Vous êtes assez intelligent pour comprendre 2 chiffres…

et vos clients aussi…

Sous titre : « quand on ne vous donne qu’un seul chiffre, on se fout de vous. »

Introduction

Beaucoup de documentations commerciales sont agrémentées de chiffres. Mais bien souvent un seul chiffre est donné par caractéristique. Je vais vous démontrer, par l’exemple, que cela n’a aucun sens. Alors pourquoi est-ce quand même ainsi ? Deux explications se complètent :

  • On essaye explicitement de vous berner.
  • Le marketing a souvent une volonté farouche de simplifier par peur d’effrayer son public par des choses « trop compliqués ».

C’est principalement la deuxième vision que j’aimerai influencer, car je pense que ce n’est pas bon pour la relation marque/client. En particulier dans le contexte B2B, je considère qu’il est malvenu de penser que son interlocuteur est « idiot » ou peu attentif, et qu’il faut lui simplifier les messages jusqu’à l’extrême.

Pourquoi un seul chiffre ne suffit, vraiment pas ?

Prenons quelques exemples classique de la technique du « un seul chiffre » :

« le produit X tue 99 % des germes/bactéries/virus »

Cette assertion amène aux questions suivantes :

99 % de tous les germes présents ? Ou bien est-ce 99 % de la variété des germes ? 
Si 1 % du nombre des germes subsistent, peuvent peut être suffire pour rendre quelqu’un malade ?
Si c’est 1 % de la variété des germes qui survivent, qui me dit que ce n’est pas le 1 % le plus dangereux ? 
Si le client se pose ne serait-ce qu’une partie de ces questions alors l’argumentaire du 99 % devient totalement inutile, voire même discrédite le produit. En tout cas au lieu de rassurer, cet argumentaire intrigue, inquiète.

La solution : Il aurait mieux valu détailler ce pourcentage et dire ce qu’il reste dans ces 1 % pour gagner en crédibilité.

« Une prévision fiable à 99 % »

Si on prend l’exemple d’une prévision météo, que voudrait dire précis à 99 % ? La prévision est correcte 99 jours sur 100 ? Mais le jour de l’erreur il peut y avoir une tempête de neige alors qu’était prévu grand soleil et 30° ? Ou alors la prévision est fausse de 1 % tous les jours ? Par exemple avoir une température de 30.3° au lieux de 30° prévus ?Bref, sans autre explication, ce 99 % ne veux rien dire.

« Un système de détection fiable à 99 % »

Quelque soit ce que vous cherchez à détecter, un intrus, de l’or ou du pétrole , là aussi un seul chiffre ne veux rien dire. Car dans ce 1 % d’erreur on ne vous dit pas si il s’agit d’erreur de type 1 ou de type 2.

  • Erreur de type 1: c’est à dire une fausse détection, classiquement une « fausse alerte ».
  • Erreurs de type 2 : les détections ratées. Il y avait de l’or ou du pétrole et vous ne le détectez pas.

Quelque soit le contexte (système de sécurité ou recherche d’or) ces 2 type d’erreur n’ont jamais le même coût. Il s’agit même souvent de coûts très différents par nature, typiquement faire un forage là où il n’a rien n’est pas comparable au manque à gagner de laisser un champ de pétrole à la concurrence. Que penser d’un test de grossesse fiable à 99 %, rater la détection d’une vrai grossesse n’est pas comparable à annoncer une grossesse qui n’aura pas lieu. Bref ne pas détailler le taux d’erreur de type 1 et 2, et les laisser dans un même taux d’erreur global (même supposément faible, 1 %) rend impossible une vrai analyse de performance du système.

La solution:il faut détailler en erreur de type 1 & 2 , appelés aussi faux positifs (type 1), et faux négatifs (type 2). Les gens qui s’intéressent aux systèmes de détection connaissent cela parfaitement, masquer cela dans un contexte B2B est clairement une erreur stratégique. Mieux encore il faudrait fournir la courbe ROC du système, mais là on commence à aller vers un niveau de détail qui sort du cadre de cet article.

X % d’Intention de vote

Pendant les élections il est courant d’avoir des sondages d’intention de vote. Mettons de coté les problématique d’interprétation de ce qu’est une « intention de vote », et prenons cette information comme un simple échantillonnage. Vous allez voir que là aussi ne donner qu’un seul chiffre masque la réalité…

Un sondage donne 25 % d’intention de vote pour le candidat A, et 24 % pour le candidat B, mais aucune information n’est donnée sur la taille de l’échantillon. Or la taille de l’échantillon est une information primordiale pour connaître la précision de la mesure.

Grâce au distribution de probabilité bêta, voici ce qu’on sait de la précision d’une mesure de 25 % d’intention de vote sur une population de 500 personnes.

L’axe X représente les pourcentages d’intention de vote. L’axe Y représente la probabilité de la réelle valeur du pourcentage d’intention de vote.

  • Le pic du maximum est effectivement à 25 % …
  • … mais une mesure réelle à 24 % est aussi très probable !
    Plus précisément, la vraie mesure a 95 % de chances de se situer entre 21 % et 29 % (c’est ce qu’on appelle l’intervalle de confiance à 95%).

On mesure encore mieux le peu d’écart réel entre les 2 candidats quand on trace les deux distributions bêta sur un même graphe.

  • En utilisant ces courbes on peut calculer la probabilité de victoire des deux candidats. On constate alors que le candidat A n’a finalement que 65 % de chance de gagner face à B !

Conclusion

Même si vous n’êtes pas un expert, quand quelqu’un vous expose un argumentaire fondé sur un seul chiffre, demandez lui en un deuxième… Rien qu’à son attitude vous allez comprendre si vous le mettez mal à l’aise (donc il essayait de vous enfumer), où si il sort alors un argumentaire plus précis.

Dans ce cas vous serez le client qui feront dire aux marketeurs, “mes clients sont assez intelligent pour comprendre 2 chiffres.”

Suite…

Dans un article suivant je décline cette vision pour le monde du CRO : Conversion Rate Optimisation. C’est à dire l’optimisation de sites web via du test A/B ou de la personnalisation (adapter le site en fonction du visiteur dans le but de mieux vendre).

A single golf clap? Or a long standing ovation?

By clapping more or less, you can signal to us which stories really stand out.