Fiabilité des Données Consommateurs
Une donnée consommateur n'est ni fiable ni douteuse en soi : elle répond à une question, dans un cadre, sur un échantillon. Le diagnostic consiste à identifier laquelle de ces trois dimensions a lâché, avant de changer d'outil.
Basecamp · relevé de terrain
- Chapitre 4
- Stratégie
- Relevé le
- Lecture
- 9 min
- Sources
Une enquête, un panel, un segment acheté produisent chacun un chiffre, et sur la page tous les chiffres se ressemblent. Ils ne se valent pas. Ce qu’un chiffre mesure dépend d’une question posée, d’un cadre de réponse et d’un échantillon. La fiabilité n’est pas une propriété du chiffre, elle est une propriété du dispositif qui l’a produit.
Le diagnostic vient de la recherche en sciences du comportement. Deux échecs du déclaratif y sont distingués depuis longtemps : le répondant qui connaît la vérité et choisit de ne pas la dire, et celui qui cherche sincèrement à répondre mais n’a pas accès à ses motivations. Ces deux échecs n’ont pas le même remède.
Le corpus est hétérogène, et cette page le signale au cas par cas : des expériences contrôlées et une méta-analyse côté académique, des mesures de qualité d’audience côté données publicitaires, et beaucoup d’observations de praticiens. Le périmètre est la donnée qui décrit les consommateurs, déclarative ou inférée. La mesure de l’efficacité publicitaire a ses propres pages.
L’essentiel en quatre points
- Un chiffre ne se juge pas seul : l’intérêt du répondant à déformer sa réponse, son accès à la motivation demandée, ou la constitution de l’échantillon.
- Le mensonge se corrige par le cadre. La confabulation impose de changer de méthode.
- Un segment vendu comme précis est une inférence : le genre inféré tombe à 42 %, la combinaison genre et âge à 24 %.
- Ce qui tient : expérimenter en conditions réelles, trianguler trois sources imparfaites, vérifier qui constitue l’échantillon.
Trois échecs qu’on confond
Le réflexe de méfiance envers le déclaratif est sain, mais il mélange des mécanismes qui n’ont pas les mêmes remèdes. Le mensonge intentionnel est robustement établi : le répondant connaît la vérité et choisit de ne pas la dire. La confabulation l’est aussi : il cherche sincèrement à répondre, n’a pas accès à ses motivations réelles, et produit une explication post-rationalisée plausible. Un questionnaire qui échoue pour la première raison se corrige en changeant le cadre de responsabilisation. Un questionnaire qui échoue pour la seconde ne se corrige pas : il faut changer de méthode.
Un troisième mécanisme s’ajoute, la désirabilité sociale. L’introspection est un instrument défaillant, et l’écart entre l’influence que les gens désignent et celle qui agit peut inverser le sens de l’effet. Ce n’est pas une imprécision résiduelle, c’est un risque de contresens.
D’où une ligne de partage plus utile que le clivage entre déclaratif et comportemental : l’intérêt du répondant à déformer sa réponse, et son accès à la motivation demandée. Une enquête anonyme où personne ne gagne rien à gonfler un chiffre reste une donnée exploitable.
« La personne ne gagne rien à gonfler son salaire, mais vraiment rien pour le coup. »
Futur Proche
La même question posée dans un cadre où la réponse engage l’image de soi ne mesure plus qu’une posture. Le cadre décide donc avant l’échantillon.
Reste une tension à tenir. Le déclaratif est faible comme mesure de motivation, et il reste le socle des pratiques d’écoute, de la voix du client jusqu’aux jobs-to-be-done. Il tient pour identifier les situations qu’un client cherche à faire advenir. Il ne tient pas pour expliquer son achat.
Réparer la question, puis le cadre
La formulation fait une partie du résultat. Une question posée en accord ou désaccord produit un biais d’acquiescement : dire oui est plus agréable que dire non.
« most people in the US are going to agree with something because it feels nicer to agree with something than to disagree with something »
Mobile User Acquisition Show
Le libellé et les options de réponse décident donc de la validité avant même l’échantillon.
Sur les sujets moralement chargés, une correction gratuite existe : déplacer la question vers les autres. Demander à des individus de prédire le comportement d’autrui produit des données plus précises que leur demander de prédire le leur.
Le dispositif du bogus pipeline va dans le même sens. Une méta-analyse de 31 expériences montre que la franchise augmente quand le répondant croit ses réponses vérifiées, y compris sur des comportements peu flatteurs. Annoncer un contrôle en tête de questionnaire n’est pas un gadget de conformité.
Sur la matière brute des entretiens, la règle est un principe de captation. Hannah Parvaz, invitée de Mobile User Acquisition Show, la formule en quatre mots :
« take quotes not notes »
Hannah Parvaz, Mobile User Acquisition Show
La paraphrase enregistre l’interprétation de l’analyste au moment T et la rend indétectable plus tard. Le verbatim permet de relire avec un œil neuf.
Reste le design du test. Le test monadique, où deux cellules de répondants voient chacune une seule version du stimulus, produit des réponses plus réalistes que l’exposition aux deux options : révéler la comparaison annule l’effet mesuré.
L’inférence n’est pas une mesure
Le troisième échec ne se produit pas dans la réponse, mais dans la fabrication de la donnée. En 2011, sur 200 millions d’impressions achetées avec du ciblage d’audience, 10 millions ont atteint l’audience visée, soit 5 %. Nielsen a ensuite retiré l’article et l’étude. Cela ne réfute pas le chiffre, cela en fait une borne basse embarrassante.
Dix ans plus tard, l’attribut le plus simple échoue au test du hasard. Le genre inféré, attribut unique, n’est juste qu’à 42 %, moins bien qu’un tirage à pile ou face. La combinaison genre et âge tombe à 24 %. Un segment vendu comme une précision est une inférence dont l’erreur est du même ordre que le signal.
Le classement est stable : la donnée de deuxième et de troisième partie achetée ne fait pas mieux que le hasard, la donnée first-party la bat, le contextuel bat le first-party à coût plus faible. Ce n’est pas une question de sophistication du modèle, mais de proximité entre le signal et la décision. La mécanique est sur Valeur Stratégique de la Donnée First-Party.
Un cas rapporté dans l’entretien IPA de Sarah Gale, directrice insight chez Global, donne la version comique du problème. Cherchant à localiser des familles lors de sorties, l’analyse de données de localisation mobile faisait remonter un quartier central avec un sur-index anormal. L’audit a montré que l’essentiel des points venait d’une seule application de rencontre gay. La question n’est pas de savoir si la donnée existe, mais qui constitue l’échantillon.
Même asymétrie du côté de l’écoute. Les réseaux sociaux montrent l’image que l’on projette, la recherche ce que l’on pense quand personne ne regarde.
« it’s like a modern day confessional this is what we actually are thinking when we think no one’s watching us »
consumer-behavior-lab
Le social listening documente une posture publique, pas une attitude de marque. Et l’échec le plus coûteux n’est pas le profil faux, c’est le profil exact. L’hypothèse est portée par Jay Mandel : le profil le plus dangereux contient assez d’informations vraies pour qu’une conclusion fausse paraisse certaine.
Ce qui tient : tester, trianguler, vérifier
Ce qui tient est plus étroit que ce qu’on espère. Le field experiment, en cadre naturel, une seule variable modifiée, des participants non informés, produit des insights plus fiables que l’enquête. Les propriétés digitales d’une marque constituent un laboratoire à grande échelle, et un test bien construit peut avoir plus d’autorité pratique qu’une grande étude académique. La mécanique et ses limites sont sur Expérimentation Contrôlée.
Pour la sélection produit en abonnement, une observation de praticien propose de combiner trois couches hétérogènes : sondage prospectif, sell-through rétrospectif, avis clients. La convergence de trois sources imparfaites vaut mieux que la précision revendiquée d’une seule.
Sur les données synthétiques, le test à faire n’est pas la corrélation globale mais la structure de la variance : des moyennes plausibles, une variance comprimée, des sous-groupes aplatis. Or le ciblage vit d’hétérogénéité, et une moyenne plausible ne dit rien des écarts entre sous-groupes.
D’où la règle observée chez Louise Twycross-Lewis, responsable insight chez PHD Media :
« we’re always speaking to real people alongside that as a check, as a reference point »
Louise Twycross-Lewis, IPA
Le synthétique reste un simulateur. Ces résultats convergent vers une règle de lecture qui vaut pour toute donnée reçue en réunion : demander ce que le répondant avait à gagner à répondre ainsi, s’il avait accès à ce qu’on lui demande, et qui constituait l’échantillon. Trois questions, dans cet ordre, éliminent la majorité des tableaux qui circulent.

Si ta scale-up plafonne aujourd’hui
Deux signaux à surveiller. Une remise qui s’escalade, 15 % puis 20 % puis une offre de dernière chance qui revient chaque mois, est d’abord un symptôme de méconnaissance client : quand la donnée client est trop mince, le prix devient le levier le plus simple. Une hypothèse démographique jamais vérifiée en est un autre : dans l’expérience de Chris Bullick, l’âge moyen du buyer réel est systématiquement plus élevé que celui que le client suppose.
1. Choisis la méthode selon la question posée. Jamais selon l’outil disponible ou le fournisseur en place.
2. Ne demande pas un pourquoi sans cadre. Déplace la réponse vers autrui, garantis l’anonymat, ou annonce un contrôle en tête de questionnaire.
3. Traite tout segment inféré comme une hypothèse. Teste-le contre un envoi aléatoire avant de bâtir un plan dessus.
4. Préfère le verbatim exact et le test sur ton site au résumé d’étude. Une phrase de client, recopiée, survit à la relecture. Un résumé de rapport ne se relit plus.
Pour aller plus loin
- Écouter les clients pour décider : la méthode qui transforme l’injonction en artefact actionnable, avec les résultats que les clients cherchent à atteindre.
- Biais de Mesure : pourquoi l’appareil de mesure est biaisé par construction, entre mesurabilité et intérêts des régies.
- Expérimentation Contrôlée : les limites structurelles de l’A/B test randomisé, et le geo-test en relais pour le haut de funnel.
- Audience Research Infrastructure : la donnée d’audience vaut par sa circulation plus que par son stock.
- Say-Do Gap : l’écart entre ce que les décideurs disent croire et ce que l’organisation fait.
- Confirmation Bias : le biais qui s’aggrave avec l’expertise, et le test contrôlé comme antidote.
- Personnalisation à l’Échelle : pourquoi la plupart des transformations échouent pour des raisons organisationnelles.
Sources
- consumer-behavior-lab, Valentine’s Day and why much market research is misleading (2024). Le mensonge intentionnel et la confabulation, le test monadique, le social listening comme posture publique.
- Consumer Behavior Lab, Episode 124 How behavioral science reveals what traditional market research misses. La désirabilité sociale, l’introspection défaillante et la prédiction du comportement d’autrui.
- Futur Proche, Marketing / Comm : on sait combien tu gagnes (et pourquoi) (2026). L’enquête anonyme sans intérêt à déformer, comme donnée exploitable.
- Mobile User Acquisition Show, 🔆From the early days of virality and freemium to habit formation on mobile with Selina Tobaccowala (2022). Le biais d’acquiescement dans la formulation des questions.
- consumer-behavior-lab, How behavioral science reveals what traditional market research misses (2026). Le dispositif du bogus pipeline et les propriétés du field experiment.
- Mobile User Acquisition Show, 🍿How to talk to your customers in order to make winning ads with Hannah Parvaz (2022). Prendre des citations et non des notes.
- Dr. Augustine Fou, What If We Uploaded NPI Numbers, HEMs, or 1P Data? (2026). Les 5 % d’impressions atteignant la cible, et le genre inféré juste à 42 %.
- Sleeping Barber, SBP 234: The Barber’s Brief - More Data. More Tech. More Specialists. Better Marketing? (2026). Le classement des données par proximité avec la décision.
- IPA, The IPA Making Sense Podcast: Sarah Gale. Le cas de localisation mobile dont l’échantillon venait d’une seule application.
- Jay Mandel, Howard Stern, Data Brokers, and the Danger of Mistaking a Profile for a Person (2026). Le profil exact, plus dangereux que le profil faux.
- Limited Supply, The REAL Reason FabFitFun is DOMINATING the Subscription Box Industry (2025). La triangulation entre sondage prospectif, sell-through et avis clients.
- Prof. dr. Koen Pauwels, TenThousandTen for Ten Slides Marketing Plan (2026). La variance comprimée des répondants synthétiques.
- IPA, The IPA Making Sense Podcast: Louise Twycross-Lewis. Garder des répondants réels en point de contrôle.
- Eli Weiss, Most Personalization Is Fake (2026). La remise qui s’escalade comme symptôme d’une connaissance client trop mince.
- Chris Bullick, BRAND OR CULT? (2026). L’âge réel du buyer, plus élevé que celui que le client suppose.
ℹ️ À propos de cette page
Direction éditoriale : Romain Nicault.
Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.
Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.