Engagement aléatoire de l'appareil : qu'en est-il des méthodes ?

Comme les téléphones deviennent de moins en moins omniprésents, il devient difficile de mener des enquêtes par téléphone. Mais la bonne nouvelle, c'est qu'il existe une nouvelle façon de mener des sondages ! Random device engagement (RDE) est une méthode innovante de recherche qui utilise l'identifiant unique d'un répondant comme clé de voûte de sa participation.

Il est important de noter qu'en observant l'identifiant des annonces du monde de l'appareil, les sociétés de sondage peuvent prévenir la fraude liée aux SUMA (utilisateurs uniques, comptes multiples). Les échantillons RDE sont également entièrement aléatoires et non biaisés. Une amélioration de la composition aléatoire des chiffres, est utilisée pour interagir avec les téléphones fixes (et maintenant cellulaires) de manière aléatoire.

Cette flexibilité présente un certain nombre d'avantages par rapport aux méthodes d'enquête traditionnelles : les RDE sont moins coûteuses car elles ne nécessitent pas de déplacement ou d'autres coûts associés à la réalisation d'entretiens ; ils offrent plus de confidentialité aux répondants car personne ne voit qui a ou n'a pas répondu à l'enquête ; et ils offrent plus de contrôle sur le moment où les répondants ont accès à l'enquête puisqu'il n'y a pas besoin d'enquêteurs ou d'autre personnel sur les sites de collecte (Tucker 1983 ; West et Blom 2017).

Qu'est-ce que l'engagement aléatoire de l'appareil ?

Introduisons Random Device Engagement (RDE) ; le successeur naturel du RDD (Random Digit Dialing), en termes d'orthographe, de philosophie et de qualité.

Le sondage RDE (Random Device Engagement) s'appuie sur des réseaux publicitaires ou d'autres portails sur des appareils pour engager des personnes au hasard là où elles se trouvent. L'une des versions les plus courantes de celui-ci se trouve dans les modules publicitaires pour smartphones, mais elle peut facilement être placée dans les jeux, la réalité virtuelle, etc.

Le principe du sondage Random Device Engagement est que les personnes qui ont été sélectionnées par une société de sondage sont plus susceptibles de participer aux sondages que celles qui n'ont pas été sélectionnées. Les annonceurs peuvent ainsi tirer parti des sondages RDE pour mieux comprendre quelle est l'expérience client au sein de leurs produits ou services et comment ils pourraient les améliorer.

Random Device Engagement représente un énorme avantage, en particulier par rapport à RDD. Bien que les enquêtes puissent être réalisées en quelques jours, il n'est pas rare que RDD prenne des semaines, voire des mois. Avec les réseaux sociaux et le crowdsourcing assisté, les enquêtes peuvent être complétées un peu plus rapidement qu'avec RDE, mais manquent toujours de la vitesse offerte par RDE.

Les panels en ligne sont comparables en vitesse si vous payez un supplément pour les répondants des panels fusionnés (les panels en ligne facturent un supplément pour obtenir des répondants d'autres panels car cela augmente leur vitesse).

En ce qui concerne la précision du RDE, il est important de savoir que la couverture est l'un des principaux facteurs. Sur le marché américain, les principales sociétés RDE peuvent atteindre plus de 5 000 000 de répondants uniques. RDE est toujours en retard sur RDD en termes de couverture pour le moment, mais il va bientôt rattraper son retard. Les sondages participatifs utilisant les médias sociaux sont similaires au crowdsourcing assisté par les médias sociaux, et la couverture est supérieure aux panels en ligne.

Les panels disponibles en ligne ont une très faible empreinte, ce qui affecte leur capacité à recueillir des informations détaillées sur la population.

Méthodes d'engagement d'appareils aléatoires

Passons en revue les travaux publiés dans Goel, Obeng et Rothschild (2015) et Konitzer, Corbett-Davies et Rothschild (nd) pour montrer à quel point les échantillons RDE peuvent être efficaces. Et, ajoutez des exemples tirés des élections législatives spéciales de 2017-2018.

La première étude a été menée par Goel et al. (2015) qui ont utilisé un échantillon basé sur la population de 1 200 électeurs inscrits aux élections générales du Michigan. L'échantillon a été tiré des fichiers officiels des électeurs du Board of Solliciteurs du Michigan et comprenait des électeurs qui avaient le droit de voter mais qui n'ont pas voté en 2004.

Cette étude a révélé que les non-votants étaient plus susceptibles que les votants de favoriser Kerry par rapport à Bush en 2004, avec un avantage relatif de 8 points de pourcentage pour Kerry parmi les non-votants contre seulement 3 points de pourcentage parmi les votants (p<0,05).

La deuxième étude a été menée par Konitzer et al., (2016) qui ont utilisé la Cooperative Congressional Election Study (CCES), qui a interrogé 1 068 répondants via des RDD au cours du cycle de l'élection présidentielle de 2008. L'ensemble de données du CCES comprend des informations sur les attitudes politiques des répondants ainsi que sur leur comportement électoral passé, ce qui a permis à Konitzer et al. d'examiner comment le comportement électoral passé influence la participation future.

Les chercheurs ont pu démontrer comment l'utilisation du RDE, par le biais de Pollfish, était en mesure de correspondre étroitement aux sondages de référence tels que l'Enquête sociale générale. Les chercheurs ont découvert que cette méthode pouvait être utilisée pour remplacer les visites à domicile dans les enquêtes, car les visites à domicile sont souvent trop coûteuses pour la plupart des projets de recherche. Il s'agit donc d'une référence utile.

Les résultats ont montré que leurs prédictions basées sur un seul sondage ne sont pas significativement pires que les prédictions des agrégateurs de sondages tels que Huffington Post Pollster (HPP). En comparant leurs estimations état par état avec le résultat réel, ils ont constaté que par rapport aux estimations de HPP, leur RMSE n'était que légèrement supérieur : 4,24 % de points contre 3,62 % de points (pour 50 États à l'exclusion de DC)

Méthode n ° 1 - Composition aléatoire des chiffres (RDD)

La première méthode, Random Digit Dialing (RDD), est la méthode traditionnelle. Cela fonctionne bien, mais c'est voué à l'échec dans les prochaines années. Ainsi, il s'agit vraiment de savoir laquelle des nouvelles méthodes d'échantillonnage d'enquête en ligne le remplacera : panels en ligne, crowdsourcing assisté ou Random Device Engagement (RDE). Nous croyons que RDE est l'avenir.

Au cours de 2017 et 2018, les sociétés de sondage ont utilisé les trois nouvelles méthodes pour prédire les résultats des élections au Congrès : le RDE se situe bien au-dessus des deux autres.

Les sociétés de sondage ont utilisé trois nouvelles méthodes pour prévoir les résultats des élections au Congrès en 2017 et 2018. Le RDE est plus performant que les autres.

Dans cet article, nous fournissons une analyse détaillée des points forts de la méthode, y compris des enquêtes menées par le Pew Research Center.

Méthode #2 – Données de télémétrie

L'utilisation des données télémétriques dans la recherche par sondage n'est pas nouvelle. En fait, l'exemple le plus célèbre de cette technique est l'American National Election Studies (ANES), qui collecte des enquêtes téléphoniques et en face à face au niveau des ménages depuis 1948. L'ANES collecte ces informations sur une base continue afin que les chercheurs peut suivre les changements dans le temps et à travers les emplacements géographiques.

Plus récemment, RDE a commencé à compléter les données attitudinales collectées avec une variété de données paramétriques ou télémétriques.

Les personnes qui participent à des sondages sont fondamentalement différentes de celles qui ne participent pas à des sondages, comme nous le savons tous. En tant que boutique d'analyse progressive, CIVIS a récemment soutenu qu'une batterie de près de 30 questions démographiques, attitudinales et de style de vie supplémentaires qui abordent les notions de confiance sociale et de cosmopolitisme sont nécessaires pour pouvoir peser et corriger toutes les façons dont les répondants à l'enquête sont inhabituel.

Comme le soutiennent Konitzer, Eckman et Rothschild (2016), les données de télémétrie sont un moyen beaucoup plus rentable (et discret) de collecter ces variables. Le lieu de résidence et de travail, les habitudes de déplacement ou de mobilité, ou la composition politique de son quartier ou de son réseau social, dérivés de données longitudinales de coordonnées de localisation par satellite (lire : extrêmement précises) prédisent bien les variables démographiques.

Méthode #3 – Échantillonnage en rivière

L'échantillonnage en rivière est une méthode de recrutement des répondants qui utilisent des bannières publicitaires. C'est une pratique courante dans les études de marché et les sondages, mais elle présente des inconvénients majeurs.

Selon la méthode d'échantillonnage en rivière, des bannières publicitaires pourraient être utilisées pour les sondages, ou l'engagement pourrait avoir lieu via des sites Web hérités ou des emplacements où Rapid Data Enumeration recrute des répondants. RDE a accès aux numéros de compte, mais pas l'échantillonnage en rivière, ce qui présente deux inconvénients majeurs : l'échantillonnage en rivière est incapable de détecter SUMA ; les fraudeurs peuvent tricher en participant deux fois à la même enquête, surtout s'il existe une incitation financière à participer. Et, tout degré de ciblage démographique/géographique semble impossible.

Le processus est simple : une demande d'annonce parvient au serveur, qui la redirige ensuite vers le réseau publicitaire pour qu'elle soit traitée directement. Le réseau publicitaire détermine s'il existe des publicités disponibles qui conviennent à cet utilisateur particulier et les envoie au serveur.

Un bon sondage RDE est effectué avec la coopération de l'éditeur, offrant une expérience native, tandis que les bannières publicitaires sont diffusées via le réseau publicitaire.

Exemples d'engagement d'appareils aléatoires

Comme indiqué précédemment, nous croyons fermement que la numérotation aléatoire (RDD) est vouée à l'échec. Les panels en ligne sont efficaces mais coûteux, le Crowdsourcing assisté fonctionne bien mais prend trop de temps, et Random Device Engagement (RDE) est beaucoup plus rapide et plus rentable.

L'avenir du RDE est prometteur. La pénétration des appareils augmentera encore à l'avenir, augmentant la portée du RDE aux États-Unis et faisant du RDE la seule alternative viable sur les marchés moins développés. Prenez l'Afrique : le taux de pénétration des smartphones devrait augmenter de 52,9 % d'une année sur l'autre.

Actuellement, il y a 293 millions d'utilisateurs de smartphones à travers le continent, ce qui signifie qu'en tenant compte des taux de croissance actuels, il y aura 929,9 millions de smartphones d'ici 2021 en Afrique. Mais l'avenir prometteur du RDE n'est pas qu'une question de pénétration : les progrès réalisés dans le rapprochement des identifiants publicitaires avec d'autres identifiants connus sur le marché américain signifient que le ciblage individuel basé sur les antécédents financiers ou les habitudes de dépenses par carte de crédit sera possible.

Et pendant que nous parlons de relier les sources de données : les sociétés d'enquêtes politiques peuvent désormais interroger directement à partir d'un fichier électoral de 250 millions d'Américains.

Conclusion

Nous avons commencé par discuter du fonctionnement du RDD traditionnel et de la manière dont il a été condamné par un manque de participation des jeunes qui sont moins susceptibles d'avoir des lignes fixes. Nous avons passé en revue deux nouvelles techniques : les panels en ligne et le Crowdsourcing assisté. Les panels en ligne sont similaires aux RDD traditionnels mais avec une technologie plus moderne ; ils n'exigent pas que les participants répondent eux-mêmes à des questions ou même qu'ils parlent à un être humain.

Au lieu de cela, ils utilisent des scripts et des algorithmes automatisés pour la collecte de données auprès des internautes qui acceptent de participer. Le Crowdsourcing assisté utilise des êtres humains ainsi que des ordinateurs ; les humains sont utilisés pour des tâches telles que le marquage d'images ou la transcription d'enregistrements vocaux, tandis que les ordinateurs effectuent d'autres tâches telles que l'analyse de documents texte à des fins d'analyse des sentiments.

Enfin, nous avons discuté de notre méthode préférée : Random Device Engagement (RDE). Cette méthode utilise des algorithmes sophistiqués pour identifier automatiquement les appareils.

Découvrez comment débloquer la puissance de la recherche avec l'audience de QuestionPro. Nos produits sont utilisés par plus de 3 millions de personnes dans plus de 50 pays et nous sommes toujours à la recherche de nouvelles façons d'utiliser notre technologie pour vous aider à recueillir des informations plus significatives auprès de vos clients.

Utilisez l'audience de QuestionPro pour vous aider à créer des enquêtes plus précises qui vous fourniront de meilleures données.

APPRENDRE ENCORE PLUS