de recherche sont multiples. La taille de l’échantillon, même si elle est respectable, pourrait être facilement accrue considérant que le nombre d’entreprises en compte est très important. Cette analyse est en outre à la fois limitée dans le temps et à un cas d’entreprise. Elle demanderait à être répliquée dans d’autres secteurs afin de conforter la validité externe de cette étude. D’autre part, la qualité perçue du traitement de la réclamation
5
n’est pas prise en compte. Son intégration dans la réflexion permettrait d’affiner la compréhension de l’impact des réclamations suivant la perception de leur prise en compte.
Références
Blodgett, J. G., Granbois, D. H. et Walters, R. G. (1994), The effects of perceived justice on complainants’ negative word-of-mouth behavior and repatronage intentions, Journal of Retailing, 69(4), 399–428.
Crié, D. (2001), Un cadre conceptuel d’analyse du comportement de réclamation, Recherche et applications en Marketing, 16(1), 45–63.
De Matos, C. A., Henrique, J. L. et Rossi, C. A. V. (2007), Service recovery paradox: a meta-analysis, Journal of service research, 10(1), 60–77.
Fader, P. S., Hardie, B. G. et Lee, K. L. (2005), « Counting your customers » the easy way: An alternative to the Pareto/NBD model, Marketing science, 24(2), 275–284.
Ferguson, J. L. et Johnston, W. J. (2011), Customer response to dissatisfaction: A synthesis of literature and conceptual framework, Industrial Marketing Management, 40(1), 118–127.
Gijsenberg, M. J., Van Heerde, H. J. et Verhoef, P. C. (2015), Losses Loom Longer Than Gains: Modeling the Impact of Service Crises on Perceived Service Quality over Time, Journal of Marketing Research (JMR), 52(5), 642-656.
Hart, C. W., Heskett, J. L. et Sasser Jr, W. E. (1989), The profitable art of service recovery, Harvard business review, 68(4), 148–156.
Haverila, M. et Naumann, E. (2010), Customer complaint behavior and satisfaction in a B2B context: a longitudinal analysis, Journal of Services Research, 10(2), 45.
Henneberg, S. C., Gruber, T., Reppel, A., Naudé, P., Ashnai, B., Huber, F. et Chowdhury, I. N. (2015), A Cross-Cultural Comparison of Business Complaint Management Expectations, Journal of Marketing Theory et Practice, 23(3), 254-271.
Knox, G. et Van Oest, R. (2014), Customer complaints and recovery effectiveness: A customer base approach, Journal of Marketing, 78(5), 42–57.
Kumar, V., Bhagwat, Y. et Zhang, X. (2015), Regaining « Lost » Customers: The Predictive Power of First Lifetime Behavior, the Reason for Defection, and the Nature of the Winback Offer, Journal of Marketing, 79 Issue 4, p34-55.
Lütkepohl, H. (2005), New introduction to multiple time series analysis, Springer Science et Business Media.
R Core Team (2015), R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria.
Sabadie, W., Prim-Allaz, I. et Llosa, S. (2006), Contribution des éléments de gestion des réclamations à la satisfaction: les apports de la théorie de la justice, Recherche et applications en marketing, 21(3), 47–64.
