Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
L’analyse factorielle est une méthode statistique multivariée qui explique les corrélations observées entre de nombreuses variables par un petit nombre de variables latentes, appelées facteurs, que l’on ne mesure pas directement.
Son principe remonte à Charles Spearman. En 1904, dans l’American Journal of Psychology, il soutenait que toutes les formes d’activité intellectuelle partagent une fonction fondamentale commune, le reste relevant d’éléments propres à chacune. Le modèle décompose ainsi la variance de chaque variable en deux parts. La part commune, appelée communauté, est partagée avec les autres variables et attribuée aux facteurs. La part spécifique mêle ce qui est propre à la variable et l’erreur de mesure.
L’analyste part de la matrice des corrélations entre variables, souvent les items d’un questionnaire. Il extrait des facteurs, en fixe le nombre, puis applique une rotation pour rendre la structure lisible. Les résultats se lisent dans les saturations, c’est-à-dire les corrélations entre chaque variable et chaque facteur. On distingue l’analyse exploratoire, qui fait émerger la structure sans hypothèse préalable, et l’analyse factorielle confirmatoire, qui teste une structure fixée à l’avance.
Au sens strict, elle se distingue de l’analyse en composantes principales, qui résume la variance totale des variables, alors que l’analyse factorielle ne modélise que la variance commune. Dans l’usage français, l’expression désigne aussi, au sens large, l’ensemble des méthodes factorielles, dont l’analyse des correspondances multiples. En études marketing, elle sert à réduire une batterie d’attributs d’image, de satisfaction ou d’attitude à quelques dimensions interprétables.
Une batterie de trente attributs d’image produit trente scores, souvent redondants. Le comité qui les lit cherche des écarts partout et n’en hiérarchise aucun. L’analyse factorielle montre que les répondants raisonnent en réalité sur quelques dimensions. Nous y voyons quatre usages concrets :
La part de variance commune expliquée dit si les facteurs résument bien les données. Les communautés signalent les items mal représentés, à retirer ou à reformuler. Les saturations croisées, quand un item pèse sur deux facteurs, révèlent une question ambiguë. Enfin, chaque dimension retenue doit montrer une bonne fiabilité avant de servir d’indicateur. Les seuils proposés pour ces mesures varient selon les manuels. Nous recommandons de les fixer avant l’analyse, pas après avoir vu les résultats.
Advalians relit avec vous les résultats de vos études d’image et en tire des priorités de positionnement, avec un regard indépendant des outils et des prestataires.
Choisissez l’analyse en composantes principales pour résumer des données, et l’analyse factorielle pour mesurer des concepts latents. La première reproduit au mieux la variance totale des variables, sans distinguer l’erreur de mesure. La seconde ne retient que la variance commune et suppose que des facteurs non observés produisent les réponses.
Critère pratique : si vous voulez réduire des indicateurs de gestion avant une segmentation, les composantes suffisent. Si vous voulez construire une échelle d’image ou de satisfaction qui servira de baromètre, l’analyse factorielle est la bonne méthode.
Prévoyez plusieurs items par dimension attendue et une même échelle de réponse pour tous. Un concept mesuré par une seule question ne peut pas former un facteur. Nous recommandons trois items au moins par dimension, formulés sans double négation et sans réunir deux idées dans une phrase.
Faites passer un pré-test de questionnaire pour repérer les items mal compris. Après le terrain, examinez les corrélations : un item qui ne corrèle avec aucun autre ne trouvera pas sa place dans la structure.
Croisez au moins trois critères au lieu d’en appliquer un seul. La règle des valeurs propres supérieures à 1, appliquée seule, peut retenir trop de facteurs. Ajoutez le graphique des valeurs propres, en repérant le coude de la courbe, et l’analyse parallèle, qui compare vos valeurs propres à celles de données aléatoires.
Tranchez ensuite par l’interprétation : chaque facteur retenu doit porter un nom clair et regrouper plusieurs items. Un facteur qui ne rassemble qu’un item ou qu’on ne sait pas nommer est à écarter.
La plus fréquente est de traiter un facteur comme une réalité établie, alors qu’il dépend des items posés. Une dimension absente du questionnaire ne peut pas apparaître dans les résultats. Le nom donné au facteur est aussi un choix de l’analyste, qui oriente la lecture des décideurs.
Pour limiter ces biais, montrez toujours les items qui composent chaque facteur avec leurs saturations. Indiquez la part de variance expliquée. Évitez d’affirmer qu’un facteur explique un comportement d’achat sans l’avoir relié à une mesure de ce comportement.
Elle n’apporte rien quand les variables sont peu nombreuses, peu corrélées ou déjà définies comme des indicateurs distincts. Avec cinq questions indépendantes, lisez-les une à une. Elle convient mal aussi aux variables qualitatives à plusieurs modalités, qui relèvent plutôt de l’analyse des correspondances.
Renoncez-y également si l’échantillon est trop petit au regard du nombre d’items ou si la structure est déjà connue et validée. Dans ce dernier cas, une analyse confirmatoire, qui teste cette structure au lieu de la redécouvrir, répond mieux à la question posée.
Par Thomas Bizot – Président du cabinet Advalians
