Big data analytics in supply chain management: A state-of-the-art literature review

Nguyen, T., Li, Z. H. O. U., Spiegler, V., Ieromonachou, P., & Lin, Y. (2018). Big data analytics in supply chain management: A state-of-the-art literature review. Computers & Operations Research98, 254-264.

Mots clefs : Literature review, Big data, Big data analytics, Supply chain management, Research directions

Cette recherche réunie toutes les recherches contemporaines sur l’utilisation de la big data dans le cadre de la chaine d’approvisionnement (CGA). En effet, Il reste des zones d’ombre en terme de recherche à ce niveau qui permettent a priori de s’orienter sur d’autres recherches complémentaires. Dans quel cadre la supply chain requière-t-elle la big data et comment s’applique-t-elle ?

Développement :

Cet article a pour objectif de synchroniser les données déjà relevés sur la big data afin de pouvoir développer un nouvel agenda. De ce fait elle propose un nouveau cadre de classification basé sur la méthode d’analyse de Mayring (2008) en répondant principalement à 4 questions de recherche.

Cette article relate que la big data est devenu indispensable dans la chaîne d’approvisionnement de par une amélioration de l’agilité et la réduction des coûts opérationnels.

Le big data est encore assez méconnu des organisations puisque les travaux de recherches effectués portent sur des fonctions opérationnelles spécifiques de la supply chain. Ces auteurs ont montré comment la big data a été appliquée dans la gestion de la chaîne d’approvisionnement d’une manière plus générale.

Sur les 1565 articles sur la « big data » relevés entre 2011 et mi 2017, seul 88 articles ont été retenus pour un examen plus complet. A priori, les autres ne possédaient pas tous les critères de sélection (filtrage sur mots clefs par exemple).

La majorité des littératures publiées proviennent des années 2014 à 2017, là ou nous possédions davantage de données et d’informations sur la big data.

Cela traduit un intérêt certain pour l’implémentation de la big data pour la gestion des chaînes d’approvisionnement.

La BDA est principalement utilisé comme un outil d’aide à la décision des entreprises dans le cadre de la CGA. La BDA pour soutenir la planification logistique est de plus en plus répandu. Plus globalement, les recherches initiées sur la BDA retrace beaucoup d’étapes de la supply chain (stocks, décision, demande, maintenance, diagnostic de la production, ect.).

Elle est utilisée principalement dans le domaine de la logistique, avec une prédominance pour la gestion du transport et sur 3 notions fondamentales des systèmes de transport intelligents (STI) : pour optimiser les itinéraires, pour surveiller en temps réel le trafic ainsi que la gestion proactive de la sécurité.

Les études sur le BDA dans le domaine de l’approvisionnement sont uniformément réparties entre les trois principales applications que sont la sélection des fournisseurs, l’amélioration des coûts d’approvisionnement et l’analyse des risques d’approvisionnement. Le BDA a été largement adopté pour faciliter le processus de sélection des fournisseurs et des ef- forts récents ont été réalisés pour intégrer cette activité aux problèmes d’allocation des commandes et pour réduire les coûts

Il existe différentes techniques de BDA utilisées dans le cadre de la gestion de la chaine d’approvisionnement. Parmi les plus connues et les plus polyvalentes, nous avons l’algorithme de clustering K-means ou encore l’ARM (technique) qui sont tous deux très adaptables. Les algorithmes se différencient en fonction de l’objectif visé. Par exemple nous avons le SVM pour la classification ou encore l’approche heuristique pour l’optimisation et les réseaux neuronaux dans le modèle de prévision.

Pour que le BDA soit efficace, il faut l’intégrer à toutes les étapes et fonctions de la gestion de la chaine d’approvisionnement. Sans cela, le BDA ne produit pas d’avantage concurrentiel. Il s’agit d’effectuer une intégration horizontale de la supply chain.

Conclusion :

L’article a mis en relief les réponses à 4 questions distinctes autour de la BDA et de la supply chain. En effet, les réponses à ces questions ont permis de révéler certaines lacunes sur l’application de la BDA d’une manière générale.

References

Addo-Tenkorang, R., Helo, P.T., 2016. Big data applications in operations/supply-chain management: a literature review. Comput. Ind. Eng. 101, 528–543 Elsevier Ltd.

Ahiaga-Dagbui, D.D., Smith, S.D., 2014. Dealing with construction cost overruns us- ing data mining. Constr. Manage. Econ. 32 (7–8), 682–694.

Alyahya, S., Wang, Q., Bennett, N., 2016. Application and integration of an RFID- enabled warehousing management system – a feasibility study. J. Ind. Inf. Integr. 4, 15–25. doi:10.1016/j.jii.2016.08.001, Elsevier Inc.

Assunção, M.D., Calheiros, R.N., Bianchi, S., Netto, M.a.S., Buyya, R., 2015. Big data computing and clouds: trends and future directions. J. Parallel Distrib. Comput. 79–80, 3–15 Elsevier Inc.

Babiceanu, R.F., Seker, R., 2016. Big Data and virtualization for manufacturing cyber– physical systems: a survey of the current status and future outlook. Comput. Ind. 81, 128–137 Elsevier B.V.

Bae, J.K., Kim, J., 2011. Product development with data mining techniques: a case on design of digital camera. Expert Syst. Appl. 38 (8), 9274–9280 Elsevier Ltd. Ballestín, F., Pérez, Á., Lino, P., Quintanilla, S., Valls, V., 2013. Static and dynamic

policies with RFID for the scheduling of retrieval and storage warehouse opera-

tions. Comput. Ind. Eng. 66 (4), 696–709.
Berengueres, J., Efimov, D., 2014. Airline new customer tier level forecasting for re-

al-time resource allocation of a miles program. J. Big Data 1 (1), 3.

Chase, C.W., 2016. Next Generation Demand Management: People, Pro- cess, Analytics, and Technology. Wiley Online Library available at: 4 https://books.google.co.uk/books?id=CkbhCgAAQBAJ&printsec=frontcover#v= onepage&q=demandshaping&f=false.

Chen, C.L.P., Zhang, C.Y., 2014a. Data-intensive applications, challenges, techniques and technologies: a survey on Big Data. Inf. Sci. 275, 314–347 Elsevier Inc. Chen, C.L.P., Zhang, C.-Y., 2014b. Data-intensive applications, challenges, techniques and technologies: a survey on Big Data. Inf. Sci. 275, 314–347 Elsevier Inc.

Chiang, D.M.-H., Lin, C.-P., Chen, M.-C., 2011. The adaptive approach for storage as- signment by mining data of warehouse management system for distribution centres. Enterprise Inf. Syst. 5 (2), 219–234.

Chiang, D.M.-H., Lin, C.-P., Chen, M.-C., 2014. Data mining based storage assignment heuristics for travel distance reduction. Expert Syst. 31 (1), 81–90.

Chien, C., Diaz, A.C., Lan, Y., 2014. A data mining approach for analyzing semicon- ductor MES and FDC data to enhance overall usage effectiveness (OUE). Int. J. Comput. Intell. Syst. 7, 52–65 No. sup2.

Choi, Y., Lee, H., Irani, Z., 2016. Big data-driven fuzzy cognitive map for prioritising IT service procurement in the public sector. Ann. Oper. Res. 243 (1–2), 1–30 Springer US.

Chong, A.Y.L., Li, B., Ngai, E.W.T., Ch’ng, E., Lee, F., 2016. Predicting online product sales via online reviews, sentiments, and promotion strategies. Int. J. Oper. Prod. Manage. 36 (4), 358–383.

Chuang, Y.F., Chia, S.H., Wong, J.Y., 2014. Enhancing order-picking efficiency through data mining and assignment approaches. WSEAS Trans. Bus. Econ. 11 (1), 52–64. Cui, J., Liu, F., Hu, J., Janssens, D., Wets, G., Cools, M., 2016. Identifying mismatch between urban travel demand and transport network services using GPS data: a case study in the fast growing Chinese city of Harbin. Neurocomputing 181,

4–18 Elsevier.
Dai, Q., Zhong, R., Huang, G.Q., Qu, T., Zhang, T., Luo, T.Y., 2012. Radio frequency

identification-enabled real-time manufacturing execution system: a case study

in an automotive part manufacturer. Int. J. Comput. Integr. Manuf. 25 (1), 51–65. Delen, D., Demirkan, H., 2013. Data, information and analytics as services. Decis.

Support Syst. 55 (1), 359–363 Elsevier B.V.
Delen, D., Erraguntla, M., Mayer, R.J., Wu, C.-N., 2011. Better management of blood

supply-chain with GIS-based analytics. Ann. Oper. Res. 185 (1), 181–193.
Do, N., 2014. Application of OLAP to a PDM database for interactive performance evaluation of in-progress product development. Comput. Ind. 65 (4), 636–645

Elsevier B.V.
Dobre, C., Xhafa, F., 2014. Intelligent services for big data science. Future Gener.

Comput. Syst. 37, 267–281 Elsevier B.V.

Duan, L., Xiong, Y., 2015. Big data analytics and business analytics. J. Manage. Anal. 2 (1), 1–21 Taylor & Francis.

Dubey, R., Gunasekaran, A., Childe, S.J., Wamba, S.F., Papadopoulos, T., 2016. The im- pact of big data on world-class sustainable manufacturing. Int. J. Adv. Manuf. Technol. 84 (1–4), 631–645.

Dutta, D., Bose, I., 2015. Managing a big data project: the case of Ramco Cements Limited. Int. J. Prod. Econ. 165, 293–306 Elsevier.

Ehmke, J.F., Campbell, A.M., Thomas, B.W., 2016. Data-driven approaches for emis- sions-minimized paths in urban areas. Comput. Oper. Res. 67, 34–47 Elsevier.

Emani, C.K., Cullot, N., Nicolle, C., 2015. Understandable Big Data: a survey. Comput. Sci. Rev. 17, 70–81 Elsevier Inc.

Erl, T., Khattak, W., Buhler, P., 2016. Big Data Fundamentals. Prentice Hall available at: file:///C:/2016-2017/Research/Paper/COR_Jimmy and Vir/References/Referencing for Li/37.pdf.

Fang, X., Zhan, J., 2015. Sentiment analysis using product review data. J. Big Data 2 (1), 5 Journal of Big Data.

Fawcett, S., Waller, M., 2014. Supply Chain Game Changers—Mega, Nano, and Virtual Trends—And Forces That Impede Supply Chain Design (i.e., Building a Winning Team). Journal of Business Logistics 35 (3), 157–164.

Gandomi, A., Haider, M., 2015. Beyond the hype: big data concepts, methods, and analytics. Int. J. Inf. Manage. 35 (2), 137–144 Elsevier Ltd.

Ghedini Ralha, C., Sarmento Silva, C.V., 2012. A multi-agent data mining system for cartel detection in Brazilian government procurement. Expert Syst. Appl. 39 (14), 11642–11656.

Giannakis, M., Louis, M., 2016. A multi-agent based system with big data processing for enhanced supply chain agility. J. Enterp. Inf. Manage. 29 (5), 706–727.

Govindan, K., Soleimani, H., Kannan, D., 2014. Reverse logistics and closed-loop sup- ply chain: a comprehensive review to explore the future. Eur. J. Oper. Res. 240 (3), 603–626.

Gunasekaran, A., Kumar Tiwari, M., Dubey, R., Fosso Wamba, S., 2016. Big data and predictive analytics applications in supply chain management. Comput. Ind. Eng. 101 (C), 525–527.

Gunasekaran, A., Papadopoulos, T., Dubey, R., Wamba, S.F., Childe, S.J., Hazen, B., Ak- ter, S., 2017. Big data and predictive analytics for supply chain and organiza- tional performance. J. Bus. Res. 70, 308–317.

Guo, S.Y., Ding, L.Y., Luo, H.B., Jiang, X.Y., 2016. A Big-Data-based platform of work- ers’ behavior: observations from the field. Accid. Anal. Prev. 93, 299–309 Else- vier Ltd.

Hazen, B.T., Skipper, J.B., Boone, C.A., Hill, R.R., 2016. Back in business: operations research in support of big data analytics for operations and supply chain man- agement. Ann. Oper. Res. (May) 1–11 Springer US.

He, W., Wu, H., Yan, G., Akula, V., Shen, J., 2015. A novel social media competitive analytics framework with sentiment benchmarks. Inf. Manage. 52 (7), 801–812. Helo, P., Hao, Y., 2017. Cloud manufacturing system for sheet metal processing. Prod.

Plann. Control 28 (May), 524–537.
Hofmann, E., 2015. Big data and supply chain decisions: the impact of volume, va-

riety and velocity properties on the bullwhip effect. Int. J. Prod. Res. 7543 (De-

cember), 1–19 2015.
Hsu, C.-Y., Lin, S.-C., Chien, C.-F., 2015a. A back-propagation neural network with a

distributed lag model for semiconductor vendor-managed inventory. J. Ind. Prod.

Eng. 32 (3), 149–161.
Hsu, C.-Y., Yang, C.-S., Yu, L.-C., Lin, C.-F., Yao, H.-H., Chen, D.-Y., Robert Lai, K., et al.,

2015b. Development of a cloud-based service framework for energy conserva- tion in a sustainable intelligent transportation system. Int. J. Prod. Econ. 164, 454–461 Elsevier.

Huang, T., Lan, L., Fang, X., An, P., Min, J., Wang, F., 2015. Promises and challenges of big data computing in health sciences. Big Data Res. 2 (1), 2–11 Elsevier Inc. Huang, T., Van Mieghem, J.A., 2014. Clickstream data and inventory management:

model and empirical analysis. Prod. Oper. Manage. 23 (3), 333–347.
Huang, Y.-Y., Handfield, R.B., 2015. Measuring the benefits of ERP on supply man- agement maturity model: a ‘big data’ method. Int. J. Oper. Prod. Manage. 35 (1),

2–25.
IBM, 2012. What is Big Data? IBM Corporation.
IDC, 2012. The Digital Universe in 2020: Big Data, Bigger Digital Shadows, and

Biggest Growth in the Far East.
Jain, R., Singh, A.R., Yadav, H.C., Mishra, P.K., 2014. Using data mining synergies

for evaluating criteria at pre-qualification stage of supplier selection. J. Intell.

Manuf. 25 (1), 165–175.
Jin, J., Liu, Y., Ji, P., Liu, H., 2016. Understanding big consumer opinion data for mar-

ket-driven product design. Int. J. Prod. Res. 54 (10), 3019–3041.
Jun, S., Park, D., Yeom, J., 2014. The possibility of using search traffic information to explore consumer product attitudes and forecast consumer preference. Technol.

Forecasting Soc. Change 86, 237–253 Elsevier Inc.
Krumeich, J., Werth, D., Loos, P., 2016. Prescriptive control of business processes.

Bus. Inf. Syst. Eng. 58 (4), 261–280 Springer Fachmedien Wiesbaden.
Kumar, A., Shankar, R., Choudhary, A., Thakur, L.S., 2016. A big data MapReduce framework for fault diagnosis in cloud-based manufacturing. Int. J. Prod. Res.

54 (23), 7060–7073.
Kuo, R.J., Pai, C.M., Lin, R.H., Chu, H.C., 2015. The integration of association rule min-

ing and artificial immune network for supplier selection and order quantity al-

location. Appl. Math. Comput. 250, 958–972 Elsevier Inc.
Lee, C.K.H., 2016. A GA-based optimisation model for big data analytics supporting

anticipatory shipping in Retail 4.0. Int. J. Prod. Res. 54 (August), 1–13.
Lee, C.K.H., Choy, K.L., Ho, G.T.S., Lin, C., 2016. A cloud-based responsive replenish- ment system in a franchise business model using a fuzzy logic approach. Expert

Syst. 33 (1), 14–29.

Lei, N., Moon, S.K., 2015. A decision support system for market-driven product po- sitioning and design. Decis. Support Syst. 69, 82–91 Elsevier B.V.

Li, B., Ch’ng, E., Chong, A.Y., Bao, H., 2016a. Predicting online e-marketplace sales performances: a big data approach. Comput. Ind. Eng. doi:10.1016/j.cie.2016.08. 009, Elsevier Ltd, Vol. Accepted.

Li, H., Parikh, D., He, Q., Qian, B., Li, Z., Fang, D., Hampapur, A., 2014. Improving rail network velocity: a machine learning approach to predictive maintenance. Transp. Res. Part C 45, 17–26 Elsevier Ltd.

Li, J., Moghaddam, M., Nof, S.Y., 2016b. Dynamic storage assignment with prod- uct affinity and ABC classification—a case study. Int. J. Adv. Manuf. Technol. 84 (9–12), 2179–2194 The International Journal of Advanced Manufacturing Tech- nology.

Li, L., Su, X., Wang, Y., Lin, Y., Li, Z., Li, Y., 2015. Robust causal dependence mining in big data network and its application to traffic flow predictions. Transp. Res. Part C 58, 292–307.

Li, X., Song, J., Huang, B., 2016. A scientific workflow management system architec- ture and its scheduling based on cloud service platform for manufacturing big data analytics. Int. J. Adv. Manuf. Technol. 84 (1–4), 119–131.

Ling Ho, C., Wen Shih, H., 2014. Applying data ming to develop a warning system of procurement in construction. Int. J. Future Comput. Commun. 3 (3), 168–171. Ma, J., Kwak, M., Kim, H.M., 2014. Demand trend mining for predictive life cycle

design. J. Cleaner Prod. 68, 189–199 Elsevier Ltd.

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., Byers, A.H., 2011. Big data: The next frontier for innovation, competition, and productivity. McK- insey Global Inst. doi:10.1080/01443610903114527.

Marine-Roig, E., Anton Clavé, S., 2015. Tourism analytics with massive user-gener- ated content: a case study of Barcelona. J. Destination Market. Manage. 4 (3), 162–172 Elsevier.

Mastrogiannis, N., Boutsinas, B., Giannikos, I., 2009. A method for improving the accuracy of data mining classification algorithms. Comput. Oper. Res. 36 (10), 2829–2839.

Mayring, P., 2008. Qualitative Inhaltsanalyse (Qualitative content Analysis), tenth ed. Beltz, Weinheim.

Mehmood, R., Meriton, R., Graham, G., Hennelly, P., Kumar, M., Mehmood, R., Meri- ton, R., et al., 2017. Exploring the influence of big data on city transport opera- tions : a Markovian approach. J. Oper. Prod. Manage. 37 (1), 75–104.

Meziane, F., Proudlove, N., 2000. Intelligent systems in manufacturing: current de- velopments and future prospects. Integr. Manuf. Syst. 11 (4), 218–238.

Miroslav, M., Miloš, M., Velimir, Š., Božo, D., Đorđe, L., 2014. Semantic technologies on the mission: Preventing corruption in public procurement. Comput. Ind. 65 (5), 878–890.

Mishra, D., Gunasekaran, A., Papadopoulos, T., Childe, S.J., 2016. Big data and supply chain management: a review and bibliometric analysis. Ann. Oper. Res. 1–24.

Mori, J., Kajikawa, Y., Kashima, H., Sakata, I., 2012. Machine learning approach for finding business partners and building reciprocal relationships. Expert Syst. Appl. 39 (12), 10402–10407 Elsevier Ltd.

O’Donovan, P., Leahy, K., Bruton, K., O’Sullivan, D.T.J., 2015. Big data in manufactur- ing: a systematic mapping study. J. Big Data 2 (1), 20 Journal of Big Data.

Olson, D.L., 2015. A review of supply chain data mining publications. J. Supply Chain Manage. Sci. 9, 1–13.

Ong, J.B.S., Wang, Z., Goh, R.S.M., Yin, X.F., Xin, X., Fu, X., 2015. Understanding nat- ural disasters as risks in supply chain management through web data analysis. Int. J. Comput. Commun. Eng. 4 (2), 126–133.

Opresnik, D., Taisch, M., 2015. The value of big data in servitization. Int. J. Prod. Econ. 165, 174–184 Elsevier.

Oracle, 2012. Big Data for the Enterprise.
Papadopoulos, T., Gunasekaran, A., Dubey, R., Altay, N., Childe, S.J., Fosso-Wamba, S.,

  1. The role of big data in explaining disaster resilience in supply chains for

sustainability. J. Cleaner Prod. 142, 1108–1118 Elsevier Ltd.
Prasad, S., Zakaria, R., Altay, N., 2016. Big data in humanitarian supply chain

networks: a resource dependence perspective. Ann. Oper. Res. (August) 1–31

Springer US.
Rehman, M.H.ur, Chang, V., Batool, A., Wah, T.Y., 2016. Big data reduction framework

for value creation in sustainable enterprises. Int. J. Inf. Manage. 36 (6), 917–928

Elsevier Ltd.
Ramanathan, U., Subramanian, N., Parrott, G., 2017. Role of social media in retail

network operations and marketing to enhance customer satisfaction. Int. J. Oper.

Prod. Manage. 37 (1), 105–123.
Rozados, I.V., Tjahjono, B., 2014. Big data analytics in supply chain management:

trends and related research. 6th International Conference on Operations and

Supply Chain Management.
Salehan, M., Kim, D.J., 2016. Predicting the performance of online consumer re-

views: a sentiment mining approach to big data analytics. Decis. Support Syst.

81, 30–40 Elsevier B.V.

Sanders, N.R., 2014. Big Data Driven Supply Chain Management. Pearson Education, Inc. available at: http://ptgmedia.pearsoncmg.com/images/9780133801286/ samplepages/0133801284.pdf.

Saumyadipta, B.L.S.P., Rao, P., Rao, S.B., 2016. Big Data Analytics: Methods and Applications. Springer available at: 5 https://books.google.co.uk/books?id=_ xhADQAAQBAJ&printsec=frontcover#v=onepage&q=prescriptive&f=false.

Schmidt, B., Flannery, P., DeSantis, M., 2014. Real-time predictive analytics, big data & energy market efficiency: key to efficient markets and lower prices for con- sumers. Appl. Mech. Mater. 704, 453–458.

Schmidt, B., Flannery, P., DeSantis, M., 2015. Real-time predictive analytics, big data & amp; energy market efficiency: key to efficient markets and lower prices for consumers. Appl. Mech. Mater. 704, 453–458.

Schoenherr, T., Speier-Pero, C., 2015. Data science, predictive analytics, and big data in supply chain management: current state and future potential. J. Bus. Logist. 36 (1), 120–132.

Seuring, S., 2013. A review of modeling approaches for sustainable supply chain management. Decis. Support Syst. 54 (4), 1513–1520 Elsevier B.V.

Seuring, S., Müller, M., 2008. From a literature review to a conceptual framework for sustainable supply chain management. J. Cleaner Prod. 16 (15), 1699–1710.

Shan, Z., Zhu, Q., 2015. Camera location for real-time traffic state estimation in ur- ban road network using big GPS data. Neurocomputing 169, 134–143 Elsevier.

Sheffi, Y., 2015. Preparing for disruptions through early detection preparing for dis- ruptions through early detection. MIT Sloan Manage. Rev. 57 (1), 31–42.

Shi, Q., Abdel-Aty, M., 2015. Big Data applications in real-time traffic operation and safety monitoring and improvement on urban expressways. Transp. Res. Part C 58, 380–394 Elsevier Ltd.

Shu, Y., Ming, L., Cheng, F., Zhang, Z., Zhao, J., 2016. Abnormal situation manage- ment: challenges and opportunities in the big data era. Comput. Chem. Eng. 91, 104–113 Elsevier Ltd.

Sivamani, S., Kwak, K., Cho, Y., 2014. A study on intelligent user-centric logistics service model using ontology. J. Appl. Math. 2014 (162838), 1–10.

Song, M.-L., Fisher, R., Wang, J.-L., Cui, L.-B., 2016. Environmental performance eval- uation with big data: theories and methods. Ann. Oper. Res. (March) 1–14 Springer US.

St-Aubin, P., Saunier, N., Miranda-Moreno, L., 2015. Large-scale automated proactive road safety analysis using video data. Transp. Res. Part C 58, 363–379 Elsevier Ltd.

Stefanovic, N., 2015. Collaborative predictive business intelligence model for spare parts inventory replenishment. Comput. Sci. Inf. Syst. 12 (3), 911–930.

Tan, K.H., Zhan, Y., Ji, G., Ye, F., Chang, C., 2015. Harvesting big data to enhance sup- ply chain innovation capabilities: an analytic infrastructure based on deduction graph. Int. J. Prod. Econ. 165, 223–233 Elsevier.

Tan, M., Lee, W., 2015. Evaluation and improvement of procurement process with data analytics. Int. J. Adv. Comput. Sci. Appl. 6 (8), 70–80.

Ting, S.L.L., Tse, Y.K.K., Ho, G.T.S.T.S., Chung, S.H.H., Pang, G., 2014. Mining logistics data to assure the quality in a sustainable food supply chain: a case in the red wine industry. Int. J. Prod. Econ. 152, 200–209.

Toole, J.L., Colak, S., Sturt, B., Alexander, L.P., Evsukoff, A., González, M.C., 2015. The path most traveled: Travel demand estimation using big data resources. Transp. Res. Part C 58, 162–177 Elsevier Ltd.

Tranfield, D., Denyer, D., Smart, P., 2003. Towards a methodology for developing ev- idence-informed management knowledge by means of systematic review. Br. J. Manage. 14 (3), 207–222.

Tsai, C.-W., Lai, C.-F., Chao, H.-C., Vasilakos, A.V., 2015. Big data analytics: a survey. J. Big Data 2 (1), 21 Springer International Publishing.

Tsai, C.-Y., Huang, S.-H., 2015. A data mining approach to optimise shelf space al- location in consideration of customer purchase and moving behaviours. Int. J. Prod. Res. 53 (3), 850–866.

Tu, W., Li, Q., Fang, Z., Shaw, S., Zhou, B., Chang, X., 2016. Optimizing the locations of electric taxi charging stations: a spatial–temporal demand coverage approach. Transp. Res. Part C 65 (3688), 172–189 Elsevier Ltd.

Waller, M.A., Fawcett, S.E., 2013. “Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management. J. Bus. Logist. 34 (2), 77–84.

Walker, G., Strathie, A., 2016. Big data and ergonomics methods: a new paradigm for tackling strategic transport safety risks. Appl. Ergon. 53, 298–311 Elsevier Ltd.

Wamba, S.F., Akter, S., Coltman, T., Ngai, E.W.T., 2015a. Information technology-en- abled supply chain management. Prod. Plann. Control 26 (12), 933–944.

Wamba, S.F., Akter, S., Edwards, A., Chopin, G., Gnanzou, D., 2015b. How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study. Int. J. Prod. Econ. 165 (July), 234–246 Elsevier.

Wamba, S.F., Ngai, E.W.T., Riggins, F., Akter, S., 2017. Transforming operations and production management using big data and business analytics: future research directions. Int. J. Oper. Prod. Manage. 37 (1), 2–9.

Wang, C., Li, X., Zhou, X., Wang, A., Nedjah, N., 2016a. Soft computing in big data intelligent transportation systems. Appl. Soft Comput. 38, 1099–1108

Wang, G., Gunasekaran, A., Ngai, E.W.T., Papadopoulos, T., 2016b. Big data analytics in logistics and supply chain management: certain investigations for research and applications. Int. J. Prod. Econ. 176, 98–110 Elsevier.

Wang, J., Zhang, J., 2016. Big data analytics for forecasting cycle time in semicon- ductor wafer fabrication system. Int. J. Prod. Res. 54 (23), 7231–7244.

Wang, J., Zhang, L., Duan, L., Gao, R.X., 2015. A new paradigm of cloud-based predic- tive maintenance for intelligent manufacturing. J. Intell. Manuf. (March) 1–13.

Wang, S., Wan, J., Zhang, D., Li, D., Zhang, C., 2016c. Towards smart factory for in- dustry 4.0: a self-organized multi-agent system with big data based feedback and coordination. Comput. Netw. 101, 158–168.

Wang, Z., Tu, L., Guo, Z., Yang, L.T., Huang, B., 2014. Analysis of user behaviors by mining large network data sets. Future Gener. Comput. Syst. 37, 429–437 Else- vier B.V.

Wegner, M., Küchelhaus, M., 2013. Big Data in Logistics. DHL Customer Solutions & Innovation.

White, M., 2012. Digital workplaces: vision and reality. Bus. Inf. Rev. 29 (4), 205–214. Wu, K., Liao, C., Tseng, M., Lim, M.K., Hu, J., Tan, K., 2017. Toward sustainability: using big data to explore the decisive attributes of supply chain risks and un-

certainties. J. Cleaner Prod. 142, 663–676 Elsevier Ltd.
Xia, D., Wang, B., Li, H., Li, Y., Zhang, Z., 2016. A distributed spatial–temporal

weighted model on MapReduce for short-term traffic flow forecasting. Neuro-

computing 179 (ii), 246–263 Elsevier.
Yan-Qiu, L., Hao, W., 2016. Optimization for service supply network base on the

user’s delivery time under the background of big data. In: 2016 Chinese Control

and Decision Conference (CCDC), 13. IEEE, pp. 4564–4569.
Yu, R., Abdel-Aty, M., 2014. Analyzing crash injury severity for a mountainous free-

way incorporating real-time traffic and weather data. Saf. Sci. 63, 50–56 Elsevier

Ltd.
Zangenehpour, S., Miranda-Moreno, L.F., Saunier, N., 2015. Automated classification

based on video data at intersections with heavy pedestrian and bicycle traffic:

methodology and application. Transp. Res. Part C 56, 161–176 Elsevier Ltd. Zhang, C., Yao, X., Zhang, J., 2015a. Abnormal condition monitoring of work- pieces based on RFID for wisdom manufacturing workshops. Sensors 15 (12),

30165–30186.
Zhang, J., Meng, W., Liu, Q., Jiang, H., Feng, Y., Wang, G., 2016. Efficient vehicles path

planning algorithm based on taxi GPS big data. Opt. Int. J. Light Electron Opt.

127 (5), 2579–2585 Elsevier GmbH.
Zhang, Y., Ren, S., Liu, Y., Si, S., 2017. A big data analytics architecture for cleaner

manufacturing and maintenance processes of complex products. J. Cleaner Prod.

142, 626–641 Elsevier Ltd.
Zhang, Y., Zhang, G., Du, W., Wang, J., Ali, E., Sun, S., 2015b. An optimization method

for shopfloor material handling based on real-time and multi-source manufac-

turing data. Int. J. Prod. Econ. 165, 282–292 Elsevier.
Zhao, R., Liu, Y., Zhang, N., Huang, T., 2016. An optimization model for green supply

chain management by using a big data analytic approach. J. Cleaner Prod. 142,

1085–1097 Elsevier Ltd.
Zhao, X., Yeung, K., Huang, Q., Song, X., 2015. Improving the predictability of busi-

ness failure of supply chain finance clients by using external big dataset. (Xi- aojun Wang, Professor Leroy White, D.,Ed.). Ind. Manage. Data Syst. 115 (9), 1683–1703.

Zhong, R.Y., Huang, G.Q., Lan, S., Dai, Q.Y., Chen, X., Zhang, T., 2015a. A big data approach for logistics trajectory discovery from RFID-enabled production data. Int. J. Prod. Econ. 165, 260–272.

Zhong, R.Y., Huang, G.Q., Lan, S., Dai, Q.Y., Zhang, T., Xu, C., 2015b. A two-level ad- vanced production planning and scheduling model for RFID-enabled ubiquitous manufacturing. Adv. Eng. Inf. 29 (4), 799–812 Elsevier Ltd.

Zhong, R.Y., Lan, S., Xu, C., Dai, Q., Huang, G.Q., 2016. Visualization of RFID-enabled shopfloor logistics big data in cloud manufacturing. Int. J. Adv. Manuf. Technol. 84 (1–4), 5–16.

Zhong, R.Y., Xu, C., Chen, C., Huang, G.Q., 2015c. Big data analytics for physical inter- net-based intelligent manufacturing shop floors. Int. J. Prod. Res. 7543 (Septem- ber), 1–12.

Brand engagement in self‐concept and consumer engagement in social media: The role of the source.

Référence au format APA :

Giakoumaki C, Krepapa, A. (2020), Brand engagement in self‐concept and consumer engagement in social media: The role of the source. Psychol Mark, volume 37, 457–465 

Mots clés de l’article :

Mots clés : BESC, engagement des consommateurs, Instagram, marque de luxe, concept de soi, médias sociaux, type de source.

Synthèse :

Giakoumaki C, Krepapa démontrent que trois types de sources de post différents de marque sur les réseaux sociaux, mais plus précisément sur Instagram, engendrent de l’engagement auprès des consommateurs car ils se sentent affectés par la tendance et intègrent ainsi les marques dans leur concept de soi (BESC). Leurs hypothèses veulent que le type de source joue un rôle médiateur sur la corrélation entre le BESC et l’engagement des consommateurs, mais aussi sur l’engagement des marques de luxes dans le concept de soi autour des réseaux sociaux.

  • En premier lieu, nous analyserons les caractéristiques des différents types de sources lié à un post de marque sur Instagram. 
  • Nous soulignerons ensuite en quelques lignes les effets de ses différents types de sources. Puis, nous terminerons par donner les diverses définitions de ses effets. 

Développement : 

Selon Giakoumaki C, Krepapa, l’un des facteurs les plus importants qui affectent l’engagement envers les messages sur les médias sociaux est le créateur ou le distributeur de la source (Giakoumaki C, Krepapa, p 459).

Ainsi, les chercheurs ont classé trois types de sources de contenu qui sont : 

  1. 1. Le contenu sponsorisé par une marque (Giakoumaki C, Krepapa, p 459), où la marque est la source.

Le contenu sponsorisé par la marque implique la publication cohérente et fréquente de contenu (connu sous le nom de marketing de contenu ou de publication sociale) et est considéré comme une activité cruciale pour une marque afin de maintenir et d’engager sa base de followers dans le paysage des médias sociaux (Giakoumaki C, Krepapa, p 459). C’est un principe fondamental en marketing que la familiarité de la marque mène à la confiance (Giakoumaki C, Krepapa, p 459), et que la confiance dans la source est positivement liée aux niveaux d’engagement (Giakoumaki C, Krepapa, p 459).

  1. 2. Le contenu semi-sponsorisé, par l’utilisation d’endosseurs tiers indépendants, c’est-à-dire les influenceurs de marque (Giakoumaki C, Krepapa, p 459). Dans cette source dans les médias sociaux implique le recours à des influenceurs de marque, qui sont des leaders d’opinion exerçant une grande influence sur les membres d’une communauté en ligne (Giakoumaki C, Krepapa, p 460). Il s’agit d’endosseurs indépendants et tiers, qui peuvent influencer les comportements (comme l’engagement) et les attitudes du public sur les médias sociaux (Giakoumaki C, Krepapa, p 460). Comme pour le contenu sponsorisé par une marque, la familiarité avec un influenceur de marque affecte la confiance dans le message. 
  1. 3. Le contenu généré par les utilisateurs, qui échappe généralement au contrôle de la marque (Giakoumaki C, Krepapa, p 460). Cette source concerne les utilisateurs ou les fans, qui influencent les perceptions et les comportements d’autres individus par le biais d’interactions sociales (Giakoumaki C, Krepapa, p 460). Les marques visent à tirer parti de leur influence sur les utilisateurs (Giakoumaki C, Krepapa, p 460), car ce type de source a le plus grand impact sur la portée des posts sur les médias sociaux (Giakoumaki C, Krepapa, p 460).

Ces différents types de sources peuvent affecter l’engagement des utilisateurs. Aussi, ces sources de contenu jouent un rôle modérateur dans la relation entre BESC et l’engagement post sur Instagram concernant une marque de luxe. Selon une étude qualitative de Bazi, Filieri et Gorton (2018), l’un des quatre facteurs qui influencent l’engagement envers les marques de luxe sur Facebook et Instagram est ” l’image sociale idéale de soi “, qui fait partie de l’image de soi et concerne la façon dont le consommateur aimerait que les autres le voient. Pour Instagram en particulier, l’interaction sociale, le besoin d’appartenance et l’expression de soi font partie des principales motivations d’utilisation de la plateforme (Giakoumaki C, Krepapa, p 459). Cette perspective semble bien s’aligner sur le point de vue de Flynn et al. (2016) selon lequel ” pour les BESC, le consommateur utilise des produits de marque pour renforcer la façon dont il se perçoit. Les consommateurs utilisent les marques pour valider et même créer leur image de soi “. Ainsi, nous pouvons dire que le type de source a un impact considérable sur le BESC, l’engagement client et sur le concept de soi.

  1. 1. Le BESC désigne la tendance des consommateurs à intégrer les marques dans leur concept de soi (Giakoumaki C, Krepapa, p 458) et est considérée comme un facteur de motivation du comportement des consommateurs.
  2. 2. Vivek, Beatty et Morgan (2012), définissent l’engagement client comme ” l’intensité de la participation d’un individu dans et en relation avec les offres ou les activités organisationnelles d’une organisation, que le client ou l’organisation initie ” (p. 133).
  3. 3. Le concept de soi aide les individus à organiser les informations entrantes et à donner un sens à eux-mêmes et à leur environnement.

Finalement, les réseaux sociaux mais plus précisement Instagram est un moyen mais aussi une stratégie pour les marques de luxe de générer plus de d’engagement client tout en utilisant le type de source adéquate. 

Conclusion : 

Instagram est la principale plateforme qui suscite l’engagement des marques de luxe, enregistrant 95 % de toutes les actions d’engagement social en 2018 (986 millions de likes et de commentaires). Instagram, le site de réseau social le plus omniprésent pour les marques de luxe et leurs followers, pour communiquer leur personnalité unique, raconter une histoire, renforcer leur image et construire des impressions (Giakoumaki C, Krepapa, p 458).

Références bibliographiques

  • Gilbert, E., Bakhshi, S., Chang, S., & Terveen, L. (2013). I need to try this?: A statistical overview of pinterest. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, ACM, Paris, France, 2013, pp. 2427‐2436. 
  • Hu, Y., Manikonda, L., & Kambhampati, S. (2014). What we Instagram: A first analysis of Instagram photo content and user types. Proceedings of the 8th International Conference on Weblogs and Social Media, The AAAI Press, Ann Harbor, US, 2014, pp. 595‐598. 
  • Aakonmäki, R., Müller, O., & vom Brocke, J. (2017). The Impact of content, context, and creator on user engagement in social media marketing. Proceedings of the 50th Hawaii International Conference on System Sciences, pp. 1152‐1160. 
  • Paek, H., Hove, T., Jeong, H. J., & Kim, M. (2011). Peer or expert? The persuasive impact of YouTube public service announcement producers. International Journal of Advertising, 30(1), 161–188. 
  • Van der Lans, R., van Bruggen, G., Eliashberg, J., & Wierenga, B. (2010). A viral branching model for predicting the spread of electronic word‐of‐ mouth. Marketing Science, 29(2), 348–365. 
  • Tuten, T., & Solomon, M. (2013). Social media marketing. Upper Saddle River, NJ: Pearson. 
  • Ha, H. Y., & Perks, H. (2005). Effects of consumer perceptions of brand experience on the web: Brand familiarity, satisfaction, and brand trust. Journal of Consumer Behaviour, 4(6), 438–452. 
  • Pansari, A., & Kumar, V. (2017). Customer engagement: The construct, antecedents, and consequences. Journal of the Academy of Marketing Science, 45, 294–311. 
  • Freberg, K., Graham, K., McGaughey, K., & Freberg, L. A. (2011). Who are the social media influencers? A study of public perceptions of personality. Public Relations Review, 37(1), 90–92. 
  • Ang, L. (2011). Community relationship management and social media. Journal of Database Marketing & Customer Strategy Management, 18(1), 31–38. 
  • Freberg, K., Graham, K., McGaughey, K., & Freberg, L. A. (2011). Who are the social media influencers? A study of public perceptions of personality. Public Relations Review, 37(1), 90–92. 
  • Booth, N., & Matic, J. A. (2011). Mapping and leveraging influencers in social media to shape corporate brand perceptions. Corporate Communications: An International Journal, 16(3), 184–191. https://doi. org/10.1108/13563281111156853 
  • Roelens, I., Baecke, P., & Benoit, D. F. (2016). Identifying influencers in a social network: The value of real referral data. Decision Support Systems, 91, 25–36. 
  • Lipsman, A., Mudd, G., Rich, M., & Bruich, S. (2012). The power of “Like”: How brands reach (and influence) fans through social‐media marketing. Journal of Advertising Research, 52(1), 40–52. https://doi. org/10.2501/JAR‐52‐1‐040‐052 
  • Jackson, C. A., & Luchner, A. F. (2018). Self‐presentation mediates the relationship between Self‐criticism and emotional response to Instagram feedback. Personality and Individual Differences, 133, 1–6. 
  • Sprott, D., Czellar, S., & Spangenberg, E. (2009). The importance of a general measure of brand engagement on market behavior: Development and validation of a scale. Journal of Marketing Research, 46(1), 92–104. 
  • Vaynerchuk, G. (2013). Jab, jab, jab, right hook: How to tell your story in a noisy social world. New York, NY: Harper Collins. 

Authenticité en ligne, expérience émotionnelle et intentions de visite.

Jessie Pallud, Christophe Elie-Dit-Cosaque (2015). Authenticité en ligne, expérience émotionnelle et intentions de visite. Management & Avenir 2011/5 n° 45 | pages 257 à 279

Introduction

Cet étude traite du tourisme culturel et des avantages que procure l’usage des nouvelles technologies dans ce domaine. En effet, de nombreux voyageurs prévoient des visites culturelles durant leur séjour, afin de rencontrer des peuples locaux ou des biens originels, et de vivre ainsi un séjour « authentique ». Or, les organismes culturels usent de plus en plus des nouvelles technologies, comme les guides audio, ce qui peut diminuer la sensation d’authenticité que recherchent les visiteurs. L’étude en question s’intéresse donc à l’émotion des touristes qui ont usé de telles technologies durant leur visite, émotion qui peut être affectée par différents facteurs.

Développement

Cette étude examine le sentiment d’authenticité recherché et perçu par les touristes durant leurs visites. L’authenticité peut se définir comme le naturel, l’origine véritable d’un fait ou d’un bien, permettant aux individus de se dissocier de leur temps, et ainsi de ressentir du plaisir. Or, de plus en plus de technologies, comme le multimédia, sont mises en œuvre au cours des visites et celles-ci étant tout l’inverse du « naturel », on pourrait craindre qu’elles affectent l’authenticité recherchée. Pourtant, plusieurs études montrent qu’à l’inverse, la conception de sites Internet (les images, les sons, l’esthétique et la personnalisation du site) permet d’offrir aux navigateurs un plus grand sentiment d’authenticité.

Les auteurs de l’article se sont notamment penchés sur l’influence de la pré-visite Internet sur l’intention de visiter le musée et celle-ci dépend de l’authenticité du site et du flow, c’est-à-dire de l’émotion ressentie par l’utilisateur, comme sa curiosité ou son plaisir. Ainsi, lorsque les sites regorgent d’informations, cela incite les utilisateurs à y retourner et même à visiter réellement le musée. Plus le site est bien conçu, facile d’utilisation, attirant (images, sons, animations, informations), plus il va attirer l’attention et la curiosité de l’internaute et l’inciter à visiter le musée. L’authenticité n’est donc pas anéantie par les technologies. Bien au contraire, celles-ci permettent d’apporter un sentiment de réalité à l’utilisateur, lors de ses visites virtuelles. La dimension esthétique du site est donc essentielle pour donner envie aux visiteurs de naviguer sur le site et de se rendre au musée. Pour illustrer cette influence, l’étude prend le cas d’un musée parisien d’art asiatique. Le design du site reflète bien la dimension asiatique de l’art, des jeux rendent la recherche plus ludique, et des visites virtuelles sont possibles. Des questionnaires ont été mis en ligne à l’intention des internautes et il en ressort que plusieurs facteurs influencent positivement les visiteurs à retourner sur le site comme leur âge, les émotions ressenties, l’esthétique du site, l’authenticité perçue, etc… L’étude confirme également que plus l’internaute retourne sur le site, plus il a envie de se rendre physiquement au musée. En revanche, le nombre de visites déjà effectuées au musée, et la facilité de compréhension des informations ne paraissent pas influencer le comportement des visiteurs pour le moment.

Le site Internet est donc déterminant puisqu’il va avoir un impact sur le nombre de visiteurs. Selon certaines revues, les musées d’art qui mettent en avant le visuel des biens doivent particulièrement travailler le design de leur site internet s’ils veulent attirer le visiteur, car c’est le flow, c’est-à-dire l’émotion ressentie par l’utilisateur en visitant le site, qui va déterminer son envie de se rendre au musée. L’un des moyens d’attirer le visiteur est de proposer des visites virtuelles en 3D.

 

Conclusion

Cette étude met en avant l’impact du site Internet des musées sur le nombre de leurs visiteurs. Les visiteurs prêtent beaucoup attention au visuel du site, au sentiment d’authenticité et à l’émotion qu’ils ressentent en le visitant. Ces établissements doivent donc être particulièrement attentifs à la conception de leur site afin de rendre leur musée attirant et ainsi accueillir un plus grand nombre de visiteurs. Grâce à cela, ils obtiendront plus de financement et pourront encore améliorer leur site.

 

Bibliographie

Agarwal R. & Karahanna E. (2000), « Time flies when you’re having fun : Cognitive absorption and beliefs about information technology usage », MIS Quarterly, Vol. 24, N° 4, p. 665-694.
Albert T.-C., Goes P.-B. & Gupta A. (2004), « Gist : A model for design and management of content and interactivity of customer-centric web sites », MIS Quarterly, Vol. 28, N° 2, p. 161-182.

Amirou R. (2000), Imaginaire du tourisme culturel of work, Presses Universitaires de France, Location/Paris.
Baudrillard J. (1983), Simulations of work, Semiotext, Location/New York.
Blas N.-D., Pia M., Romagna E. & Paolini P. (Year), “Evaluating the features of museum websites : The bologna report”, In (Ed.), Proceedings of Museums and the Web 2002 : Vol. (pp. Boston : J. Trant and D. Bearman

Blythe M., Overbeeke C., Monk A.-F. & Wright P.-C (2003), Funology : From usability to enjoyment of work, Kluwer Academic Publishers, Location/Dordrecht, The Netherlands. Boudreau M.-C., Gefen D. & Straub D. (2001), « Validation in is research : A state-of-theart assessment », Mis Quarterly, Vol. 25, N° 1, p. 1-26.

Bruner E.-M. (1994), « Abraham lincoln as authentic reproduction : A critique of postmodernism », American Anthropologist, Vol. 96, N° 2, p. 397-415.
Burton C. & Scott C. (2003), « Museums : Challenges for the 21st century », International Journal of Arts Management, Vol. 5, N° 2, p. 56-68.

Chhabra D., Healy R. & Sills E. (2003), « Staged authenticity and heritagetourism », Annals of Tourism Research, Vol. 30, N° 3, p. 702-719.
Chin W.-W., Marcolin B.-L. & Newsted P.-R. (2003), « A partial least squares latent variable modeling approach for measuring interaction effects : Results from a monte carlo simulation study and an electronic-mail emotion/adoption study », Information Systems Research, Vol. 14, N° 2, p. 189-217.

Churchill G.-A. (1979), « A paradigm for developping better measures of marketing constructs », Journal of Marketing Research, Vol. 16, N° 1, p. 64-73.
Cohen E. (1988), « Authenticity and commoditization in tourism », Annals of Tourism Research, Vol. 15, p. 371-386.

Csikszentmihalyi M. (1975), Beyond boredom and anxiety of work, Jossey-Bass, Location/ San Francisco, CA.
Davis F.-D., Bagozzi R.-P. & Warshaw P.-R. (1992), « Extrinsic and intrinsic motivation to use computers in the workplace », Journal of Applied Social Psychology, Vol. 22, p. 1111- 1132.

Deshayes S. (2002), « Audioguides et musées », La Lettre de l’OCIM, Vol. 79, p. 24-31. Deshayes S., L’usage des supports mobiles au musée, des audioguides classiques au multimedia nomade. In D. Bearman and JenniferTrant (Ed.), Proceedings of ICHIM, Digital Culture and Heritage : Vol. (pp. Berlin, Germany, August 31-September 2.

Digicult Report (2005), Core technologies for the cultural and scientific heritage sector of work, Technology Watch Report 3, European Commission, Location/Luxembourg. Donnat O. (2009), Les pratiques culturelles des français à l’ère numérique : Enquête 2008 of work, Editions La Découverte/ Ministère de la Culture et de la Communication, Location/ Evreux, France.

Eco U. (1986), Travels in hyperreality of work, Picador, Location/London.
Epstein M. & Vergani S., Mobile technologies and creative tourism : The history unwired pilot project in venice, italy, In (Ed.), Proceedings of the Twelfth Americas Conference on Information Systems, p. 1371-1380, Acapulco, Mexico.
Featherman M.-S., Valacich J.-S. & Wells J.-D. (2006), « Is that authentic or artificial ? Understanding consumer perceptions of risk in e-service encounters », Information Systems Journal, Vol. 16, p. 107-134.
Fopp M.-A. (1997), « The implications of emerging technologies for museums and galleries», Museum Management and Curatorship, Vol. 16, N° 2, p. 143-153.
Forbes J.-D. (1941), « The art museum and the american scene », The Journal of Aesthetics and Art Criticism, Vol. 1, N° 4, p. 3-11.
Fotakis T. & Economides A.-A. (2008), « Art, science/technology and history museums on the web », International Journal of Digital Culture and Electronic Tourism, Vol. 1, N°1, p. 37-63.
Fromkin H.-L. & Streufert S. (1976), « Laboratory experimentation », Handbook of industrial and organizational psychology.
Galani A. (2003), « Mixed reality museum visits : Using new technologies to support covisiting for local and remote visitors », Museological Review, Vol. 10, p. 1-15.
Gefen D., Straub D.-W. & Boudreau M.-C. (2000), « Structural equation modeling and regression : Guidelines for research practice », Communications of the Association for Information Systems, Vol. 4, N° 7, p. 1-77.
Goulding C. (2000), « The commodification of the past, postmodern pastiche, and the search for authentic experiences at contemporary heritage attractions », European Journal of Marketing, Vol. 34, N° 7.
Goulding C. (2001), « Romancing the past : Heritage visiting and the nostalgic consumer», Psychology & Marketing, Vol. 18, N° 6, p. 565-592.
Hackbarth G., Grover V. & Yi M.-Y. (2003), « Computer playfulness and anxiety : Positive and negative mediators of the system experience effect on perceived ease of use », Information & Management, Vol. 40, N° 3, p. 221-232.
Hassenzahl M. (2001), « The effect of perceived hedonic quality on product appealingness», International Journal of Human-Computer Interaction, Vol. 13, N° 4, p. 481-499. Hassenzahl M. (2004), « The interplay of beauty, goodness, and usability in interactive products », Human-Computer Interaction, Vol. 19, N° 4, p. 319-349.
Hassenzahl M. & Tractinsky N. (2006), « User experience – a research agenda », Behaviour & Information Technology, Vol. 25, N° 2, p. 91-97.
Hoffman D.-L., Novak T.-P. & Chatterjee P. (1995), « Commercial scenarios for the web : Opportunities and challenges », Journal of Computer-Mediated Communications, 3(1), Vol. 2006, N° October, 2006.
Hoffman D.-L., Novak T.-P. & Venkatesh A. (2004), « Has the internet become indispen- sable ?», Communications of the ACM, Vol. 47, N° 7, p. 37-42.
Hooper-Greenhill E. (2000), « Changing values in the art museum : Rethinking communication and learning », International Journal of Heritage Studies, Vol. 6, N° 1, p. 9-31.
Hsu C.-L. & Lu H.-P. (2004), « Why do people play on-line games ? An extended tam with social influences and flow experience », Information & Management, Vol. 41, p. 853-868. Koufaris M. (2002), « Applying the technology acceptance model and flow theory to online consumer behavior », Information Systems Research, Vol. 13, N° 2, p. 205-223. Kravchyna V. & Hastings S.-K. (2002), « Informational value of museum web sites », First Monday, Vol. 7, N° 2.
Lagrosen S. (2003), « Online service marketing and delivery : The case of Swedish museums », Journal of Information Technology, Vol. 16, N° 2, p. 132-156.
Lin A.-C.-H., Gregor S. & Huang J.-C.-C. (2008), « The hedonic experience of enjoyment and its relationship to informal learning : A study of museum websites », Proceedings of the International Conference on Information Systems (ICIS).
Loiacono E.-T., Watson R.-T. & Goodhue D.-L. (2007), « Webqual : An instrument for consumer evaluation of web sites », International Journal of Electronic Commerce, Vol. 11, N° 3, p. 51-87.
Lok B.-C. (2004), « Toward the merging of real and virtual spaces », Communications of the ACM, Vol. 47, N° 8, p. 48-53.
MacCannell D. (1973), « Staged authenticity : Arrangements of social space in tourist settings », American Journal of Sociology, Vol. 79, N° 3, p. 589-603.
MacCannell D. (1976), The tourist, a new theory of the leisure class of work, Shocken, Location/New York.
Marty P.-F. (2007), « Museum websites and museum visitors : Before and after the museum visit », Museum Management and Curatorship, Vol. 22, N° 4, p. 337-360.
Marty P.-F. & Twidale M.-B. (2004), « Lost in gallery space : A conceptual framework for analyzing the usability flaws of museum web sites », First Monday, Vol. 9, N° 9. McCannell D. (1973), « Staged authenticity : Arrangements of social space in tourist settings », American Journal of Sociology, Vol. 79, N° 3, p. 589-603.
McCarthy J. & Wright P. (2004), « Technology as experience », Interactions, Vol. 11, N°5, p. 42-43.
McCarthy J., Wright P., Wallace J. & Dearden A. (2006), « The experience of enchantment in human–computer interaction », Personal and Ubiquitous Computing, Vol. 10, p. 369- 378.
McIntosh A.-J. & Prentice R.-C. (1999), « Affirming authenticity : Consuming cultural heritage », Annals of Tourism Research, Vol. 26, N° 3, p. 589-612.
Ni Chonchuir M. & McCarthy J. (2008), « The enchanting potential of technology: A dialogical case study of enchantment and the internet », Personal and Ubiquitous Computing, N° 12, p. 401-409.
Pavlou P.-A. & Gefen D. (2004), « Building effective online marketplaces with institution based trust », Information Systems Research, Vol. 15, N° 1, p. 37-59.
Podsakoff P.-M., MacKenzie S.-B., Lee J.-Y. & Podsakoff, N.-P. (2003), « Common method biases in behavioral research : A critical review of the literature and recommended remedies », Journal of Applied Psychology, Vol. 88, N° 5, p. 879-903.
Poulot D. (2005), Musée et muséologie of work, La Découverte, Location/Paris.
Prentice R. (2001), « Experiential cultural tourism : Museums & the marketing of the new romanticism of evoked authenticity », Museum Management and Curatorship, Vol. 19, N° 1, p. 5-26.
Reisinger Y. & Steiner C.-J. (2006), « Reconceptualizing object authenticity », Annals of Tourism Research, Vol. 33, N° 1, p. 65-86.

Ringle C.-M., Wende S. & Will A. (2005), Smart pls of work, University of Hamburg, Location/Hamburg, Germany.
Sanchez-Franco M.-J. & Roldan J.-L. (2005), « Web acceptance and usage model : A comparison between goal-directed and experiential web users », Internet Research, Vol. 15, N° 1, p. 21-48.

Schenkman B.-N. & Jonsson F.-U. (2000), « Aesthetics and preferences of web pages », Behaviour & Information Technology, Vol. 19, N° 5, p. 367-377.
Sigala M. (2005), « In search of post-modern online authenticity : Assessing the quality of learning experiences at eternalegypt.Org », International cultural tourism: Management, implications and cases.

Straub D., Gefen D. & Boudreau M.-C. (2004), « The isworld quantitative, positivist research methods website », Accessed October 12, 2006.
Sun H. & Zhang P. (2006), « The role of affect in is research : A critical survey and a research model », Human-computer interaction and management information systems – foundations (1).

Thomas W.-A. & Carey S., “Actual/virtual visits : What are the links ?”, In J. T. a. D. Bearman (Ed.), Proceedings of the Museums and the Web Conference: Vol. (pp. Toronto,
Canada.
Tractinsky N., Katz A.-S. & Ikar D. (2000), « What is beautiful is usable », Interacting With Computers, Vol. 13, p. 127-145.

Trant J. (1998), « When all you’ve got is “the real thing” : Museums and authenticity in the networked world », Archives and Museum Informatics, Vol. 12, p. 107-125.
Trilling L. (1972), Sincerity and authenticity of work, Oxford University Press, Location/ London.

Tussyadiah I.-P. & Fesenmaier D.-R. (2009), « Mediating tourist experiences : Access to places via shared videos », Annals of Tourism Research, Vol. 36, N° 1, p. 24-40.
Van der Heijden H. (2004), « User acceptance of hedonic information systems », Mis Quarterly, Vol. 28, N° 4, p. 695-704.

Vance T., Elie-dit-Cosaque C. & Straub D.-W. (2008), « Examining trust in information technology artifacts : The effects of system quality and culture », Journal of Management Information Systems, Vol. 24, N° 4, p. 73-100.
Vom Lehn D. & Heath C. (2005), « Accounting for new technology in museum exhibitions», International Journal of Arts Management, Vol. 7, N° 3, p. 11-21.

Watson R., Akselsen S., Monod E. & Pitt L. (2004), « The open tourism consortium : Laying the foundations for the future of tourism », European Management Journal, Vol. 22, N° 3, p. 315-326.
Webster J., Trevino L.-K. & Ryan L. (1993), « The dimensionality and correlates of flow in human-computer interactions », Computers in Human Behavior, Vol. 9, p. 411-426.

Wolf M., Lee E. & Borchers J., Education, entertainment and authenticity : Lessons learned from designing an interactive exhibit about medieval music, In (Ed.), CHI 2007, April 28- May 3, San Jose, California, USA, (pp. 1887-1892).

« Mieux collecter les données personnelles sur Internet. Une étude qualitative auprès d’internautes français »

LANCÉLOT-MILTGÉN C. & LÉMOINÉ J.-F. (2015), « Mieux collecter les données personnelles sur Internet. Une étude qualitative auprès d’internautes français », Décisions Marketing, Vol. 79, p. 35-52.

Mot clefs: personal data, privacy, Internet, disclosure, context of request.

De nombreuses actions sur internet nécessitent que les internautes communiquent certaines données personnelles (participation à des jeux en ligne, création de comptes, etc), mais  ils craignent que leurs données soient utilisées voire divulguées. Cette étude, fondée sur le récit de plusieurs internautes, s’intéresse aux facteurs susceptibles de convaincre ou non l’internaute de communiquer ses informations personnelles, mais aussi sur les moyens que peuvent mettre en place les entreprises pour les rassurer.

 

Développement

Selon la loi Informatique et Libertés du 6 janvier 1978, une donnée personnelle est une information portant sur une personne physique « identifiée ou identifiable » grâce à un « numéro d’identification ou des éléments qui lui sont propres ». Celles-ci peuvent porter aussi bien sur l’identité de la personne que sur ses habitudes ou ses revenus, et en fonction de cela, l’internaute évalue le risque auquel il s’expose en les divulguant.

Les sociétés peuvent récolter ces informations directement par le biais de l’utilisateur en lui faisant remplir un questionnaire, en espionnant son comportement sur internet, ou par le biais d’autres clients ou sociétés qui louent les données. Cela leur permet de connaitre les clients, et plus précisément leurs centres d’intérêt ou le budget qu’ils peuvent dépenser, de ficher les clients, mais aussi d’améliorer les produits selon l’avis des consommateurs afin d’en proposer des plus performants. Les internautes ont connaissance de ces fonctions mais leur niveau d’appréciation apparait mitigé : ils apprécient que leurs particularités soient prises en compte et qu’ils puissent avoir de meilleurs produits, mais ils n’apprécient pas recevoir autant de publicité. Ils craignent également que les entreprises utilisent leurs données sans qu’ils le sachent, ou qu’elles leur envoient des offres sans leur consentement. Beaucoup d’utilisateurs sont méfiants sur le sujet et ont l’impression d’être surveillés et fichés en détail. Ainsi, certains ne communiquent que très peu d’informations et d’autres vont même jusqu’à communiquer de fausses données. Cela dépend des avantages qu’ils pourraient en tirer comme l’envoi de promotions, et des inconvénients qu’ils pourraient subir notamment sur leur vie privée : plus les données sont privées, plus l’utilisateur craint qu’elles soient utilisées, moins il les communique. De plus, le fait que les internautes ne sachent pas à qui sont transmises les données ne les rassure pas. Les sociétés devraient donc être plus transparentes avec leurs utilisateurs concernant les personnes chargées de traiter et stocker les données. Le législateur, en 2004, a prévu une loi pour la confiance dans l’économie numérique afin d’obliger les sociétés à récolter le consentement des utilisateurs dès lors qu’elles souhaitent exploiter leurs données. Cependant, une méfiance persiste chez les consommateurs notamment concernant le transfert des données personnelles entre les différentes entreprises, et le démarchage commercial que ces dernières utilisent souvent de manière intempestive.

Pour que les internautes divulguent leurs informations personnelles plus facilement, il ressort de leurs déclarations que les entreprises devraient leur offrir un avantage en contrepartie. Il faut aussi limiter les inconvénients qu’ils peuvent rencontrer par cette divulgation. En effet, les utilisateurs souhaitent connaitre la raison pour laquelle ils doivent communiquer certaines informations personnelles (par exemple, certains jugent nécéssaire de partager leurs informations pour recevoir de la documentation, mais refuseraient de les partager à des fins politiques). D’autres facteurs peuvent réduire les craintes présentes chez les utilisateurs : un nombre limité de questions, le choix d’un vocabulaire clair et facilement compréhensible, l’utilisation anonyme des informations, ainsi que la taille et la réputation de la société qui récolte les données.

Conclusion

Cette étude met en exergue la perception par les internautes de l’utilisation de leurs données personnelles. Ainsi, il en ressort qu’ils ont des craintes du fait du caractère privé des données, de la méconnaissance des sociétés qui les exploitent et de la vente de celles-ci entre les établissements. Pour autant, les utilisateurs ne sont pas opposés à divulguer leurs informations s’ils obtiennent une contrepartie et que les sociétés sont transparentes sur l’exploitation de leurs données. Ainsi, les entreprises doivent redoubler d’effort afin d’inspirer confiance aux utilisateurs, en faisant notamment attention au vocabulaire employé et au choix des informations demandées.

 

Bibliographie

Bélanger F. et Crossler R.E. (2011), Privacy in the digital age: a review of information privacy re­ search in information systems, MIS Quarterly, 35.4,1017-1041.

Castaneda A.J. et Montoro F.J. (2007). The effect of Internet general privacy concern on customer behaviour, Electronic Commerce Research, 7,

117-141.

Dinev T. et Hart P. (2006), An extended privacy cal­ culus model for e-commerce transactions, Infor­ mation Systems Research, 17, 1, 61-80.

Gauzente C. (2003), Vie privée et internet : la pra­ tique des sites français, Décisions Marketing, 30, 7-16.

Gurau C., Ranchhod A. et Gauzente C. (2003), To legislate or not to legislate : a comparative explo­ ratory study of privacy-personalisation factors affecting French, UK and US web sites, Journal o f Consumer Marketing, 20, 7, 652-654.

Hui K.L., Teo H.H et Sang-Yong T.L. (2007), The value of privacy assurance: an exploratory field experiment, MIS Quarterly, 31, 1, 19-33.

Kaplan D. (2010), Informatique, Libertés, Identités, Paris, Pearson, Fip Editions.

Lancelot Miltgen C. (2008), Propension à fournir des données personnelles mensongères sur Internet : une étude exploratoire. Systèmes d’information et Management, 13,3, 1-34.

Lancelot Miltgen C. (2010), Dévoilement de don­ nées personnelles et contreparties attendues : une approche typologique et interculturelle, Systèmes d’information et Management, 15, 4, 45-91.

Lemoine J.-F. (1998), Le rôle du projet de consom­ mation dans le choix du produit. Revue Fran­ çaise de Gestion, 121, 53-64.

Lemoine J.-F (2001a), Comment tenir compte des émotions du consommateur, Revue Française de Gestion, 134,47-60.

Lemoine J.-F. (2001b), Contextes d’achat et critères de choix : acheter pour soi ou pour les autres, Décisions Marketing, 22, 25-31.

Laufer R. et Wolfe M. (1977), Privacy as a concept and a social issue: a multidimensional develop­ mental theory, Journal o f Social Issues, 33, 22- 42.

Lusoli W. et Miltgen C. (2009), Young people and emerging digital services: an exploratory sur­ vey on motivations, perceptions and acceptance of risks, JRC Scientific and Technical Reports EUR 23765 EN, W. Lusoli, R. Compano & I. Maghiros (Eds.), Sevilla: EC JRC IPTS.

Li Y. (2011), Empirical studies on online information privacy concerns: literature review and an inte­ grative framework, Communications o f the Asso­ ciationfor Information Systems, 28, 1, 453-496.

Lwin M. et Williams J. (2003), A model integrating the multidimensional developmental theory of privacy and theory of planned behavior to exa­ mine fabrication of information online, Marke­ ting Letters, 14, 4, 257-272.

O’Connor P. (2003), What happens to my informa­ tion if I make a hotel booking online: an analysis of online privacy policy use, content and com­ pliance by the international hotel companies, Journal o f Services Research, 3, 2, 5-28.

Paine C , Reips U.D., Stieger S., Joinson A. et Bu­ chanan T. (2007), Internet users’perceptions of privacy concerns’ and privacy actions, Interna­ tional Journal o f Human-Computer Studies, 65, 6, 526-536.

Pavlou P.A. (2011), State of the information privacy literature: where are we now and where should we go ?, MIS Quarterly, 35, 4, 977-988.

Phelps J., Nowak G. et Ferrell E. (2000), Privacy concerns and consumer willingness to provide personal Information, Journal o f Public Policy and Marketing, 19, 1, 27-41.

Posey C , Lowry P.B., Roberts T.L. et Ellis T.S. (2010), Proposing the online community self­ disclosure model: the case of working profes­ sionals in France and the U.K. who use online communities, European Journal o f Information Systems, 19, 181-195.

Smith H.J., Dinev T. et Xu H. (2011), Information privacy research: an interdisciplinary review, MIS Quarterly, 35, 4, 989-1015.

Solove D. (2006), A taxonomy of privacy, University o f Pennsylvania Law Review, 154, 3, 477-560.

Stone E. et Stone D. (1990), Privacy in organiza­ tions: theoretical issues, research findings and protection mechanisms, Research in Personnel and Human Resources Management, 8, 349-411.

Ward S., Bridges K. et Chitty B. (2005), Do incen­ tive matter? An examination of online privacy concerns and willingness to provide personal and financial information, Journal o f Marketing Communications, 11,1, 21-40.

Westin A. (1967), Privacy and Freedom, New York: Atheneum.

Wirtz J., Lwin M. et Williams J.D. (2007), Causes and consequences of consumer online privacy concern, International Journal of Service In­ dustry Management, 326-348.

Xu H., Luo X., Carroll J.M. et Rosson M.B. (2011), The personalization privacy paradox: an explo­ ratory study of decision making process for lo­ cation-aware marketing, Decision Support Sys­ tems, 51, 42-52.

What Affects Mobile Application Use ? The Roles of Consumption Values.

WANG H.Y., LIAO C. & YANG L.H. (2013), “What Affects Mobile Application Use ? The Roles of Consumption Values”, International Journal of Marketing Studies.

Mot clefs: consumption values, mobile application, perceived value, behavioral intention

Une application mobile est une interface téléchargeable sur des smartphone qui a un but précis comme apporté un service ou une information. Chaque application est créé et gérer par des logiciels. Nous retrouvons ces application sur des plateformes de téléchargement gérer par le créateur du téléphone. Ces applications ont renversé un modèle commercialTous ces années les smartphone ont connu une croissance accrue. Les valeurs de consommation ont évolué avec la technologie, mais très peu d’étude exploite les facteurs qui nous guident cet évolution. Afin de comprendre les élément de valeurs qui stimule nous intentions de consommation en tant qu’utilisateur d’application, un modèle de valeur fonctionnel est introduit.

Développement

Tous ces années les smartphone ont connu une croissance accrue. Les valeurs de consommation ont évolué avec la technologie, mais très peu d’étude exploite les facteurs qui nous guident cet évolution. Afin de comprendre les élément de valeurs qui stimule nous intentions de consommation en tant qu’utilisateur d’application, un modèle de valeur fonctionnel est introduit.

Les résultats de la recherche démontre que ce sont les valeurs qui relève de la fonctionnalité, du lien social, et émotionnel qui sont les plus fortes. Selon les plateformes les téléchargement d’application s’effectue par curiosité, de la recherche de nouvelle expérience ou satisfaire leur besoin de plaisir.

Conclusion :

Ces innovations ont donc pour effet d’améliorer la qualité de la vie, occupé son esprit ou bien de l’enrichir en satisfaisant un besoin précis. Afin que cet perception de valeur soit en phase avec cet esprit le marketing joue un rôle primordial c’est pourquoi le design et l’utilité de ces application doit être innovant en tout point.

Bibliographie:

Ajzen, I. (1991). The theory of planned behavior. Organizational behavior and human decision processes, 50(2), 179-211. http://dx.doi.org/10.1016/0749-5978(91)90020-T

Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological bulletin, 103(3), 411. http://dx.doi.org/10.1037/0033-2909.103.3.411

Babin, B. J., Darden, W. R., & Griffin, M. (1994). Work and/or fun: measuring hedonic and utilitarian shopping value. The Journal of Consumer Research, 20(4), 644-656. http://dx.doi.org/10.1086/209376

Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74-94. http://dx.doi.org/10.1007/BF02723327

Balasubramanian, S., Peterson, R. A., & Jarvenpaa, S. L. (2002). Exploring the implications of m-commerce for markets and marketing. Journal of the Academy of Marketing Science, 30(4), 348-361. http://dx.doi.org/10.1177/009207002236910

Blechar, J., Constantiou, I. D., & Damsgaard, J. (2006). Exploring the influence of reference situations and reference pricing on mobile service user behaviour. European Journal of Information Systems, 15(3), 285-291. http://dx.doi.org/10.1057/palgrave.ejis.3000618

Braiterman, J., & Savio, N. (2007). Design sketch: the context of mobile interaction. International Journal of Mobile Marketing, 2(1), 66-68.

Bruner, G. C. (2005). Explaining consumer acceptance of handheld Internet devices. Journal of Business Research, 58(5), 553-558. http://dx.doi.org/10.1016/j.jbusres.2003.08.002

Chen, Y. C., Shang, R. A., & Lin, A. K. (2009). The intention to download music files in a P2P environment: Consumption value, fashion, and ethical decision perspectives. Electronic Commerce Research and Applications, 7(4), 411-422. http://dx.doi.org/10.1016/j.elerap.2008.02.001

Cheng, J. M. S., Wang, E. S. T., Lin, J. Y. C., & Vivek, S. D. (2009). Why do customers utilize the internet as a retailing platform?: A view from consumer perceived value. Asia Pacific Journal of Marketing and Logistics, 21(1), 144-160. http://dx.doi.org/10.1108/13555850910926290

Chin, W. W. (1998). The partial least squares approach for structural equation modeling. In G. A. Marcoulides (Ed.), Modern Methods for Business Research (pp. 295-304). Hillsdale, NJ: Lawrence Erlbaum Associates.

Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis with small samples using partial least squares. Statistical strategies for small sample research, 2, 307-342.

19

www.ccsenet.org/ijms International Journal of Marketing Studies Vol. 5, No. 2; 2013 Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: a comparison of

two theoretical models. Management science, 35(8), 982-1003. http://dx.doi.org/10.1287/mnsc.35.8.982

Deng, Z., Lu, Y., Wei, K. K., & Zhang, J. (2010). Understanding customer satisfaction and loyalty: An empirical study of mobile instant messages in China. International Journal of Information Management, 30(4), 289-300. http://dx.doi.org/10.1016/j.ijinfomgt.2009.10.001

Eggert, A., & Ulaga, W. (2002). Customer perceived value: a substitute for satisfaction in business markets? Journal of Business & Industrial Marketing, 17(2/3), 107-118. http://dx.doi.org/10.1108/08858620210419754

Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention and behaviour: An introduction to theory and research. Addison-Wesley.

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. http://dx.doi.org/10.2307/3151312

Gartner. (2011). Retrieved from http://www.gartner.com/it/page.jsp?id=1529214
Gummerus, J., & Pihlström, M. (2011). Context and mobile services’ value-in-use. Journal of Retailing and

Consumer Services, 18(6), 521-533. http://dx.doi.org/10.1016/j.jretconser.2011.07.002

Holbrook, M. B. (1994). The nature of customer value: an anthology of services in the consumption experience. Service Quality: New Directions in Theory and Practice, 21-71. http://dx.doi.org/10.4135/9781452229102.n2

Holbrook, M. B., & Hirschman, E. C. (1982). The experiential aspects of consumption: Consumer fantasies, feelings, and fun. The Journal of Consumer Research, 9(2), 132-140. http://dx.doi.org/10.1086/208906

Hsu, F. M., & Chen, T. Y. (2007). Understanding Information Systems Usage Behavior in E-Government: The Role of Context and Perceived Value. Paper presented at the Pacific Asia Conference on Information Systems, 2007.

Hung, S. Y., Ku, C. Y., & Chang, C. M. (2003). Critical factors of WAP services adoption: an empirical study. Electronic Commerce Research and Applications, 2(1), 42-60. http://dx.doi.org/10.1016/S1567-4223(03)00008-5

Kim, B., & Han, I. (2009). What drives the adoption of mobile data services? An approach from a value perspective. Journal of Information Technology, 24(1), 35-45. http://dx.doi.org/10.1057/jit.2008.28

Kim, H. W., Chan, H. C., & Gupta, S. (2007). Value-based adoption of mobile internet: an empirical investigation. Decision Support Systems, 43(1), 111-126. http://dx.doi.org/10.1016/j.dss.2005.05.009

King, W. R., & He, J. (2006). A meta-analysis of the technology acceptance model. Information & Management, 43(6), 740-755. http://dx.doi.org/10.1016/j.im.2006.05.003

Lee, M. C. (2009). Factors influencing the adoption of internet banking: An integration of TAM and TPB with perceived risk and perceived benefit. Electronic Commerce Research and Applications, 8(3), 130-141. http://dx.doi.org/10.1016/j.elerap.2008.11.006

Lee, Y., Kim, J., Lee, I., & Kim, H. (2002). A cross-cultural study on the value structure of mobile internet usage: comparison between Korea and Japan. Journal of Electronic Commerce Research, 3(4), 227-239.

Mallat, N., Rossi, M., Tuunainen, V. K., & Oorni, A. (2009). The impact of use context on mobile services acceptance: The case of mobile ticketing. Information & Management, 46(3), 190-195. http://dx.doi.org/10.1016/j.im.2008.11.008

Monroe, K. B. (1990). Pricing: Making profitable decisions. McGraw-Hill Pub. Co.
Okazaki, S. (2008). Exploring experiential value in online mobile gaming adoption. CyberPsychology &

Behavior, 11(5), 619-622. http://dx.doi.org/10.1089/cpb.2007.0202
Pihlstrom, M., & Brush, G. J. (2008). Comparing the perceived value of information and entertainment mobile

services. Psychology and Marketing, 25(8), 732-755. http://dx.doi.org/10.1002/mar.20236
Pura, M. (2005). Linking Perceived Value and Loyalty in Location-Based Mobile Services. Managing Service

Quality, 15(6), 509-538. http://dx.doi.org/10.1108/09604520510634005
Ravald, A., & Grönroos, C. (1996). The value concept and relationship marketing. European journal of

marketing, 30(2), 19-30. http://dx.doi.org/10.1108/03090569610106626 20

page10image26925248

www.ccsenet.org/ijms International Journal of Marketing Studies Vol. 5, No. 2; 2013

page11image26880512

Rogers, E. M. (1995). Diffusion of innovations. Free Pr.
Sanchez-Fernandez, R., & Iniesta-Bonillo, M. (2007). The concept of perceived value: a systematic review of the

research. Marketing Theory, 7(4), 427-451. http://dx.doi.org/10.1177/1470593107083165
Sheth, J. N., Newman, B. I., & Gross, B. L. (1991a). Consumption values and market choices: theory and

applications. Cincinnati: South-Western Pub.
Sheth, J. N., Newman, B. I., & Gross, B. L. (1991b). Why we buy what we buy: a theory of consumption values.

Journal of Business Research, 22(2), 159-170. http://dx.doi.org/10.1016/0148-2963(91)90050-8
Siegler, M. (2008). Analyst: There’s a great future in iPhone apps. Retrieved from

Analyst: There’s a great future in iPhone apps


Sweeney, J. C., & Soutar, G. N. (2001). Consumer perceived value: The development of a multiple item scale.

Journal of retailing, 77(2), 203-220. http://dx.doi.org/10.1016/S0022-4359(01)00041-0

Sweeney, J. C., Soutar, G. N., & Johnson, L. W. (1999). The role of perceived risk in the quality-value relationship: a study in a retail environment. Journal of retailing, 75(1), 77-105. http://dx.doi.org/10.1016/S0022-4359(99)80005-0

Tarn, J. L. M. (1999). The effects of service quality, perceived value and customer satisfaction on behavioral intentions. Journal of Hospitality Marketing & Management, 6(4), 31-43. http://dx.doi.org/10.1300/J150v06n04_04

TRI. (2010). Retrieved from http://www.topology.com.tw/tri/
Tseng, F. M. (2011). Antecedents of consumers’ Intetnions to Upgrade their mobile phones. Telecommunications

Policy, 35x, 13. http://dx.doi.org/10.1016/j.telpol.2010.11.003

Turel, O., Serenko, A., & Bontis, N. (2007). User acceptance of wireless short messaging services: Deconstructing perceived value. Information & Management, 44(1), 63-73. http://dx.doi.org/10.1016/j.im.2006.10.005

Turel, O., Serenko, A., & Bontis, N. (2010). User acceptance of hedonic digital artifacts: A theory of consumption values perspective. Information & Management, 47(1), 53-59. http://dx.doi.org/10.1016/j.im.2009.10.002

Tzeng, J. Y. (2011). Perceived values and prospective users’ acceptance of prospective technology: The case of a career eportfolio system. Computers & Education, 56(1), 157-165. http://dx.doi.org/10.1016/j.compedu.2010.08.010

Verkasalo, H., López-Nicolás, C., Molina-Castillo, F. J., & Bouwman, H. (2010). Analysis of users and non-users of smartphone applications. Telematics and Informatics, 27(3), 242-255. http://dx.doi.org/10.1016/j.tele.2009.11.001

Wikipedia. (2012). Retrieved from http://en.wikipedia.org/wiki/Mobile_app
Woodruff, R. B. (1997). Customer value: the next source for competitive advantage. Journal of the Academy of

Marketing Science, 25(2), 139-153. http://dx.doi.org/10.1007/BF02894350

Yang, K., & Jolly, L. D. (2009). The effects of consumer perceived value and subjective norm on mobile data service adoption between American and Korean consumers. Journal of Retailing and Consumer services, 16(6), 502-508. http://dx.doi.org/10.1016/j.jretconser.2009.08.005

Les atouts et les pièges de la personnalité de marque.

VÉRNÉTTÉ É. (2008), « Les atouts et les pièges de la personnalité de marque », Décisions Marketing, No. 49, p. 19-31.

Introduction :

Cette étude a pour principal objectif d’analyser le comportement du consommateur afin d’en tirer des repères pour les dirigeants. Cela leur permet par la suite d’orienter leur démarche marketing. De plus, elle met en avant le fonctionnement de la personnalité de marque et le fait que le consommateur s’oriente, le plus souvent, vers une marque qui lui ressemble. Cependant, ce n’est pas toujours le cas puisqu’il arrive que l’acheteur se dirige plutôt vers une marque qui ressemble à ce qu’il aspire. Par ailleurs, il faut prendre en compte « l’image de soi » et « la catégorie de produits ».

Développement :

La personnalité de marque est définie comme étant « l’ensemble des caractéristiques humaines associées à une marque ». Ainsi, les différents traits de caractère de la marque permettent d’établir un certain lien entre le consommateur et celle-ci. C’est à travers le regard du client que l’on définit la personnalité de marque : « chaleureuse », « ouverte », « amicale », etc. Dans certains cas, la marque peut être considérée comme un véritable partenaire du consommateur, avec lequel des relations peuvent s’établir au fur et à mesure du temps.

Selon certaines recherches, les marques que le consommateur portent sont le reflet de sa personnalité, ce qui explique l’échec de certains produits standards. De plus, la marque doit posséder « un caractère et un style » et ainsi être personnifiée. La personnalité de marque fait aussi l’objet de forums sur internet, où les consommateurs racontent leur expérience avec la marque : certains considèrent qu’elle peut avoir une personnalité, d’autres pensent que la considérer comme « humaine » est exagéré. L’anthropomorphisme n’est pas inné et nous n’observons pas la présence de tous les traits de caractère humains chez une marque. A cela s’ajoute le fait qu’un même trait peut être différent en fonction de la marque. Par exemple, des chercheurs constatent que seulement la courtoisie (« Amabilité ») et la stabilité émotionnelle (« Neurotisme ») sont communs à la personnalité de marque et à la personnalité humaine.

Les managers choisissent de prendre en compte le fait qu’un certain nombre de consommateurs préfèrent les marques qui leur ressemblent. De ce fait, ils vont travailler leur politique de marketing en ce sens, afin que le consommateur puisse s’identifier facilement aux produits. Toutefois, les chercheurs restent mitigés car les résultats de leurs entretiens montrent que seulement quelques enquêtés sont en accord avec la marque. La catégorie du produit influence la possibilité d’assimilation du client à la marque. Par ailleurs, il existe quatre concepts de soi : le soi réel, le soi rêvé, le soi social réel et le soi social rêvé, qui vont orienter le consommateur pour choisir une marque. En effet, soit le consommateur cherche une marque qui lui ressemble, soit il cherche une marque qui lui va lui permettre d’être vu comme son idéal. Il ressort de l’article que les acheteurs cherchent le plus souvent la compétence de la marque, ainsi que son image moderne et séductrice.

Cependant, il ne faut pas se conformer aux attentes du consommateur en dénaturant les traits de personnalité actuels de la marque, au risque de remettre en question son identité. Ainsi, il faut choisir ou refuser une stratégie fondée sur l’adéquation de la personnalité de la marque avec celle du consommateur.

Conclusion :

Pour conclure, les traits de la personnalité humaine ne s’appliquent pas tous à la personnalité de marque. Cependant, les consommateurs recherchent à travers une marque le reflet de leur personnalité. Il faut prendre en compte la catégorie de produits pour comprendre l’adéquation de la personnalité de la marque avec l’image que le consommateur a de lui. Ainsi, la stratégie de la marque devra s’adapter à la catégorie du produit et prendre en compte l’image de soi du consommateur.

Bibliographie

Aaker D., Building strong brands,The Free Press, NY, 1996.

Aaker J. (1997), Dimensions of Brand Personality, Journal of Marketing Research, 24, 347-356.

Aaker J., Fournier S. et Brasel A., (2004), When good brands do bad, Journal of Consumer Research, 31, juin, 1-18.

Ambroise L., Michel G. et Valette-Florence P., (2005), Mesures du noyau central et de la personnalité de mar- que : comparaison des premiers résultats de validité prédictive vis-à-vis de l’attachement à la marque et l’intention d’achat, Actes du 21e Congrès international de l’Association Française du Marketing, Nancy, CD Rom.

Belk R.W. (1988), Possessions and the Extended Self, Journal of Consumer Research, 15, 139-149.

Bernard Y. (2004), La netnographie : une nouvelle méthode d’enquête qualitative basée sur les communautés virtuelles de consommation, Décisions Marketing, 36, 49-62.

Caprara G. V., Barbaranelli C. & Guido G. (2002), La personnalité de la marque : la métaphore est-elle appropriée ?, Recherche et Applications en Marketing, 17, 1, 75-88.

Ericksen M.K. (1996), Using self-congruity and ideal congruity to predict purchase intention : a european perspective, Journal of Euro-Marketing, 31, 3/4, 41-56.

Evans F.B. (1959), Psychological Objective Factors in the Prediction of Brand Choice : Ford versus Chevrolet, Journal of Business, 32, octobre, 340-369.

Ferrandi J.-M. et Valette-Florence P. (2002), Premier test et validation de la transposition d’une échelle de personnalité humaine aux marques, Recherche et Appli- cation en Marketing, 17 3, pp.21-40.

Fournier S. (1998), Consumer and their brands : developing relationships theory in consumer research, Journal of Consumer Research, 24, 4, 343-373.

Goldberg L.R. (1990),An alternative description of personality : the big five-factor structure, Journal of Per- sonality and Social Psychology, 58, 1216-1229.

Kapferer JN. (1998), Les marques, capital de l’entreprise, 3e éd., Editions d’Organisation.

Koebel M-N. et Ladwein R. (1999), L’échelle de per- sonnalité de la marque de Jennifer L. Aaker : Adaptation au contexte français, Décisions Marketing,16, 81-88.

Kozinets R. (2002), The field behind the screen : using netnography for marketing research in on line communities, Journal of Marketing Research, 39, février, 61-72.

JamalA.et Goode M.(2000),Consumers and brands : self-image congruence on brand preference and satisfac- tion, Proceedings of 7th International Conference on Retailing and Service Science, Sintra, Portugal, 1-13.

Metha A. (1999), Using self-concept to assess adver- tising effectivness, Journal of Advertising Research, 39, janvier-février, 81-89.

  1. Michel (1999), L’évolution des marques : appro- che par la théorie du noyau central, Recherche et Appli- cations en Marketing, 14, 4, 33-53.

Sirgy J. (1982), Self-Concept in Consumer Behavior: A Review, Journal of Consumer Research, 9, décembre, 287-300.

Sirgy J., Grewal D., Mangleburg T., Park J., Chon K., Claiborne C., Johar J. et Berkman H., (1997), Assessing the Predictive Validity of Two Methods of Measuring Self-Image Congruence, Journal of the Academy of Marketing Science, 25, 3, 229-241.

Vernette E. (2003), Personnalité de marque et image de soi, 3e congrès international sur les tendances du marketing, Venise, EAP-ESCP, (Actes CD-ROM).

Comportement web-to-store : vers une nouvelle logique de contrôle de soi ?

BOUZID Y. & VANHÉÉMS R. (2014), « Comportement web-to-store : vers une nouvelle logique de contrôle de soi ? », Management & Avenir, Vol. 71, No. 5, p. 189

Cet article s’intéresse au modèle de « click-and-mortar », mis en place par les acteurs économiques afin de développer leurs ventes en ligne. Cela permet à la distribution de s’adapter à l’apparition de nouvelles technologies et à leur développement constant. En effet, plusieurs études ont révélé que les consommateurs utilisent de plus en plus les technologies au quotidien et qu’il n’hésitent pas à combiner la vente en ligne et la vente en espace réel. Ce comportement va donc être étudié à travers cette recherche et ainsi révéler que les consommateurs l’adoptent volontairement afin de gagner du temps et de limiter la tentation d’achat.

Développement

Ce document porte sur le cross canal qui est une stratégie de distribution prenant en considération le fait que le client utilise plusieurs canaux différents afin de faire ses achats. En effet, il apparait qu’un certain nombre de consommateurs préparent leurs achats en ligne avant de se rendre en magasin pour les effectuer. Selon plusieurs économistes, l’achat en ligne permettrait à l’acheteur d’organiser son achat, mais aussi de le rendre plus ludique.

 

Dans le cadre de cette recherche, plusieurs femmes utilisant le click-and-mortar pour l’achat de prêt-à-porter féminin, ont été interviewées afin de donner leur avis sur cette méthode. Il en ressort que cette stratégie permet aux clientes de s’auto-réguler. Elle est volontairement adoptée par les clientes afin de réguler leur comportement d’achat et de ne pas dévier de leurs objectifs initiaux. L’objectif des consommatrices est alors d’avoir un « contrôle de soi » et une résistance à la tentation afin de maitriser leur budget, mais aussi leur temps en ne flânant plus dans les rayons. En effet, celles-ci passent moins de temps dans les rayons qu’en temps normal et ne s’y rendent plus que pour acheter les articles qu’elles ont déjà repérés. L’achat en magasin n’est donc plus perçu comme un plaisir, mais plutôt comme une tâche. Les clientes sont conscientes que le repérage en ligne change leur comportement en magasin : ces dernières ne se laissent plus tenter par la mise en scène des produits, ni par les offres commerciales. Cette inattention à l’atmosphère sensoriel du point de vente bouleverse les efforts initiés par les distributeurs afin de rendre leurs articles plus attrayants. Du point de vue des clientes, le cross canal présente de nombreux avantages : celles-ci se sentent moins perdues dans les magasins et n’ont plus peur d’être déçues. Cela bouleverse aussi les relations vendeur – client, puisque les clientes ont d’avantage confiance en elles et s’adressent plus facilement aux vendeurs afin de trouver l’article. A l’inverse, elles se laissent moins facilement diriger vers un autre article.

Le cross canal peut déboucher sur deux réactions bien différentes. Si l’article repéré sur internet convient à la cliente quand elle se rend en magasin, elle l’achètera immédiatement. A l’inverse, si l’article ne lui convient pas en magasin, cela pourra déboucher sur une sorte de punition puisque non seulement la cliente n’achètera pas le produit, mais elle risque de sortir du magasin sans rien acheter d’autre.

Ainsi, il serait intéressant pour les distributeurs d’adapter leur stratégie au cross-canal en accompagnant les clients d’une meilleure façon grâce aux technologies, mais aussi au personnel.

Conclusion

Cet article permet de comprendre le choix des consommatrices de prêts à porter féminin, d’adopter un comportement de click-and-mortar afin d’effectuer leurs achats. L’étude révèle que cette stratégie est consciente puisqu’elle permet aux clientes de s’auto réguler en restant concentrées sur les articles préalablement sélectionnés, et en ne se laissant pas influencer par l’environnement du point de vente. Tout cela remet en cause la stratégie des distributeurs qui, jusqu’ici, organisaient leur point de vente afin d’attirer les consommateurs vers les articles et qui doivent maintenant s’ouvrir à de nouvelles stratégies de marketing. Pour finir, cette recherche pourrait être complétée par des données plus précises sur le comportement habituel des consommateurs interviewés (impulsivité, implication dans la catégorie de produits, etc).

Bibliographie

ANSARI A., MELA C.-F. et NESLIN S.-A. (2008), « Customer Channel Migration », Journal of Marketing Research, Vol. 45, p. 60-76, février.

ANTEBLIAN B., FILSER M. et ROEDERER C. (2013), « L’expérience du consommateur dans le commerce de détail. Une revue de la littérature », Recherche et Applications en Marketing, Vol. 28, N° 3, p. 84-113.

BABIN N.-J. et DARDEN W.-R. (1995), « Consumer self-regulation in a retail environ- ment”, Journal of Retailing, Vol. 71, spring, p.47-70.

BÄCKSTRÖM K. (2011), « Shopping as leisure: an exploration of manifoldness and dy- namics in consumers.

BADOT O. et COVA B. (2003), « Néo-marketing, 10 ans après : pour une théorie cri- tique de la consommation et du marketing réenchantés », Revue Française du Marketing, N°195, p. 79-94, novembre.

BADOT O. et NAVARRE C. (2002), « L’achat de véhicules automobiles sur Internet : un exemple d’articulation multi-canaux experientielle », Actes de la 7eme Journée de Recherche en Marketing de Bourgogne, Dijon.

BALASUBRAMANIAN S., RAGHUNATHAN R. et MAHAJAN V. (2005), « Consumers in a Multichannel Environnement: Product Utility, Process Utility, and Channel Choice », Journal of Interactive Marketing, Vol. 19, N° 2, p.12-30.

BARDIN L. (2003), L’analyse de contenu, éd. PUF, Paris.

BARTH I. et ANTEBLIAN B. (2006), Les petites histoires extraordinaires des courses

ordinaires, ethnographie des courses, Edt EMS Management et Société.

BAUMEISTER R.-F. (2002), « Yielding to Temptation: Self‐Control Failure, Impulsive

Purchasing, and Consumer Behavior », Journal of Consumer Research, Vol. 28, N°4, march.

BELVAUX B. (2004), Recherche d’information et achat dans un environnement multicanal. Le cas du “click-and-mortar”, Thèse de doctorat en Sciences de Gestion, faculté de Science économique et gestion, Bourgogne.

BELVAUX B. (2006), « Du E-commerce au multi-canal : les différentes implications d’In- ternet dans le processus d’achat du consommateur », Revue Française du Marketing, Vol. 209, p. 49-68.

BELVAUX B. et Labbé-Pinlon B. (2009), « Concurrences et complémentarités entre les canaux physiques et électroniques. Une application aux produits musicaux », Management et Avenir, Vol. 26, p. 11-28, septembre.

BOUZID Y. et VANHEEMS R. (2014), « Comportement cross-canal : vers une nouvelle maîtrise de soi au sein de l’espace réel », in the proceedings of the International Conference Marketing Trends, Venise, 24-25 janvier.

COLLA E. et LAPOULE P. (2011), « Les facteurs critiques de succès dans le super- marché online », Décisions Marketing, N° 61, p. 35-45, janvier-mars.

COLLA E. et LAPOULE P., (2012), « E-commerce: exploring the critical success factors », International Journal of Retail and Distribution Management, Vol. 40, N° 11, p.842- 864.

COVA B. et DALLI D. (2009), « Working Consumers: The Next Step in Marketing Theory? », Marketing Theory, Vol. 9, No. 3, p. 315-339.

DANDOUAU J.-C. (2011), « Résistance du consommateur : vers une clarification des concepts », Working Paper, LEG-Cermab, 24 pages, novembre.

DHOLAKHIA U. (2000), « Temptation and resistance: an integrated model of consumption impulse formation and enactment », Psychology and Marketing, Vol. 17, N°11, p. 955-982.

DHOLAKHIA U. et SIMONSON I. (2005), « The effect of explicit reference points on consumer choice and online bidding behavior », Marketing Science, Vol. 24, N°2, p.206-217.

DJELASSI S., COLLIN-LACHAUD I. et ODOU P. (2009), « Crise du pouvoir d’achat, les distributeurs face au « wise shopping » », Décisions Marketing, N° 56, p.37-46, octobre-décembre

ENGEL J.-F., BLACKWELL T.-D. et KOLLAT D.-T. (1978), Consumer Behavior, Ed. Dryden Press, Hinsdale, 3rd ed.

GARNIER M. et MACDONALD E. (2009), « The savvy French consumer : a cross-cultural replication », Journal of marketing management, Vol.25, 9/10, p.965-986.

GENSLER S., VERHOEF P.-C. et BÖHM M. (2012), « Understanding consumers’ mul- tichannel choices across the different stages of the buying process », Marketing Letters, Vol. 23, N°4, p. 987-1003.

HELFER J.-P. et MICHEL G. (2006), « La stratégie de contacts multicanal : opportunités, risques et facteurs clés de succès », Décisions Marketing, N° 41, p. 29-37, janvier-mars.

KONUS U., VERHOEF P.-C. et NESLIN S.-A. (2008), « Multichannel shopper segments and their covariates », Journal of Retailing, Vol. 84, p. 398–413.

KUMAR V. et VENKATESAN R. (2005), « Who are Multichannel Shop- pers and How do They Perform? Correlates of Multichannel Shopping Behavior », Journal of Interactive Marketing, Vol. 19, N°2, p. 44–55.

MAUBISSON L. et ABAIDI I. (2010), « e-terview & in-terview: Etude comparative de mé- thodes de recueil de données online & offline », Actes des les Journées de Recherche sur le E-MKG.

NICHOLSON P. et VANHEEMS R. (2009), « Orientations d’achat et comportement d’achat multi-canal », Management & Avenir, N°21, p.136-156, février.

ROLLAND S. (2005), « Internet et qualité: impact de la fréquentation des sites web sur la qualité perçue par le consommateur », XXIème Congrès International de l’Association Française du Marketing, Nancy.

VALENTINI S., MONTAGUTI E., NESLIN S.-A. (2011), « Decision Process Evolution in Customer Channel Choice »,Journal of Marketing, Vol. 75, No. 6, pp. 72-86.

VANHEEMS R. (2009), « Distribution Multi-canal : pourquoi les clients mixtes doivent faire l’objet d’une attention particulière », Décisions Marketing, N° 55, p.41-52, juillet-septembre.

VANHEEMS R. (2012), « Cross-canal : comment le site Internet d’une enseigne mo- difie le comportement de ses clients en magasin », Revue Française de Gestion, N°227, p.13-29, octobre-novembre-décembre.

VENKATESAN R., KUMAR V. et RAVISHANKER N. (2007), « The Impact of Customer-Firm

Interactions on Customer Channel Adoption Duration », Journal of Marketing, Vol. 71, N°2, p.114-132.

“Understanding e-learning continuance intention: an extension of the technology acceptance model.”

Roca, J.C., Chiu, C.M. and Martínez, F.J. (2006), “Understanding e-learning continuance intention: an extension of the technology acceptance model”, International Journal of Human-Computer Studies, Vol. 64 No. 8, pp. 683-696.

La compréhension des modèles d’apprentissage à en ligne sont guidés par des facteurs qui permettent d’obtenir une continuité dans le service en ligne. Cette recherche se base un échantillon de 172 personnes, et révèle ce qui mène les utilisateurs à apprécier en plus de l’adopter.

 Développement :

Dans cet application la théorie de l’acceptance des modèles technologique est mise en avant pour l’utilité perçue, l’intention de l’utilisateur et la facilité d’utilisation. Cela permet aux chercheur de mieux détermine les facteur attendu en étudiant les données recueillis.

Tout d’abord, l’utilité qu’en tire les utilisateur est essentiel à l’apprentissage en ligne c’est l’objectif premier de ce modèle afin qu’ils puissent absorber les informations. Puis la qualité des information délivré par cet apprentissage qui résulte de la qualité du service cherché.

Ensuite, la qualité du système qui joue le rôle d’indicateur de satisfaction dans le confort de l’utilisateur. Pour finir, la facilité d’utilisation de l’outil et l’efficacité de l’ordinateur qui est le support d’apprentissage joue un rôle primordial dans ce modèle. Ces 4 facteurs sont les grand axes résultant de la recherche, et sont aussi ceux que l’on doit considérer comme évolutif. Pour que la conception de ce système soit innové pour devenir plus compétitif sur l’aspect fiabilité et la réactivité du service.

L’interface du site joue le rôle de vitrine, il reflète la qualité de l’apprentissage et doit d’être cohérent avec les services proposé. Il se doit donc d’être tout aussi visuellement attrayant, pour que les utilisateurs garde cet image dans leur esprit.

 Conclusion :

L’aboutissement de cette recherche propose donc que la qualité et la facilité d’utilisation soit les grand déterminant d’un site d’apprentissage en ligne. Et que l’aspect ludique fait partis des atouts permettant de se démarquer. Mais que dans l’environnement d’apprentissage en ligne, les utilisateurs accordent plus d’attention à la manière dont le système d’apprentissage en ligne fournit des informations et à la manière dont il rendra leur travail plus efficace.

Références Bibliographiques :

Agarwal, R., Sambamurthy, V., Stair, R.M., 2000. Research report: the evolving relationship between general and specific computer self- efficacy—an empirical assessment. Information Systems Research 11 (4), 418–430.

Ajzen, I., 1988. Attitudes, Personality, and Behaviour. Open University Press, Milton Keynes.

Ajzen, I., 1991. The theory of planned behavior. Organizational Behaviour and Human Decision Processes 50, 179–211.

Ajzen, I., Fishbein, M., 1980. Understanding Attitudes and Predicting Social Behavior. Prentice-Hall, Englewood Cliffs, NJ.

Anderson, E.W., Fornell, C., Lehmann, R.R., 1994. Customer satisfac- tion, market share, and profitability: findings from Sweden. Journal of Marketing 58 (3), 53–66.

Amoako-Gyampah, K., Salam, A.F., 2004. An extension of the technology acceptance model in an ERP implementation environment. Information & Management 41 (6), 731–745.

Bailey, J.E., Pearson, S.W., 1983. Development of a tool for measuring and analyzing computer user satisfaction. Management Science 29 (5), 530–545.

Bajaj, A., Nidumolu, S.R., 1998. A feedback model to understand information system usage. Information & Management 33 (4), 213–224.

Bandura, A., 1986. Social Foundations of Though and Action. Prentice- Hall, Englewood Cliffs, NJ.

Baroudi, J.J., Orlikowski, W.J., 1988. A short form measure of user information satisfaction: a psychometric evaluation and notes on use. Journal of Management Information Systems 4 (4), 44–59.

Bharatia, P., Chaudhury, A., 2004. An empirical investigation of decision- making satisfaction in web-based decision support systems. Decision Support Systems 37 (2), 187–197.

Bhattacherjee, A., 2000. Acceptance of Internet applications services: the case of electronic Brokerages. IEEE Transactions on systems, Man, and Cybernetics—Part A: Systems and Humans 30, 411–420.

Bhattacherjee, A., 2001a. Understanding information systems continu- ance: an expectation–confirmation mode. MIS Quarterly 25 (3), 351–370.

Bhattacherjee, A., 2001b. An empirical analysis of the antecedents of electronic commerce service continuance. Decision Support Systems 32 (2), 201–214.

Bitner, M.J., 1990. Evaluating service encounters: the effects of physical surroundings and employee responses. Journal of Marketing 54, 69–82.

Bolton, R.N., Drew, J.H., 1991. A multistage model of customer’s assessments of service quality and value. Journal of Consumer Research 17 (4), 375–384.

Carter, F.J., Jambulingham, T., Gupta, V.K., Melone, N., 2001. Technological innovations: a framework for communicating diffusion effects. Information & Management 38 (5), 277–287.

Chau, P.Y.K., 2001. Influence of computer attitude and self-efficacy on IT usage behavior. Journal of End User Computing 13 (1), 26–33.

Chiu, C., Hsu, M., Sun, S., Lin, T., Sun, P., 2005. Usability, quality, value and e-learning continuance decisions. Computers & Education 45 (4), 399–416.

Churchill, G.A., Surprenant, C., 1982. An investigation into the determinants of customer satisfaction. Journal of Marketing Research 19, 491–504.

Compeau, D.R., Higgins, C.A., 1995. Computer self-efficacy: develop- ment of a measure and initial test. MIS Quarterly 19 (2), 189–211. Cronin, J.J., Taylor, S.A., 1992. Measuring service quality: a re-

examination and extension. Journal of Marketing 56, 55–68. Csikszentmihalyi, M., 1990. The Psychology of Optimal Experience.

Harper & Row, New York.

Dabolkar, P.A., Shepard, C.D., Thorpe, D.I., 2000. A comprehensive

framework for service quality: an investigation of critical conceptual and measurement issues through a longitudinal study. Journal of Retailing 76 (2), 139–173.

Davis, F.D., 1989. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly 13 (3), 319–340.

Davis, F.D., Bagozzi, R.P., Warshaw, P.R., 1989. User acceptance of computer technology: a comparison of two theoretical models. Management Science 35 (8), 982–1002.

Davis, F.D., Bagozzi, R.P., Warshaw, P.R., 1992. Extrinsic and intrinsic motivation to use computers in the workplace. Journal of Applied Social Psychology 22 (14), 1111–1132.

Delone, W.H., McLean, E.R., 1992. Information systems success. The quest for the dependent variable. Information Systems Research 3, 60–95.

Devaraj, S., Fan, M., Kohli, R., 2002. Antecedents of B2C channel satisfaction and preference: validating e-commerce metrics. Informa- tion Systems Research 13 (3), 316–333.

Doll, W.J., Torkzadeh, G., 1988. The measurement of end user computing satisfaction. MIS Quarterly 12 (2), 259–274.

Eastin, M.S., 2002. Diffusion of e-commerce: an analysis of the adoption of four e-commerce activities. Telematics and Informatics 19, 251–267.

Eastin, M.A., LaRose, R.L., 2000. Internet self-efficacy and the psychology of the digital divide. Journal of Computer Mediated Communication 6 (1) Available at http://www.ascusc.org/jcmc/vol6/issue1/eastin.html.

Fishbein, M., Ajzen, I., 1975. Belief, Attitude, Intentions and Behavior: An Introduction to Theory and Research. Addison-Wesley, Reading, MA.

Fornell, C., Larcker, D.F., 1981. Evaluating structural equation models with unobservable and measurement error. Journal of Marketing Research 18, 39–50.

Fornell, C., Johnson, M.D., Anderson, E.W., Cha, J., Bryant, B.E., 1996. The American customer satisfaction index: nature, purpose, and findings. Journal of Marketing 60 (4), 7–18.

Hayashi, A., Chen, C., Ryan, T., Wu, J., 2004. The role of social presence and moderating role of computer self efficacy in predicting the continuance usage of e-learning systems. Journal of Information Systems Education 15 (2), 139–154.

Heo, J., Han, I., 2003. Performance measure of information systems (IS) in evolving computing environments: an empirical investigation. Information & Management 40 (4), 243–256.

Hsu, M., Chiu, C., 2004a. Internet self-efficacy and electronic service acceptance. Decision Support Systems 38, 369–381.

Hsu, M., Chiu, C., 2004b. Predicting electronic service continuance with a decomposed theory of planned behaviour. Behaviour & Information Technology 23 (51), 359–373.

Hsu, M.H., Chen, Y.L., Chiu, C.M., 2003. Examining the WWW continuance: an extended expectation confirmation model. Commu- nications of the ICISA 5 (2), 12–25.

Hu, P.J., Chau, P.Y.K., Sheng, O.R.L., Tam, K.Y., 1999. Examining the technology acceptance model using physician acceptance of telemedi- cine technology. Journal of Management Information Systems 16 (2), 91–112.

Igbaria, M., Iivari, J., 1995. The effects of self-efficacy on computer usage. Omega 23 (6), 587–605.

Igbaria, M., Tan, M., 1997. The consequences of the information technology acceptance on subsequent individual performance. Infor- mation & Management 32 (3), 113–121.

Igbaria, M., Iivari, J., Maragahh, H., 1995. Why do individuals use computer technology?: a Finnish case study. Information & Manage- ment 29 (5), 227–238.

ISO 9241-11, 1998. Ergonomics Requirements for Office with Visual Display Terminals (VDTs)—Part 11: Guidance on Usability. Interna- tional Organization for Standardization (ISO), Geneva.

Ives, B., Olson, M.H., Baroudi, J.J., 1983. The measurement of user information satisfaction. Communications of the ACM 26 (10), 785–793.

Jackson, C.M., Chow, S., Leitch, R.A., 1997. Toward an understanding of the behavioural intention to use an information system. Decision Sciences 28 (2), 357–389.

Jiang, J.J., Klein, G., Carr, C.L., 2002. Measuring information system service quality: SERVQUAL from the other side. MIS Quarterly 26 (2), 145–166.

Joo, Y.-J., Bong, M., Choi, H.-J., 2000. Self-efficacy for self-regulated learning, academic self-efficacy, and Internet self-efficacy in Web- based instruction. Educational Technology, Research and Develop- ment 48 (2), 5–17.

Jurison, J., 1996. The temporal nature of IS benefits: a longitudinal study. Information & Management 30, 75–79.

Karahanna, E., Straub, D.W., 1999. The psychological origins of perceived usefulness and ease of use. Information & Management 35 (4), 237–250.

Karahanna, E., Straub, D.W., Chervany, N.L., 1999. Information technology adoption across time: a cross-sectional comparison of pre-adoption and post-adoption beliefs. MIS Quarterly 23 (2), 183–213.

Kettinger, W.J., Lee, C.C., 1994. Perceived service quality and user satisfaction with the information services function. Decision Sciences 25 (5/6), 737–766.

Kettinger, W.J., Lee, C.C., 1997. Pragmatic perspectives on the measure- ment of information systems service quality. MIS Quarterly 21 (2), 223–239.

Khalifa, M., Liu, V., 2002a. Satisfaction with internet-based services: the role of expectations and desires. International Journal of Electronic Commerce 7 (2), 31–49.

Khalifa, M., Liu, V., 2002b. Satisfaction with internet-based services. In: Proceedings of the 35th Hawaii International Conference on System Sciences.

LaBarbera, P.A., Mazursky, D., 1983. A longitudinal assessment of consumer satisfaction/dissatisfaction: the dynamic aspect of the cognitive process. Journal of Marketing Research 29, 393–404.

Lai, T.L., 2004. Service quality and perceived value’s impact on satisfaction, intention and usage of Short Message Service (SMS). Information Systems Frontiers 6 (4), 353–368.

Landrum, H., Prybutok, V.R., 2004. A service quality and success model for the information service industry. European Journal of Operational Research 156 (3), 628–642.

Legris, P., Ingham, J., Collerette, P., 2003. Why do people use information technology? A critical review of the technology acceptance model. Information & Management 40 (3), 191–204.

Liu, C., Arnett, K., 2000. Exploring the factors associated with Web site success in the context of electronic commerce.Information & Management 38 (1), 23–33.

Lin, C.S., Wu, S., Tsai, R.J., 2005. Integrating perceived playfulness into expectation-confirmation model for web portal context. Information & Management 42 (5), 683–693.

Mathieson, K., 1991. Predicting user intentions: comparing the technology acceptance model with the theory of planned behavior. Information Systems Research 2 (3), 173–191.

McGill, T., Hobbs, V., Kloba, J., 2003. User-developed applications and information systems success: a test of DeLone and McLean’s model. Information Resources Management Journal 16 (1), 24–45.

McKinney, V., Yoon, K., Zahedi, F.M., 2002. The measurement of Web- customer satisfaction: an expectation and disconfirmation approach. Information Systems Research 13 (3), 296–315.

Moon, J.W., Kim, Y.G., 2001. Extending the TAM for a World-Wide- Web context. Information & Management 38 (4), 217–230.

Negash, S., Ryan, T., Igbaria, M., 2003. Quality and effectiveness in Web- based customer support systems. Information & Management 40 (8), 757–768.

Oliver, R.L., 1980. A cognitive model for the antecedents and consequences of satisfaction. Journal of Marketing Research 17, 460–469.

Oliver, R.L., 1981. Measurement and evaluation of satisfaction process in retail setting. Journal of Retailing 57, 25–48.

Oliver, R.L., 1993. Cognitive, affective, and attribute bases of the satisfaction response. Journal of Consumer Research 20 (3), 418–430. Oliver, R.L., Bearden, W.O., 1985. Disconfirmation processes and consumer evaluations in product usage. Journal of Business Research

13, 235–246.

Oliver, R.L., DeSarbo, W., 1988. Response determinants in satisfaction judgements. Journal of Consumer Research 14, 495–507.

Ong, C., Lai, J., Wang, Y., 2004. Factors affecting engineers’ acceptance of asynchronous e-learning systems in high-tech companies. Informa- tion & Management 41 (6), 795–804.

Parasuraman, A., Zeithaml, V.A., Berry, L., 1985. A conceptual model of service quality and its implications for future research. Journal of Marketing 49, 41–50.

Parasuraman, A., Zeithaml, V.A., Berry, L., 1988. SERVQUAL: a multiple-item scale for measuring customer perceptions of service quality. Journal of Retailing 64 (1), 12–40.

Patterson, P.G., 1995. The determinants of satisfaction/dissatisfaction for business-to-business, professional services: a conceptual model. In: Swartz, T.A., Bowen, D.E., Brown, S.W. (Eds.), Advances in Services Marketing and Management. JAI, Greenwich, CT, pp. 169–193.

Patterson, P.G., Johnson, L.W., Spreng, R.A., 1997. Modeling the determinants of customer satisfaction for business-to-business services. Academy of Marketing Science 25 (1), 4–17.

Podsakoff, P.M., MacKenzie, S.B., Lee, J.Y., Podsakoff, N.P., 2003. Common method biases in behavioral research: a critical review of the literature and recommended remedies. Journal of Applied Psychology 88 (5), 879–903.

Pitt, L.F., Watson, R.T., Kavan, C.B., 1995. Service Quality: A Measure Of Information Effectiveness. MIS Quarterly 19 (2), 173–187.

Rai, A., Lang, S.S., Welker, R.B., 2002. Assessing the validity of IS success models: an empirical test and theoretical analysis. Information Systems Research 13 (1), 50–69.

Saade ́ , R., Bahli, B., 2005. The impact of cognitive absorption on perceived usefulness and perceived ease of use in on-line learning: an extension of the technology acceptance model. Information & Management 42 (2), 317–327.

Seddon, P.B., 1997. A respecification and extension of the DeLone and McLean model of IS success. Information Systems Research 8 (3), 240–253.

Seddon, P.B., Kiew, M.-Y., 1994. A partial test and development of the DeLone and McLean Model of IS success. In: Proceedings of the International Conference on Information Systems. Vancouver, Cana- da (ICIS 94), pp. 99–110.

Shang, R.-A., Chen, Y.-C., Shen, L., 2005. Extrinsic versus intrinsic motivations for consumers to shop on-line. Information & Manage- ment 42 (3), 401–413.

Shih, H., 2004. Extended technology acceptance model of Internet utilization behavior. Information & Management 41 (6), 719–729.

Spreng, R.A., Chiou, J.-S., 2002. A cross-cultural assessment of the satisfaction formation process. European Journal of Marketing 36 (7/ 8), 829–839.

Spreng, R.A., MacKenzie, S.B., Olshavsky, R.W., 1996. A re-examination of the determinants of consumer satisfaction. Journal of Marketing 60, 15–32.

Swan, J.E., Oliver, R.L., 1989. Postpurchase communications by consumers. Journal of Retailing 65 (4), 516–533.

Swan, J.E., Trawick, I.F., 1981. Disconfirmation of expectations and satisfaction with a retail service. Journal of Retailing 57, 40–67.

Taylor, S., Todd, P., 1995a. Assessing IT usage: the role of prior experience. MIS Quarterly 19 (4), 561–570.

Taylor, S., Todd, P., 1995b. Understanding information technology usage: a test of competing models. Information Systems Research 6 (2), 144–176.

Teo, T.S.H., Lim, V.K.G., Lai, R.Y.C., 1999. Intrinsic and extrinsic motivation in Internet usage. Omega 27 (1), 25–37.

Torkzadeh, G., Van Dyke, T.P., 2001. Development and validation of an Internet self-efficacy scale. Behaviour and Information Technology 20 (4), 275–280.

Tse, D.K., Wilton, P.C., 1988. Models of consumer satisfaction: an extension. Journal of Marketing Research 25, 204–212.

Venkatesh, V., 2000. Determinants of perceived ease of use: integrating control, intrinsic motivation, and emotion into the technology acceptance model. Information Systems Research 11 (4), 342–365.

Venkatesh, V., Davis, F.D., 1996. A model of the antecedents of perceived ease of use: development and test. Decision Sciences 27 (3), 451–481. Venkatesh, V., Davis, F.D., 2000. A theoretical extension of the

technology acceptance model: four longitudinal field studies. Manage-

ment Science 46 (2), 186–204.

Wang, Y.-S., Tang, T.-I., 2003. Assessing customer perceptions of website

service quality in digital marketing environments. Journal of End User

Computing 15 (3), 14–28.

Webster, J., Martocchio, J.J., 1992. Microcomputer playfulness: develop-

ment of a measure with workplace implications. MIS Quarterly 16 (2),

201–226.

Woszczynski, A.B., Whitman, M.E., 2004. The problem of common

method variance in IS research. In: Woszczynski, A.B., Whitman, M.E. (Eds.), The Handbook of Information Systems Research. Idea Group Inc., Hershey, PA, pp. 66–77.

Woszczynski, A.B., Roth, P.L., Segars, A.H., 2002. Exploring the theoretical foundations of playfulness in computer interactions. Computers in Human Behavior 18 (4), 369–388.

Zeithaml, V.A., 1988. Consumer perceptions of price, quality, and value: a means-end model and synthesis of evidence. Journal of Marketing 52 (3), 2–22.

La gestion stratégique d’un portefeuille de business models connectés : une application aux secteurs du numérique.

ROMAIN GANDIA, GUY PARMENTIER, (2020). La gestion stratégique d’un portefeuille de business models connectés : une application aux secteurs du numérique, International Management, Vol. 24 Issue 5, p186-204. 19p

Introduction

Cet article s’intéresse au portefeuille de business models des entreprises du numérique. Un portefeuille de business models est la combinaison de plusieurs principes de fonctionnement, règles d’organisation et stratégies, permettant à l’entreprise de répondre aux besoins d’un plus grand nombre de consommateurs et ainsi d’accroître ses revenus. C’est le cas, par exemple, lorsqu’une entreprise assemble des matériels avec des logiciels. Les auteurs de l’étude se sont basés sur plusieurs grands acteurs du numérique comme Apple ou Microsoft afin de proposer des stratégies aux entreprises pour leur permettre de mieux gérer leur portefeuille de business models et développer ainsi leur chiffre d’affaire.

Développement

Le business model a différentes fonctions. Il permet à une société de faire des économies en articulant au mieux « ses activités, ses ressources et ses partenaires » et il lui permet de proposer des produits et services à une catégorie spécifique de consommateurs. Un portefeuille de business models permet donc de toucher plus de consommateurs, puisqu’il combine plusieurs modèles économiques visant chacun sa propre catégorie de clients.Lorsque les différents business models s’articulent bien entre eux, cela permet de maximiser leurs fonctions et de générer de meilleurs rendements. Certains business models portent sur un produit ou un service spécifique « BM classiques », d’autres combinent deux produits ou services « BM duals », voir même plusieurs produits et services « BM multifaces ».

Au sein d’un même portefeuille, les modèles peuvent simplement co exister, ou être complémentaires lorsqu’ils partagent leurs activités et leurs ressources. L’objectif n’est pas le même selon la connexion de cet assemblage. La combinaison de plusieurs business models permet à l’entreprise de faire des économies. Par la suite, si la connexion est élevée, cela permet aux business modèles de s’enrichir mutuellement, en permettant à l’entreprise de proposer des produits complémentaires qui génèreront plus d’achats. Si les modèles sont très complémentaires, cela peut même créer une interdépendance entre les produits : la vente de l’un entrainera la vente de l’autre (comme par exemple la vente d’IPAD et des chargeurs par APPLE). Plus le niveau de connexion est faible, plus l’entreprise peut moduler les connexions entre les business models. A l’inverse, lorsque la connexion est forte, l’entreprise ne peut séparer les deux modèles ; c’est par exemple le cas pour les modèles interdépendants. Les auteurs de l’étude ont pris pour référence Apple, Microsoft et Google. Apple a créé des appareils numériques, puis des applications et autres services disponibles sur ses appareils. Apple combine donc plusieurs business models qui sont complémentaires entre eux.

Il ressort de ces recherches que, même si les acteurs n’ont pas commencé par le même modèle (par exemple Apple a commencé en créant des appareils et Microsoft a commencé en créant un logiciel), chacun de leur portefeuille est structuré de la même manière : un modèle de création du matériel, un modèle de logiciel (comme IOS) et un modèle multi-face de distribution du contenu. Les connexions entre ces différents modèles permettent notamment aux entreprises de faire des économies puisqu’elles utilisent les mêmes technologies pour créer les logiciels et les appareils. Elles permettent aussi une complémentarité entre les modèles puisque les logiciels permettent une meilleure utilisation des appareils. Il est rare en revanche que ces modèles soient interdépendants. Les entreprises peuvent donc ajouter ou retirer certains modèles sans altérer l’usage des autres.

Conclusion

Pour conclure, les entreprises doivent choisir des business models qu’elles pourront moduler afin de retirer ou ajouter des modèles lorsque cela est nécéssaire. Elles doivent également hiérarchiser les modèles (logiciel, matériel, distribution) pour mieux les combiner et réaliser ainsi de meilleurs rendement.

Bibliographie

Amit, R.; Zott, C. (2012). “Creating Value Through Business Model Innovation”, MIT Sloan Management Review, Vol. 53, N° 3, p. 41-49.

Aversa, P.; Haefliger, S. (2017). “Building a Winning Business Model Portfolio”, MIT Sloan Management Review.

Aversa, P.; Haefliger, S.; Reza, D.G. (2017). “Building a Winning Business Model Portfolio”, MIT Sloan Management Review, Vol. 58, N° 4, p. 49-54.

Aversa, P.; Haefliger, S.; Rossi, A.; Baden-Fuller, C. (2015). “From Business Model to Business Modelling: Modularity and Manipulation”, Advances in Strategic Management, Vol. 33, p. 151-185.

Baden-Fuller, C.; Mangematin, V. (2013). “BM: A Challenging Agenda”, Strategic Organization, Vol. 11, N° 4, p. 418-427.

Baden-Fuller, C.; Morgan, M.S. (2010). “BM as Models”, Long Range Planning, Vol. 43, N° 2/3, p. 156-171.

Baldwin, C.Y.; Clark, K.B. (2000), Design Rules, Volume 1: The Power of Modularity, MA: MIT Press.

Barney, J.B. (2001). “Resource-based theories of competitive advan- tage: A ten-year retrospective on the resource-based view”, Journal of Management, Vol . 27, N° 6, p. 643-650.

Benson-Rea, M.; Brodie, R.J.; Sima, H. (2013). “The Plurality of Co-existing Business Models: Investigating the Complexity of Value Drivers”, Industrial Marketing Management, Vol. 42, p. 717-729.

Brax, S. A.; Bask, A.; Hsuan, J.; Voss, C. (2017). “Service Modularity and Architecture: An Overview and Research Agenda”, International Journal of Operations and Production Management, Vol. 37, N° 6, p. 686-702.

Casadesus-Masanell, R.; Ricart, J.E. (2010). “From Strategy to Business Models and to Tactics”, Long Range Planning, Vol. 43, 195-215.

Casadesus-Masanell, R.; Tarziján, J. (2012). “When One Business Model isn’t Enough”, Harvard Business Review, January- February, p. 1-6.

Chesbrough, H. (2010). “Business Model Innovation: Opportunities and Barriers”, Long Range Planning, Vol. 43, p. 354-363.

Chesbrough, H.; Prencipe, A. (2008). “Networks of Innovation and Modularity: A Dynamic Perspective”, International Journal of Technology Management, Vol. 42, N° 4, p. 414-425.

Church, J.; Gandal, N.; Krause, D. (2008). “Indirect Network Effects and Adoption Externalities”, Review of Network Economics, Vol. 7, N° 3, p. 337-358.

Demil, B.; Lecocq, X.; Warnier, V. (2013). “Stratégie et business models”, Pearson Education France, Paris.

Eisenmann, T.; Parker, G.; Alstyne, M.W.V. (2006). “Strategies for Two-sided Markets”, Harvard Business Review, Vol. 84, N° 10, p. 92-101.

Fixson, S.K. (2005). “Product Architecture Assessment: A Tool to link Product, Process, and Supply Chain Design Decisions”, Journal of Operations Management, Vol. 23, N° 3/4, p. 345-369.

Gandia, R.; Parmentier, G. (2017). “Optimizing Value Creation and Value Capture with a Digital Multi-sided Business Model”, Strategic Change, Vol. 26, N° 4, p. 323-331.

Gassmann, O.; Frankenberger, K.; Sauer, R. (2016). Exploring the Field of Business Model Innovation: New Theoretical Perspectives, Palgrave Macmillan.

Jiao, J.; Ma, Q.; Tseng, M.M. (2003). “Towards High Value-added Products and Services: Mass Customization and Beyond”, Technovation, Vol. 23, N° 10, p. 809-821.

Lecocq, X.; Demil, B.; Warnier, V. (2006). “Le business model, un outil d’analyse stratégique”, L’Expansion Management Review, N° 123, p. 96-109.

Lepak, D.P.; Smith, K.G.; Taylor, M.S. (2007). “Value Creation and Value Capture: A Multilevel Perspective”, Academy of Management Review, Vol. 32, N° 1, p. 180-194.

Mangematin, V.; Sapsed, J.; Schüßler, E. (2014). “Disassembly and Reassembly: An Introduction to the Special Issue on Digital Technology and Creative Industries”, Technological Forecasting & Social Change, Vol. 83, p. 1-9.

Markides, C.; Charitou, C.D. (2004). “Competing with dual business models: A contingency approach”, Academy of Management Executive, Vol. 18, N° 3, p. 22-36.

Massa, L.; Tucci, C.; Afuah, A. (2017). “A Critical Assessment of Business Model Research”, Academy of Management Annals, Vol. 11, N° 1, p. 73-104.

McIntyre, D.P.; Srinivasan, A. (2017). “Networks, platforms, and strategy: Emerging views and next steps”, Strategic Management Journal, Vol. 38, N° 1, p. 141-160.

Osterwalder, A.; Pigneur, Y. (2010). Business model generation: a handbook for visionaries, game changers, and challengers, Wiley & Sons.

Parmentier, G.; Gandia, R. (2016). “Gérer l’ouverture dans un business model multiface: le cas du jeu vidéo en ligne”, Revue Française de Gestion, Vol. 42, N° 254, p. 107-128.

Porter, M.E. (2003). “L’avantage concurrentiel”, Dunod, Paris.

Rahikka, E.; Ulkuniemi, P.; Pekkarinen, S. (2011). “Developing the Value Perception of the Business Consumer through Service Modularity”, Journal of Business & Industrial Marketing, Vol. 26, N° 5, p. 357-367.

Richardson, J. (2008). The business model: an integrative fra- mework for strategy execution”, Strategic Change, Vol. 17, N° 5–6, p. 133-144.

Richter, C.; Kraus, S.; Brem, A.; Durst, S.; Giselbrecht, C. (2017), “Digital entrepreneurship: Innovative business models for the sharing economy”, Creativity and Innovation Management, Vol. 26, p. 300-310.

Rochet, J.C.; Tirole, J. (2006). “Two-Sided Markets: A Progress Report”, RAND Journal of Economics, Vol. 37, N° 3, p. 645.

Sabatier, V.; Mangematin, V.; Rousselle, T. (2010). “From Recipe to Dinner: BM Portfolios in the European Biopharmaceutical Industry”, Long Range Planning, Vol. 43, N° 2/3, p. 431-47.

Sachsenhofer, W.; Hampl, N.; Hoffmann, W. H. (2018). “Business Model Portfolio Evolution”, Academy of Management Proceedings, 1.

Stremersch, S.; Tellis, G. (2002). “Strategic Bundling of Products and Prices: A New Synthesis for Marketing”, Journal of Marketing, Vol. 66, N° 1, p. 55-72.

Teece, D.J. (2010). “BM, Business Strategy and Innovation”, Long Range Planning, Vol. 43, N° 2/3, p. 172-194.

Thietart, R-A. (2014). Méthodes de recherche en management. Management Sup, Dunod.

Voss, C.A.; Hsuan, J. (2009). “Service Architecture and Modularity”, Decision Sciences, Vol. 40, N° 3, p. 541-569.

Yin, R.K. (2013). Case study research: Design and methods. Sage publications.

Yoo, Y.; Boland, R.J.; Lyytinen, K.; Majchrzak, A. (2012). “Organizing for Innovation in the Digitized World”, Organization Science, Vol. 23, N° 5, p. 1398-1408.

Zott, C.; Amit, R. (2010). “BM Design: An Activity System Perspective”, Long Range Planning, Vol. 43, N° 2/3, p. 216-226.

Zott, C.; Amit, R.; Massa, L. (2011). “The Business Model: Recent Developments and Future Research, Journal of Management, Vol. 37, N° 4, p. 1019–1042.

 

Valeur perçue des applications mobiles d’aide l’achat en magasin : une approche hybride par les coûts et bénéfices.

Fidan KURTALIQI, Caroline LANCELOT MILTGEN, Gaëlle PANTIN-SOHIER (2019) Valeur perçue des applications mobiles d’aide l’achat en magasin : une approche hybride par les coûts et bénéfices. Revue Management & Avenir.

Introduction :

Cet article s’intéresse à la création et à la destruction de valeur liées aux applications mobiles d’aide à l’achat dans le cadre des points de vente, afin de proposer des pistes de réflexion pour limiter ces coûts.

Pour cela, cette étude s’est penchée tout d’abord sur les coûts engendrés par l’usage de ces applications en magasin, puis, sur des éléments conditionnels pouvant affecter le taux des coûts et bénéfices de ces applications, comme par exemple le type de magasin.

Développement :

Au fil des années, de nombreuses enseignes ont mis en place des applications mobiles permettant aux consommateurs de s’informer sur les produits en amont, puis de les commander et ainsi de développer le « shopping mobile ».Plusieurs études ont permis de mesurer l’impact des leviers de création et de destruction de valeur sur la valeur globale, notamment dans le domaine des self-service technologies et des self-service information technologies. Celles-ci se sont d’abord centrées sur l’adoption des applications mobiles, mais aussi sur une approche multidimensionnelle de la valeur perçue par ces applications ayant pour objectif de présenter les composantes de ces valeurs. Cependant, tout cela n’a pas permis d’identifier la diversité des coûts possiblement engendrés par les applications. En effet, Kumar et Reinartz soulignent que ces applications digitales entrainent des coûts différents de ceux traditionnellement engendrés comme l’exposition publicitaire ou la divulgation des données personnelles. Cette étude cherche à comprendre les usages des applications mobiles dans les magasins afin de pouvoir identifier les différents coûts et bénéfices perçus par les utilisateurs.

L’utilisation quotidienne des smartphones à modifier les comportements des consommateurs en leur permettant de chercher, comparer et acheter des produits et services. C’est pour cela que le commerce physique a décidé de suivre cette tendance en développant en priorité le « shopping mobile ». Le résultat communs à tous les types d’applications : les résultats font ressortir deux bénéfices communs à tous les types d’application : le bénéficie de praticité et le bénéfice d’efficacité. Concernant le bénéfice de praticité : les clients relèvent généralement le côté pratique de ces applications avec notamment la possibilité de commander et payer facilement, d’avoir accès à un large choix de produit en s’informant de manière détaillée sur ces derniers, de comparer les prix, d’avoir sa carte de fidélité directement sur le smartphone, etc.

Enfin, l’affluence en point de vente justifie aussi l’usage de ces applications, elle permet aussi de gagner en temps d’achat sur certains point de vente.

Conclusion :

Cette recherche souligne de nouveaux coûts liés aux applications, différents des autres self-service technologies comme l’atteinte à la vie privée ou la perte de plaisir d’achat. La perception de la valeur de ces services dépend aussi de leur nature : les applications d’achat en ligne paraissent engendrer moins de coûts que les applications utilisées en magasin. De plus, cette étude permet aux distributeurs de repérer les bénéfices potentiels et les coûts engendrés afin de mieux développer leurs applications. Pour finir, le développement de ces applications devrait se faire dans le respect des relations entre le client et le vendeur ainsi que les relations entre le client et le produit. De ce fait, les applications ne devraient pas remplacer le vendeur, ni faire obstacle à la manipulation du produit.

 

Références Bibliographique :

AURIÉR P., ÉVRARD Y. & N’GOALA G. (2004), « Comprendre et mesurer la valeur du point de vue du consommateur », Recherche et Applications en Marketing, Vol. 19, No. 3, p. 1-20.

BABIN B.J., DARDÉN W.R. & GRIFFIN M. (1994), “Work and/or Fun : Measuring Hedonic and Utilitarian Shopping Value”, Journal of Consumer Research, Vol. 20, No. 4, p. 644-656.

BOUZID Y. & VANHÉÉMS R. (2014), « Comportement web-to-store : vers une nouvelle logique de contrôle de soi ? », Management & Avenir, Vol. 71, No. 5, p. 189.

COCOSILA M. & TRABÉLSI H. (2016), “An integrated value-risk investiga- tion of contactless mobile payments adoption”, Electronic Commerce Research and Applications, Vol. 20, p. 159-170, novembre.

DAVIS F.D. (1989), “Perceived Usefulness, Perceived Éase of Use, and User Acceptance of Information Technology”, MIS Quarterly, Vol. 13, No. 3, p. 319-340.

DODDS W.B. & MONROÉ K.B. (1985), “The Éffect of Brand and Price Information on Subjective Product Évaluations”, Advances in Consumer Research, Vol. 12, No. 1, p. 85-90.

FÉÉNSTRA F. & GLÉRANT-GLIKSON A. (2017), « Identifier et comprendre les sources de valeur dans l’interaction avec les SSIT (Self-Service Information Technologies) en magasin », Décisions Marketing, Vol. 86, p. 47-66.

GONZALÉZ C., HURÉ É. & PICOT-COUPÉY K. (2012), « Usages et valeur des applications mobiles pour les consommateurs : quelles implications pour les distributeurs ? ». In Actes du 15e Colloque international E. Thil, Lille, France.

GOUDÉY A. (2013), « Éxploration des effets du degré de technologie perçu du magasin sur le comportement de magasinage », Management & Avenir, Vol. 63, No. 5, p. 15.

GROSS M. (2015), “Éxploring the acceptance of technology for mobile shop- ping : an empirical investigation among Smartphone users”, The International Review of Retail, Distribution and Consumer Research, Vol. 25, No. 3, p. 215-235.

GUMMÉRUS J. & PIHLSTRÖM M. (2011), “Context and mobile services’ value iin-use”, Journal of Retailing and Consumer Services, Vol. 18, No. 6, p. 521-533.

HA L. (1996), “Observations : Advertising Clutter in Consumer Magazines : Dimensions and Éffects”, Journal of Advertising Research, Vol. 36, No. 4, p. 76-84.

HIRSCHMAN É.C. & HOLBROOK M.B. (1982), “Hedonic Consumption : Émerging Concepts, Methods and Propositions”, Journal of Marketing, Vol. 46, p. 92-102, a.

HOLBROOK M.B. & CORFMAN K.P. (1985), “Quality and Value in the Consumption Éxperience : Phaedrus Rides Again”, Perceived quality, Vol. 31, No. 2, p. 31-57.

KALLWÉIT K., SPRÉÉR P. & TOPOROWSKI W. (2014), “Why do customers use self-service information technologies in retail ? The mediating effect of perceived service quality”, Journal of Retailing and Consumer Services, Vol. 21, No. 3, p. 268-276, mai.

KANG J.Y.M., MUN J.M. & JOHNSON K.K.P. (2015), “In-store mobile usage : Downloading and usage intention toward mobile location-based retail apps”, Computers in Human Behavior, Vol. 46, p. 210-217.

KIM S. & BAÉK T.H. (2018), “Éxamining the antecedents and consequences of mobile app engagement”, Telematics and Informatics, Vol. 35, No. 1, p. 148-158, avril.

KLÉIJNÉN M., DÉ RUYTÉR K. & WÉTZÉLS M. (2007), “An assessment of value creation in mobile service delivery and the moderating role of time consciousness”, Journal of Retailing, Vol. 83, No. 1, p. 33-46.

KUMAR V. & RÉINARTZ W. (2016), “Creating Énduring Customer Value”, Journal of Marketing, Vol. 80, No. 6, p. 36-68.

LAI A.W. (1995), “Consumer Values, Product Benefits and Customer Value : A Consumption Behavior Approach”, Advances in Consumer Research, Vol. 22, No. 1, p. 381-388.

LANCÉLOT-MILTGÉN C. & LÉMOINÉ J.-F. (2015), « Mieux collecter les don- nées personnelles sur Internet. Une étude qualitative auprès d’internautes français », Décisions Marketing, Vol. 79, p. 35-52.

LAPASSOUSÉ-MADRID C. & VLAD M. (2016), « Courses connectées : un cas de destruction ou de création de valeur pour les clients et les distributeurs », Décisions Marketing, No. 84, p. 17 p.

MATHWICK C., MALHOTRA N. & RIGDON É. (2001), “Éxperiential value : conceptualization, measurement and application in the catalog and Internet shopping environment”, Journal of Retailing, No. 77, p. 39-56.

MCLÉAN G. (2018), “Éxamining the determinants and outcomes of mobile app engagement – A longitudinal perspective”, Computers in Human Behavior, Vol. 84, p. 392-403, juillet.

MÉNCARÉLLI R. & RIVIÈRÉ A. (2014), « La participation du client dans un contexte de self-service technologies. Une approche par la valeur perçue », Revue française de gestion, Vol. 40, No. 241, p. 13-30.

MÉRISAVO M., KAJALO S., KARJALUOTO H., VIRTANÉN V., SALMÉNKIVI S., RAULAS M. & LÉPPÄNIÉMI M. (2007), “An Émpirical Study of the Drivers of Consumer Acceptance of Mobile Advertising”, Journal of Interactive Advertising, Vol. 7, No. 2, p. 41-50.

MUKAMURÉRA J., LACOURSÉ F. & COUTURIÉR Y. (2006), « Des avancées en analyse qualitative : pour une transparence et une systématisation des pratiques », Recherches qualitatives, Vol. 26, No. 1, p. 110-138.

NÉWMAN C.L., WACHTÉR K. & WHITÉ A. (2017), “Bricks or clicks ? Understanding consumer usage of retail mobile apps”, Journal of Services Marketing, doi :10.1108/JSM-08-2016-0289.

NYSVÉÉN H., PÉDÉRSÉN P.É. & THORBJØRNSÉN H. (2005), “Intentions to use mobile services : Antecedents and cross-service comparisons”, Journal of the Academy of Marketing Science, Vol. 33, No. 3, p. 330.

RÉVÉLS J., TOJIB D. & TSARÉNKO Y. (2010), “Understanding consumer intention to use mobile services”, Australasian Marketing Journal (AMJ), Vol. 18, No. 2, p. 74-80.

RIVIÈRÉ A. & MÉNCARÉLLI R. (2012), « Vers une clarification théorique de la notion de valeur perçue en marketing », Recherche et Applications en Marketing, Vol. 27, No. 3, p. 97-123.

ROSÉNBÉRG M. (1979), Conceiving the self, Basic Books.

RUIZ D.M., GRÉMLÉR D.D., WASHBURN J.H. & CARRIÓN G.C. (2008), “Service value revisited : Specifying a higher-order, formative measure”, Journal of Business Research, Vol. 61, No. 12, p. 1278-1291.

SHÉTH J.N., NÉWMAN B.I. & GROSS B.L. (1991), “Why we buy what we buy : A theory of consumption values”, Journal of Business Research, Vol. 22, No. 2, p. 159-170.

SPIGGLÉ S. (1994), “Analysis and Interpretation of Qualitative Data in Consumer Research”, Journal of Consumer Research, Vol. 21, No. 3, p. 491-503.

SWÉÉNÉY J.C. & SOUTAR G.N. (2001), “Consumer perceived value : The development of a multiple item scale”, Journal of retailing, Vol. 77, No. 2, p. 203-220.

TOJIB D. & TSARÉNKO Y. (2012), “Post-adoption modeling of advanced mobile service use”, Journal of Business Research, Vol. 65, No. 7, p. 922-928.

VÉRNÉTTÉ É. (2008), « Les atouts et les pièges de la personnalité de marque », Décisions Marketing, No. 49, p. 19-31.

VÉSPÉ F. (1997), “High-Tech Billboards : The Same Old Litter on a Stick”, Journal of Public Policy & Marketing, Vol. 16, No. 1, p. 176-179.

WANG H.Y., LIAO C. & YANG L.H. (2013), “What Affects Mobile Application Use ? The Roles of Consumption Values”, International Journal of Marketing Studies, Vol. 5, No. 2. doi :10.5539/ijms.v5n2p11.

WANG H.Y. & WANG S.H. (2010), “Predicting mobile hotel reservation adoption : Insight from a perceived value standpoint”, International Journal of Hospitality Management, Vol. 29, No. 4, p. 598-608.

XU J., FORMAN C., KIM J.B. & VAN ITTÉRSUM K. (2014), “News Media Channels : Complements or Substitutes ? Évidence from Mobile Phone Usage”, Journal of Marketing, Vol. 78, No. 4, p. 97-112, juillet.

ZÉITHAML V.A. (1988), “Consumer Perceptions of Price, Quality, and Value : A Means-Énd Model and Synthesis of Évidence”, Journal of Marketing, Vol. 52, No. 3, p. 2-22.