2024, Vol. 38, No. 2, 07-24
Revue Française de Gestion Industrielle
ISSN: 0242-9780
eISSN: 2804-9284
2024, Vol. 38, No. 2, 07-24
Revue Française de Gestion Industrielle
ISSN: 0242-9780
eISSN: 2804-9284
Dimitri Laroutis
1, Philippe Boistel 
2, Max Poulain
3
1ESC Amiens, CERM, chercheur associé au CRIISEA UR 3098, France, dimitri.laroutis@esc-amiens.com 2ESC Amiens, CERM, chercheur associé au CRIISEA UR 3908, France, philippe.boistel@esc-amiens.com 3IAE de Caen, Université de Normandie, France, max.poulain@unicaen.fr
Résumé : Avec 350 millions de références produit, Amazon constitue une entreprise globale de e-commerce, omniprésente dans un nombre de secteurs incalculable. Nous avons souhaité identifier les facteurs explicatifs du choix des e-consommateurs dans leur démarche d’achat. Pourquoi choisissent-ils Amazon plutôt qu’un autre site marchand ? Comment les PME peuvent elles se différencier pour riposter à Amazon ? Sur la base d’une enquête réalisée auprès de 191 internautes acheteurs, nous avons construit un modèle explicatif du choix des e-consommateurs par rapport à leur site marchand de référence. 14 variables expliquant le comportement du e-consommateur dans son choix de site marchand se sont révélées significatives, avec des influences allant de -30.38% à +41.5% dans la propension des individus à choisir Amazon
Mots clés : Amazon ; Stratégie digitale ; Comportement du consommateur
Abstract: With 350 million product references, Amazon is a global e-commerce company which remains omnipresent in a wide range of sectors. We wanted to identify the factors that explain the choice of e- consumers in their buying process. Why do they choose Amazon over another commercial site? How can SMEs improve their differentiation against competition from Amazon? Based on a survey conducted among 191 Internet shoppers, we were able to build a model explaining the choice of e-consumers regarding their preferences in terms of consuming online. We thus identified 14 significant variables explaining the behaviour of an e-consumer in his choice of an online commercial site, with influences ranging from -30.38% to +41.5% in the propensity of individuals to choose Amazon.
Keywords: Amazon; Digital strategy; Consumer behaviour
Citation: Laroutis, D., Boistel, P., & Poulain , M., PME versus Amazon : Le choix d’Amazon comme site marchand de référence est-il une fatalité ? Revue Française de Gestion Industrielle, 38(2), 07-24, https://doi.org/10.53102/2024.38. 02.1137
Historique : reçu le 21/06/2022, accepté le 01/03/2024, en ligne le 30/04/2024
This is an Open Access article distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (http://creativecommons.org/licenses/by-nc/4.0/), permitting all non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
En 2020, l’entreprise Amazon employait 1,3 million de personnes et réalisait un bénéfice de 21.3 Mds de dollars (+83%) pour un chiffre d’affaires de 386 Mds de dollars (+38%). En France (22 millions de clients), Amazon est considéré par Kantar WorldPAnel comme le leader incontesté du e- commerce avec 20.2% de part de marché [suivi de Cdiscount (7.9%), Vente Privée (3.5%)]. De nombreuses études ont été réalisées sur cette entreprise hors norme. Sur un plan technique, Bhatt et al. (2015) proposent un système améliorant la classification des avis clients sur Amazon. Sur un plan commercial, Venkatesan (2017) étudie la stratégie d’engagement des consommateurs et identifie les leviers favorisant la mise en relation entre clients potentiels et acquis. Liu et Hong (2016) comparent Amazon à Gmarket (concurrent coréen) pour déterminer les raisons du choix des deux sites par les consommateurs, ils identifient comme facteurs clés de succès communs la confiance, les prix attractifs ou le design. Cependant, nous n’avons pas repéré de travaux spécifiques s’intéressant au choix ou non d’Amazon par les e-consommateurs. Cela nous semble d’autant plus crucial qu’avec plus de 350 millions de références, Amazon constitue une entreprise globale et que la presse considère qu’il y a dans le secteur d’une part Amazon et d’autre part les autres sites marchands.
Le 20 Novembre 2018, en pleine période Black Friday, Forbes France titrait « Comment les PME Françaises peuvent riposter face aux géants Amazon et Alibaba ? ». Pour répondre à cette question, nous cherchons à comprendre le comportement de choix des internautes pour Amazon ou pour un autre site marchand. Notre contribution est double. Sur un plan méthodologique, nous avons choisi d’appliquer la méthode des préférences déclarées afin de comprendre le choix des internautes. Développée par deux prix Nobel, cette méthode révèle le consentement des individus à réaliser un choix (dans notre cas, un choix entre Amazon et un autre site marchand) à travers l’administration d’un questionnaire et son traitement statistique. Sur un plan managérial, nous proposons une hiérarchisation des actions à réaliser par les PME
voulant se différencier d’Amazon et toucher une cible qui lui correspond. Tout dirigeant ou manager d'un site e-commerce ayant comme concurrent Amazon pourra se référer à nos travaux afin d’agir sur sa stratégie de différenciation.
A travers la revue de la littérature, nous définissons dans la partie 2 les hypothèses à vérifier via notre modèle économétrique. La méthodologie ainsi que les étapes de la construction du questionnaire sont exposées en partie 3. Les résultats du modèle sont expliqués dans la partie 4. Nous y interprétons les variables significatives. La partie 5 présente les préconisations managériales. Les limites de nos travaux se trouvent en conclusion.
Amazon n’a pas fait l’objet de multiples comparaisons. A notre connaissance, seuls Liu et Hong (2016) comparent Amazon au coréen Gmarket afin d’identifier les facteurs de leur succès. Face à un nombre réduit de travaux, notre revue de littérature, qui a permis de présenter 9 hypothèses, s’oriente vers le choix de points de vente. Les variables prises en compte pour décrire le magasin et le site sont souvent identiques : design, ergonomie, merchandising, variété de l’offre ... (Degeratu et al., 2000 ; Phau & Poon, 2000). Nous étudions également le comportement d’achat des internautes puisque le comportement du consommateur sur un site marchand est considéré comme une activité de magasinage effectuée par un consommateur au moyen d’un ordinateur servant d’interface, au cours de laquelle l’individu est en lien avec un site commercial avec lequel il peut interagir (Haübl & Trifts, 2000). Nous ne réalisons pas une revue de littérature exhaustive pour chaque champ étudié mais nous mettons en lumière les principaux facteurs d’influence identifiés dans ces champs de recherche.
La confiance : Pour Pavlou (2003), la confiance se définit comme « une croyance permettant aux consommateurs d’accepter la vulnérabilité à l’égard d’un marchand Internet ». Elle s’explique notamment par les problèmes de sécurité (piratage de comptes, faux produits, etc.). Elle est considérée comme un élément primordial au développement
commercial des sites et au taux de conversion (Bonson Ponté et al., 2015). Selon Gurviez et Korchia (2002), la construction durable des relations avec les internautes passerait par le sentiment de confiance. La confiance dans les sites marchands (ou e- confiance) se révèle également beaucoup plus globale et intègre des éléments sur la préservation de données personnelles et financières (Faten, 2014
; Suki & Suki, 2017). Pour les clients, la confiance dans les sites marchands leur permet de réduire certaines craintes telles que le manque de sécurité ou la violation de certaines données privées (Blut et al., 2015). La e-confiance, et son impact, a très largement été étudiée. Kim et Peterson (2017) ont réalisé une méta-analyse portant sur 150 études empiriques portant sur la e-confiance afin de mieux la comprendre. Ces auteurs soulignent une relation avec l’intention de réachat ou encore la fidélité tout en mettant en exergue la complexité réelle de l’influence de la confiance sur le comportement du e-client.
La logistique : Pour Lee (2015) ou Liu et Hong (2016), un haut niveau d’efficacité logistique influence le comportement de l’e-consommateur. Il favoriserait la satisfaction des individus et leur loyauté. Amazon garantit non seulement le temps de livraison mais offre également de nombreux services visant à capter et fidéliser les internautes. Les services logistiques constituent un facteur créant un avantage concurrentiel (Durand, 2010 ; Nguyen & Chanut, 2018). Ces auteurs soulignent que « certains sites marchands l’ont bien compris, [et] construisent leurs avantages concurrentiels sur la performance logistique (Amazon, Alibaba, C- discount par exemple) ». Hameed et al. (2018) rejoignent les résultats de Hu et al. (2016) ou de Belin-Munier (2013) définissant le rôle central de la logistique dans l’e-commerce et sur la satisfaction du client. Yu et al. (2015) mettent en avant que la qualité de la logistique favorise une flexibilité avec les fournisseurs et induit une plus grande satisfaction des clients. Ainsi, dans le cas de l’entreprise Taobao, les infrastructures mises en place influencent la flexibilité qui, en retour,
révèlent un effet positif sur la satisfaction des clients.
L’ergonomie : Le comportement d’achat peut être influencé par l’ergonomie du site (Kim & Song, 2010). Bin Dost et al. (2018) considèrent que l’ergonomie “is one of the major positive factors prompting consumers to shop online”. Elle représente un gain de temps pour les individus pressés et ceux-ci orienteraient leurs achats sur des sites faciles à utiliser. L’ergonomie constitue un élément important pour le développement des activités e-commerce, pour l’augmentation de l’adhésion des clients et pour une hausse des achats sur Internet (Sheik et al., 2015). Selon Wang et Sénécal (2004), l’ergonomie jouerait, à travers son utilisabilité, un rôle dans l’intention de retour de l’internaute. Par contre, dans le cas où le consommateur a l’impression de ne pas trouver rapidement ce qu’il cherche, et même si au bout du compte il trouve le service, l’information ou le produit souhaité, il aura tendance à se diriger vers un autre site (Nantel & Mekki Berrada, 2009).
Le prix et le choix : Pour Bèzes et Belvaux (2012), l’organisation de l’offre (produits proposés, services et conseils) influence positivement la performance des sites marchands. Pour ces auteurs, le facteur utilité-économie (prix, promotion, accessibilité) « semble avoir un pouvoir explicatif de la performance des sites marchands tant au niveau du trafic généré que du nombre de pages vues ». Les dimensions « prix », « promotion » constitueraient des éléments centraux à intégrer pour expliquer la perception des internautes sur le site. Hong et al. (2018) soulignent l’importance des promotions afin d’attirer les clients sur des sites de e-commerce. Ils développent un algorithme permettant d’arbitrer entre réputation et profit à court terme. Le prix attire les consommateurs sur les magasins online et assure leur retour (Reibstein, 2002 ; Menon et al., 2018).
La fidélité : Haon et Patel (2011) ont établi une relation entre la fidélité et le chiffre d’affaires en soulignant l’impact de la fidélité sur le panier moyen des e-consommateurs. Auparavant, Kamakura et al. (2003) montraient la nécessité d’une cohérence entre actions opérationnelles, fidélité et profits. Pour eux, investir dans la fidélisation améliore les performances commerciales. Hichri et Ben Rached (2017) soulignent l’importance des stratégies de fidélisation des sites d’achats groupés. Selon ces auteurs, ces sites marchands « sont en train d'opérer dans des stratégies de fidélisation à travers les outils technologiques et interactifs utilisés pour assurer la réussite de leurs stratégies et garantir leur pérennité face à un marché en pleine concurrence
». Ce constat est validé plus largement par Zhang et al. (2016) qui montrent la volonté des entreprises d’augmenter les interactions avec leurs clients. Pour Chaudhuri et Holbrook (2001), la fidélité reflète une relation de long terme entre les clients et l’entreprise ou la marque qui capture une part importante du comportement du consommateur dans la construction de l’image de marque.
Le genre et l’âge : Certaines variables démographiques révèlent un impact sur le comportement d’achat. L’âge et le genre, selon Ranhman et al. (2018), influencent la perception du consommateur, leur comportement d’achat et leur choix. Lin et al. (2018) conseillent de prendre en compte le genre lors de la création et le développement des sites. Lin et al. (2018) ont réalisé une étude plus globale portant sur l’impact de la différence des genres sur la prise de décision d’achats en ligne. Ces auteurs soulignent ainsi que l’interactivité et le risque perçu influencent davantage les hommes et la profondeur du contenu affecte plutôt les femmes. Concernant les autres variables démographiques, Lian et Yen (2014)
soulignent une appréhension différente des risques entre les jeunes adultes et les personnes âgées.
La valeur perçue : La valeur d’un site web est définie par l’information donnée, le format du site web et l’infrastructure fournissant la connexion (Rayport & Svioka, 1994). Pour ces auteurs, l’intention de revisite est significativement influencée par la perception de la valeur du site web. Une description complète d’un produit peut favoriser l’intérêt des internautes. Comme le souligne Tangmanee (2017), les internautes passeraient plus de temps sur le site conduisant à développer leur intérêt. La valeur perçue par les visiteurs représente un élément central dans la relation entre le site marchand et l’internaute. Ces efforts joueraient sur le comportement des visiteurs. La valeur perçue d’un site prend en considération la fiabilité, la facilité d’utilisation, la sécurité, la diversité des produits et l’attention portée par le site aux besoins du client (Ling et al., 2015). Elle influencerait le comportement d’achat du client et sa capacité à recommander le site. Cette variable constitue un indicateur de perception globale du site considéré. Bolton et Lemon (1999) font référence à la théorie de l’équité (Adams, 1963) et à l’évaluation globale du client sur ce qui lui apparaît juste par rapport aux coûts perçus. L’évaluation globale du produit ou du service correspond à la “satisfaction cumulée résultant d’un agrégat d’expériences” (Montgommery & Unnava, 2009).
La méthode des préférences déclarées a été développée par deux prix Nobels au milieu des années 1990 (Arrow et al., 1993). Cette méthode vise à comprendre le consentement des individus à réaliser un choix face à une problématique, à travers l’administration d’un questionnaire. Dans nos travaux, le choix se réalise entre Amazon et un autre
site marchand. La construction et l’administration du questionnaire dans le cadre de la méthode des préférences déclarées répondent à des exigences précisément identifiées dans la littérature afin d’éviter tout biais éventuel (cf. Arrow et al. (1993) ; Johnston et al., 2017). Cette méthode a été mise en place afin de révéler les consentements des individus à réaliser un choix. Elle a été notamment utilisée dans le cadre de recherche en économie de l’environnement afin de connaître le consentement des individus à préserver l’environnement (cf. Arrow et al., 1993). La méthode des préférences déclarées est une technique de collecte de données utilisée pour mesurer les préférences et les choix hypothétiques des individus en réponse à des scénarios spécifiques. Elle repose sur des enquêtes ou des questionnaires où les participants expriment leurs préférences ou indiquent leurs choix parmi un ensemble d'options proposées (cf. extrait du questionnaire en annexe 1). Cette approche permet d'explorer des situations qui ne se sont pas encore produites ou qui sont difficiles à observer directement, offrant ainsi des informations précieuses pour, par exemple, la conception de produits, la planification des politiques publiques, et l'analyse de la demande dans divers secteurs.
Les principaux avantages de cette méthode incluent sa flexibilité et sa capacité à évaluer des innovations ou des changements avant qu'ils ne se produisent. Cependant, elle peut être sujette à des biais, tels que le biais de désirabilité sociale ou le biais d'hypothèse, car les réponses sont basées sur des déclarations plutôt que sur des comportements observés. Malgré ces limites, la méthode des préférences déclarées reste un outil puissant pour comprendre les préférences des consommateurs et anticiper les réactions du marché face à de nouvelles propositions.
Dans le cadre de notre recherche, un pré-test du questionnaire a permis d’éviter les biais stratégiques, d’incompréhension et de non- familiarité. Les recommandations de Johnston et al. (2017) et de Gavard-Perret et al. (2012) ont été respectées. Nous retenons que la fidélité se mesure à travers quatre éléments : une préférence pour le site (Morgan & Hunt, 1994), une attitude positive à son égard (Reichheld & Schefter, 2000), une
intention (de revisite, de recommandation ou de ré- achat – Mathwick, 2002), un engagement durable (Bowen & Shoemaker, 1998). Pour l’échelle d’identification sociale, nous retenons l’échelle de Bearden et al. (1989) sur la sensibilité à l’influence interpersonnelle (sensibilité normative : tendance d'une personne à se conformer aux attentes des autres pour gagner leur approbation ou éviter leur désapprobation ; sensibilité informative : tendance à rechercher des informations auprès d'autres personnes et à les utiliser pour prendre des décisions d'achat éclairées), modifiée pour être adaptée à l’identification sociale. L’intérêt de cette échelle est qu’elle porte sur la marque que le consommateur choisit. Concernant l’engagement, nous retenons l’échelle de Bansal et al. (2004). Pour l’attachement au site, nous transposons les items de Lacoeuilhe (2000) sur l’engagement à la marque qui intègre l’affection, la connexion, la passion et la fidélité. Enfin, les items de Hess (1995) sont repris pour mesurer la confiance.
Le questionnaire comprend quatre 4 parties et 54 questions. La première porte sur la confiance et aborde la véracité et la qualité des informations fournies par le site de référence choisi par le répondant. La deuxième partie s’intéresse à l’ergonomie. La troisième partie porte sur la fidélité et la logistique. La dernière partie se réfère aux caractéristiques sociodémographiques du répondant (annexe 1 – partie du questionnaire). Chaque partie se termine par une échelle sémantique différentielle afin d’évaluer spécifiquement la confiance pour la partie 1, l’ergonomie pour la partie 2, la fidélité pour la partie
3. L’administration du questionnaire a été réalisée par internet auprès de 247 e-clients. La représentativité des données est vérifiée quant au sexe et à l’âge et corresponde aux informations données par Statista (2018). L’âge moyen des acheteurs est de 36 ans. La répartition entre hommes et femmes ne révèle pas de différences importantes. Le nettoyage de la base nous conduit à exploiter les réponses de 191 personnes.
Table 1: Synthèse de la base de données
Age | 36 ans | |
Genre | ||
Homme | 47% | |
Femme | 53% | |
PCS | ||
Agriculteurs | 1.6% | |
Artisans, commerçant, chef d’entreprise | 9.4% | |
Cadres et professions intellectuelles | 37% | |
Professions intermédiaires | 8.3% | |
Employés | 23.4% | |
Ouvriers | 1.6% | |
Retraités | 4.2% | |
Sans activité | 15.6% | |
Une régression logistique est utilisée en raison de sa capacité à s’adapter à tout type de variables indépendantes (cf. Greene et al., 2011). Elle vise à caractériser les relations entre une variable à expliquer et une seule ou plusieurs variables prises en compte simultanément (Gavart-Perret et al., 2012). Dans notre cas, il s’agit du choix à réaliser entre le site Amazon et un autre site marchand. La variable dépendante est binaire (codée 1 si l’individu choisit Amazon et 0 sinon) et les variables indépendantes correspondent aux différentes caractéristiques des individus et à leurs choix dans leur comportement utilisateur. Ce modèle économétrique est utilisé afin de prédire les choix effectués par des individus (cf. Fontana et al., 2019 ; Lee & Yi, 2019).
Comme cela se fait généralement pour ce type de méthode, nous n’avons retenu dans le modèle économétrique que les variables significatives à 10% (Tableau 2).
Le traitement statistique des données, de type régression logistique, a permis d’identifier 14 variables significatives (hors constante) et explicatives du choix réalisé par le consommateur (entre Amazon ou un autre site). Les résultats de ce traitement statistique se trouve dans le tableau 3 qui présente le modèle logistique ainsi obtenu. Ce tableau présente également les t de student afin d’évaluer le niveau de significativité des variables gardées. De plus, afin d’évaluer l’impact de chaque
variable en pourcentage, nous avons calculé les effets marginaux de chaque variable significative sur le comportement des répondants (via la commande mfx du logiciel).
Les effets marginaux sont calculés à partir des dérivées partielles de la fonction de probabilité estimée par rapport à chaque variable indépendante, évaluées à un point spécifique, souvent la moyenne des variables. Cette méthode révèle l'effet d'une unité de changement dans une variable explicative sur la probabilité que la variable dépendante prenne la valeur de 1, tout en maintenant les autres variables au niveau spécifié, généralement leur moyenne. Cette démarche est particulièrement pertinente pour les variables continues.
En employant la commande mfx dans Stata, nous obtenons une estimation précise de ces effets marginaux pour chaque variable significative du modèle. Ces estimations sont exprimées en termes de changements dans les probabilités, facilitant ainsi une interprétation plus tangible des résultats. Par exemple, un effet marginal de 0,05 pour une variable donnée suggère que, tout le reste étant égal, une unité de changement dans cette variable entraîne une augmentation de 5 points de pourcentage de la probabilité que la variable dépendante adopte la valeur de 1.
Cette méthodologie enrichit notre compréhension des dynamiques à l'œuvre, en offrant une perspective quantifiée de l'impact de chaque variable sur les choix ou comportements des répondants, une information cruciale pour la formulation de recommandations stratégiques fondées sur les données de l'étude.
Les tableaux 2 et 3 illustrent l'application de la régression logistique à notre objet d’étude. Le tableau 2 dresse la liste des variables indépendantes significatives gardées dans l'étude, y compris les préférences pour certaines catégories de produits (comme les ustensiles de cuisine et l'alimentation), des aspects de l'expérience d'achat en ligne (telles que la confiance, la fidélité au site, et l'ergonomie), et des caractéristiques démographiques des consommateurs (telles que le genre et la catégorie socio-professionnelle). Ce tableau établit le
contexte de l'analyse en décrivant les prédicteurs potentiels de la préférence pour Amazon. Les variables présentent dans le tableau ont été sélectionnées via la méthode dite Forward Selection. L’auto-corrélation et la multicolinéarité ont également été vérifiées.
Le tableau 3 présente les résultats statistiques de la régression logistique, y compris le chi-carré de la régression, le pseudo R2, le nombre d'observations, ainsi que les coefficients, les statistiques t pour chaque variable indépendante. Les coefficients révèlent l'effet et la direction de l'association entre chaque variable indépendante et la probabilité de choisir Amazon : des valeurs positives suggèrent une augmentation de la probabilité de choisir Amazon lorsque la variable est positive, tandis que des valeurs négatives indiquent une diminution de cette probabilité. Par exemple, un coefficient positif pour la variable « Choix » indique que percevoir une large sélection de produits sur Amazon augmente la probabilité de le choisir comme site marchand, tandis qu'un coefficient négatif pour "Alimentation" suggère qu'une préférence pour acheter de la nourriture réduit cette probabilité.
Tableau 2 : Intitulé des variables significatives
Variables | |
Ust. Cuis. | Utensils de cuisine |
Alimentation | Alimentation |
Choix | Choix large |
Descriptif fidèle | Fidèle au descriptive |
Confiance | Confiance |
Fidélité au site | Fidèle au site |
Délais de livraison | Délais de livraison |
Problèmes techniques | Des problèmes techniques liés au site de référence |
Réponse aux besoins | Je trouve toujours les produits que je cherche |
Ergonomie | Le site est facile à utiliser |
Rabais | Nombreux rabais ou offres promotionnelles |
Personnalisation | Relation personnalisée avec le site |
Genre | Genre |
CSP | Artisans chef d’entreprise |
Tableau 3 : Modèle logistique
LR chi2 (17) | 79.06 | Prob>chi2 | 0.0000 | |
Log likelihood | -89.637969 | Pseudo R2 | 0.3060 | |
Nombre d’observations | 191 | |||
Amazon | Coef. | t | P>ItI | |
Ust. Cuis | 1.384797 | 2.08 | 0.037 | |
Alimentation | -1.251962 | -2.21 | 0.027 | |
Choix | 0.9724782 | 1.93 | 0.054 | |
Descriptif fidèle | -1.001247 | -2.22 | 0.026 | |
Rabais | -1.084201 | -2.55 | 0.011 | |
Personnalisation | -1.470723 | -1.94 | 0.053 | |
Délais | 0.8733541 | 2.24 | 0.025 | |
Problèmes techniques | -1.937882 | -1.84 | 0.066 | |
Réponses aux besoins | 1.61507 | 2.94 | 0.003 | |
Ergonomie | 0.6994546 | 1.75 | 0.079 | |
Confiance | 1.79255 | 1.79 | 0.074 | |
Fidélité au site | -0.8790265 | -1.89 | 0.059 | |
Genre | 0.800138 | 2.06 | 0.039 | |
CSP | 1.420448 | 1.80 | 0.072 | |
Cons | 0.4454027 | 0.52 | 0.601 | |
tendance à choisir Amazon plutôt qu’un autre site internet (+18.77%) L’hypothèse 5 est donc pas rejetée.
expérience d'achat personnalisée offerte par leur plateforme habituelle, qui pourrait manquer sur des sites plus standardisés comme Amazon. Le souhait de soutenir les petites et moyennes entreprises face à des préoccupations éthiques ou locales peut également jouer un rôle significatif dans leur décision.
Au-delà des résultats de Haon et Patel (2011) soulignant l’impact de la fidélité sur les trafics ou les montants achetés, nous pouvons dire que la fidélité joue pleinement son rôle de maintien d’une relation durable et personnelle. Même face à une entreprise offrant un large choix de produits, les internautes se considérant fidèles auront tendance à maintenir une relation de long terme avec les sites marchands qu’ils fréquentent déjà. L’hypothèse 6 n’est donc pas rejetée.
Hypothèses 7&8 : Le choix d’Amazon est influencé positivement par le genre et par l’âge : Lin et al. (2018) ont confirmé l’influence du genre sur le comportement d’achat des internautes. Nous avons fait l’hypothèse que les femmes seraient plus enclines à choisir Amazon comme site marchand de référence. La variable genre apparaît significative et positive conduisant à confirmer l’influence du genre. Cependant, contrairement à l’hypothèse initiale, notre traitement statistique montre que l’influence de genre dans le choix d’Amazon se réalise à travers le genre masculin et non féminin (la variable « Genre » étant codée 1 pour homme et 0 pour femme, et celle-ci étant ressortie significativement positive). La propension à choisir Amazon comme site de référence serait ainsi 18.21% supérieur à celle des femmes. La cible prioritaire d’Amazon concernant sa stratégie marketing serait logiquement les hommes. Concernant l’âge, cette variable ne constitue pas une variable explicative (non-significativité de l’âge). Nos résultats viennent ainsi en contradiction avec les travaux de Lian et Yen (2014). L’hypothèse 7 qui mettait en avant que les femmes seraient plus enclines à choisir Amazon se trouve donc rejetée ainsi que pour l’hypothèse 8 (portant sur l’influence de l’âge). Cependant, nous confirmons le fait que le genre influence le choix du site. Les hommes révèlent une propension significativement supérieure aux femmes à choisir Amazon. Par
contre, aucune variable en relation avec l’âge n’est apparue significative lors de notre traitement statistique, indiquant ainsi que l’hypothèse 8 est rejetée. Cette absence de significativité suggère que l'âge, contrairement à d'autres facteurs démographiques tels que le genre, ne joue pas un rôle déterminant dans le choix d’Amazon comme site marchand de référence. Cette conclusion remet en question l'idée préconçue que certaines tranches d'âge pourraient être plus enclines à utiliser des plateformes d'e-commerce spécifiques et indique que les préférences d'achat en ligne pourraient être influencées par des facteurs plus complexes ou variés que l'âge seul. Cette constatation soulève des questions intéressantes sur les motivations et les comportements d'achat des consommateurs en ligne, nécessitant une exploration plus approfondie pour comprendre pleinement les dynamiques à l'œuvre.
En raison du caractère exploratoire de notre recherche et des questionnements larges (conduisant à tester au final une cinquantaine de variables), d’autres variables se sont révélées significatives à travers notre traitement économétrique :
permettraient d’expliquer le choix pour Amazon. Concernant les produits alimentaires, avec les problèmes de santé publique, les clients veulent développer une relation personnalisée avec les vendeurs alimentaires. Amazon a conscience de ces limites et investit en grande distribution.
bas ne faisant pas ou peu de promotions ou de rabais importants.
Les facteurs ayant un impact négatif sur le choix d’Amazon constituent des éléments de différenciation fort pour les PME.
Le tableau 4 synthétise les principaux résultats du traitement économétriques et identifie les hypothèses rejetées, non rejetées, les variables significatives qui n’avaient pas encore été identifiées dans la littérature et l’impact que ces variables significatives peuvent avoir sur le comportement des individus. Lorsque nous faisons référence à l’impact, il s’agit du calcul des effets marginaux de chaque variable significative, c’est-à- dire la propension des individus à adopter ou non Amazon dans leur comportement. Ainsi, les répondants donnant une importance à l’ergonomie d’un site internet révèle une probabilité supérieure de 16.15% d’adopter Amazon que les autres répondants.
Nous constatons ainsi que le choix pour Amazon se définit à travers la confiance dans le site Amazon, la performance logistique, l’ergonomie, la valeur perçue, par le fait d’être un homme et d’avoir des responsabilités. Le choix pour un autre site est motivé par la notion de fidélité, la recherche d’une personnalisation dans le rapport avec l’interface, les descriptifs plus adaptés, la recherche de promotions ou rabais et une volonté de faire face à des
problèmes techniques réduits (personnalisation dans la relation).
Tableau 4 : Synthèse des principaux résultats
Facteurs explicatifs | Variables significatives | Rejetés | Non rejetés | Impact – effets marginaux |
H1 : Confiance | Confiance | X | +41.5% | |
H2 : Logistique | Délais de livraison | X | +19.92% | |
H3 : Ergonomie | Ergonomie | X | +16.15% | |
H4 : Prix | aucune | X | ||
H5 : Choix | Choix | X | +18.77% | |
H6 : Fidélité ressentie | Fidélité au site | X | -20.99% | |
H7 : Genre : Femme | aucune | X | ||
H7 : Genre : Homme | Genre | X | +18.21% | |
H8 : Age | aucune | X | ||
H9 : Valeur perçue | Réponse aux besoins | X | +20.08% | |
Type de produits | Ust.Cuis Alimentatio n | X | -23.93% à +33.28% | |
Personnalisatio n | Personnalisa tion | X | -26.19% | |
Descriptif | Descriptif fidèle | X | -21% | |
Promotions/rab ais | Rabais | X | -23.21% | |
Problèmes techniques | Problèmes techniques | X | -30.38% | |
Catégorie professionnelle | CSP | X | +34.09% |
Face aux principaux résultats de notre enquête, nous pouvons en déduire que les PME peuvent mettre en place un certain nombre d’actions afin de se détacher d’Amazon. A travers le calcul des effets marginaux, nous définissons les actions prioritaires à réaliser pour les PME.
Ainsi, les descriptifs des produits influencent négativement le choix pour Amazon (variable
« Descriptifs fidèles » dans le modèle logistique). Des efforts spécifiques réalisés sur de tels descriptifs, à travers par exemple une personnalisation des visuels ou du texte informatif pourraient être réalisés. De même, des mises en situation seront particulièrement à travailler (par exemple : produits ou services en cours d’utilisation,
environnement valorisant le produit ou le client). La standardisation (visuel et texte) sera bannie pour trancher avec les présentations Amazon pour favoriser l’expérience client à l’instar de Vente- privée. Une personnalisation du descriptif parfaitement adaptée à la cible et en lien avec l’identité de la marque renforcera alors positivement la perception du client par rapport à l’entreprise et à son savoir-faire (que ce soit au niveau des produits ou soit au niveau du service délivré).
La personnalisation (variable « personnalisation ») doit devenir une priorité. Celle-ci peut se comprendre à deux niveaux :
Une personnalisation dans la relation avec l’internaute induisant l’intégration de chatbot afin de favoriser l’impression de présence sociale et de proximité. Le développement des interactions entre utilisateurs doit également être considéré comme central. Le suivi des commandes doit également prendre en considération l’aspect unique de la relation avec le client en personnalisant le plus possible les messages et en évitant une formalisation (voire une automatisation) trop poussée que ce soit dans le fond (le message lui- même) ou la forme (le visuel).
Une personnalisation de la plateforme donnant la possibilité aux internautes de s’approprier l’interface via des fonctionnalités spécifiques : couleurs, options, applications (cf. Google avec Gmail) afin que le compte client devienne un prolongement de l’utilisateur.
Il nous semble que si la personnalisation est un élément crucial de la différenciation, l’ergonomie ne doit également pas être oubliée (variable
« ergonomie »). En effet, les PME peuvent développer des sites moins lourds que celui d’Amazon avec une ergonomie facile à utiliser, un accès rapide à l’information, une description détaillée des produits et un règlement rapide du panier. De même, en liant personnalisation et ergonomie, les PME pourront s’appuyer sur une parfaite connaissance des besoins des internautes fréquentant leur site à travers l’analyse du chemin pris par les internautes sur le site. Cette analyse permettrait de proposer des produits adaptés et
d’effectuer des opérations de remarketing
totalement personnalisées.
La fidélité est essentielle (variable « fidélité »). Les PME ont une chance incroyable d’être associée à une proximité avec le client. En l’accentuant, elles capteront les e-consommateurs rejetant l’uniformisation des multinationales telles qu’Amazon. Les outils à leur disposition sont alors multiples : programme ambassadeurs (implications accrues des clients), ventes privées (sentiment d’exclusivité), expériences spécifiques (rencontres, avant-première, …), cadeaux personnalisés (pour l’anniversaire, la fête, en lien avec des passions identifiées)… Il va de soi aussi que la fidélité passera par la confiance des internautes dans le site. Il nous semble au vu des résultats mis en évidence dans le cadre de notre étude que les PME devraient mettre en œuvre une politique de remboursement comme Amazon. Cette politique n’est pas nécessairement coûteuse si la qualité des produits est excellente (nombre de retours réduit). En revanche, cette possibilité améliorera naturellement la confiance et engendrera une meilleure propension à choisir le site. De même, toute amélioration de la logistique et surtout de la capacité à livrer dans un délai court (moins de 48 heures) se traduira par une augmentation de la fidélité du consommateur. Pour cela, travailler avec un prestataire reconnu dans la livraison à domicile ne peut qu’être conseillé aux PME.
Les promotions et rabais (variable « Rabais ») doivent être mis en avant car ils favorisent l’implication des e-consommateurs à la recherche des bonnes affaires apparentes. Cependant, une stratégie marketing ne peut être uniquement basée sur des promotions qui pourraient induire de la frustration de la part des clients ayant payé 100% du prix. Ces promotions seront idéalement utilisées lors du lancement de produits afin de mettre en avant les nouveautés, pour des produits en fin de courses ou par rapport à des moments spécifiques (soldes, vendredi noir).
Le genre masculin (variable « genre ») aurait tendance à choisir Amazon et le genre féminin serait plus ouvert à explorer d’autres sites. Comme le suggèrent Lin et al. (2018), il est indispensable de
prendre en considération cet élément dès la construction du site internet. Axer sa communication sur les femmes ou les hommes nécessite d’intégrer des caractéristiques spécifiques (ergonomie, couleurs utilisées, messages véhiculés…). Ainsi, tout entreprise s’adressant principalement aux hommes concentreront leurs efforts non seulement sur le côté rassurant et sécuritaire de leur site marchant mais aussi sur l’interactivité avec leur client. Pour les sites dont la cible est le genre féminin, ceux-ci développeront la profondeur du contenu, le descriptif des produits ou des services afin de donner envie à la cible.
Faire face à Amazon constitue un réel challenge pour toute entreprise. A la question de Forbes « Comment les PME Françaises peuvent riposter face aux géants Amazon et Alibaba ? », nous précisons, grâce à la méthode des préférences déclarées, les actions à réaliser. Personnalisation, fidélisation, promotion ou encore genre constituent des pistes de différenciation captant une clientèle s’éloignant de la standardisation des multinationales.
Concernant nos apports managériaux, nous révélons qu’Amazon constitue une référence pour les hommes et pour tout e-consommateur donnant de l’importance à la logistique, l’ergonomie et au sentiment de confiance. Nous soulignons également que le prix et la diversité de l’offre ne représentent plus les facteurs de différenciation d’Amazon. Les PME doivent axer leurs efforts sur la personnalisation (-26.19% de propension pour Amazon), la relation avec le e-client (-20.99%), les promotions (-23%), les descriptifs produits (-21%). Concernant les apports méthodologiques, l’utilisation de la méthode des préférences déclarées a permis d’analyser la perception des internautes sur leur site marchand de référence et d’identifier les variables explicatives du comportement de choix. Nous avons pu calculer les effets marginaux des facteurs explicatifs et pondérer l’impact de chaque action.
Concernant les limites de ce travail, nous avons sciemment construit un questionnaire large intégrant des questions très diverses. Plus de
cinquante questions ont été posées nous permettant d’identifier 13 variables explicatives. Il semble maintenant nécessaire d’analyser précisément chaque facteur explicatif. Pour quelle raison le genre masculin révèle une propension à choisir Amazon supérieure de 18% ? En quoi la personnalisation peut-elle influencer négativement le choix pour Amazon ? Pourquoi les descriptifs d’Amazon l’influence négativement ? Sur un plan méthodologique, la méthode des préférences déclarées a été très largement appliquée au comportement des citoyens. Cependant, devons- nous traiter de la même façon le comportement d’un individu citoyen et d’un individu consommateur ?
Adams, J.S. (1963). Towards an Understanding of Inequity. Journal of Abnormal and Social Psychology, 67, 422-436. https://doi.org/10.1037/h0040968
Arrow, K.J., Solow, R., Portney., P., Leamer, E., Radner, R., & Schuman, H. (1993). Report of the NOAA panel on Contingent Valuation. Federal Register 58(10), January 15, 4602-4614 .
Bansal, H.S., Irving, P.G., & Taylor, S.F. (2004). A three- component model of customer commitment to service providers. Journal of the Academy of Marketing Science, 32, 234-250.
https://doi.org/10.1177/0092070304263332
Belin-Munier (2013). Stratégie du e-commerçant, accessibilité du produit et logistique urbaine. Revue Française de Gestion Industrielle, 32,4, 7-27.
https://doi.org/10.53102/2013.32.04.708
èzes, C., & Belvaux, B. (2012). Quels éléments de différenciation pour les sites web marchands ? Une approche par l’image transmise. Management & Avenir, 58, 33-54. https://doi.org/10.3917/mav.058.0033
Bhatt, A., Patel, A., Chheda, H., & Gawande, K. (2015). Amazon Review Classification and Sentiment Analysis. International Journal of Computer Science and Information Technologies, 6(6), 5107-5110.
Bin Dost, M.K., Illyas, M., & Rehman, C.A. (2015). Online shopping trend and tis effects on consumer buying behavior : a case study of young generation of Pakistan. Journal of Social Development, 5(1), 1-21.
Blut, M., Nivriti, C., Vikas, M., & Brock, C. (2015). E- Service Quality : A Meta-analytical Rview. Journal of Retailing, 91 (4), 679-700.
https://doi.org/10.1016/j.jretai.2015.05.004
Bolton, R.N., Lemon K.N. (1999). A dynamic model of customers’usage of services : usage as an antecedent and consequence of satisfaction. Journal of Marketing Research, 36(2), 171-186.
https://doi.org/10.1177/002224379903600203 .
Bonson Ponté, E., Carvajal-Trujillo, E., & Escobar- Rodriguez, T. (2015). Influence of trust and perceived value on the intention to purchase travel online : Integrating the effects of assurance on trust antecedents. Tourism Management, 47, 286-302.
https://doi.org/10.1016/j.tourman.2014.10.009
Bowen, J.T., &Shoemaker, S. (1998). Loyalty: A Strategic Commitment. Cornell Hotel and Restaurant Administration Quarterly, 39, 12-25.
https://doi.org/10.1177/001088040304400505
Degeratu A.M., Rangaswamy A. et Wu J. (2000), Consumer choice behavior in online and traditional supermarkets. The effects of brand name, price and other search attributes, International Journal of Research in Marketing, 17, 1, 55-78. https://doi.org/10.1016/S0167-
Durand B. (2010). E-commerce et logistique urbaine : quand le développement s’en mêle. Revue Française de Gestion Industrielle, 29,2, 7-26.
https://doi.org/10.53102/2010.29.02.623
Faten, F. (2014). La sécurité de transaction comme déterminant de la valeur satisfaction et de la confiance électronique du consommateur vis-à-vis d’un site marchand. Revue Marocaine de Recherche en Management et Marketing, 9, 179-187.
https://doi.org/10.48376/IMIST.PRSM/remarem-v0i9- 10.3522
Fontana, M., Lori, M., & Rubina Nava, C. (2019). Switching behavior in the Italian electricity retail market : Logistic and mixed effect Bayesian estimations of customer choice. Energy Policy, 129, 339-351.
https://doi.org/10.1016/j.enpol.2019.01.060
Gavard-Perret, M.L., Gotteland, D., Haon, C., & Jolibert, A. (2012), Méthodologie de la recherche en sciences de gestion, Pearson (Eds).
Greene, W., Azomahou, T., Van, P.N., Raymond, W., & Schacther, D. (2011). Econométrie. Pearson Edition, p. 950.
Gurviez, P., & Korchia, M. (2002). Proposition d’une échelle de mesure multidi- mensionnelle de la confiance dans la marque. Recherche et Applications en Marketing,
17 (3), 41-61.
https://doi.org/10.1177/076737010201700304
Hameed, W.U., Nadeem, S., Azeem, M., Aljumah, A.I., & Adeyemi R.A. (2018). Determinants of E-logitic Customer Satisfaction : A Mediating Role of Information
and Communication Technology (ICT). International Journal of Supply Chain Management, 7(1), 105-111
Haon, C., & Patel, C. (2011). Création de trafic, expérience de navigation et performance commerciale : que nous apprennent les 500 plus importants sites marchands américains ?. Système d’Information et Management, 16 (4), 9-36.
https://doi.org/10.3917/sim.114.0009
Haübl G. et Trifts V. (2000), Consumer decision making in online shopping environments: The effects of interactive decision aids, Marketing Science, 19, 1, 5-21. https://doi.org/10.1287/mksc.19.1.4.15178
Hess, J.S. (1995), Construction and Assessment of a Scale to Measure Consumer Trust, in Proceedings of the American Marketing Association Educators’ Conference, Vol. 6, ed. B. Stern and G. Zinkhan, Chicago: American Marketing Association, 20-26
Hichri, A.S., Ben Rached, K., 2017. La fidélité envers la marque de “Deal” à travers une atmosphère intr@ctive: une étude qualitative exploratoire “Le cas d’achat groupé”. La Revue Gestion et Organisation, 9, p.131-142. https://doi.org/10.1016/j.rgo.2017.04.001
Hong, X., Richard T.B.M. (2018). Enhancing Reputation via Price Discounts in E-Commerce Systems : A Data-Driven Approach. ACM Transactions on Knowledge Discovery from Data 12(3), 29p. https://doi.org/10.1145/3154417
Hu, M., Huang, F., Hou, H., Chen, Y., & Bulysheva, L. (2016). Customized logistics service and online shoppers’satisfaction : an empirical study. Internet Research, 26(2), 484-497.
https://doi.org/10.1108/IntR-11-2014-0295
Kamakura, F., Wagner, A, Wedel, M., de Rosa, F., & Mazzon, J.A. (2003). Crossselling through Database Marketing: A Mixed Data Factor Analyzer for Data Augmentation and Prediction. International Journal of Research in Marketing, 20, 45-65.
https://doi.org/10.1016/S0167-8116(02)00121-0
Kim, Y., Peterson, R.A. (2017). A Meta-analyse of Online Trust Relationships in E-commerce. Journal of Interactive Marketing, 38, 44-54.
https://doi.org/10.1016/j.intmar.2017.01.001
Kim, S., & Song, J. (2010). The Quality of Word-of- Mouthin the Online Shopping Mall. Journal of Research in Interactive Marketing, 4(4), 376-390.
https://doi.org/10.1108/17505931011092844
Johnston, R.J., Boyle, K.J., Adamowicz, W., Bennett, J., Brouwer, R., Cameron, T.A., Hanemann W.M., Hanley, N., Ryan, M., Scarpa, R., Tourangeau, R., & Vossler, C.A. (2017). Contemporary Guidance for Stated Prefernce Studies. Journal of the Association of Environmental and
Ressource Economists, 4 (2), 319-403.
https://doi.org/10.1086/691697
Lacoeuilhe, J. (2000). L’attachement à la marque : Proposition d’une échelle de mesure. Recherche et Application en Marketing, 15(4), 61-77.
https://doi.org/10.1177/076737010001500404
Lee, I. (2015). The Internet of Things (IoT) for supply chain innovation : a conceptual framework and analysis of Fortune 200 companies. Asia Pacific Journal of Innovation and Entrepreneurship, 9(1), 81-103.
http://doi.org/10.17323/2587-814X.2021.1.78.96
Lee, S., & Yi, Y. (2019). Retail is detail ! Give consumers a gift rather than a bundle : Promotion framing and consumer product returns. Psychology Marketing, 36, 15-
27. https://doi.org/10.1002/mar.21154
Lian, J.-W., & Yen, D.Y, 2014. Online shopping drivers and barriers for older adults : Age and gender differences. Computers in Human Behavior 37, 133-143.
https://doi.org/10.1016/j.chb.2014.04.028
Lim, H., & Dubinsky, A.J. (2004). Consumers’perceptions of e-shopping characteristics : an expectancy-value approach. Journal of Services Marketing, 18 (7), 500-513.
https://doi.org/10.1108/08876040410561839
Lin, X., Featherman, M., Brooks, S.L., & Hajli, N. (2018). Exploring Gender Differnces in Online Consumer Purchase Decision Making : An Online Product Presentation Perspective. Information Systems Frontiers. https://doi.org/10.1007/s10796-018-9831-1
Ling, J., Minjoon, J., & Zhilin, Y. (2015). Customer- perceived value and loyalty : how do key service quality dimensions matter in the context of B2C e-commerce?. Service Business, 17 p.
https://doi.org/10.1007/s11628-015-0269-y
Liu, C., & Hong, J. (2016). Strategies and service innovations of haito business in the Chinese market : A comparative case study of Amazon.cn vs Gmarket.co.kr. Asia Pacific Journal of Innovation and Entrepreneurship,
10 (1), 101-121.
https://doi.org/10.1108/APJIE-12-2016-012
Mathwick, C. (2002). Understanding the Online Consumer : A Typology of Online Norms and Behaviour, Journal of Interactive Marketing, 16 (1), 40-55. DOI : https://doi.org/10.1002/dir.10003
Menon R.G.V., Sigurdsson V., Larsen N.M., Fagerstom A., Foxall G.R. (2018). Consumer attention to price in social commerce : Eye tracking patternes in retail clothing. Journal of Business Research, 69, 5008-5013. https://doi.org/10.1016/j.jbusres.2016.04.072
Morgan, R., & Hunt, S. (1994), The commitment-trust theory of relationship marketing. Journal of Marketing,
58, p. 20-38.
https://doi.org/10.1177/002224299405800302
Nantel, J., & Senecal, S. (2009). The effect of counterproductive time on online task completion. International Journal of Internet Marketing and Advertising, 5(4), 416-418.
https://doi.org/10.1016/j.jretai.2004.04.001
Nguyen, L., & Chanut, O. (2018). Mesurer la qualité de service d’un site e-marchand : Etat de l’art des échelles de mesure et perspectives de recherché. Association Française du marketing.
Pavlou, P. A. (2003). Consumer Acceptance of Electronic Commerce: Integrating Trust and Risk with the Technology Acceptance Model. International Journal of Electronic Commerce, 7, 101-134.
https://doi.org/10.1080/10864415.2003.11044275
Phau I.P. et Poon S.M. (2000), Factors influencing the types of products and services purchased over the Internet, Internet Research: Electronic Networking Applications and Policy, 10, 2, 102-113.
https://doi.org/10.1108/10662240010322894
Reibstein, D.J. (2002). What attracts customers to online stores, and what keeps them coming back? Journal of the Academy of Marketing Science, 30(4), 465-473. https://doi.org/10.1177/009207002236918
Sheik, J.A., Abbas, A., Mehmood, Z., 2015. Design Consideration of Online Shopping Website to Reach Women in Pakistan. Procedia Manufacturing, 3, 6298- 6304. https://doi.org/10.1016/j.promfg.2015.07.942
Suki, N.M., & Suki N.M. (2017). Modeling the determinants of consumer’s attitudes toward online group buying. Do risks and trusts matters ?. Journal of Retailing and Consumer Services, 36, 180-188.
https://doi.org/10.1016/j.jretconser.2017.02.002
Rayport, J., & Svioka J. (1994). Managing the marketspace. Harvard Business Review nov-dec, 141- 150.
Reichheld, F.F., & Schefter, P. (2000). E-Loyalty Your Secret Weapon on the Web. Harvard Business Review, 78, 105-113.
Tangmanee, C. (2017). Comparisons of Websites Visit Behavior between Purchase Outcoles and Product Categories. IRRBS, 6(4), 1-10.
https://doi.org/10.20525/ijrbs.v6i4.760
Venkatesan, R. (2017). Executing on a customer engagement strategy. Journal of Acadmic Marketing Science 45, 289-293. https://doi.org/10.1007/s11747-
Wang Jianfeng et Sylvain Senecal (2004), "Mesurement of perceived website usability: evidence
from a transactional website", Decision Sciences institute annual meeting, Boston, MA.
Yu, J., Subramanian, N., Ning, K., & Edwards, D. (2015). Product delivery service provider selection and customer satisfaction in the era of internet of things : A Chinese e-retailers’ perspective. International Journal of Production Economics, 159, 104-116.
http://dx.doi.org/10.1016/j.ijpe.2014.09.031
Zhang, K.Z.K, Benyoucef, M., Zhao, S.J. (2016). Building brand loyalty in social commerce : The case of brand microblogs. Electronic Commerce Research and Applications, 15, 14-25.
http://dx.doi.org/10.1016/j.elerap.2015.12.001
Dimitri Laroutis est Professeur HDR à l’ESC Amiens. Il publie en webmarketing, ressources humaines, le management de la réputation dans des revues françaises et anglo-
saxones.
Philippe Boistel est actuellement Directeur de la Recherche à l’ESC Amiens. Il publie sur le management de la réputation, le web- marketing, le mécénat … dans des revues françaises et anglo-saxones.
Max Poulain est Maître de Conférences à l’IAE de Caen et publie dans les domaines du marketing expérientiel et de la spiritualité.
1Dimitri Laroutis, CERM, chercheur associé au CRIISEA UR 3908, ESC Amiens, dimitri.laroutis@esc- amiens.com
https://orcid.org/0000-0002-9547-7906
2Philippe Boistel, CERM, chercheur associé au CRIISEA UR 3908, ESC Amiens, philippe.boistel@esc- amiens.com
https://orcid.org/0000-0003-2177-3750
3 Max Poulain, IAE de Caen, max.poulain@unicaen.fr
https://orcid.org/0000-0003-2824-937X
Annexe 1 : Extrait du questionnaire
