A multi-stage model of word-of-mouth influence through viral marketing

Posted on by

De Bruyn, A., & Lilien, G. L. (2008). A multi-stage model of word-of-mouth influence through viral marketing. International Journal of Research in Marketing, 25(3), 151–163. https://doi.org/10.1016/j.ijresmar.2008.03.004

Mots-clés : Marketing viral, bouche-à-oreille, recommandations électroniques, processus décisionnel multi-étapes, influence interpersonnelle, marketing en ligne

Avec l’essor d’Internet, les recommandations électroniques peer-to-peer, exploitées par le marketing viral, sont devenues un phénomène clé, mais leur efficacité reste peu comprise, surtout dans un environnement saturé par le spam et les virus électroniques. Cet article propose un modèle multi-étapes pour analyser l’influence du bouche-à-oreille (WOM) électronique non sollicité sur le processus décisionnel des consommateurs, en examinant comment il génère la prise de conscience, suscite l’intérêt et conduit à une décision finale (adoption ou achat). Les auteurs développent une méthodologie innovante pour collecter des données de manière non intrusive dans un contexte réel, en suivant les réactions des destinataires à chaque étape. L’étude repose sur une expérience de terrain impliquant une campagne de marketing viral pour promouvoir une enquête en ligne, avec 1116 participants initialement contactés par e-mail par des connaissances (amis, famille, collègues, etc.). Les résultats révèlent que les caractéristiques de la relation entre l’émetteur et le destinataire modulent l’influence du WOM à différentes étapes.

Le modèle théorique s’appuie sur un cadre décisionnel en trois étapes : prise de conscience (le consommateur sait que l’alternative existe, mesurée par l’ouverture de l’e-mail), intérêt (le consommateur développe un intérêt et cherche plus d’informations, mesuré par la visite du site web), et décision finale (le consommateur agit, mesuré par la complétion de l’enquête). Chaque étape est conditionnée par le succès de la précédente, et l’influence du WOM est modérée par quatre facteurs : la force des liens (intimité de la relation, mesurée par une échelle de Frenzen & Davis, 1990), l’affinité perceptive (similarité des valeurs et goûts, mesurée par une adaptation de Gilly et al., 1998), la similarité démographique (sexe, âge, éducation, occupation), et l’expertise perçue de la source (compétence de l’émetteur dans le domaine concerné, ici Internet). Les hypothèses testées postulent que : (1) des liens forts favorisent la prise de conscience, (2) une forte affinité perceptive suscite l’intérêt, (3) une dissimilarité démographique augmente la prise de conscience, l’intérêt et la décision finale, et (4) l’expertise de la source n’a pas d’impact dans ce contexte à faible implication.

L’expérience a suivi les actions des destinataires en temps réel via un système de suivi Internet, évitant les biais des données rétrospectives. Les données ont été analysées à l’aide de modèles logit séquentiels, adaptés à chaque étape, et comparées à un modèle à une seule étape (de la réception de l’e-mail à la décision finale). Les résultats confirment que : (1) la force des liens (p < 0,05) influence significativement la prise de conscience (ouverture de l’e-mail), mais pas les étapes suivantes, car les relations étroites (amis proches, conjoints) incitent à prêter attention au message ; (2) l’affinité perceptive (p < 0,05) stimule l’intérêt (visite du site), car les destinataires partageant des valeurs similaires sont plus enclins à explorer l’offre ; (3) la dissimilarité démographique (p < 0,05) favorise la prise de conscience, l’intérêt et la décision finale, probablement car elle reflète un pouvoir social ou une nouveauté informationnelle ; (4) l’expertise de la source n’a aucun effet, en raison du faible besoin d’expertise pour évaluer une enquête simple. Le modèle à une seule étape, en revanche, ne détecte que l’effet de la dissimilarité démographique, masquant les influences spécifiques de la force des liens et de l’affinité perceptive, ce qui souligne l’avantage du modèle multi-étapes.

Les implications managériales suggèrent que les campagnes virales doivent cibler des réseaux d’amis proches pour maximiser la prise de conscience, mais que l’intérêt et l’adoption dépendent de l’affinité perceptive et de la dissimilarité démographique. Les limites incluent l’absence de variables côté destinataire (par exemple, intérêt préalable), le contexte spécifique (enquête à faible implication), et la nécessité d’affiner la mesure de la similarité démographique. Les auteurs appellent à des recherches futures pour tester le modèle dans d’autres contextes (produits complexes, communications face-à-face) et affiner les échelles de mesure.

Références :

  • Amemiya, T. (1975). Qualitative response models. Annals of Economic and Social Measurement, 4(3), 363–372.
  • Anderson, E. W. (1998). Customer satisfaction and word of mouth. Journal of Service Research, 1(1), 5–17.
  • Anderson, E. W., & Salisbury, L. C. (2003). The formation of market-level expectations and its covariates. Journal of Consumer Research, 30(1), 115–124.
  • Bansal, H. S., & Voyer, P. A. (2000). Word-of-mouth processes within a services purchase decision context. Journal of Service Research, 3(2), 166–177.
  • Bettman, J. R. (1979). An information processing theory of consumer choice. Reading, MA: Addison-Wesley.
  • Bishop, Y. M. M., Fienberg, S. E., & Holland, P. W. (1975). Discrete multivariate analysis: Theory and practice. Cambridge, MA: MIT Press.
  • Brown, T. J., & Reingen, P. H. (1987). Social ties and word-of-mouth referral behavior. Journal of Consumer Research, 14(3), 350–362.
  • Diorio, S. (2001, April 2). How to make a viral success: Marketers use the web to get consumers to spread the word. ClickZ Network. Retrieved from [URL not provided in original document].
  • Frenzen, J. K., & Davis, H. L. (1990). Purchasing behavior in embedded markets. Journal of Consumer Research, 17(1), 1–12.
  • Gilly, M. C., Graham, J. L., Wolfinbarger, M. F., & Yale, L. J. (1998). A dyadic study of interpersonal information search. Journal of the Academy of Marketing Science, 26(2), 83–100.
  • Hansen, T., & Helgeson, J. G. (1996). Modeling survey response processes: Differences between mail and phone respondents. In T. A. Swartz, D. E. Bowen, & S. W. Brown (Eds.), Advances in services marketing and management (Vol. 5, pp. 123–148). Greenwich, CT: JAI Press.
  • Hauser, J. R., & Urban, G. L. (1977). A normative methodology for modeling consumer response to innovation. Operations Research, 25(4), 579–619.
  • Helgeson, J. G., Voss, K. E., & Terpening, W. D. (2002). Determinants of mail-survey response: Survey design factors and respondent factors. Psychology & Marketing, 19(3), 303–328.
  • Maddala, G. S. (1983). Limited-dependent and qualitative variables in econometrics. Cambridge: Cambridge University Press.
  • Mare, R. D. (1980). Social background and school continuation decisions. Journal of the American Statistical Association, 75(370), 295–305.
  • Reingen, P. H., Foster, B. L., Brown, J. J., & Seidman, S. B. (1984). Brand congruence in interpersonal relations: A social network analysis. Journal of Consumer Research, 11(3), 771–783.
  • Rogers, E. M. (1962). Diffusion of innovations. New York: The Free Press.
  • Rogers, E. M. (1995). Diffusion of innovations (4th ed.). New York: The Free Press.
  • Van den Bulte, C., & Lilien, G. L. (2003). Two-stage partial observability models of innovation adoption (Working paper). Philadelphia: Wharton School, University of Pennsylvania.
  • Wangenheim, F. V., & Bayón, T. (2004). The effect of word of mouth on services switching: Measurement and moderating variables. European Journal of Marketing, 38(9/10), 1173–1185.
  • Wolfinbarger, M. F., & Gilly, M. C. (1993). The effect of time pressure on consumer information search: An exploration of on-line behavior. In L. McAlister & M. Rothschild (Eds.), Advances in consumer research (Vol. 20, pp. 366–371). Provo, UT: Association for Consumer Research.