Embed Size (px)
Citation preview
ECCD pour la GRC : déterminants et impact sur la performance CRM
Latifa TRABELSI, Technologue à ISET Bizerte, LRM.
Tel :22586167
Fathi Akrout, Professeur à FSEG Sfax, Université de Sfax, LRM.
1
Résumé
La présente recherche a été articulée dans l’objectif d’identifier les déterminants de « l’ECCD pour la GRC » (une adaptation de l’ECD aux données-clients) et d’étudier son impact sur la performance CRM. Une enquête auprès de 172 entreprises tunisiennes disposant de bases de données-clients a été menée. Les résultats dégagés suite à une modélisation par les méthodes des équations structurelles font ressortir les « compétences analytiques » comme déterminant de « l’ECCD pour la GRC » mais n’appuient pas la pertinence de l’effet direct de « l’ECCD pour la GRC » sur la « performance CRM » Mots clés : Extraction de la Connaissance Client à partir des Données pour la gestion de la relation client (ECCD pour la GRC), technologies analytiques, compétences analytiques, qualité perçue des données-clients et performance de la relation client.
AbstractThe purpose of this research is to identify the enablers of the CKDD for CRM (an adaptation of KDD to customer data) and to examine its impact on CRM performance. A survey of 172 Tunisian companies owning customer databases was carried out. The results highlight « analytical skills » as an enabler of « CKDD for CRM » but do not support the relevance of the direct effect of the « CKDD for CRM » on « CRM Performance ».Key words : Customer Knowledge Discovery from Data for Customer Relationship Management (CKDD for CRM), analytical skills, analytical technologies, perceived quality of customer data, CRM performance.
2
ECCD pour la GRC : déterminants et impact sur la performance CRM
1. Introduction
Malgré la reconnaissance de l’intérêt de l’application du data mining aux données-clients
(Peelen et al., 2009 ; Ngai et Xu , 2009 ; Rimar et al., 2011 et Mirzai et Iyer, 2014) et
l’adaptation du concept de l’ECD (Extraction de la connaissance à partir des données) aux
données-clients (Trabelsi 2016), les déterminants de ce type de démarche et son impact sur les
résultats marketing de l’entreprises, notamment la performance CRM, n’a pas été abordé dans
la littérature. Nous proposons dans le cadre de cette recherche de répondre à la question :
Quels sont les déterminants de l’extraction de la connaissance (à propos du) client et dans
quelle mesure l’extraction de cette connaissance permet-elle d’améliorer la performance de la
gestion de la relation client ?
2. Extraction de la connaissance client à partir des données pour la gestion de la
relation client : « ECCD pour la GRC »
Le concept de « l’ECCD pour la GRC » a été introduit par Trabelsi (2016, p. 42) comme
l’adaptation du concept de l’extraction de la connaissance à partir des données aux données-
clients. Ce concept a été défini comme : « Le processus d’extraction (découverte ou
révélation) de connaissances explicites et formelles à propos du client, enfouies dans
d’énormes quantités de données structurées et ce pour la gestion de la relation client. Les
données-clients structurées sont simplement des faits à propos des clients structurés au niveau
des bases de données. Les connaissances à propos des clients, résultant d’un processus
analytique de traitement des données (data mining), proposent une compréhension d’une
vérité sur les comportements et les besoins de ces clients.
En d’autres termes, « l’ECCD pour la GRC » est le processus non trivial, d’identification de
traits structuraux ou modèles (patterns) valides, nouveaux, utilisables, et compréhensibles
dans les données-clients dans l’objectif de l’identification et de l’évaluation des clients, de
l’acquisition de nouveaux clients, de la ré-acquisition des clients perdus, de la rétention et du
développement de la relation avec les clients et de la terminaison de la relation avec les clients
non rentables.
Sept dimensions du concept ont été proposées par l’auteure et définies selon les objectifs
CRM à savoir : La dimension ECCD pour l’identification des clients, la dimension ECCD
pour l’évaluation des clients, la dimension ECCD pour l’acquisition de nouveaux clients, la
3
dimension ECCD la ré-acquisition, la dimension ECCD pour la rétention des clients, la
dimension ECCD pour le développement et la dimension ECCD pour la terminaison.
La définition du concept proposé a permis à l’auteure :
- de le positionner dans une approche representationniste1 de la connaissance
organisationnelle (Lorino, 2001, p. 34, cité dans Grimand, 2006, p. 144, Banasiewicz,
2013),
- de l’assimiler à une forme particulière de la création de la connaissance client dans la
littérature CKM, à savoir la création de la connaissance explicite à propos du client,
- de l’assimiler à une forme particulière de l’usage de l’information client (dans la
littérature en intelligence marketing) à savoir l’usage conceptuel de l’information
formelle sur le client (Moorman, 1995 et Rollins et al., 2012)
- et de l’assimiler au CRM analytique (dans son approche restreinte) (Figure 1).
Figure 1: « ECCD pour la GRC » au centre d'un croisement conceptuel
Source (adaptée) de Trabelsi, Latifa (2016). Extraction de la connaissance client à partir des
données : Déterminants et impact sur la performance CRM. (Thèse de doctorat), Université
de Sfax, p.58
Le positionnement du concept et les convergences admises entre l’ECCD pour la GRC,
l’usage conceptuel de l’information client et la création de la connaissance explicite à propos
du client ont orienté notre revue de la littérature vers les processus du CKM (dont notamment
l’étape particulière de la création de la connaissance client) ainsi que le processus de
1 L’approche représentationniste de la création de la connaissance organisationnelle traite d’une connaissance explicite, codifiée, formelle, qui émerge principalement du système d’information et des bases de données : une connaissance empirique.
4
l’intelligence marketing (dont notamment la phase particulière de l’usage de l’information
client). Cette revue de la littérature a fait ressortir la performance CRM comme l’une des
conséquences les plus problématiques de l’ECCD pour la GRC et a orienté notre investigation
vers trois déterminants de l’ECCD pour la GRC à savoir la technologie du CRM analytique,
les compétences analytiques et la qualité perçue des données client (voir Annexe 1 et Annexe
2)
3. ECCD pour la GRC et impact sur la performance CRM
Quel que soit le terme utilisé, « CRM performance » (Wang et al., 2004 et Wahab et Al
Momani, 2010), « Customer Relationship Performance » (Jayachandran 2005, Chuang 2013,
Moorman et Rust 1999), « Customer Metrics of performance » (selon les termes de Gubta et
al., 2006), « Customer Outcomes » (Yim et al., 2004), « Customer performance » (Peltier et
al., 2013 et Saini et al., 2010), « Performance du cycle de vie du client » (Coovi. 2010), des
définitions explicites de ce type de performance s’avèrent rares dans la littérature marketing.
Dans le cadre de ce travail, nous avons adopté la définition de la performance CRM proposée
par Trabelsi (2016), une définition dans laquelle l’auteure s’est référé à la définition de
Bourguignion (2000) de la performance, à la théorie des partie prenantes (Freeman 1984), et
aux phases du processus CRM (Trabelsi 2016). « La performance CRM est la partie de la
performance (globale de l’entreprise) qui est orientée vers la partie prenante « client », c’est la
réalisation des objectifs liés au processus CRM à savoir les objectifs d’acquisition, de ré-
acquisition, de rétention, de développement, et de terminaison de la relation client » (Trabelsi,
2016, p. 64).
D’une manière générale, l’impact de l’information (en tant que ressource) et du processus lié
à sa transformation en connaissance, sur la performance de l’entreprise a été reconnu par la
théorie basée sur les ressources (Ressource Based View RBV) (Wernerfelt 1984, Barney 1991,
Collis 1991, Conner 1991, Grant 1991, Peteraf 1993, Coyne 1991) et la théorie basée sur la
connaissance (knowledge based view) (Aribou 2009, Zack, 1999, Zack et al. 2009). Un
postulat émergeant d’une littérature dédiée au management de la connaissance (KM) (même
si cette littérature reste majoritairement descriptive selon Zack et al. 2009, p.393), encourage à
l’identification et au partage des connaissances pour l’amélioration de la performance des
entreprises (Zack et al.2009). Cependant, des évidences empiriques appuyant l’impact du KM
sur la performance des entreprises (voir par exemple McCann et Buckner, 2004, Tanriverdi et
al. ,2005) restent très rares. Plus particulièrement, l’étape de la création de la connaissance a
été très rarement abordée de manière explicite (voir par exemple Anand et al. (2010) et Lee et
5
Choi, 2003) et le plus souvent en référence à une approche anti-representationniste2 de la
connaissance organisationnelle.
Dans une littérature plus spécialisée, celle du management de la connaissance client (CKM),
le processus de management de la connaissance client a été également le plus souvent abordé
dans sa globalité. Cette littérature, contrairement à la littérature KM, a été enrichie par
plusieurs travaux de recherche empiriques (Bouzidi et Gharbi, 2007, Jayachandran 2004, Li et
Calantonel.1998, Lin et al., 2006, Hong Kit et al.2004, Li et al., 1998 ; Belkahla 2012 ; Sun
2010). Cependant, l’étape particulière de la création de la connaissance client a été très
rarement étudiée de manière spécifique (voir par exemple Belbaly et al. 2007), et quand elle
l’a été, elle a été abordée selon une approche anti-représentationniste de la connaissance
organisationnelle inspirée du modèle SECI (Socialisation, Externalization, Combinaison,
Internalization) de Nonaka (1994).
La littérature en intelligence marketing appuie également l’intérêt du processus de
management de l’information marketing pour l’amélioration des résultats de l’entreprise, des
résultats exprimés en termes de performance de l’entreprise (Vorhies et Morgan 2005,
Morgan et al. 2009), en termes de développement de nouveau produit (Moorman 1995,
Morgan et al.2009, Veldhuizen 2006), en termes d’avantage lié au produit (Veldhuizen 2006),
en termes d’innovation (Morgan et al.2009) et en termes de performance CRM (Jayachandran
et al.2005).
Dans Jayachandran et al. (2005), les auteurs, grâce à une recherche réalisée auprès de 172
entreprises, ont testé et validé l’impact positif d’un processus de management de
l’information client (qu’ils ont choisi de nommer « relational information process »), dont
l’étape de l’utilisation de l’information client, sur la performance CRM.
Saini et al. (2010) ont traité de manière plus précise l’étape particulière de l’usage de
l’information client et son impact sur la performance CRM. Une recherche réalisée auprès de
220 unités stratégiques (ayant adopté la technologie CRM) a permis aux auteurs de valider
l’impact positif de l’usage « stratégique » de l’information client sur la performance CRM.
De manière encore plus précise, Rollins et al. (2012b) ont traité de manière distincte les
dimensions instrumentale et conceptuelle de l’usage de l’information client dans leur impact
sur la performance CRM. A l’issue d’une enquête réalisée auprès de 114 entreprises, les
auteurs ont testé et validé l’impact de « l’usage instrumental de l’information client » sur la 2 L’approche anti-representationniste de la création de la connaissance insiste plus sur le caractère tacite et socialement construit de la connaissance sous l’influence notamment du modèle de Nonaka I. (1994) et se préoccupe davantage de la création de la connaissance humaine subjective à travers des modèles qui ne sont généralement pas orientés vers les technologies (de l’information et de la communication) (Wang et Wang, 2008, p. 623)
6
performance CRM. Cependant, l’impact de « l’usage conceptuel de l’information client » sur
la performance de l’entreprise n’a pas été confirmée.
Ainsi et en référence aux travaux cités, nous avançons la première proposition de recherche3 :
P1+ : « l’ECCD pour la GRC » a un impact positif sur la performance CRM.
4. Les déterminants de l’ECCD pour la GRC
La convergence admise entre le concept de l’ECCD pour la GRC, l’usage conceptuel de
l’information et la création de la connaissance explicite à propos du client a orienté notre
revue de la littérature (voir Annexe 1 et Annexe 2) et nous a permis d’identifier trois
déterminants de l’ECCD pour la GRC : la technologie du CRM analytique, les compétences
analytiques et la qualité perçue des données-clients.
4.1. Technologie du CRM analytique : impact sur l’ECCD pour la GRC et sur la
performance CRM
Contrairement au CRM opérationnel et collaboratif, le CRM analytique semble bénéficier
d’une vision plus unifiée de la part des praticiens et académiciens. Dans une approche
restreinte, l’objectif du CRM analytique se limite exclusivement à l’exploitation des données-
clients dans le but de créer une connaissance à partir de l’exploitation des données structurées.
Dans une approche plus étendue, le CRM analytique englobe les opérations liées à
l’exploitation des données-clients, mais également les opérations liées à la structuration des
données-clients dans des bases de données (en amont) et la diffusion de la connaissance
produite également (en aval). Par conséquent, les technologies généralement associées au
CRM analytique sont les technologies de structuration des données (les bases de données,
datamarts et data warehouses) et les technologies d’exploitation des données (data mining)
(Buttle et Iriana 2006, Greenberg 2004 cité dans Mosadegh et Behboudi, 2011).
D’une manière générale, la contribution des TIC à la performance de l’entreprise a été
défendue dans la recherche en système d’information à travers ses deux approches
méthodologiques à savoir le modèle causal et le modèle processuel (Jomaa, 2006 ; Dudezert
et Lancini, 2006).
La littérature CRM a été également marquée par un intérêt accordé aux technologies CRM et
à leurs contributions à la performance de l’entreprise (Reinartz et al., 2004, Ang et Buttle
2006, Keramati et al., 2010, Coltman et al., 2011), et à la performance CRM (Coovi 2010,
Becker et al.2009, Hong Kit Yim et al., 2004).
3 Ici, le choix du terme « proposition » et non « hypothèse » de recherche est justifié par le fait que les soubassements théoriques et empiriques utilisés pour asseoir la relation étudiée sont dans la majorité des cas soit généralistes (puisqu’ils traitent des processus KM et CKM dans leurs globalités) soit imprécis (dans l’absence de distinction entre « usage instrumental » et « usage conceptuel » de l’information client).
7
Cet intérêt s’est traduit d’abord par l’introduction de variables liées à l’infrastructure
technologiques du CRM dans sa globalité (telles que « Technological implementation » dans
Becker et al., (2009) et « Incorporating CRM based technology » dans Yim et al., (2004),
puis des variables qui distinguent les trois catégories identifiées pour la technologie CRM
(telle que « CRM technology » dans Keramati, 2010 et « logiciels CRM » dans Coovi, 2010)
et enfin, les variables traduisant l’adéquation entre l’infrastructure technologique et les
compétences humaines ( telle que « buy in », « expertise » « employee IT skills » dans Saini et
al. 2008 et Saini et al., 2010, « employee support » dans Becker et al., 2009 et « CRM human
infrastructure» dans Keramati et al., 2010).
Ainsi, en nous appuyant sur les travaux ici cités, nous avançons l’hypothèse de recherche
suivante :
H1+ : La technologie du CRM analytique a un impact positif sur la performance CRM
Dans la littérature sur « l’usage de l’information client », très peu de recherches abordant le
volet technologique du CRM ont été recensées (Rollins 2012b, p. 986).
Cependant, dans la littérature KM et CKM, les technologies de l’information et de la
communication sont souvent identifiées comme les antécédents du processus complet du KM
(Bouzidi et Gharbi, 2007).
Pour l’étape particulière de la création de la connaissance, très peu de travaux de recherche
empiriques abordant l’impact de la technologie CRM ont été identifiés. Nous citons ici la
recherche de Lee et Choi (2003) qui aborde l’étape de création de la connaissance en se
basant sur le modèle SCEI de Nonaka (1994). Le concept de la création de la connaissance a
été abordé par les auteurs comme variable multidimensionnelle, inspirée du modèle SECI,
l’effet de la variable « support of IT » a été rejeté pour toutes les dimensions de la création de
la connaissance sauf la dimension combinaison, une dimension qui reconnaît la possibilité de
créer de la connaissance empirique et qui se rapproche le plus du concept de « l’ECCD pour
la GRC ».
Ainsi, nous formulons notre deuxième proposition de recherche4 :
P2+ : La technologie CRM analytique a un impact positif sur « l’ECCD pour la GRC ».
4 Ici aussi, le choix du terme « proposition » et non « hypothèse » de recherche est justifié par le fait que les travaux de recherche ici cité, qui restent limités dans le nombre, sont généralistes car traitant de tout le processus CKM dans sa globalité et non de l’étape particulière de la création de la connaissance client.
8
4.2. « La qualité perçue des données-clients » : impact sur « l’ECCD pour la GRC »
et sur « la performance CRM ».
Dans la littérature CRM et dans la littérature sur l’usage de l’information client, la qualité de
l’information-client ou des données-clients (selon les auteurs)5 a été mise en exergue (Annexe
2). Même si dans certains travaux de recherche, les auteurs ont mis l’accent sur le type de
données-clients (notamment selon le contenu) disponibles dans le système d’information
(Rollins et al., 2012b, Jayachandran et al., 2005), pour beaucoup d’autres, disposer de telle ou
telle catégorie de données-clients dans un système d’information n’est pas la garantie d’une
exploitation efficace de ces données et encore moins d’une performance supérieure de la
gestion de la relation client. C’est de la qualité des données-clients que va dépendre la
connaissance produite (Chuang 2013, p. 273). C’est ainsi que la notion de « qualité perçue des
données » a été abordée dans les travaux de recherche.
Traditionnellement, la qualité des données-clients est associée à un ensemble de critères
d’évaluation. Il s’agit de l’exactitude ou la précision (accuracy, reliability), qui rejoint le
critère de l’utilité (usefulness) (selon les termes de Chuang 2013, p.273), la ponctualité
(O'Reilly 1982, p. 757, Chuang 2013), la clarté (clarity) qui renvoie à la qualité de
présentation, et la compréhensibilité et la capacité à produire un sens (Maltz et kohli, 1996 ;
Korohonen 2007). L’état complet (completeness) et la cohérence (consistency) sont les
critères les moins abordés dans la littérature qui ont été évoqués par Ballou et al. (1997) et
Wang et Strong (1996). Ceci étant, la « qualité des données » n’est pas une dimension
objective. La perception de cette qualité peut varier d’une personne à une autre, d’un décideur
à un autre, en fonction des attentes et des objectifs (O’Reilliy 1982, p. 757), il s’agit plutôt de
« la qualité perçue des données ».
Si dans la littérature traitant de « la connaissance client », peu de recherches appuient l’impact
de la qualité des données client sur la création de la connaissance client, la littérature
orientée « usage de l’information » (Annexe 2) fait ressortir « la qualité perçue des données-
clients » comme l’un des antécédents redoutables de l’usage de l’information client (O'Reilly
(1982, p. 757), Low et Mohr (2001), Korohonen et al. (2007), Maltz et al. (2001).
Ainsi, et en nous appuyant sur les résultats des travaux cités, nous formulons la proposition6 :
5 Certes l’interchangeabilité entre les termes données-clients et informations clients dans la littérature marketing n’a pas facilité l’unification des approches qui les abordent, mais pour surmonter cette interchangeabilité, nous avons considéré dans cette recherche que les données-clients dont il question en « ECCD pour la GRC » sont simplement des faits à propos des clients qui sont structurés dans les bases de données (Banasiewsciz 2013).6 Ici aussi, le choix du terme « proposition » et non « hypothèse » de recherche est justifié par le fait que les travaux de recherche ici cité, qui restent limités dans le nombre, ne font aucune distinction entre l’usage instrumental et l’usage conceptuel de l’information client.
9
P3+ : La qualité des données-clients a un impact positif sur « l’ECCD pour la GRC ».
Par ailleurs, l’impact de l’information (en tant que ressource) et du processus lié à sa
transformation en connaissance sur la performance de l’entreprise a été reconnu par la théorie
basée sur les ressources (Ressource Based View RBV) (Wernerfelt, 1984), Barney, 1991,
Collis 1991, Conner 1991, Grant 1991, Peteraf 1993).
Inspirés par cette approche, un bon nombre de recherches empiriques ont testé l’impact direct
de la qualité des données-clients sur la performance de l’entreprise (Zahay et al., 2004, Zahay
et al., 2008, Zahay et al., 2012) et sur la performance CRM (Zahay et Griffin 2002,
Jayachandran et al., 2005, Peltier et al., 2013, et Chuang et al., 2013).
Nous proposons donc et en références aux travaux ici cités que :
H2+ : la qualité perçue des données-clients à un impact sur la performance CRM
4.3. Impact des « compétences analytiques » sur « l’ECCD pour la GRC »
Le concept de « compétence » (skill) est un concept qui s’est beaucoup développé dans la
littérature en gestion des ressources humaines (GRH) et a été mobilisée dans la littérature KM
et CKM, à travers des variables qui renvoient principalement aux compétences de
communication, à l’acceptation et à l’adoption des technologies de l’information et de la
communication par les employés dans une entreprise (Lee et Choi, 2003, Saini et al.2010,
Bouzidi et Gharbi, 2007).
Les compétences analytiques, n’ont pas été suffisamment abordées dans la littérature. Nous
considérons néanmoins, en rejoignant Davenport et al. (2001) et Coltman et al. (2011), qu’il
est inconcevable, dans le cas du management de la relation client, de prétendre que les
technologies de l’information, seules, permettraient de générer une performance supérieure.
Les connaissances, savoir-faire et expériences permettant aux employés de convertir les
données en connaissances sont essentielles et cruciales pour atteindre de meilleurs résultats :
les compétences analytiques.
Nous retenons ainsi, dans le cadre de ce travail, conformément à ce qui a été présenté par
Davenport et al. (2001) et Banasiewciz (2013, p. 52), que les compétences analytiques sont la
somme de toutes les compétences humaines nécessaires pour traduire les données brutes
(structurées) en connaissances présentant un avantage concurrentiel.
L’impact des compétences analytiques sur la création de la connaissance client et sur l’usage
de l’information client n’a pas été abordé explicitement dans la littérature. Cependant, de
manière plus globale, Lee et Choi. (2003) traitent de l’impact des compétences humaines
(people skills ) sur le processus de création de la connaissance. Davenport et al. (2001), dans
10
une démarche plutôt descriptive, ont souligné l’impact des compétences analytiques (entre
autres) dans le processus de transformation des données en connaissances. Coltman et al.
(2011, p.214), inspirés par l’apport de la recherche de Davenport et al. (2001), ont testé et
validé l’impact des compétences analytiques des employés sur la compétence CRM de
l’entreprise (CRM capability).
Nous avançons notre proposition de recherche7 P4+ :
P4+ : Les compétences analytiques du personnel ont un impact positif sur « l’ECCD pour
la GRC ».
Toutes les hypothèses et propositions de la recherche sont schématisées dans la Figure 2.
Figure 2: Modèle conceptuel de la recherche
5. Méthodologie
5.1. Echelles-de-mesure
L’échelle de mesure de « l’ECCD pour la GRC » a fait l’objet d’un développement selon la
démarche préconisée par Churchil (1979) et Mckenzie et al. (2011) dans Trabelsi (2016),
passant par les étapes de définition conceptuelle, génération des items, analyse de contenu,
spécification formelle, analyse factorielle exploratoire (AFE) et confirmatoire (AFC). Seules
les étapes des AFE et AFC seront exposées dans le cadre de cette recherche. Ces analyses ont
été réalisées sur un ensemble de 22 items retenus après une phase d’analyse du contenu
(Annexe 3).
Pour les quatre autres variables latentes du modèle conceptuel proposé à savoir « la
performance CRM », « la technologie CRM analytique », « la qualité perçue des données-
7 Ici aussi, le choix du terme « proposition » et non « hypothèse » de recherche est justifié par le fait que les travaux de recherche ici cité restent limités.
11
clients » et « les compétences analytiques », elles ont été mesurées par un ensemble d’échelles
de mesure préétablies ().
Sur la base des travaux de recherche empiriques antérieurs sur la création de la connaissance
client, l’usage de l’information client, la performance CRM et la technologie CRM (Rollins et
al. 2012, Coovi et al., 2010, Rapp et al., 2010, Saini et al., 2010, Becker et al., 2009, Johnson
et al., 2008, Jayachandran et al., 2005) nous avons retenu certaines variables de contrôle liées
aux caractéristiques de l’entreprise et pouvant affecter les différentes variables du modèle
conceptuel. Il s’agit des variables « secteur d’activité », « dynamisme de l’environnement »,
« nature de la relation client », « expérience avec une application/module CRM » et
« hétérogénéité de la base de données-clients ». Certaines de ces variables sont mesurées par
des échelles mono-item et d’autres par des échelles multi- items (Annexe 5).
Outre-les construits liés aux variables explicatives, variables à expliquer et aux variables de
contrôle, nous avons intégré dans le questionnaire un ensemble de questions dont le but est
d’informer sur les caractéristiques des entreprises faisant partie de notre échantillon et sur le
profil des répondants dans ces dites entreprises. Nous avons intégré des questions relatives à
l’effectif des salariés, la forme juridique de l’entreprise, sa localité, son introduction (ou pas)
en bourse, son capital, son ERP (Entreprise Resource Planning), la taille de sa base de
données-clients. Nous avons également intégré des questions relatives au poste occupé par le
répondant, son expérience dans l’entreprise et dans le poste, son ancienneté, son niveau
d’instruction et sa formation.
5.2. Collecte de données
A l’instar de Coovi (2010), Saini et al. (2010) et Johson et al. (2010), nous avons opté pour
une étude multisectorielle auprès de 172 entreprises tunisiennes disposant d’une base de
données client. Restreindre la population aux entreprises adoptant une technologie CRM
réduirait significativement la taille de la population. Le profil du répondant « type » dans
chaque unité d’analyse est le responsable marketing ou un employé ayant un profil similaire.
Ces 172 entreprises ont été sélectionnées selon la méthode de « jugement a priori »
(Giannelloni et Vernette, 2012, p. 284). Les entreprises interrogées principalement dans la
région du grand Tunis (76.2%), sont principalement des sociétés anonymes (50%) et des
sociétés à responsabilité limitée (47.7%). La majorité des entreprises interrogées ont un
effectif salarié supérieur à 200 personnes (31.4%) et ont un capital supérieur à 1 000 000 de
dinars (59.3%) dont 20.5% sont des entreprises introduites en bourse (12.2% de la totalité de
l’échantillon). La grande majorité des entreprises interrogées utilisent un progiciel de gestion
12
intégré (82.6%) et disposent de base de données-clients d’une taille comprise entre 100 et
1000 clients (31.4%).
L’ensemble des caractéristiques de tendance centrale et de dispersion ont été calculé pour
toutes les variables du modèle à l’aide du logiciel SPSS.
Nous avons assimilé les variables du modèle (ordinales) à métriques en vérifiant que le
nombre de points de l’échelle dépasse trois et que les distributions sont normales affichant des
indices de skewness et de kurtosis variant entre -3 et 3 (Akrout 2010, p. 135).
Les valeurs du coefficient de variation (CV) calculé pour les variables observables du modèle
sont dans la majorité des cas supérieures à 0.25 ce qui nous poussé à suspecter un problème
d’homogénéité dans l’échantillon. Pour tester l’homogénéité nous avons procédé à différents
tests statistiques d’association (ANOVA, des tests de différence des moyennes, des
coefficients de Pearson, des coefficients de Spearman) entre les 17 variables de contrôle et les
5 variables du modèle. A chaque fois, c’est la significativité du test qui a permis de trancher
quant à l’existence ou pas d’un lien d’association entre la variable observable et la variable de
contrôle. Nous avons considéré que les variables de contrôle ayant de forts pourcentages de
tests significatifs d’associations (supérieur à 20%) sont des variables susceptibles de trahir la
robustesse des résultats. Il s’agit des variables : l’hétérogénéité de la base de données-clients,
l’expérience avec le CRM, la forme juridique, l’existence ou pas d’un ERP, le secteur
d’activité, le capital, la taille de la BD, l’effectif, le dynamisme du secteur, et la nature de la
relation avec le client. La robustesse des résultats par rapport à ces variables de contrôle sera
ainsi testée dans le paragraphe 6.
Avant de passer à l’étape de l’analyse des résultats, nous avons procédé à un contrôle des
données en termes d’observations manquantes, d’observations indépendantes, de biais de non
réponse, de biais lié à la méthode d’administration du questionnaire, le biais de désirabilité
sociale, et la variance commune attribuée à la méthode. Seul le mode d’administration du
questionnaire (en la présence ou sans la présence de l’enquêteur) semble affecter les résultats.
Cette variable sera donc à intégrer dans le modèle comme variable de contrôle.
6. Analyse psychométriques des échelles de mesure et mise en perspectives des
résultats de la recherche
Pour compléter les étapes d’analyses factorielles exploratoire et confirmatoire prévues dans la
démarche de développement du nouvel instrument de mesure de « l’ECCD pour la GRC »
conformément aux recommandations de Churchill (1979) et McKenzie et al. (2011), de
l’échantillon de 172 entreprises, deux sous échantillons indépendants ont été extraits (111
pour l’AFE et 61 pour l’AFC). L’AFE (Annexe 6) a permis de retenir 12 items répartis sur
13
trois facteurs pour l’ECCD pour la GRC à savoir l’ECCD pour l’identification et l’évaluation
des clients (ECCD IE), l’ECCD pour la communication et la distribution (ECCD CD) et l’EC
à partir des données web (ECCD W). La démarche de Doll et Xia (1991) a permis d’affirmer
que le construit est multidimensionnel de premier ordre.
L’évaluation du modèle de mesure partiel de l’ECCD pour la GRC (sur un échantillon de 61
entreprises) par les MES a appuyé la multidimentionnalité du construit mais n’a permis de
garder que cinq items uniquement (Annexe 7).
Pour toutes les autres échelles utilisées, à savoir l’échelle de mesure de « la technologie
analytique », « qualité des données-clients », « compétences analytiques », et « performance
CRM », les AFE et les AFC ont été réalisée sur échantillon global de 172 observations. Les
AFE réalisées ont appuyé le caractère unidimensionnel des variables utilisées (Annexe 6). Un
modèle de mesure global dont la validité et la stabilité ont été vérifié par les MES (Annexe 7)
nous a permis de passer à l’interprétation du modèle de structure (Annexe 8).
6.1. Tests des hypothèses et des propositions de la recherche
Pour le modèle de structure, d’abord, le coefficient de Mardia a été calculé pour vérifier la
condition de multi-normalité. Ce coefficient affichant une valeur nettement supérieure à trois
(21.299 avec CR égale à 5.461), nous avons procédé au bootstrapp de Bollen et Stine avec un
nombre de réplications 2000 (tel que préconisé par Nevitt et Hancock 2000, p. 266). La valeur
de P de B. S. obtenue est de 0.000. Cette valeur étant inférieure à 5%, des modifications ont
été apportées (Gilson K.M. et al., 2013, p. 2198).
D’abord un lien de covariance de la variable « Technologie analytique » et « Qualité perçue
des données », puis de la variable « Technologie analytique » et « Compétences analytiques »
et enfin de la variable « Compétence analytiques » et « Qualité perçue des données » ont
permis de réduire le P de B.S. de 0.00 à 0.02, à 0.044 et à 0.066 (Annexe 8). Cette valeur étant
supérieure à 5% nous a permis d’accepter l’hypothèse nulle (H0 : S=∑) et retenir le modèle
objet d’estimation. Les estimations ML ont pu par conséquent être utilisées.
Or, et étant donné que les modifications qu’on a apporté au modèle de structure sont à
l’encontre de la condition d’absence de multi-colinéarité dans un modèle causal (Grewal R. et
al., 2004, p. 520), nous avons procédé à une comparaison des résultats des liens structurels
avec et sans ces corrélations. Les résultats nous ont permis d’affirmer que l’introduction des
liens de covariance entre les variables latentes exogènes n’a affecté ni le signe ni la
significativité des liens (à un seuil de significativité de 5%). Ces liens de corrélations seront
donc ainsi maintenus pour la suite de l’analyse.
14
Les valeurs des indices d’ajustement dans le modèle de structure sont toutes proches des
valeurs critiques recommandées avec notamment un GFI = 0.906, AGFI=0.861, TLI=0.953,
CFI=0.964, RMSEA=0.052.
Avant l’interprétation des liens structurels, nous avons évalué la stabilité de ces paramètres
(notamment les erreurs standards « SE » des contributions factorielles non standardisées) par
la procédure du bootstrapp (Cooil et al., 1987, p. 274). Cette procédure a montré que les liens de structure P3c+, P2c+, P1a+, P1c+, H2+, les biais en valeur absolue sont supérieurs aux erreurs type et les valeurs de p des estimations après bootstrapp par intervalle de confiance (percentile method) sont toutes supérieures à 0.05, des résultats qui remettent en question la stabilité de ces paramètres. Nous avons donc procédé à une
comparaison des résultats sous ML aux résultats obtenus sous PLS. L’estimation PLS, comparée à l’estimation ML, a l’avantage de ne pas imposer la multi-normalité des variables (Gaskin, J. 2014, p. 133). Notre modèle de structure a été donc
estimé par la méthode PLS, grâce au logiciel Smart-PLS, (version 3), les résultats des
estimations obtenus par PLS coïncident avec les résultats sous ML, en termes de
significativité et le sens de la relation. Cette concordance nous permet d’affirmer la stabilité
des estimations sous ML.
La robustesse des estimations face au caractère non métrique des échelles a été également
vérifiée par la méthode Baysienne (Byrne 2001, cité dans Krichen 2014). Un processus de
simulation sur des échantillons a été déclenché pour aboutir à des estimations convergentes.
Un seuil de 1.00018, a été retenu comme signe de convergence. Ce seuil a été atteint à partir
de la simulation numéro 83460. La convergence des estimations vers une distribution normale
associée à des valeurs proches des estimateurs ML et des estimateurs Baysiens nous permet
de conclure que les estimateurs ML sont stables en dépit du caractère non métrique des
échelles de mesure utilisées.
La méthode Baysienne utilisée pour tester la robustesse des estimations face au caractère non
métrique des échelles est aussi réputée adaptée aux échantillons de faibles tailles (Rossi et al.,
2006 ; Congdon, 2006, cités dans Krichen 2014, p. 255). La méthode d’analyse des chemins
« Path anlysis » peut également être utilisée pour tester la robustesse des estimations par
rapport à la taille de l’échantillon (Hiller et al. (2014). Nous avons ainsi agrégé les mesures de
chacune des sept variables latentes en calculant pour chacune la moyenne des items. Le
modèle modifié et testé par la méthode des chemins a fourni des estimations similaires à 8 Soit un seuil inférieur à 1.0002 (selon les recommandations de Akrout. 2010, p.131)
15
celles obtenues initialement sous ML (à un seuil de significativité de 5%). Nous avons pu
conclure que les estimations ML sont robustes par rapport à la taille de l’échantillon.
Enfin, la robustesse du modèle de structure par rapport aux variables de contrôle a été
vérifiée. Etant donné le nombre important de variables de contrôle à intégrer et l’importante
taille de l’échantillon que cela exigerait, nous avons comparé les résultats du modèle initial
avec ceux de 11 autres modèles intégrant chacun l’une des variables de contrôle prises
individuellement. Il s’agit des variables « Score d’hétérogénéité de la base de données-
clients », « taille de la base de données-clients », « Score du dynamisme du secteur »,
« Expérience avec le CRM », « Forme juridique », « Capital », « Effectif salarié », « Secteur
d’activité », « Nature de la relation », « existence ou pas d’un ERP » et « mode
d’administration du questionnaire ».
Seules les variables de contrôle « hétérogénéité de la base de données-clients », « dynamisme
du secteur », et « Expérience avec la technologie CRM » ont affecté les résultats pour au
moins un lien de structure. En d’autres termes, la robustesse des résultats est tributaire de ces
trois variables qui seront introduites dans le modèle pour la suite des analyses.
Pour le test et l’interprétation des hypothèses et propositions de la recherche, nous avons
procédé en premier lieu à l’introduction des trois variables de contrôle retenues (dans le
modèle de structure) en les reliant aux quatre variables endogènes du modèle. Nous avons par
la suite procédé à la suppression des liens non significatifs entre les variables de contrôle et
les variables endogènes du modèle. Nous n’avons donc gardé que le lien entre la variable de
contrôle « hétérogénéité de la base de données-clients » et la variable endogène
« performance CRM » et le lien entre la variable de contrôle « dynamisme du secteur » et
variable endogène « ECCD W ». Une dernière estimation du modèle a été par la suite
relancée. Seules les propositions P3c+, P4a+, P4b+, P4c+ et H1+ ont été validées à des seuils
d’acceptabilité respectifs de 10%, 1%, 5%, 1% et 10% (Annexe 10).
6.2. Discussion des résultats
Notre première proposition P1+ selon laquelle « l’ECCD pour la GRC » a un impact positif
sur la performance CRM a été détaillée en trois sous propositions qui ont toutes été rejetées au
seuil de significativité de 10%. En d’autres termes, Pour les responsables marketing soucieux
d’entretenir des relations de long terme avec les clients, s’engager dans des processus
d’extraction de la connaissance client à partir des données ne garantit pas d’avoir une
performance supérieure en matière de gestion de la relation client, du moins de manière
directe.
16
Ce résultat rejoint les résultats de la recherche de Rollins et al. (2012b), qui est l’une des rares
à avoir traité de manière pointue et séparée l’impact de l’usage de l’information sur la
performance CRM en distinguant « l’usage orienté action » et « l’usage orienté vers la
connaissance ».
En rejoignant Rollins et al. (2012b), nous considérons que ce résultat peut être expliqué en
premier lieu par la nature même du concept de la performance CRM qui reste appréhendé par
un niveau de résultats de court à moyen terme. Or, « l’ECCD pour la GRC », qui est un
processus complexe, pourrait procurer à l’entreprise des avantages de long terme. Il serait
donc pertinent d’intégrer des variables qui rendraient mieux compte de la dimension
stratégique de « l’ECCD pour la GRC » comme variable médiatrice dans la relation étudiée.
Ce résultat peut aussi être interprété comme l’expression du « triomphe » de l’approche anti-
représentationniste par rapport à l’approche représentationniste de la création de la
connaissance client pour dire simplement que la performance client peut être améliorée par la
création d’une connaissance implicite, traduite dans les routines des opérateurs et leurs
expériences avec les clients, une connaissance qui n’est pas forcement explicite et extraite à
partir des données structurées dans les systèmes d’information. Cependant, appuyer une telle
piste impliquerait un investissement dans des recherches comparant l’impact de « l’ECCD
pour la GRC » sur la performance CRM à celui d’autres formes de création de la
connaissance client (connaissance tacite à propos du client, connaissance en provenance du
client) et d’autres formes d’usage de l’information client (notamment l’usage instrumental,
affectif, et symbolique).
Notre hypothèse H1+ qui stipule que « la technologie du CRM analytique » a un impact
positif sur la performance CRM a été validée au seuil de 10% (avec un CR=1.744, et un
p=0.081). Même si ce résultat concorde avec beaucoup de travaux de recherche, il ne devrait
pas voiler la controverse entre le courant sociotechnique et le modèle causal sur cet effet. Il
n’est peut-être pas suffisant d’intégrer des technologies sophistiquées pour s’attendre à des
résultats en termes de performance dans la gestion de la relation client. Il serait peut-être
intéressant d’intégrer des effets d’interactions entre la technologie et les ressources humaines.
L’hypothèse H2+ concernant l’impact positif de la qualité des données sur la performance a
été infirmée. Ce résultat n’est pas cohérent avec les résultats de plusieurs recherches
empiriques en marketing dont notamment celle de Zahay et al. (2004), Zahay et Peltier
(2008), Zahay, Peltier et Krishen (2012), Zahay et Griffin 2002, Jayachandran et al. (2005),
Peltier et al. (2013), et Chuang et al. 2013. La qualité des données-clients est reconnue par ces
auteurs comme déterminant de la performance de la relation client.
17
Ce résultat nous pousse à remettre en question l’échelle de mesure utilisée pour le concept de
« la qualité perçue des données client ».
Concernant les déterminants de l’ECCD pour la GRC, le rejet de P2+ (concernant l’impact
des technologies du CRM analytique sur « l’ECCD pour la GRC »), la validation de P3c+
(concernant l’impact de la qualité perçue des données client sur l’ECCD web), et la validation
de P4+ (concernant l’impact des compétences analytiques sur l’ECCD pour la GRC) font
ressortir les compétences analytiques comme le principal déterminant de l’ECCD pour la
GRC. En d’autres termes, s’engager dans une démarche d’extraction de la connaissance client
à partir des données) nécessite de la part des décideurs de miser plus sur les compétences
analytiques.
Cette catégorie des compétences humaines, encore très peu abordée dans la littérature, s’avère
donc pertinente pour la création d’une connaissance explicite à propos des clients et mérite
davantage d’investigation.
Conclusion
Des apports aussi bien théoriques que managériaux découlent de la validation de notre modèle
conceptuel proposé puisque ce dernier a permis d’identifier les déterminants clé de « l’ECCD
pour la GRC », dont notamment les compétences analytiques et a permis de contester l’impact
« l’ECCD pour la GRC » sur la performance CRM.
En d’autres termes, pour les dirigeants soucieux d’entretenir des relations de long terme avec
leurs clientèles, miser sur les processus d’extraction de la connaissance à partir des données
ne garantit pas d’avoir de meilleurs résultats en termes de performance CRM, du moins, de
manière directe. Ceci étant, s’engager dans une telle démarche pousserait les décideurs à
miser sur un type particulier de compétences humaines, à savoir les compétences analytiques.
Ces compétences sont à développer en interne, à recruter ou à « louer » (dans le cadre de
contrats de sous-traitance).
Cette recherche, comme tout travail de recherche, présente un nombre de limites dont le
surpassement ouvrirait de nouvelles voies de recherche. D’abord, la méthode
d’échantillonnage, à savoir la méthode de « jugement a priori », utilisée dans cette recherche,
ne garantit pas la représentativité de l’échantillon et la possibilité de généraliser les résultats
reste par conséquent limitée. Notons également que la taille de l’échantillon, dans les
différentes phases d’estimation, n’a pas été des plus conformables. Certes la stabilité des
estimations a été à chaque fois vérifiée pour les modèles proposés, mais une taille
d’échantillon plus importante aurait permis d’effectuer les AFE et les AFC sur deux
échantillons distincts.
18
Les échelles de mesures préétablies utilisées dans le cadre de cette recherche, notamment
l’échelle de mesure de la qualité perçue des données-clients, celle des technologies
analytiques et des compétences analytiques, sont des échelles encore peu rodées et méritent
d’être revues. Une révision de ces échelles est une piste de recherche avérée.
L’échelle de mesure utilisée pour le concept de la performance CRM a également fourni une
évaluation subjective de la performance CRM ce qui constitue une limite supplémentaire à
notre recherche. Une réflexion sur des critères plus objectifs pour l’évaluation de la
performance de la relation client constitue un champ d’investigation indéniable.
19
Références bibliographiques
Akrout, Fathi. (2010). Les méthodes des équations structurelles (1 ed.): Coopi.
Anand, Gopesh, Ward, Peter T, & Tatikonda, Mohan V. (2010). Role of explicit and tacit
knowledge in Six Sigma projects: An empirical examination of differential project
success. Journal of Operations Management, 28(4), 303-315.
Ang, Lawrence, & Buttle, Francis. (2006a). CRM software applications and business
performance. Journal of Database Marketing & Customer Strategy Management,
14(1), 4-16.
Ang, Lawrence, & Buttle, Francis. (2006b). Managing for successful customer acquisition:
An exploration. Journal of Marketing Management, 22(3-4), 295-317.
Aribou, Mohamed-Larbi. (2009). Etude des déterminants de succès du transfert de
compétences stratégiques dans le processus d'intégration post fusion-acquisition.
Conférence Internationale de Management Stratégique, Grenoble.
Ballou, Donald P, & Tayi, Giri Kumar. (1999). Enhancing data quality in data warehouse
environments. Communications of the ACM.
Banasiewicz, Andrew D. (2013). Marketing Database Analytics: Transforming Data for
Competitive Advantage (1 ed.): Routledge.
Barney, Jay. (1991). Firm resources and sustained competitive advantage. Journal of
management, 17(1), 99-120.
Becker, Jan U, Greve, Goetz, & Albers, Sönke. (2009). The impact of technological and
organizational implementation of CRM on customer acquisition, maintenance, and
retention. International Journal of Research in Marketing, 26(3), 207-215.
Belbaly, Nassim, Benbya, Hind, & Meissonier, Regis. (2007). An empirical investigation of
the customer Knowledge creation impact on NPD Performance. Annual Hawaii
International Conference on System Sciences.
Belkahla, Wafa. (2012). Proposing and validating a model of customer knowledge
management and innovation. (Thèse de doctorat), Université de Tunis.
Bollen, Kenneth A, & Stine, Robert A. (1992). Bootstrapping goodness-of-fit measures in
structural equation models. Sociological Methods & Research, 21(2), 205-229.
Bourguignon, Annick. (2000). Performance et contrôle de gestion Encyclopédie de
Comptabilité, Contrôle de gestion et Audit (pp. 931-941. ): Economica.
Bouzidi, Abdelkader, & Gharbi, Jamel-Eddine. (2007). Déterminants et conséquence de la
gestion des connaissances clients Marketing trends Conference.
20
Burrel, Gibson , & Morgan, Gareth. (1979). Social paradigms and organizational analysis.
London: Heinemann.
Buttle, Francis. (2004). Customer Relationship Management: Concepts and Tools. Oxford:
Elsevier.
Byrne, Barbara M. (2013). Structural equation modeling with AMOS: Basic concepts,
applications, and programming (2 ed.): Routledge.
Chuang, Shu-Hui, & Lin, Hong-Nan. (2013). The roles of infrastructure capability and
customer orientation in enhancing customer-information quality in CRM systems:
Empirical evidence from Taiwan. International Journal of Information Management,
33(2), 271-281.
Churchill Jr, Gilbert A. (1979). A paradigm for developing better measures of marketing
constructs. Journal of marketing research, 64-73.
Coltman, Tim, Devinney, Timothy M, & Midgley, David F. (2011). Customer relationship
management and firm performance. Journal of Information Technology, 26(3), 205-
219.
Coovi, Byblice. (2010). Management du cycle de vie du client: proposition d'un modèle
conceptuel d'évaluation de l'utilisation des logiciels CRM. (Thèse de doctorat),
Université d'Auvergne-Clermont-Ferrand I.
Davenport, Thomas H, Harris, Jeanne G, David, W, & Jacobson, Alvin L. (2001). Data to
knowledge to results: building an analytic capability. California Management Review,
43(2), 117-138.
Doll, William J, Xia, Weidong, & Torkzadeh, Gholamreza. (1994). A confirmatory factor
analysis of the end-user computing satisfaction instrument. Mis Quarterly, 453-461.
Dudezert, Aurélie, & Lancini, Agnès. (2006). Performance et Gestion des Connaissances:
Contribution à la construction d'un cadre d'analyse. Journées des IAE Montpellier,
France.
Freeman, R. Edward. (1984). Strategic managment: Stakeholder approach. Boston: Pitman.
Giannelloni, Jean-Luc, & Vernette, Eric. (2012). Études de marché (3 ed.): Vuibert.
Gilson, Kim-Michelle, Bryant, Christina, Bei, Bei, Komiti, Angela, Jackson, Henry, & Judd,
Fiona. (2013). Validation of the Drinking Motives Questionnaire (DMQ) in older
adults. Addictive behaviors, 38(5), 2196-2202.
Greenberg, Paul. (2004). CRM at the speed of light: Essential strategies for the 21st century
(3 ed.). Osborne: McGraw-Hill, .
21
Grewal, Rajdeep, Cote, Joseph A, & Baumgartner, Hans. (2004). Multicollinearity and
measurement error in structural equation models: Implications for theory testing.
Marketing Science, 23(4), 519-529.
Grimand, Amaury. (2006). Quand le knowledge management redécouvre l'acteur: la
dynamique d'appropriation des connaissances en organisation. Management &
Avenir(3), 141-157.
Gupta, Sunil, & Zeithaml, Valarie. (2006). Customer metrics and their impact on financial
performance. Marketing Science, 25(6), 718-739.
Gurviez, Patricia, & Korchia, Michaël. (2002). Proposition d'une échelle de mesure
multidimensionnelle de la confiance dans la marque. Recherche et applications en
marketing, 17(3), 41-61.
Hiller, Keke, Mahlendorf, Matthias D, & Weber, Jürgen. (2014). Management accountants’
occupational prestige within the company: A social identity theory perspective.
European Accounting Review, 23(4), 671-691.
Hong-kit Yim, Frederick, Anderson, Rolph E, & Swaminathan, Srinivasan. (2004). Customer
relationship management: Its dimensions and effect on customer outcomes. Journal of
Personal Selling & Sales Management, 24(4), 263-278.
Iriana, Reiny, & Buttle, Francis. (2007). Strategic, operational, and analytical customer
relationship management: attributes and measures. Journal of Relationship Marketing,
5(4), 23-42.
Jayachandran, Satish, Hewett, Kelly, & Kaufman, Peter. (2004). Customer response
capability in a sense-and-respond era: the role of customer knowledge process.
Journal of the Academy of Marketing Science, 32(3), 219-233.
Jayachandran, Satish, Sharma, Subhash, Kaufman, Peter, & Raman, Pushkala. (2005). The
role of relational information processes and technology use in customer relationship
management. Journal of marketing, 69(4), 177-192.
Jomaa, Hanène. (2006). Les déterminants de la performance des projets ERP dans les
grandes entreprises. Association Information Management (AIM), Luxembourg.
Keramati, Abbas, Mehrabi, Hamed, & Mojir, Navid. (2010). A process-oriented perspective
on customer relationship management and organizational performance: An empirical
investigation. Industrial Marketing Management, 39(7), 1170-1185.
Korhonen-Sande, Silja. (2007). Dissemination and use of customer information from the
perspective of product and R&D managers. University of Helsinky.
22
Krichen Sayadi, Feriel. (2014). Effets des styles de leadership transactionnel et
transformationnel sur la performance de la force de vente. (Thèse de doctorat),
Université de Tunis El Manar.
Lee, Heeseok, & Choi, Byounggu. (2003). Knowledge management enablers, processes, and
organizational performance: An integrative view and empirical examination. Journal
of management information systems, 20(1), 179-228.
Li, Tiger, & Calantone, Roger J. (1998). The impact of market knowledge competence on
new product advantage: conceptualization and empirical examination. The Journal of
Marketing, 13-29.
Lin, Yichen, Su, Hwan-Yann, & Chien, Shihen. (2006). A knowledge-enabled procedure for
customer relationship management. Industrial marketing management, 35(4), 446-
456.
Lorino, Philippe. (2001). La gestion de la connaissance dans l’entreprise et le rôle
instrumental des systèmes d’information et de gestion.
Low, George S, & Mohr, Jakki J. (2001). Factors affecting the use of information in the
evaluation of marketing communications productivity. Journal of the Academy of
Marketing Science, 29(1), 70-88.
MacKenzie, Scott B, Podsakoff, Philip M, & Podsakoff, Nathan P. (2011). Construct
measurement and validation procedures in MIS and behavioral research: Integrating
new and existing techniques. MIS quarterly, 35(2), 293-334.
Maltz, Elliot, Souder, William E, & Kumar, Ajith. (2001). Influencing R&D/marketing
integration and the use of market information by R&D managers: intended and
unintended effects of managerial actions. Journal of Business Research, 52(1), 69-82.
McCann, Joseph E, & Buckner, Marilyn. (2004). Strategically integrating knowledge
management initiatives. Journal of Knowledge Management, 8(1), 47-63.
Moorman, C., Deshpande, R., & Zaltman, G. . (1993). Factors affecting trust in market
research relationships. Journal of Marketing, 57, 81-101.
Moorman, Christine. (1995). Organizational market information processes: cultural
antecedents and new product outcomes. Journal of marketing research, 318-335.
Moorman, Christine, & Rust, Roland T. (1999). The role of marketing. The Journal of
Marketing, 180-197.
Nevitt, Jonathan, & Hancock, Gregory R. (2000). Improving the root mean square error of
approximation for nonnormal conditions in structural equation modeling. The Journal
of Experimental Education, 68(3), 251-268.
23
Nonaka, Ikujiro. (1994). A dynamic theory of organizational knowledge creation.
Organization science, 5(1), 14-37.
O'Reilly, Charles A. (1982). Variations in decision makers' use of information sources: The
impact of quality and accessibility of information. Academy of Management journal,
25(4), 756-771.
Peltier, James W, Zahay, Debra, & Lehmann, Donald R. (2013). Organizational learning and
CRM success: a model for linking organizational practices, customer data quality, and
performance. Journal of Interactive Marketing, 27(1), 1-13.
Peteraf, Margaret A. (1993). The cornerstones of competitive advantage: A resource‐based
view. Strategic management journal, 14(3), 179-191.
Rapp, Adam, Trainor, Kevin J, & Agnihotri, Raj. (2010). Performance implications of
customer-linking capabilities: Examining the complementary role of customer
orientation and CRM technology. Journal of Business Research, 63(11), 1229-1236.
Reinartz, Werner, Krafft, Manfred, & Hoyer, Wayne D. (2004). The customer relationship
management process: Its measurement and impact on performance. Journal of
marketing research, 41(3), 293-305.
Rollins, Minna, Bellenger, Danny N, & Johnston, Wesley J. (2012a). Customer information
utilization in business-to-business markets: Muddling through process? Journal of
Business Research, 65(6), 758-764.
Rollins, Minna, Bellenger, Danny N, & Johnston, Wesley J. (2012b). Does customer
information usage improve a firm's performance in business-to-business markets?
Industrial Marketing Management, 41(6), 984-994.
Rossi, Peter E, Allenby, Greg M, & McCulloch, Rob. (2012). Bayesian statistics and
marketing: John Wiley & Sons.
Saini, Amit, Grewal, Rajdeep, & Johnson, Jean L. (2008). Driving Customer Relationship
Management (CRM) Performance: The Role of Knowledge Stores and Technology
Assimilation.
Saini, Amit, Grewal, Rajdeep, & Johnson, Jean L. (2010). Putting market-facing technology
to work: Organizational drivers of CRM performance. Marketing Letters, 21(4), 365-
383.
Tanriverdi, Hüseyin. (2005). Information technology relatedness, knowledge management
capability, and performance of multibusiness firms. MIS quarterly, 311-334.
24
Trabelsi, Latifa. (2016). Extraction de la connaissance client à partir des données :
Déterminants et impact sur la performance CRM. (Thèse de doctorat), Université de
Sfax.
Veldhuizen, Erik, Hultink, Erik Jan, & Griffin, Abbie. (2006). Modeling market information
processing in new product development: An empirical analysis. Journal of
Engineering and Technology Management, 23(4), 353-373.
Vorhies, Douglas W, & Morgan, Neil A. (2005). Benchmarking marketing capabilities for
sustainable competitive advantage. Journal of marketing, 69(1), 80-94.
Wahab, Samsudin, & Al-Momani, Kaled. (2010). The relationship between e-service quality
and ease of use on customer relationship management (CRM) performance: an
empirical investigation in Jordan mobile phone services. Journal of Internet Banking
and Commerce, 15(1), 1.
Wang, Hai, & Wang, Shouhong. (2008). A knowledge management approach to data mining
process for business intelligence. Industrial Management & Data Systems, 108(5),
622-634.
Wang, Richard Y, & Strong, Diane M. (1996). Beyond accuracy: What data quality means to
data consumers. Journal of management information systems, 12(4), 5-33.
Wang, Yonggui, Po Lo, Hing, Chi, Renyong, & Yang, Yongheng. (2004). An integrated
framework for customer value and customer-relationship-management performance: a
customer-based perspective from China. Managing Service Quality: An International
Journal, 14(2/3), 169-182.
Wernerfelt, Birger. (1984). A resource based view of the firm. Strategic management journal,
5(2), 171-180.
Zablah, Alex R, Bellenger, Danny N, & Johnston, Wesley J. (2004). An
Zahay, Debra, & Griffin, Abbie. (2002). Are customer information systems worth it? Results
from B2B services. [Working Paper]. Marketing Science Institute (02-113).
Zahay, Debra L, & Peltier, Jimmy. (2008). Interactive strategy formation: Organizational and
entrepreneurial factors related to effective customer information systems practices in
B2B firms. Industrial Marketing Management, 37(2), 191-205.
Zahay, Debra, Peltier, James, & Krishen, Anjala S. (2012). Building the foundation for
customer data quality in CRM systems for financial services firms. Journal of
Database Marketing & Customer Strategy Management, 19(1), 5-16.
25
Zahay, Debra, Peltier, James, Schultz, Don E, & Griffin, Abbie. (2004). The role of
transactional versus relational data in IMC programs: Bringing customer data together.
Journal of advertising research, 44(01), 3-18.
26
Annexe 1: Etat de la littérature CKM sur « la création de la connaissance client »
Auteurs Concept lié à la
création de la
connaissance client
Définition du concept Dimensions Antécédents Conséquences
Belkahla W. (2012)
(Recherche empirique)
Customer Knowledge
enabling innovation
capability
(CKEI capability)
"The the capacity of the organization
to propose new products and services
on the basis of an effective
management of customer knowledge"
Unidimensionnel -Technological orientation
-Market orientation
-Entrepreuneurial orientation
-Product innovation success
Sedighi et al. (2012)
(Recherche théorique)
Customer Knowledge
Management
Process of
- Customer Knowledge acquisition
- Customer Knowledge generation
- Customer Knowledge integration
- Customer Knowledge distribution
- Customer Knowledge application
Hou et Chien (2010)
(Recherche empirique)
Market Knowledge
management
competence
Process of
- Acquisition
- Conversion
- Application of market knowledge
- Protection of market knowledge
Les mêmes que les étapes
du processus
- Sensing capability
- Absorptive capability
- Learning capability
-Financial performance
-Market performance
Sun H. (2010)
(Recherche empirique)
Customer Knowledge
Mangement
competence (CKMC)
"A competitive organizational resource for
implementing CKM in an organization,
which composes the capability to exploit,
integrate and utilize customer knowledge
into an organization’s CRM processes and
operations with the support of knowledge
management infrastructure capability to
integrate customer knowledge throughout
the organization."
-Knowledge management
infrastructure capability
-Customer knowledge
process capability
27
Suite annexe 1
Auteurs Concept lié à la
création de la
connaissance client
Définition du concept Dimensions Antécédents Conséquences
Bouzidi et Gharbi
(2007)
(Recherche empirique)
Gestion des
connaissances client
Processus de
•Valorisation et évaluation du CI
•Construction et acquisition du CI
•Application structurelle du CI
•Application collective du CI
•Partage du CI
•Maintien et Saini du CI
(CI : capital intellectuel)
Les mêmes que les étapes
du processus
-Infrastructure des TIC
-Capacité à utiliser les TIC
-Compétences de communication
Performance soft de
l'entreprise (ED, EV)
-Performance hard de
l'entreprise (ED, EV)
Belbaly et al. (2007)
(Recherche empirique)
Customer Knowledge
creation
• Socialization
•Combination
•Externalization
• Internalization
-Formalization
-Centralization
-Collaboration
-Trust
-New product performance
Lin Y et al. (2006)
(Recherche empirique)
Customer Knowlegde
Management (CKM)
A process of :
1. Knowledge selection
2. Knowledge capture
3. Knowledge sharing
4. Knowledge creation
5. Knowledge storage
Unidimensionnel
-Customer knowledge
performance
Rollins et Halinen
(2005)
(Recherche théorique)
Customer Knowledge
Management
competence (CKMC)
"The ability to integrate customer
information and knowledge into an
organization’s CRM process and
operation”
Les auteurs ne s’attardent pas sur la
28
phase de creation de la connaissance.
Suite annexe 1
Auteurs Concept lié à la
création de la
connaissance client
Définition du concept Dimensions Antécédents Conséquences
Tanriverdi et al. (2005)
(Recherche empirique)
Customer Knowledge
management
capability
(first-order construct
of a higher-order
construct: KM
capability)
Process of :
-Knowledge creation (SCEI)
-Knowledge tranfer
-Knowledge integration
-Knowledge leverage of related
knowledge
Unidimensionnel -IT relatedness -Corporate performance
Jayachandran et al.
(2004)
(Recherche empirique)
Customer knowledge
process
Process of :
-Generation
-Analyse
-Dissemination
Unidimensionnel
-Performance
-Customer response expertise
-Customer respond speed
Joshi et Sharma (2004)
(Recherche empirique)
Customer knowledge
development
"A process of developing an
understanding of customer new
product preferences that unfolds
through the iteration of probing and
learning activities across stages of the
prelaunch phase of new product
development" p. 48
Unidimensionnel
Yim et al (2004)
(Recherche empirique)
Managing customer
knowledge
(une dimension de
« CRM
implementation »)
Processus de transformation de
l’information client en connaissance
client
Unidimensionnel
-Customer satisfaction
-Customer retention
-Sales Growth
29
30
Suite annexe 1
Auteurs Concept lié à la
création de la
connaissance
Définition du concept Dimensions Antécédents Conséquences
Garcia-Morilla et
Annabi (2002)
(Recherche théorique)
Customer Knowlegde
Management
Process of
-knowledge revealing
-Knowledge sorting
-Knowledge leveling
Shaw et al. (2001)
(Recherche théorique)
Marketing Knowledge
Management
Process of
-knowledge acquisition
-Knowledge generation/up grade
-Knowledge integration
-Knowledge distribution
-Knowledge application
Li et Calantone (1998)
(Recherche empirique)
Customer knowledge
process (A dimension
of market knowledge
competence)
Processus
-Acquisition
- Interpretation
- Integration de l’information client
Unidimensionnel -Customer demandingness
-Technology change
-Perceived importance of
market
knowledge
-Market performance
-New product advantage
31
Annexe 2: Etat de la littérature sur « L’usage de l'information client »
Auteurs/dateConcept lié à l'usage de l'information Dimensions Antécédents Conséquences
Rollins (2012,b)
(Recherche empirique)-Action oriented customer information use
-Customer information collected
-Customer information sharing
- Business performance
- Performance client
-knowledge enhancing customer information
use
-Customer information collected
-Customer information sharing-Business performance
Saini et al. (2010)
(Recherche empirique)
Strategic utilization (of customer data) -Buy in
-Expertise
- Top management championship
- Employee IT skills
- CRM knowledge
-Performance CRM
Korohonen (2007)
(Recherche empirique)
Customer information use
-Physical distance between function
- Scope of market information search
- Resource inadequacy
- Customer information integration
- Supervisor emphasize on customer orientation
- Perceived quality of customer information
Saini et al. (2008)
(Recherche empirique)
CRM technology assimilation (buy in,
strategic utilization, expertise)
Performance CRM
Veldhuizen (2006) Market information processing (acquisition,
dissemination, use)
-R & D dominance
- Interdepartmental conflict
- Flexibility to new product
- Product advantage
-New product development
success
32
- product newness to the market
- Project priority
- Time pressure
33
Suite annexe 2
Auteurs/date Concept lié à l'usage de l'information Dimensions Antécédents Conséquences
Jayachandran et al. (2005) Relational information process (reciprocity,
capture, integration, access and use of
information)
- Customer relationship orientation
- Customer centric management system
Performance CRM
Souchon et al. (2004) Export information use -Conceptual use
-Instrumental use
Organizational performance
Responsiveness
Low et Mohr (2001) Use of marketing information
-Decision style
-Complexity
-Formalization
-Quality of marketing information
34
Annexe 3: 22 items de l'ECCD pour la GRC avant AFE et AFC
Dimension CodificationDe l’item
Intitulé de l’item : Les données-clients structurées au niveau de la base de données sont utilisées pour :
ECCD pour Identification
ECCD I1 Segmenter les clients réels identifiés dans la base de données (les classer dans des catégories homogènes)
ECCD I2 Décrire le profil des différentes catégories de clients identifiées après segmentation.
ECCD I3 Définir des critères d'évaluation des clients réels
ECCD I4 Evaluer les clients réels
ECCD I5 Estimer la durée de la relation avec les clients réels
ECCD I6 Evaluer le potentiel des clients réels à parrainer de nouveaux clients
ECCD pour Acquisition
ECCD A1 Analyser les attentes des prospects
ECCD A2 Analyser le comportement des prospects sur le site web de l'entreprise
ECCD A3 Identifier les canaux de distribution les plus appropriés pour atteindre les prospects.
ECCD A4 Identifier les canaux de communication les plus appropriés pour atteindre les prospects
ECCD pour Maintien
ECCD M1 Planifier de nouvelles stratégies de rétention des clients réels
ECCD M2 Analyser les causes de satisfaction des clients réels
ECCD M3 Analyser les processus de départ volontaire des clients réels
ECCD M4 Analyser les réclamations des clients réels (motifs, fréquences,)
ECCD M5 Détecter le statut actif ou inactif des clients réels (analyse de survie, score d'inactivité)
ECCD M6 Mesurer la probabilité de défection des clients (score de churn)
ECCD M7 Planifier de nouvelles stratégies de développement de la relation avec les clients
ECCD M8 Identifier le type de produits que préfère chaque catégorie de clients.
ECCD M9 Analyser le comportement des clients réels sur le site web de l'entreprise.
ECCD M10 Identifier les canaux de distributions les plus appropriés pour atteindre les clients réels.
ECCD M11 Identifier les canaux de communication les plus appropriés pour atteindre les clients réels.
ECCD pour Terminaison
ECCD T1 Détecter les clients frauduleux
36
Annexe 4: Echelles de mesure pré-établies
Construit Items Auteurs de référence
Performance CRM
En comparaison avec vos concurrents, veuillez évaluer de 1(pire) à 7 (meilleur) la performance de votre entreprise concernant chacun des aspects suivants
1. L’acquisition de nouveaux clients Becker et al. (2009)
2. La ré-acquisition des clients perdus
3. La satisfaction des clients 4. Le développement de la relation avec le client 5. L’amélioration des revenus par client 6. La rétention des clients 7. La réduction de la défection des clients 8. La terminaison de la relation avec les clients non rentables Nouveau
Technologie CRM analytique
Veuillez évaluer de 1 (en total désaccord) à 5 (parfaitement d'accord) le degré de votre accord avec les propos suivants :1. Mon entreprise maintien une base de données-clients compréhensible Yim et al.2004
2. Notre base de données-clients permet de consolider toutes les données liées aux clients
Croteau et al, 2003 et Ata U. Z. 2012
3. Dans mon entreprise, nous utilisons des outils performants d’analyse de données-clients (SAS, STATA, SPSS…)
Keramati et al. 2010
Qualité perçue des données-clients
En général, les données-clients/prospects disponibles dans la base de données sont:1. Utiles Chuang (2013),
Low et Mohr (2001), Maltz et Kohli (1996)
2. Exactes, justes3. Actuelles, actualisées4. Cohérentes (non contradictoires)5. Complètes Nouveau
Compétences analytiques
Veuillez évaluer le degré de votre accord avec les propos suivants 1. Dans notre entreprise, des modèles sophistiquées sont fréquemment utilisés pour analyser les données-clients
Coltman et al.(2011)
2. Nous avons les compétences analytiques nécessaires pour transformer les données-clients en connaissances clients
Coltman et al. (2007), Keramati et al. (2010)
Annexe 5: Variables de contrôle
Variable de contrôle Item/ItemsAuteurs de référence
Secteur d'activité Précisez le secteur d'activité de votre entreprise Coovi (2010)
Dynamisme de l’environnement
Veuillez préciser le degré de votre accord avec les propos suivant Dans notre secteur d'activité1. Les préférences des consommateurs changent fréquemment2. La technologie change rapidement 3. Les changements technologiques offrent de grandes opportunités aux entreprises
Rapp et al, (2010) Jayachandran et al. (2005)
Nature de la relation Avec le client
Précisez le type de relation avec vos clients1. Exclusivement B to B2. Principalement B to B3. B to B et B to C4. Principalement B to C5. Exclusivement B to C
Saini et al. (2010)
Expérience avec une application ou un module intégré CRM
Depuis combien d'années utilisez-vous un module ou une application CRM1. On n'en utilise pas2. Depuis moins d'un an3. Depuis une période comprise entre 1-5 ans4. depuis une période comprise entre 5-10ans5. Depuis plus que 10 ans
Coovi (2010) Saini et al. (2010) Saini et al. (2008) Rollins et al. (2012)
Hétérogénéité de la base de donnés client
Veuillez préciser le degré de votre accord avec les propos suivant1. Nous avons des types de clients très différents2. Nos clients sont très différents en termes de rentabilité.3. Nos clients sont très différents en termes de besoins et préférences4. Nos clients sont très différents en termes de comportement d'achat5. Nos clients sont très différents en termes de niveau de service qu'ils requièrent
Becker et al. (2009) Rollins et al. (2012)
Annexe 6: Synthèse des AFE
Le construit Facteurs Items Intitulé de l’Item Com CF VP % VE α α SI
ECCD pour la GRC
Facteur 1ECCD I1
Segmenter les clients réels identifiés dans la base de données
0.634 0.778 3.667
36.667
0,862
0.799
ECCD I2 Décrire le profil des différentes catégories de clients identifiées après segmentation.
0.546 0.652 0.851
ECCD I3Définir des critères d'évaluation des clients réels 0.675 0.835 0.829
ECCD I4Evaluer les clients réels 0.695 0.845 0.814
Facteur 2
ECCD A2Analyser le comportement des prospects sur le site web de l'entreprise
0.858 0.922 2.219
22.193
0,868
ECCD M9Analyser le comportement des clients réels sur le site web de l'entreprise.
0.908 0.961
Facteur 3
ECCD M10 Identifier les canaux de distributions les plus appropriés pour atteindre les clients réels.
0.545 0.605 1.017
10.172 0.868
0.852
ECCD M11 Identifier les canaux de communication les plus appropriés pour atteindre les clients réels.
0.628 0.828 0.842
ECCD A3 Identifier les canaux de distribution les plus appropriés pour atteindre les prospects.
0.652 0.727 0.811
ECCD A4 Identifier les canaux de communication les plus appropriés pour atteindre les prospects 0.764 0.917
0.819
39
Technologie du CRM analytique
Tech1 Mon entreprise maintient une base claire de données-clients/prospects
0.66 0.812 1.319
65.955
0.784
Tech 2 Notre BDD clients permet de consolider toutes les données liées aux clients et prospects
0.66 0.812
Compétences Analytiques
Comp 1Dans notre entreprise, des modèles sophistiqués sont fréquemment utilisés pour analyser les données-clients
0.668 0.817 1.336
66.813
0.801
Comp 2 Dans notre entreprise, nous avons les compétences analytiques nécessaires pour transformer les données-clients en connaissances clients
0.668 0.817
Qualité perçue des données
Qual 2 En général, les données-clients/prospects disponibles dans la BDD clients sont exactes
0.561 0.749 1.846
61.525
0.824
0.773
Qual 3 En général, les données-clients/prospects disponibles dans la BDD clients sont actualisées
0.690 0.831 0.731
Qual 4En général, les données-clients/prospects disponibles dans la BDD clients sont cohérentes
0.595 0.771 0.764
Performance CRMPerf 3 La performance de l'entreprise en ce qui concerne
la satisfaction des clients 0.514 0.717 2.680 53.604 0.851 0.825
Perf 4 La performance de l'entreprise en ce qui concerne le développement de la relation avec les clients
0.594 0.771 0.813
Perf 5 La performance de l'entreprise en ce qui concerne l'amélioration des revenus par client
0.569 0.754 0.814
Perf 6 La performance de l'entreprise en ce qui concerne la rétention des clients
0.502 0.708 0.825
Perf 7 La performance de l'entreprise en ce qui concerne la réduction de la défection des clients
0.501 0.708 0.826
Annexe 7: Modèle de mesure global
Items V(X) Contribution factorielle SMC 1-SMC Variance des variables latentes et des Erreurs
Vc e/Vc i Rho Jorekog
VME
Erreur EstimateEstimate Est. Stand.
ECCD I D ECCD I1 1,737 1,408 0,881 0,777 0,223 EI1 0,38 0,219 0,795 0,673ECCD I2 1,839 1,437 0,871 0,76 0,24 EI2 0,436 0,237ECCD I4 1,442 1 0,693 0,483 0,517 EI4 0,73 0,506
ECCD C DECCD A3 1,683 0.836 0.826 0,682 0,318 EA3 0,497 0.288 0.691 0.682
ECCD WECCD M9 1,777 0.836 0,852 0,726 0,274 EM9 0,494 0,278 0.657 0.726
Qualité Perçue des données clientQual 2 0,733 1,049 0,803 0,646 0,354 EQ2 0,256 0,349 0,899 0,692Qual 3 0,982 1,296 0,858 0,737 0,263 EQ3 0,254 0,259Qual 4 0,629 1 0,834 0,692 0,308 EQ4 0,19 0,302
41
Items V(X) Contribution factorielle SMC 1-SMC Variance des variables latentes et des Erreurs
Vc e/Vc i Rho Jorekog
VME
Erreur EstimateEstimate Est. Stand.
Technologie CRM analytiqueTech 1 0,665 0,739 0,837 0,702 0,298 ETech1 0,194 0,292 0,887 0,746Tech 2 1,055 1 0,901 0,815 0,185 ETech2 0,191 0,181
Compétences AnalytiquesComp 1 1,357 0,93 0,834 0,698 0,302 Ecomp1 0,406 0,299 0,762 0,7Comp 2 1,576 1 0,836 0,701 0,299 Ecomp2 0,464 0,294
Perf CRMPerf 3 0,484 0,912 0,737 0,546 0,454 Eperf 3 0,307 0,634 0,908 0,527Perf 4 0,531 1,02 0,787 0,622 0,378 Eperf 4 0,308 0,58Perf 5 0,589 0,947 0,698 0,49 0,51 Eperf 5 0,295 0,501Perf 6 0,59 0,923 0,681 0,467 0,533 Eperf 6 0,197 0,334Perf 7 0,639 1 0,713 0,511 0,489 Eperf 7 0,216 0,338
Annexe 8: Modèle de structure
Modèle de structure avant corrections Modèle de structure après correction
ECCD I E
ECCDI4
EI4
1
ECCDI2
EI2
1 ECCDI1
EI1
1
ECCD C D
ECCDA3
0,4965
EA3
0,836
1ECCD W
ECCDM9
0,4938
EM9
0,836
1
Tech A
tech2
Etech2
1
1
tech1
ETech11
Comp A
Comp2
Ecomp2
1
1
Comp1
Ecomp11
Qual D
Qual4
EQ4
1
1
Qual3
EQ31
Qual2
EQ21
Perf CRM
PERF7
Eperf7
1
1PERF6
Eperf6
1PERF5
Eperf5
1PERF4
Eperf4
1PERF3
Eperf3
1
P3b+
P3c+P2c+
P3a+
P2a+ P2b+P4a+
P4c+
P1a+P1b+P1c+
Eie1
ECD
1
Ew1
ECRM1
P4b+
1
H2+
H1+
ECCD I E
ECCDI4
EI4
1
ECCDI2
EI2
1 ECCDI1
EI1
1
ECCD C D
ECCDA3
0,4965
EA3
0,836
1ECCD W
ECCDM9
0,4938
EM9
0,836
1
Tech A
tech2
Etech2
1
1
tech1
ETech11
Comp A
Comp2
Ecomp2
1
1
Comp1
Ecomp11
Qual D
Qual4
EQ4
1
1
Qual3
EQ31
Qual2
EQ21
Perf CRM
PERF7
Eperf7
1
1PERF6
Eperf6
1PERF5
Eperf5
1PERF4
Eperf4
1PERF3
Eperf3
1
P3b+
P3c+P2c+
P3a+
P2a+ P2b+P4a+
P4c+
P1a+P1b+P1c+
Eie1
ECD
1
Ew1
ECRM1
P4b+
1
H2+
H1+
P de B&S= 0.000 P de B&S= 0.066
Annexe 9: Comparaison des résultats de l'estimation ML et PLS
Estimation ML ESTIMATION PLSLiens de structure Est Mean S.E. C.R. P O S S Mean SE T Stat P Values
P3b+ 0,153 0,164 0,269 0,571 0,568 0.010 0.008 0.090 0.108 0.914P3c+ 0,517 0,538 0,306 1,691 0,091 0.143 0.143 0.098 1.452 0.147P2c+ -0,412 -0,429 0,234 -1,761 0,078 -0.129 -0.129 0.094 1.371 0.171P3a+ 0,056 0,055 0,127 0,443 0,657 -0.009 -0.012 0.081 0.113 0.910P2a+ -0,043 -0,042 0,099 -0,438 0,661 0.084 0.087 0.078 1.075 0.283P2b+ -0,326 -0,341 0,208 -1,569 0,117 -0.085 -0.085 0.091 0.926 0.355P4a+ 0,603 0,614 0,092 6,563 *** 0.628 0.630 0.053 11.759 0.000P4c+ 0,401 0,411 0,145 2,769 0,006 0.173 0.169 0.082 2.104 0.036P4b+ 0,755 0,769 0,137 5,506 *** 0.387 0.386 0.073 5.289 0.000P1a+ 0,098 0,096 0,08 1,224 0,221 0.140 0.147 0.089 1.577 0.116P1b+ 0,002 0,003 0,056 0,032 0,974 -0.004 -0.007 0.080 0.045 0.964P1c+ -0,016 -0,017 0,042 -0,38 0,704 -0.040 -0.043 0.079 0.504 0.615H2+ 0,129 0,129 0,114 1,131 0,258 0.148 0.158 0.092 1.605 0.109H1+ 0,176 0,182 0,085 2,056 0,04 0.243 0.240 0.100 2.439 0.015
Annexe 10: Résultats de la recherche
Hypothèse/Propositions Formulation C.R. PH1+ (*) Les technologies analytiques la performance
CRM 1,774 0,076P1+
P1a+ L’ECCD pour l’identification et l’évaluation des clients la performance CRM 1,139 0,255
P1b+ L’ECCD pour la communication et la distribution sur la performance CRM -0,01 0,992
P1c+ L’ECCD Web la performance CRM -0,628 0,53H2+ La qualité des données la performance CRM 1,046 0,295P2+
P2a+ Les technologies analytiques l’ECCD pour l’identification et l’évaluation des clients -0,447 0,655
P2b+ Les technologies analytiques l’ECCD pour la communication et la distribution -1,573 0,116
P2c+ Les technologies analytiques sur l’ECCD Web -2,033 0,042
P3+
P3a+ La qualité perçue des données-clients l’ECCD pour l’identification et l’évaluation des clients 0,453 0,651
P3b+ La qualité perçue des données-clients l’ECCD pour la communication et la distribution 0,576 0,565
P3c+(*)
La qualité perçue des données-clients l’ECCD Web 1,744 0,081
P4+ P4a+(***)
Les compétences analytiques l’ECCD pour l’identification et l’évaluation des clients 6,562 ***
P4b+(***)
Les compétences analytiques l’ECCD pour la communication et la distribution 5,495 ***
P4c+(***) Les compétences analytiques l’ECCD Web 2,556 0,011
* : hypothèse ou proposition validée à un seuil de significativité de 0.1** : hypothèse ou proposition validée à un seuil de significativité de 0.05*** : hypothèse ou proposition validée à un seuil de significativité de 0.01
