Vous venez de boucler votre enquête de satisfaction, et voilà dix scores par attribut alignés. Prix 3.8, support 4.1, facilité d'usage 3.5, richesse fonctionnelle 4.3… À l'instant où vous les projetez en comité de direction, la question tombe : « Bon, par où on commence ? »
Vous n'avez pas les ressources pour relever toutes les satisfactions en même temps. Il faut des priorités. Mais « on corrige d'abord le score le plus bas » est une erreur. Améliorer un attribut dont le score est faible mais dont le client se moque ne produit aucun effet. C'est sur le « important mais peu satisfaisant » que se trouve le retour sur amélioration. Montrer cela sur un seul nuage de points, c'est précisément ce que fait l'analyse importance-performance (IPA : Importance-Performance Analysis). Cet article met de l'ordre, avec le grain de la pratique, dans la lecture des 4 quadrants, la mesure de l'importance (c'est là que tout se joue), le tracé des axes et les pièges propres aux données de satisfaction.
1. Pourquoi une « liste de scores de satisfaction » ne permet pas de décider
Un rapport qui se contente d'aligner les scores de satisfaction par attribut sous forme d'histogramme est l'un des livrables les plus produits sur le terrain de la recherche — et pourtant le moins utilisé pour décider. La raison est simple : « la faiblesse du score » et « la priorité d'amélioration » ne coïncident pas.
Faiblesse du score ≠ priorité d'amélioration
Par exemple, même si la satisfaction sur « la mise en page du PDF de facturation » est basse à 3.2, si le client n'y attache aucune importance, l'améliorer ne fera quasiment pas bouger la fidélité. À l'inverse, même si « la rapidité de première réponse du support » n'est que moyenne à 3.9, si le client y attache la plus haute importance, la faire passer à 4.3 a un effet considérable.
Pour décider, il faut deux axes — « à quel point le client accorde de l'importance à cet attribut (importance) » et « à quel point il en est satisfait aujourd'hui (satisfaction) ». Reporter chaque attribut sur ces deux axes et les répartir en 4 quadrants, c'est l'idée fondatrice de l'IPA. Depuis que Martilla & James l'ont proposée en 1977 dans Importance-Performance Analysis (Journal of Marketing), c'est un cadre de longue haleine, toujours employé dans des domaines aussi variés que le CX, la qualité de service, le tourisme ou la santé.
La manière de mesurer la satisfaction elle-même (échelle en 5 ou en 10 points, logique du Top 2 Box) est traitée dans le guide de conception de la satisfaction client (CSAT). Le présent article va un cran plus loin : « comment transformer la satisfaction mesurée en actions d'amélioration ».
2. Les 4 quadrants de l'IPA — la carte du « par où commencer »
En plaçant l'importance en ordonnée et la satisfaction en abscisse, puis en découpant selon leur moyenne (ou leur médiane) respective, chaque attribut tombe dans l'un des 4 quadrants suivants.
Les 4 quadrants de l'IPA et les leviers d'action
Principes de lecture
- En réalité, on ne regarde que la zone des « améliorations prioritaires » : les 2-3 attributs qui y tombent deviennent les thèmes d'amélioration du trimestre suivant
- La surqualité se « déplace » plutôt qu'elle ne se « coupe » : sous prétexte qu'un attribut est de faible importance, en laisser décliner la qualité fera mal le jour où son importance remontera. Commencez par revoir l'allocation des ressources
- Refrénez l'envie de corriger la faible priorité : se laisser tirer par les attributs dont la valeur absolue du score est basse, c'est le plus grand piège. Regardez toujours conjointement l'axe de l'importance
3. Comment mesurer l'importance — question directe vs dérivation statistique
La réussite d'une IPA se joue à 80 % sur la manière de mesurer l'importance. La bâcler rend l'ordonnée des 4 quadrants peu fiable et fait s'effondrer toute l'analyse. Il existe pour l'essentiel deux approches, aux faiblesses diamétralement opposées.
Méthode A : question directe (importance déclarée / Stated Importance)
On demande à part « quelle importance cet attribut a-t-il pour vous ? », séparément de la satisfaction. C'est simple, mais cela comporte un travers fatal.
Les répondants déclarent presque tout « important ». Personne, à qui l'on demande « le support est-il important ? », ne répond « peu importe ». Résultat : les scores d'importance se collent presque tous entre 4.0 et 4.5 (effet de plafond) et les écarts entre attributs s'effacent. L'ordonnée s'écrase et les 4 quadrants ne fonctionnent plus.
Méthode B : dérivation statistique (importance dérivée / Derived Importance)
On considère comme « importance » le coefficient de corrélation ou de régression entre la satisfaction de chaque attribut et la « satisfaction globale (ou l'intention de réabonnement / le NPS) ». Le raisonnement est : « quand la satisfaction sur le support bouge, la satisfaction globale bouge fortement → le support est important », sans interroger directement le répondant sur l'importance.
On évite ainsi l'effet de plafond de la question directe, mais cette approche a ses faiblesses : la multicolinéarité (des attributs corrélés entre eux rendent les coefficients instables) et la confusion entre corrélation et causalité. La pratique des corrélations et régressions servant de base à la dérivation est détaillée dans le guide d'agrégation des enquêtes et de test de significativité.
La conclusion de terrain : regarder les deux et lire l'« écart »
Sur le plan académique comme pratique, le mieux est de mesurer à la fois l'importance déclarée et l'importance dérivée, puis de lire le décalage (l'écart) entre les deux.
- Les attributs « déclarés importants mais à faible impact sur la satisfaction globale » → le discours de façade du client. Ils font du bruit mais ne changent pas les comportements
- Les attributs « jugés anodins quand on les interroge, mais qui font fortement bouger la satisfaction globale » → des leviers cachés que le client lui-même n'a pas conscientisés. C'est là qu'est le trésor
L'importance dérivée s'inscrit dans le prolongement direct de l'« analyse des facteurs clés » (key driver analysis), et l'IPA en constitue la sortie : la visualisation de ces résultats en 4 quadrants.
4. Construire le nuage de points — le choix discret mais décisif du point de partage des axes
Où tracer la croix qui découpe les 4 quadrants ? Cela pèse sur les conclusions bien plus qu'il n'y paraît. Les options sont essentiellement au nombre de trois.
| Point de partage | Nature | Situation adaptée |
|---|---|---|
| Moyenne | Évaluation relative. Hiérarchie au sein de votre propre ensemble d'attributs | Le plus courant. Priorisation interne des améliorations |
| Médiane | Robuste aux valeurs extrêmes. Stable même quand la distribution est déséquilibrée | Quand la satisfaction penche vers les hauts scores (parade à l'effet de plafond, voir plus loin) |
| Point milieu de l'échelle (3.0 pour une échelle en 5 points) | Évaluation absolue. « A-t-on franchi le seuil de passage ? » | Comparaison concurrentielle ou jugement de niveau absolu |
Le piège du partage par la moyenne — « ajouter un attribut change la conclusion »
Le partage par la moyenne, le plus employé, recèle une faiblesse souvent négligée. Comme la ligne de partage est la moyenne de tous les attributs, ajouter ou retirer un seul attribut déplace la ligne, et un attribut peut sauter de la zone des améliorations prioritaires vers la zone de maintien.
« Le support, classé en améliorations prioritaires dans le rapport du mois dernier, est en zone de maintien ce mois-ci. Alors qu'on n'a rien fait. » — ce n'est pas rare que cela tienne non pas à une amélioration réelle, mais simplement au fait que les attributs agrégés ont changé et que la ligne de moyenne s'est déplacée. Si vous utilisez la moyenne comme point de partage, figez l'ensemble des attributs et notez toujours la position de la ligne.
La construction du nuage de points lui-même (graphique à deux axes sous Excel, étiquettes d'axes, lignes auxiliaires des quadrants) est traitée dans le guide de visualisation des résultats d'enquête et le guide d'agrégation d'enquête sous Excel.
5. L'effet de plafond des données de satisfaction — le principal piège de l'IPA
Ce qui casse le plus souvent une analyse IPA, c'est l'« effet de plafond » des données de satisfaction qui penchent vers les hauts scores.
La satisfaction client ressort structurellement vers le haut. Sur une échelle en 5 points, elle se concentre entre 4.0 et 4.5 en moyenne, et les attributs sous 3.0 sont rares (un biais d'échantillonnage joue aussi : les clients mécontents n'ont, à la base, pas répondu et ont déjà décroché). Du coup, sur le nuage de points, tous les attributs s'agglutinent à droite (côté forte satisfaction) et le partage de l'abscisse cesse de fonctionner. « Tout est en zone de maintien » et rien ne se décide.
Les leviers de parade
- Partager par la médiane : plus robuste que la moyenne face au déséquilibre de la distribution. Même agglutinés à droite, les attributs peuvent être scindés en deux
- Standardiser la satisfaction (score z) : convertir chaque attribut en sa « position relative au sein de l'ensemble des attributs » avant de le reporter. On n'est plus tiré par le niveau absolu et l'on voit les écarts relatifs entre attributs
- Utiliser un « taux d'insatisfaction » ou un « écart au Top box » à la place de la satisfaction : pour amplifier les micro-écarts dans la zone des hauts scores
Laisser l'effet de plafond en l'état et lire « tout est en haut à droite, donc notre entreprise est tranquille » est la mésinterprétation la plus typique de l'IPA. Une fois le nuage de points construit, soupçonnez d'abord que les points ne forment pas un seul amas.
6. L'IPA améliorée — approche diagonale et « asymétrie de la satisfaction »
Les 4 quadrants classiques ont aussi leurs critiques, et plusieurs versions améliorées ont été proposées. Deux d'entre elles sont utiles à connaître sur le terrain.
L'approche diagonale (Bacon 2003)
Au lieu de découper selon les moyennes en ordonnée et en abscisse, on trace la diagonale à 45° « importance = satisfaction » et l'on mesure la priorité par la distance à cette ligne. Bacon (2003) a souligné que la classification en 4 quadrants devient instable lorsque des attributs s'agglutinent près des frontières des quadrants, et a montré qu'il est plus robuste d'évaluer la priorité de façon continue par l'écart à la diagonale (le degré auquel l'importance dépasse la satisfaction). L'avantage : on échappe à l'alternative binaire « dans quel quadrant ça tombe ? ».
L'asymétrie de la satisfaction — connecter l'IPA et le Kano (Matzler 2004)
L'IPA classique suppose que « l'importance est une valeur fixe, indépendante de la satisfaction », mais Matzler et al. (2004) ont montré que l'importance d'un attribut varie selon le niveau de satisfaction (relation asymétrique, non linéaire).
- Qualité attendue (Must-be) : tenue pour acquise. La satisfaire ne fait pas monter la satisfaction, mais son absence engendre un fort mécontentement (ex. : pouvoir se connecter, une facturation exacte)
- Qualité attractive (Attractive) : son absence ne crée pas d'insatisfaction, mais sa présence fait bondir la satisfaction (ex. : un support proactif et inattendu)
Autrement dit, « l'importance pour un client mécontent » et « l'importance pour un client satisfait » sont deux choses distinctes, et calculer l'importance dérivée séparément pour le groupe à forte satisfaction et le groupe à faible satisfaction permet de distinguer qualité attendue et qualité attractive. Selon qu'un attribut classé en améliorations prioritaires relève en réalité de la qualité attendue (le corriger ne fait pas monter la satisfaction, cela se limite à lever le mécontentement) ou de la qualité attractive (le corriger fait bondir la satisfaction), le sens de l'investissement change.
7. Le point de vue de la rédaction — les 5 choses à ne pas faire en IPA
Du point de vue de qui suit en continu les cas du secteur et la parole des praticiens, voici 5 accidents qui se répètent en IPA. Aucun n'est un cas où « l'analyse était fausse » : ce sont des cas où « la lecture a dérapé ».
1. Prendre pour argent comptant l'importance issue de la question directe
L'accident le plus fréquent. « On a mesuré l'importance et tout ressort à 4.2 », et l'ordonnée s'écrase. Faire tourner une IPA sur la seule question directe, c'est presque à coup sûr capoter sur l'effet de plafond. Associez toujours l'importance dérivée (corrélation avec la satisfaction globale). Si vous ne pouvez en obtenir qu'une, choisissez la dérivée.
2. Laisser l'effet de plafond de la satisfaction et se rassurer avec « tout en haut à droite »
Une fois le nuage de points construit, regardez d'abord si les points ne forment pas un seul amas. S'ils s'agglutinent à droite, essayez le partage par la médiane ou le score z. Une IPA où « tous les attributs sont en zone de maintien » a presque à coup sûr manqué un effet de plafond.
3. Ignorer l'instabilité du partage par la moyenne et voir la conclusion fluctuer chaque mois
À chaque ajout ou retrait d'attribut, la ligne de partage se déplace et le quadrant change sans lien avec les actions menées. Figez l'ensemble des attributs et notez toujours la valeur de la ligne de partage. Pour un suivi temporel, sans enregistrer aussi la position de la ligne, la comparaison au mois précédent n'a aucun sens.
4. Prendre la « surqualité » pour une force et la défendre indéfiniment
Se persuader qu'un attribut à faible importance × forte satisfaction « est notre force », y déverser des ressources, et ne plus avoir de bras pour les améliorations prioritaires. La zone de surqualité n'est pas un motif de fierté, mais un candidat à la réallocation. Cela dit, vérifiez une fois, sous l'angle de l'asymétrie (s'agit-il de qualité attendue ?), que la « faible importance » n'est pas temporaire.
5. Figer un quadrant sur la satisfaction d'un attribut au N faible
Avec un design où « seules les personnes concernées » répondent à chaque attribut (ex. : la satisfaction support n'est mesurée qu'auprès des utilisateurs du support), le N varie fortement selon les attributs. Décider du quadrant à partir de la satisfaction moyenne d'un attribut à N=15 et agir en « c'est une amélioration prioritaire » est dangereux. Indiquez toujours le N par attribut et suspendez le jugement pour les attributs à N faible. La logique de la taille d'échantillon est traitée dans comment déterminer la taille d'échantillon nécessaire.
8. Conduire une IPA avec l'outil d'enquête Kicue
L'IPA se scinde en une phase « mesurer la satisfaction et l'importance par les questions » et une phase d'analyse « reporter sur un nuage de points et lire en 4 quadrants ». Ce que Kicue prend en charge, c'est la première ; la seconde se fait en combinaison avec des outils externes.
- Mesure de la satisfaction et de l'importance déclarée : prise en charge de la conception de questions mesurant, pour chaque attribut, la satisfaction et l'« importance » sur une échelle de Likert en 5 ou 7 points (types de questions · guide de conception de l'échelle de Likert)
- Adjonction d'une question de satisfaction globale : on peut placer dans le même formulaire les questions de « satisfaction globale » et d'« intention de réabonnement » nécessaires au calcul de l'importance dérivée
- Export CSV avec identifiant de répondant : sortie de la satisfaction par attribut et de la satisfaction globale dans une structure une ligne par réponse, utilisable pour le calcul des corrélations de l'importance dérivée et pour la scission des groupes à forte / faible satisfaction
- Agrégation GT et tri croisé : la vérification de la moyenne et de la distribution de chaque attribut est possible sur le tableau de bord
⚠️ Ce que Kicue ne couvre pas
- Pas de construction du nuage de points IPA ni de tracé des 4 quadrants : la pratique consiste à exporter le CSV et à tracer / découper les quadrants sous Excel (nuage de points) / R / Python / SPSS / JASP
- Pas de fonction de calcul de l'importance dérivée (corrélation / régression) : l'analyse statistique se fait dans un outil externe. Kicue lui-même n'embarque pas de fonction d'analyse statistique
- Pas de prétraitement non plus, comme la standardisation par score z ou le partage par la médiane : tout cela se fait, après export, du côté du tableur ou du logiciel statistique
En articles connexes, lire conjointement le guide de conception de la satisfaction client (CSAT), le guide de choix entre les métriques CX, le guide d'agrégation des enquêtes et de test de significativité, le guide de visualisation des résultats d'enquête et le guide de conception d'un programme VoC fait apparaître l'enchaînement « mesurer la satisfaction → décider des priorités d'amélioration → mettre en exploitation ».
En résumé — 6 points pour mettre l'IPA au service de la décision
- En réalité, on ne regarde que la zone des « améliorations prioritaires » — les 2-3 attributs en forte importance × faible satisfaction sont les prochains thèmes d'amélioration
- Faiblesse du score ≠ priorité — regardez toujours conjointement l'axe de l'importance. Refrénez l'envie de corriger la zone de faible priorité
- L'importance dérivée (corrélation) en principal, la question directe en second — la seule question directe capote presque toujours sur l'effet de plafond
- Soupçonnez l'effet de plafond de la satisfaction — si le nuage de points s'agglutine à droite, partage par la médiane ou score z
- Pour le partage par la moyenne, figez l'ensemble des attributs et notez la position de la ligne — sinon la comparaison au mois précédent n'a plus de sens
- Indiquez le N par attribut et suspendez le jugement pour les N faibles — un attribut auquel seules les personnes concernées répondent voit son N se diviser
L'IPA n'est pas difficile « parce que l'analyse serait sophistiquée ». Pour peu que vous ne ratiez pas deux points — la manière de mesurer l'importance et le déséquilibre des données de satisfaction — c'est un cadre au rapport coût-efficacité élevé, capable de faire avancer une décision de comité de direction avec un seul nuage de points sous Excel.
Vous souhaitez concevoir une enquête mesurant la satisfaction et l'importance ? Pourquoi ne pas essayer l'outil d'enquête gratuit Kicue ? De la conception des questions de Likert pour la satisfaction par attribut et la satisfaction globale, à l'export CSV avec identifiant de répondant, jusqu'à l'agrégation GT et au tri croisé, vous pouvez démarrer la partie qui prépare les données d'entrée de l'IPA avec un seul compte (la construction du nuage de points, le calcul des corrélations de l'importance dérivée et la standardisation par score z se font en combinaison avec Excel / R / Python / SPSS / JASP).
Références
- Martilla, J. A., & James, J. C. (1977). Importance-Performance Analysis. Journal of Marketing, 41(1), 77-79.
- Bacon, D. R. (2003). A Comparison of Approaches to Importance-Performance Analysis. International Journal of Market Research, 45(1), 55-71.
- Matzler, K., Bailom, F., Hinterhuber, H. H., Renzl, B., & Pichler, J. (2004). The asymmetric relationship between attribute-level performance and overall customer satisfaction: a reconsideration of the importance–performance analysis. Industrial Marketing Management, 33(4), 271-277.
- Oh, H. (2001). Revisiting importance-performance analysis. Tourism Management, 22(6), 617-627.
- Azzopardi, E., & Nash, R. (2013). A critical evaluation of importance–performance analysis. Tourism Management, 35, 222-233.