Corriger le biais des réponses : en quoi la méthode du NPS (Net Promoter Score) permet-elle de dévoiler réellement les opinions et comportements ?

Corriger le biais des réponses : en quoi la méthode du NPS (Net Promoter Score) permet-elle de dévoiler réellement les opinions et comportements ?


3 min.
Plus qu'un moyen de mesurer la fidélité client, le NPS (Net Promoter Score) propose une méthode simple et efficace de normalisation des données afin de dévoiler les réelles opinions et intentions de comportement.

Le NPS (Net Promoter Score) est actuellement l'un des indicateurs de performance les plus utilisés. Démocratisé par Bain & Company, un cabinet de conseil, il a été conçu pour évaluer la fidélité entre fournisseurs et consommateurs, et est aujourd'hui selon différents spécialistes le "score que vous devez faire grandir" . Au-delà de la méthodologie et des considérations marketing et business, pourquoi est-il intéressant de re-normaliser les réponses apportées à des questions telles que "Dans quelle mesure êtes-vous susceptible de recommander X ou Y à un ami ou un collègue" ? et qu'est ce que cela nous dit sur la façon dont les individus répondent aux sondages ?

Dévoiler les biais cachés

Sur la base d'un échantillon aléatoire et anonyme de données provenant de Steerio - notre plateforme de "teams and projects analytics" - nous avons observé la répartition des réponses à la question du Score Ambassadeur (équivalente à la question NPS mais ajustée pour mesurer l'engagement des équipes). Nous avons ainsi demandé aux membres de différentes équipes d'évaluer régulièrement, sur une échelle de 0 à 10, dans quelle mesure ils étaient susceptibles de recommander leur projet à un collègue. Les résultats de 884 points de données sont présentés dans le tableau suivant : Distribution of answers to the Steerio Ambassador Score (adjusted Net Promoter Score) question: how likely are you to recommend your project to a colleague? En regardant les résultats, nous pouvons constater que les réponses sont biaisées vers la droite, c'est-à-dire orientées vers les valeurs "positives" (la moyenne de l'échantillon est de 7,08/10, ce qui peut être considéré comme une assez bonne note). Serait-il possible que la majorité des projets soient nettement au-dessus de la moyenne ? Probablement pas. Mais alors, pourquoi les membres de l'équipe feraient-ils des commentaires plutôt positifs alors que nous entendons à la machine à café que tant de choses pourraient être mieux faites ? Peut-être parce que de nombreux feedbacks et opinions exprimés rencontrent des biais cognitifs et sociaux (ex : biais de courtoisie). Le biais de courtoisie est la tendance à donner une opinion qui est plus socialement correcte que sa véritable opinion, afin d'éviter d'offenser quelqu'un. En résumé, je préfère vous donner une note légèrement positive, disons 6 plutôt qu'un 4 ou un 3 parce que cela me coûte moins cher socialement. Ensuite, c'est à vous de séparer le bon grain de l'ivraie (ce n'est pas mon problème après tout, c'est vous qui m'avez demandé mon avis).

Re-normaliser les données pour obtenir la bonne représentation

Par conséquent, "re-normaliser" les données en marquant les réponses 0-6 comme "détracteurs", 7-8 comme "neutres" et 9-10 comme "promoteurs" permet de disposer de données mieux distribuées, et donc plus susceptibles de correspondre à des opinions réelles et des comportements futurs potentiels (tels qu'ici l'acte de recommandation). En regardant nos données, la normalisation donne trois groupes distribués presque également avec ~33% chacun (32%-35%-33%). Cette représentation correspond beaucoup mieux à la réalité des discussions que vous pourriez entendre/avoir pendant la pause café ou le verre du vendredi, n'est-ce pas ?


Si vous aimez, ajoutez des points

En cliquant, vous nous aidez à améliorer la qualité des contenus.

5