Identification de leaders d’opinion sur le Web & analyse de réseaux

1. UNIVERSITE DE POITIERS INSTITUT D’ADMINISTRATION DES ENTREPRISES MEMOIRE Identification de leaders d’opinion sur le Web & analyse de réseaux Maître d’apprentissage : Fanny Forgeau Professeur référent : Camille Alloing Responsable de filière : Nicolas Moinet Année universitaire 2013 – 2014 Jean Baptiste Mac Luckie Master 2 Intelligence Economique et Communication Stratégique Note obtenue : 18,5/20

3. 3 Résumé Dans quelle mesure l'analyse & la visualisation de réseaux appliquées au web peuvent-elles permettre d'identifier de potentiels leaders d’opinions sur le Web ? C’est à cette question que ce mémoire a cherché à répondre. Le présent mémoire s’inscrit dans une volonté double : interroger le concept d’influence sur le Web, et plus précisément le concept de leader d’opinion, et proposer un cas d’étude portant sur l’identification de potentiels leaders d’opinions dans le domaine des droits LGBT afin de développer la notoriété d’Equaldex.com. Ce travail de recherche a été réalisé dans le cadre du Master 2 Intelligence Economique & Communication Stratégique de l’IAE de Poitiers et d’une année d’apprentissage au sein de l’entreprise Linkfluence, spécialiste du social media intelligence en France. A travers une revue de littérature sur les concepts d’influence, la réalisation & l’analyse d’un graphe de sites web afin d’identifier de potentiels leaders d’opinion au sein du réseau cartographié, nous avons souhaité déconstruire certains mythes rattachés à la notion d’influence. En effet, les discours des praticiens semblent parfois surévaluer le rôle des leaders d’opinion dans le déclenchement de dynamiques virales. A cela s’ajoute notre volonté de discuter des méthodes généralement utilisées pour identifier les influenceurs sur le Web et de proposer des nuances quant aux applications de celles-ci. Mots-clés : Influence | Leader d’opinion | Analyse de réseaux | Incertitude

4. 4 Remerciements Je souhaite vivement remercier Camille Alloing, maître de conférences en Sciences de l’Information et de la Communication pour la qualité de son suivi et les remarques pertinentes qu’il aura su me faire au long de ces deux années de Master Intelligence Economique & Communication Stratégique. Puisque ce mémoire a été réalisé dans le cadre d’une année en apprentissage, je remercie l’entreprise Linkfluence qui m’a accueillie le 2 octobre 2013 en tant que social media analyst. Je n’aurais pu rêver mieux comme lieu d’apprentissage. Merci donc à Guilhem Fouetillou, co-fondateur, à Fanny Forgeau, directrice du pôle Research, à Matthieu Vion, Matthieu Ponzio, Hélène Girault, Antoine Vaguet et tous mes collègues du pôle Research pour leur accueil, leur gentillesse et pour la qualité de leurs conseils. Mes remerciements vont également à Hervé Simonin, CEO, Camille Maussang, co-fondateur, Romain Pedron et au reste de la grande équipe Linkfluence. Merci également à Mariannig Le Béchec pour ses retours très instructifs sur l’analyse de réseau et la visualisation de graphes lors du COSSI 2014, à Caitriona Noonan de The University of South Wales qui a su me donner goût à la recherche, à Christian Marcon et Nicolas Moinet. Je souhaite également remercier Antoine H. pour son aide & sa relecture attentive, Antoine D., Quentin G., Ludovic C., Raphaël B. & tous les amis qui ont pu m’aider pour la rédaction de ce mémoire. Merci à Dan Leveille pour avoir accepté que je réalise ce cas d’étude sur Equaldex & pour avoir suscité mon intérêt pour les droits des personnes LGBT. Enfin, j’adresse un dernier remerciement à l’ensemble de ma famille.

5. 5 Afin de visualiser le graphe de site réalisé pour notre cas d’étude en haute qualité, merci de vous rendre à l’adresse suivante : http://www.jbmacluckie.net/blog/lgbt-map-642

6. 6 Glossaire & sigles Agrégat : sur le Web, ensemble de sites web connectés traitant d’une même thématique. Amateurisation de masse : selon Shirky (2008) il s’agit du phénomène découlant de la possibilité pour tout internaute d’exprimer ses opinions sur le Web Analyse de réseaux (ou analyse structurale) : étude des réseaux & des relations sociales, principalement en sociologie. Arc : lien entre deux noeuds dans un graphe orienté. Arête : lien entre deux noeuds dans un graphe non-orienté. Autorité : en analyse de réseaux, une autorité désigne un noeud ayant un nombre important de liens entrants (Kleinberg 1999). Cartographie du web (ou graphe de site web) : visualisation de réseau de sites web & des liens hypertextes qu’ils entretiennent entre eux. Cascade d’informations (ou cascade d’influence, dynamique virale) : lorsqu’un individu adopte un comportement en conformité avec le comportement des membres de son réseau (Easley et Kleinberg 2010). Centralité de degré (degree) : détermine la position d’un noeud au sein d’un réseau. La centralité de degré désigne le nombre de liens entrants et sortants d’un noeud. Centralité d’intermédiarité (betweeness centrality) : nombre de plus courts chemins du réseau passant par chaque noeud (Drevelle 2013). Centralité de proximité (closeness centrality) : degré auquel un noeud est proche des autres noeuds d'un réseau. Centralité eigenvector (eigenvector centrality) : mesure la façon dont un noeud est connecté aux autres noeuds très connectés du graphe (Drevelle 2013) Complexité : dans le cadre de notre mémoire, ensemble d’éléments entretenant une forte interdépendance entre eux. Crawl : indexation réalisée par un robot. Crowdsourcing : approvisionnement par la foule. Dans le cadre de notre mémoire, Equaldex.com, le site faisant l’objet du cas d’étude, fonctionne grâce à l’approvisionnement par la foule d’informations sur les droits LGBT dans le monde Degré : nombre de liens entrants et sortants d’un noeud au sein d’un graphe non-orienté (où les liens n’ont pas de sens). Dans un graphe orienté, le degré peut être entrant (liens entrants vers un noeud) ou sortant (liens sortants d’un noeud). Droits LGBT : droits des personnes lesbiennes, gaies, bisexuelles et transgenres. EdgeRank : plgorithme de Facebook visant à gérer la mise en visibilité des informations sur le flux d’information des utilisateurs – Pour aller plus loin : www.whatisedgerank.com Equaldex : plateforme d’information sur les droits LGBT dans le monde créée par Dan Leveille. Elle fonctionne grâce au crowdsourcing.

7. 7 Expertise : savoir acquis grâce à l’expérience. Dans le cadre de notre mémoire, l’expertise sur le Web est comprise comme la capacité d’un individu à produire du contenu expert et à mettre en visibilité celui-ci (Alloing et Haikel-Elsabeh 2012). Gay : Utilisé, dans le cadre de ce mémoire, en tant que synonyme d’homosexuel Gephi : Outil d’analyse et de visualisation de graphes Graphe : ensemble de sommets (noeuds) et d’arcs / arêtes (liens) liant certains sommets. Dans notre mémoire, le terme graphe sera utilisé en tant que synonyme de réseau. Hexis numérique : sculpture agissante de soi dans les mondes virtuelles (Georges 2007) Hub : noeuds d’un graphe possédant un degré important Identité numérique : ensemble des traces numériques laissées par un internaute sur le Web (Ertzscheid 2011) Influence : pour Massé, Marcon et Moinet Massé, exercer une influence c’est « obtenir d’autrui qu’il fasse librement quelque chose qu’il n’aurait pas fait spontanément sans votre intervention » (2006, p. 86) Influenceur : terme marketing utilisé comme synonyme de leader d’opinion. Internet : réseau informatique mondial reliant des ordinateurs entre eux. Loi de puissance (power law) : dans le cadre de notre mémoire, la loi de puissance s’applique concernant les degrés d’un graphe. Quelques noeuds concentrent la majorité des liens. Klout : outil en ligne permettant de computer l’activité des profils sociaux d’un internaute. Klout prétend pouvoir fournir un score d’influence. Leader d’opinion : pour Alloing et Haikel-Elsabeh, « le leader d’opinion, pris au sens de « diffuseur » est un amplificateur potentiel de la transmission de ce message. » Il s’agit dès lors d’une « source de diffusion et médiatisation sur le web plus que d’influence » (2012, p.10) LGBT : Lesbien, gay, bisexuel & transgenre Maven : utilisé comme synonyme de leader d’opinion Nouvelle science des réseaux (& Web science) : étude des réseaux ayant notamment émergé grâce aux travaux de Duncan Watts & Albert-László Barabási. Médias sociaux : « macro-concept » (Stenger et Coutant 2010) englobant réseaux socionumériques et plateformes de partage de contenu MOOC : Massive Online Open Course Mouvement LGBT : mouvement social ayant émergé depuis les années 60 visant à lutter contre l’homophobie, les discriminations et pour les droits LGBT (Beynon 2010). Netnographie : étude des communautés en ligne (Kozinets 2002). Noeud : sommet d’un réseau. Dans notre mémoire : site web sur le graphe. PageRank : algorithme de classement des pages web de Google, dérivé de l’algorithme de calcul de centralité eigenvector. Réseau : ensemble de noeuds interconnectés (Castells 1998, p. 526)

8. 8 Réseaux socionumériques : services web permettant de 1. « Construire un profil public ou semi-public au sein d’un système, 2. De gérer une liste des utilisateurs avec lesquels il partage un lien, 3. De voir et naviguer sur leur liste de liens et ceux établis par les autres au sein du système, 4. Fondent leur attractivité essentiellement sur les trois premiers points et non sur une activité particulière ». (Stenger et Coutant, p. 221) STEPPS : cadre d’analyse développé par Jonah Berger permettant d’identifier les facteurs clés de la viralité (potentielle ou avérée) d’un contenu ou d’un produit Two-step flow of communication (flux communicationnel en deux temps) : modèle de l’influence interpersonnelle selon Katz et Lazarsfeld (1955). De manière schématique : les médias de masses diffusent du contenu qui sera filtré puis partagé par des leaders d’opinion aux membres de leurs réseaux. Ce modèle est encore utilisé dans le cadre de stratégies de relations publiques & de communication par exemple. Viralité (ou contagion) : idée selon laquelle un produit, une idée, une information peuvent se propager telles des épidémies sociales (Gladwell 2008) Web (World Wide Web) : application d’Internet basée sur l’hypertextualité.

9. 9 Table des figures Figure 1 - Modèle du two-step flow of communication ________________________________________________________ 20 Figure 2 - Le modèle du two-step flow of communication comparé au modèle du réseau d'influence de Watts et Dodds (2007) ________ 27 Figure 3 - Le modèle STEPPS de Jonah Berger (2013) _____________________________________________________ 28 Figure 4 - Exemple de profil sur Klout.com ______________________________________________________________ 35 Figure 5 - Les trois couches du Web selon Ghitalla et Jacomy (2007) _____________________________________________ 37 Figure 6 - Représentation schématique de la méthodologie d'écologie du Web par Linkfluence ______________________________ 38 Figure 8 - Capture d'écran d'Equaldex - Frise chronologique des droits LGBT à travers le temps __________________________ 48 Figure 9 - Capture d'écran d'Equaldex - Un lieu réticulaire de synchorisation _______________________________________ 50 Figure 10 - Processus de réalisation de notre graphe de sites web sur les droits LGBT __________________________________ 57 Figure 11 - Etapes de spatialisation du graphe de sites web ____________________________________________________ 58 Figure 12 - Visualisation du graphe de sites web __________________________________________________________ 60 Figure 14 – Répartition des sites du graphe selon leurs catégories ________________________________________________ 61 Figure 16 - Le graphe des droits LGBT, un réseau invariant d'échelle ____________________________________________ 64 Table des tableaux Tableau 1 - Typologie des émotions selon leurs potentiels de viralité selon Jonah Berger (2013) _____________________________ 29 Tableau 2 - Comparaison entre l'approche de Linkfluence et celle des outils d'identification d'influenceurs sur le web _______________ 42 Tableau 3 - Principaux indicateurs pour l'identification de potentiels leaders d'opinion pour Equaldex _______________________ 53 Tableau 4 - Principaux critères retenus pour la création du graphe de sites web _______________________________________ 54 Tableau 5 - Comparaison des sources ayant les scores les plus importants selon 3 métriques structurales _______________________ 62 Tableau 6 - Sélection des potentiels leaders d'opinion pour Equaldex _____________________________________________ 63

10. 10 Table des matières Résumé ...................................................................................................................................... 3 Remerciements .......................................................................................................................... 4 Glossaire & sigles ...................................................................................................................... 6 Table des figures ....................................................................................................................... 9 Table des tableaux ..................................................................................................................... 9 Introduction ............................................................................................................................. 12 Positionnement théorique ................................................................................................................. 14 Problématique ................................................................................................................................... 15 Démarche méthodologique .............................................................................................................. 15 Cadrage de l’environnement : un mémoire portant également sur les droits LGBT ....................... 16 Présentation du plan ......................................................................................................................... 16 Chapitre 1 - Revue de littérature sur l’influence sur le web .................................................... 18 Introduction au chapitre 1 ....................................................................................................... 19 I. Influence : déconstruction d’un concept .......................................................................... 19 a. Qu’est-ce que l’influence ? ......................................................................................................... 19 b. La métaphore de la contagion ................................................................................................... 21 c. Le web : entre amateurisme, expertise & influence .................................................................. 22 II. L’influence sur le web : un processus complexe ............................................................. 24 a. Le rôle des individus et des réseaux sur le Web dans les dynamiques d’adoption virales : les apports de l’analyse de réseaux ......................................................................................................... 24 b. Le rôle du contenu et le modèle STEPPS ................................................................................. 27 c. La dépendance aux plateformes sociales & aux algorithmes ................................................... 30 d. L’influence sur le web : complexité et biais de rétrospection ................................................... 31 III. De l’identification à la construction des leaders d’opinion ........................................... 34 a. Les outils d’identification de leaders d’opinion sur le Web ...................................................... 34 b. L’identification de leaders d’opinions chez Linkfluence .......................................................... 36 c. La construction des leaders d’opinion ....................................................................................... 42 Chapitre 2 - Cas d’étude : identification de potentiels leaders d’opinion en ligne dans le domaine des droits LGBT ....................................................................................................... 44 Introduction au chapitre 2 ....................................................................................................... 45 I. Présentation d’Equaldex en trois points ........................................................................... 47 a. Equaldex : un site d’information sur les droits LGBT .............................................................. 47 b. Equaldex : Un lieu réticulaire de synchorisation ...................................................................... 49 c. Equaldex : Un site en quête de notoriété ? ................................................................................ 50 II. Structuration de l’écosystème informationnel d’Equaldex ............................................. 51 a. Définition des besoins d’Equaldex & leur déclinaison en indicateurs ..................................... 52

11. 11 b. Constitution du corpus de sites web ......................................................................................... 53 c. Quel statut donner aux liens hypertextes ? ................................................................................ 54 d. La cartographie comme processus itératif ................................................................................ 56 III. Visualisation de l’écosystème informationnel d’Equaldex ........................................... 57 a. Spatialisation .............................................................................................................................. 57 b. Choix des signes : de la nécessité d’un travail sémiologique ................................................... 58 c. Visualisation & analyse de l’écosystème informationnel d’Equaldex ....................................... 59 IV. Résultats & discussion ................................................................................................... 61 a. Identification de potentiels leaders d’opinion ........................................................................... 61 b. Le graphe de sites web et nos hypothèses de recherche ........................................................... 64 c. Réflexions sur la cartographie & limites de l’approche ............................................................ 65 Conclusion ............................................................................................................................... 67 Bibliographie ........................................................................................................................... 71 Articles & monographies .................................................................................................................. 71 Articles de blogs ................................................................................................................................ 76 Vidéo ................................................................................................................................................. 76 Cours ayant inspiré nos travaux ........................................................................................................ 76 Annexes ................................................................................................................................... 77 Correspondance avec Dan Leveille (anglais) – Juillet 2014 .............................................................. 77 Visualisation du graphe de sites web realisé (sans étiquette des noeuds) ........................................ 79

12. 12 Introduction « Le désastre de l’ère de l’information réside dans le fait que la toxicité des données augmente plus rapidement que leurs avantages »1 (Taleb 2010a, p. 57). Cette citation de Nassim Nicholas Taleb, économiste, philosophe et spécialiste de l’épistémologie des probabilités, semble refléter la fascination que les individus entretiennent avec les technologies de l’information et de la communication (TIC). Aujourd’hui, Internet, le « réseau des réseaux », et le World Wide Web, l’application la plus connue d’Internet, jouent un rôle important dans le quotidien de nos sociétés. Ainsi, en 2013 le monde comptait plus de 2,8 milliards d’internautes, dont plus de 55 millions en France2. En ce sens, Internet et le Web sont « ubiquitaires – ils sont partout – et pervasifs – ils ne peuvent être éteints »3 (Deuze 2012, p. xi). Comme le souligne Mark Deuze, nous vivons « dans » les TIC plutôt qu’« avec » elles. Les vies des individus connectés seraient ainsi dissoutes dans l’ubiquité du numérique. L’omniprésence de ces technologies de l’information et de la communication semble avoir des impacts sur nos vies et ce à plusieurs échelles. Le World Wide Web, inventé par Tim Berners- Lee et Robert Cailliau en 1991 (Castells 2001), est une application d’Internet basée sur un système d’hypertextualité permettant de naviguer d’une page web à un autre de manière non-linéaire. Le début des années 2000 marque l’émergence d’un nouveau stade du développement du Web : le Web 2.0, parfois appelé Web social ou Web participatif. Popularisé par Tim O’Reilly en 2005, le Web 2.0 désigne un ensemble de techniques, fonctionnalités et plateformes qui met les usagers « au centre du dispositif médiatique » (Breton et Proulx 2012, p. 314). Il est couramment admis que grâce au Web social « les modes de création et de distribution des contenus médiatiques connaissent des transformations significatives, bouleversant les modèles traditionnels des industries culturelles » (ibid. p. 314). Le Web 2.0 favoriserait ainsi l’émergence d’une « culture participative » (Jenkins 2006), de « communautés virtuelles » (Rheingold 2002) et permettrait à tout individu de devenir un medium (Shirky 2008). L’émergence du Web 2.0 semble avoir nourrit un certain nombres d’utopies liées à l’information et la communication. En effet, en permettant aux internautes de produire du contenu, d’interagir avec leurs pairs, de collaborer par l’intermédiaire de plateformes à dimension « sociales », 1 « The calamity of the information age is that the toxicity of data increases much faster than its benefits » (Taleb 2010, p. 57) 2 Voir www.internetworldstats.com 3 « Media are ubiquitous – they are everwhere – and pervasive – they cannot be switched off » (Deuze 2012, p. xi)

13. 13 de financer des projets de manière participative grâce à des sites de crowdfunding4 ou encore de participer à changer la société par le biais de plateformes de pétitions en ligne5, le Web social semble être au coeur d’une utopie grandissante : celle d’une communication universelle permettant une collaboration pour le bien de la société. Il est important de noter que cette utopie est portée par différents profils d’individus : consultants spécialisés en technologies de l’information et de la communication, professionnels de la communication, mais également par des universitaires tels que Clay Shirky (2008) ou encore David Gauntlett (2011). Lorsque le Web social est évoqué, il est souvent lié aux notions de médias sociaux et de réseaux sociaux. Ces expressions sont d’ailleurs fréquemment utilisées dans le domaine de la communication et du marketing. Frédéric Cavazza, consultant dans le domaine de la communication et blogueur, définissait en 2009 les médias sociaux comme « un ensemble de services permettant de développer des conversations et des interactions sociales sur internet ou en situation de mobilité »6. Pour ce consultant en communication, des plateformes telles que Facebook, Twitter, Youtube, ou encore Tumblr sont des médias sociaux. Stenger et Coutant (2010) soulignent néanmoins que le concept de médias sociaux est avant tout un « macro-concept ». Il s’agirait selon les auteurs d’un terme englobant différentes notions, différents types de plateformes & différentes pratiques numériques. Pour Alloing (2013), parler de médias sociaux est un pléonasme car cela supposerait qu’il existe des médias non sociaux. Depuis l’émergence du Web 2.0 il est important de noter qu’il existe de réels discours de promotion des médias sociaux à destination des entreprises (Stenger et Coutant 2010). Agences de communication, praticiens & blogueurs en communication et en marketing font fréquemment l’éloge de la présence en ligne des organisations et de leurs dirigeants. A titre d’exemple, en août 2014 Nicolas Bordas, vice président de l’agence de communication TBWAEurope, publiait sur le média LesEchos.fr une tribune intitulée « Pourquoi les patrons français doivent être présents sur Twitter »7. Dans cette logique de présence en ligne, organisations et marques sont encouragées à amplifier leur présence en ligne grâce au marketing d’influence ou marketing viral. La recherche de la 4 Un exemple de plateforme de crowdfunding est kickstarter.com 5 Change.org s’inscrit directement dans ce créneau : change.org 6 Cavazza, F., 2009, « Une définition des médias sociaux », MediasSociaux.fr [En ligne] http://www.mediassociaux.fr/2009/06/29/une-definition-des-medias-sociaux/ 7 Tribune en ligne : http://www.lesechos.fr/idees-debats/editos-analyses/0203718074566-pourquoi-les-patrons-francais- doivent-etre-presents-sur-twitter-1035897.php

14. 14 viralité et du buzz sont caractéristiques de ces discours. De nombreux acteurs se sont positionnés sur ce marché et proposent leurs services pour identifier, recruter et activer des influenceurs, ou leaders d’opinion, qui seraient capables de diffuser à de larges audiences des informations. Si ces pratiques se sont peut être répandues de manière corrélée avec le Web social et les médias sociaux, elles prennent néanmoins leurs sources dans les recherches effectuées en media studies sur l’influence des médias. Par influence, nous retiendrons l’acception suivante de Massé, Marcon et Moinet (2006, p. 86) : exercer une influence c’est « obtenir d’autrui qu’il fasse librement quelque chose qu’il n’aurait pas fait spontanément sans votre intervention ». En cherchant à évaluer l’influence des médias dans la communication de masse, des chercheurs américains ont décrit celle-ci en utilisant la métaphore de la « « seringue hypodermique » : les médias injecteraient des modèles de comportement et attitudes dans la conscience d’individus passifs et atomisés constituant une masse amorphe » (Breton et Proulx 2012, p. 159). Katz et Lazarsfeld (1955), chercheurs de l’école de Columbia, ont formulé l’hypothèse du two-step flow of communication (flux communicationnel en deux temps) : les messages des médias seraient filtrés par des leaders d’opinions et diffusés par ces derniers auprès d’audiences plus importantes. Le leader d’opinion, notion sur laquelle nous reviendrons plus tard, est encore aujourd’hui vu par de nombreux praticiens et agences de communication comme un moyen d’amplifier la communication des organisations sur le Web. Positionnement théorique Les travaux de recherche sur l’influence sociale, l’influence des médias et l’influence sur le Web sont nombreux. Notre revue de littérature sur ces différents sujets ne pourra donc être exhaustive. Le présent mémoire n’est pas, en soi, un mémoire de recherche, dans la mesure où le Master en Intelligence Economique & Communication Stratégique de l’IAE de Poitiers a avant tout une finalité professionnelle. Pourtant, celui-ci ainsi que les travaux de recherches qui ont été effectués pour sa réalisation s’inscrivent dans une démarche en sciences de l’information et de la communication (SIC). Cette discipline est caractérisée par sa relative jeunesse comparée aux autres disciplines des sciences humaines et sociales (SHS), mais surtout par sa complexité et son interdisciplinarité, à savoir sa capacité à confronter échanger des méthodes (Bourdeloie 2014). En ce sens, l’objet de recherche, les notions mobilisées ainsi que les méthodes utilisées dans le cadre de nos

15. 15 recherches proviennent de différentes disciplines que sont : les SIC, la sociologie des réseaux, la sémiologie, l’informatique, le marketing & la gestion, la géographie, les gender studies ainsi que la Web science aussi appelée la nouvelle science des réseaux. Problématique Notre mémoire cherchera à répondre à cette problématique : dans quelle mesure l'analyse & la visualisation de réseaux appliquées au web peuvent-elles permettre d'identifier de potentiels leaders d’opinions sur le Web dans le domaine des droits LGBT, ce afin de faire connaître le site Equaldex.com auprès d’une large audience ? Afin de répondre à cette problématique nous avons émis trois hypothèses que nous chercherons à vérifier grâce à l’utilisation conjointe de notre revue de littérature et de notre travail de recherche : Dans un premier temps, nous supposons que la diffusion virale d’un contenu sur le Web dépend de nombreux facteurs souvent non contrôlés par l’organisation. En ce sens, nous émettons l’hypothèse que l’identification de potentiels leaders d’opinion dans le cadre d’une stratégie de communication numérique ne permet pas de garantir la diffusion virale d’un contenu. Les hypothèses suivantes chercheront à être vérifiées à travers la réalisation d’un graphe de sites Web (Chapitre 2) : nous faisons ainsi l’hypothèse que le graphe de sites Web que nous réaliserons dans le cadre de nos recherche sera un réseau invariant d’échelle8. Enfin, nous supposons qu’Equaldex, en tant que site récent, s’inscrit dans un processus d’attachement préférentiel au sein de ce réseau9. Démarche méthodologique Afin de répondre à notre problématique et de vérifier nos hypothèses, nous allons réaliser un graphe de sites web traitant des droits des personnes lesbiennes, gaies, bisexuelles et transgenres en France et aux Etats-Unis. Dans le domaine des sciences humaines et sociales, et plus particulièrement des SIC, nous retiendrons que l’analyse du web revient à « vouloir saisir une réalité techniquement complexe et socialement construite » (Monnoyer-Smith 2013, p. 13). 8 Un réseau invariant d’échelle (scale-free network) désigne un réseau où les liens sont répartis selon une loi de puissance : quelques noeuds du réseau (acteurs ou sites web) concentrent la majorité des liens (liens sociaux ou liens hypertextes) 9 L’attachement préférentiel désigne le principe selon lequel un nouvel acteur au sein d’un réseau va chercher à tisser des liens avec les acteurs les plus connectés de celui-ci.

16. 16 Par graphe de sites web nous entendons un ensemble de noeuds reliés entre eux par des liens dirigés ou non-dirigés. Dans le cadre de notre recherche, le graphe sera composé de sites web (noeuds) et de liens hypertextes (liens dirigés). Pour cela, nous allons nous appuyer sur plusieurs socles théoriques et méthodologiques : l’analyse de réseaux sociaux (Mercklé 2011, Lazega 2014, Scott 2000), la théorie des graphes, la nouvelle science des réseaux (Rieder 2009), la sémiologie ainsi que les sciences de l’information et de la communication. L’idée de réaliser un graphe de sites web pour notre mémoire est le résultat d’une triple influence : premièrement, notre année d’alternance au sein de Linkfluence, cabinet d’études & éditeur de logiciel de veille e-réputation connu pour ses travaux pionniers dans le domaine de la cartographie du Web. Puis, les enseignements du Master Intelligence Economique et Communication Stratégie, dispensés par Christian Marcon & Camille Alloing sur le management de réseau (2013-2014), par Camille Alloing sur l’e-réputation et la communication de crise (2012-2013 et 2013-2014) et par Mariannig Le Béchec sur l’intelligence territoriale (2013-2014) et la gestion des connaissances (2012-2013). Et enfin, le suivi des MOOCs (cours en lignes ouverts et massifs) « Social Network Analysis » dispensé par Lada Adamic sur la plateforme Coursera10 et « Web science: how the web is changing the world » dispensé par Leslie Carr et Susan Halford sur FutureLearn.com11. Cadrage de l’environnement : un mémoire portant également sur les droits LGBT Notre cas d’étude portera sur les sites web traitant des droits des personnes lesbiennes, gaies, bisexuelles et transgenres (LGBT). Nous souhaitons, par le biais de la réalisation d’un graphe de sites web portant sur cette thématique, analyser et visualiser l’écosystème informationnel d’Equaldex.com, plateforme d’information sur les droits LGBT créée par Dan Leveille. Notre objectif est, in fine, d’identifier de potentiels leaders d’opinion dans ce domaine afin d’accroître la notoriété d’Equaldex.com auprès des publics intéressés par la question des droits LGBT. Présentation du plan Ce mémoire est divisé en deux chapitres distincts mais complémentaires : Le premier chapitre cherchera à présenter une revue de littérature non-exhaustive sur l’influence et plus particulièrement sur l’influence sur le Web. Pour ce faire nous nous baserons sur 10 https://www.coursera.org/course/sna 11 https://www.futurelearn.com/courses/web-science

17. 17 différents travaux de recherche en sciences de l’information et de la communication, en économie, en sociologie, en psychologie sociale, en informatique et en marketing. Le second chapitre portera sur notre cas d’études, à savoir la réalisation et l’analyse d’un graphe de sites web sur les droits LGBT afin d’identifier de potentiels leaders d’opinion pour accroître la notoriété d’Equaldex. Le graphe réalisé est également accessible en ligne en image haute définition : http://www.jbmacluckie.net/blog/lgbt-map-642

18. 18 Chapitre 1 - Revue de littérature sur l’influence sur le web

19. 19 Introduction au chapitre 1 Ce chapitre vise tout d’abord à présenter la notion centrale de ce mémoire qu’est l’influence, ainsi que les termes qui lui sont rattachés, à savoir : le leadership d’opinion, le relai d’opinion, la viralité, le buzz, le Word of Mouth (trad : bouche à oreille), l’autorité ou encore l’expertise. Dans un second temps, ce chapitre cherche à rendre intelligible le processus d’influence sur le web grâce à une revue de littérature. Enfin, ce chapitre vise également à comprendre comment un relai d’opinion peut être identifié, voire construit, selon les besoins d’une organisation. I. Influence : déconstruction d’un concept a. Qu’est-ce que l’influence ? Nous allons tenter, dans un premier temps, de définir la notion d’influence. La principale difficulté réside dans l’équivocité de cette dernière, dans la mesure où l’influence a fait l’objet de nombreuses recherches en sciences humaines et sociales. Provenant du latin influentia, l’influence désignait alors le « pouvoir occulte attribué aux astres de modifier le destin des hommes » (Dortier 2008, p. 343). Aujourd’hui, l’influence ne désigne plus un pouvoir occulte et céleste, la notion a fait son apparition dans le langage courant et n’est plus connotée à quelque chose de mystique. Ainsi, le Centre National de Ressources Textuelles et Lexicales (CNRTL) la définit comme une « action (généralement lente et continue) d'un agent physique (sur quelqu'un, quelque chose), suscitant des modifications d'ordre matériel »12. Les deux définitions ci-dessus présentent, malgré leurs différences, une similarité : l’influence permettrait de modifier le comportement de quelqu’un ou de quelque chose. C’est d’ailleurs ce que défendent Massé, Marcon et Moinet (2006, p. 86) pour qui exercer une influence c’est avant tout « obtenir d’autrui qu’il fasse librement quelque chose qu’il n’aurait pas fait spontanément sans votre intervention ». L’influence a fait l’objet de nombreuses recherches en sciences humaines et sociales. La psychologie sociale, par exemple, s’intéresse à l’influence sociale, à savoir la « façon dont les attitudes et les comportements des personnes changent sous l’effet d’une pression réelle ou imaginaire de la part d’autres personnes » (Levine et Zdaniuk 2008, p. 25). Parmi les études les plus connues sur 12 CNRTL - http://www.cnrtl.fr/definition/influence

20. 20 l’influence sociale, celle de Solomon E. Ash datant de 195213 a permis de démontrer qu’un individu peut changer d’avis grâce à l’influence exercée par un groupe sur lui. Les travaux de Stanley Milgram sur la soumission à l’autorité (1963) montrent l’influence que peut avoir une personne ayant une autorité particulière, chez Milgram il s’agissait d’une autorité médicale, sur un autre individu. Des travaux plus récents de psychologie sociale mettent en avant les influences quotidiennes, ainsi que les techniques de manipulation et de persuasion auxquelles nous sommes exposés tous les jours (Cialdini 2004, Beauvois et Joule 1987, Beauvois 2011). Dans le domaine de la communication et des media studies, l’un des types d’influences le plus souvent étudié est celui de l’influence des médias sur les audiences. Cette dernière a longtemps été expliquée grâce à la métaphore de la « seringue hypodermique », c’est à dire que « les médias injecteraient modèles de comportement et attitudes dans la conscience d’individus passifs et atomisés constituant une masse amorphe » (Breton et Proulx 2012, p. 159). Les travaux de Katz et Lazarsfeld (1955) viennent remettre en question l’influence des médias sur les prises de décisions des individus, notamment dans un contexte d’élections, et mettent en avant le rôle de l’influence interpersonnelle. Katz et Lazarsfeld (ibid.) formulent ainsi l’hypothèse du « flux communicationnel en deux temps »14 (two-step flow of communication) : Figure 1 - Modèle du two-step flow of communication L’hypothèse du two-step flow of communication s’articule comme suit : 1. Les médias de masse délivrent un message qui est réceptionné et filtré par des leaders d’opinion 2. Ces mêmes leaders d’opinion jouent le rôle de médiateurs : ils font les intermédiaires entre les médias de masse et les audiences qui sont en contact avec eux. 13 Asch, S.E. (1952b). "Social psychology". Englewood Cliffs,NJ:Prentice Hall. 14 Traduction de Breton et Proulx (2012) L’explosion de la communication

21. 21 Les leaders d’opinions sont définis par Katz et Lazarsfeld comme des personnes « ayant été influentes dans leurs environnements immédiats (2008, p. 27). L’hypothèse du two-step flow of communication est encore aujourd’hui utilisée, notamment dans les domaines du marketing d’influence et du marketing viral, comme le souligne Mellet (2009), ainsi que de la communication d’influence. La définition de l’influence que nous retiendrons est celle de Massé, Marcon et Moinet (2006, p. 86) pour qui exercer une influence c’est « obtenir d’autrui qu’il fasse librement quelque chose qu’il n’aurait pas fait spontanément sans votre intervention ». b. La métaphore de la contagion Influence, leaders d’opinion ou encore influenceurs sont des notions utilisées par de nombreux acteurs (prestataires de services, éditeurs de logiciels et praticiens) de la communication, du marketing, des relations publiques, du lobbying ou encore de l’intelligence économique. L’une des métaphores les plus utilisées pour expliquer le phénomène d’influence est celle de la contagion, de la viralité, surtout depuis l’émergence d’Internet et des réseaux socionumériques. Cette métaphore prend directement ses sources dans l’hypothèse du « flux communicationnel en deux temps » de Katz et Lazarsfeld (1955), notamment avec la valorisation du rôle des leaders d’opinion. Elle reprend en effet le postulat qu’un groupe de personnes restreint, les leaders d’opinion, sera à même de disséminer des informations, de propager une mode ou de diffuser une innovation, auprès d’une audience plus large. La métaphore de la viralité a été principalement popularisée par Malcolm Gladwell, journaliste et auteur du best-seller Le Point de Bascule (The Tipping Point) paru dans sa version originale en 2000. Selon l’auteur, pour comprendre l’émergence des modes, leurs succès et leurs échecs, il convient de percevoir celles-ci comme des épidémies sociales qui se propagent notamment grâce à trois types d’acteurs : les connecteurs, les mavens et les vendeurs (Gladwell 2008) : - Les connecteurs (connectors) sont, selon l’auteur, des personnes « sociables » pour qui le bouche-à-oreille est l’« apanage » (ibid. p. 57 et p. 59). Ils permettent de « dissémin[er] la tendance » (ibid. p.59) ; - Les mavens (mavens), de l’hébreu mevin, désignent ceux qui « possèdent l’information inédite » (ibid. p. 59). Le maven a d’abord été théorisé par Feick et Price (1987) qui le considèrent comme un individu ayant des informations inédites sur des produits du marché et qui est en mesure de répondre aux demandes de son entourage. Selon Gladwell (2008, p.

22. 22 66), les mavens « jouent un rôle important dans le déclenchement des épidémies sociales puisqu’ils connaissent plus de choses que la majorité des gens » ; - Les vendeurs (salesmen) sont primordiaux pour le déclenchement d’une épidémie sociale. Un vendeur, au sens de Gladwell, « possède les compétences nécessaires pour persuader ceux qui hésitent encore à croire au message » (2008, p.69) ; Ces trois acteurs sont, selon Gladwell, des éléments clés de la propagation d’une épidémie sociale. Cependant, l’approche du Point de Bascule a été critiquée par plusieurs chercheurs dont Watts et Dodds (2007) et Berger (2013) notamment pour sa dimension réductrice manquant de preuve empirique. L’idée que des leaders d’opinion puissent exercer une influence sur une audience plus ou moins grande a, depuis Katz et Lazarsfeld en 1955, été réutilisée dans les domaines de la communication et du marketing (Mellet 2009). Les années 2000 marquent en effet le « retour en force dans la littérature professionnelle et académique » du leader d’opinion (Vernette 2006). Dès lors, quelles sont les caractéristiques propres aux leaders d’opinion qui pourraient faciliter leur identification ? Outre l’expertise, qui peut être définie comme l’acquisition de savoir par l’expérience, Vernette et Florès (2004) décrivent le leader d’opinion comme « une personne qui exerce une force d’attraction (physique, psychologique et/ou sociale) sur son entourage et qui dispose d’une forte crédibilité dans une catégorie de produit. Ses jugements et comportements influencent les attitudes et les choix de marques de son entourage dans ce domaine ». Cependant, comme le soulignent Alloing et Haikel-Elsabeh (2012) cette définition ne permet pas de distinguer les leaders d’opinion en ligne des leaders d’opinion hors-ligne. c. Le web : entre amateurisme, expertise & influence L’émergence du Web 2.0, conceptualisé dès 2005 par Tim O’Reilly dans l’article « What Is Web 2.0 »15, a favorisé l’idée que le Web est devenu social. L’apparition des fora, plateformes de blogging (Over-Blog, Wordpress, Ghost, Medium), de vlogging (Youtube, Vine, Vimeo), de microblogging (Twitter & Tumblr) ou encore les réseaux socionumériques (Facebook) a permis aux internautes de partager des informations, de créer des contenus et d’exprimer leurs opinions. Cette production d’opinions est liée à ce que Shirky (2008) appelle le phénomène d’amateurisation de 15 O'Reilly, T., 2005, « What Is Web 2.0. Design Patterns and Business Models for the Next Generation of Software », O’Reilly.com [En ligne] http://oreilly.com/web2/archive/what-is-web-20.html

23. 23 masse (mass amateurization). Tout internaute devient ainsi un medium (« everyone is a media outlet », ibid., p.55) et s’adresse à une audience plus ou moins « invisible » (boyd, 2007.). Patrice Flichy (2010) va plus loin en établissant le postulat que le web favorise l’émergence d’un nouveau règne : celui du pro-am, à savoir le professionnel-amateur qui, grâce à ses passions et à ses échanges avec d’autres passionnés, peut frôler l’expertise sur un ou plusieurs domaines particuliers. Or, cette notion d’expertise est souvent considérée comme l’une des caractéristiques principales du leader d’opinion (Vernette et Flores 2004). Néanmoins nous retiendrons l’idée selon laquelle la notion d’expertise sur le Web est avant tout liée à la capacité à un individu à mettre en visibilité le contenu qu’il publie sous l’autorité des moteurs de recherche (Alloing et Haikel-Elsabeh 2012). L’identification de leaders d’opinion pour nourrir des stratégies de communication et de marketing sur le web apparaît souvent comme une étape importante pour les professionnels de ces secteurs. Ainsi, l’existence de véritables « discours de promotion » des réseaux socionumériques à destination des entreprises (Stenger et Coutant 2010) promeuvent l’idée que les entreprises doivent avoir une présence en ligne et engager le dialogue avec leurs communautés virtuelles. En outre, celles-ci cherchent parfois à amplifier leurs campagnes de communication numérique, notamment par le biais du marketing viral (Vernette 2006.), à savoir l’ensemble des « techniques incitant les clients d’un produit ou d’une marque à les promouvoir dans leur entourage » (Lendrévie, Lévy 2014, p. 414, 619). Afin d’accroître leurs audiences, les campagnes de marketing viral (viral marketing) tendent souvent à cibler les influenceurs pour augmenter le phénomène de bouche-à-oreille (Word of Mouth). Smith et al. (2007) expliquent le marketing viral comme l’identification « des individus influents au sein d’un réseau social et engager avec eux de manières à encourager le bouche-à-oreille »16 (trad., p.387). Selon Beauvisage et al. (2011), cette focalisation des organisations et agences de communication sur le marketing viral et sur la métaphore de la contagion découle d’une « figure idéale de la diffusion sur le Web, où les individus s’enthousiasment pour un contenu inconnu reçu de leurs proches et le retransmettent ensuite à leurs (autres) amis : de quelques individus passionnés, le contenu se diffuse de proche en proche au plus grand nombre » (p.151). Cette association entre diffusion et influence sur le Web est également faite par Alloing et Haikel-Elsabeh (2012) qui voient dans le leader d’opinion avant tout une capacité à diffuser et à amplifier la transmission d’un message. 16 « identifying influential individuals in social networks and connecting with them in ways that encourage WOM message movement » p. 387

24. 24 La définition de leader d’opinion sur le Web que nous retiendrons est celle d’Alloing et Haikel- Elsabeh (2012), à savoir : « le leader d’opinion, pris au sens de « diffuseur » est un amplificateur potentiel de la transmission de ce message. » Il s’agit dès lors d’une « source de diffusion et médiatisation sur le web plus que d’influence » (p. 10) II. L’influence sur le web : un processus complexe La problématique de l’influence sur le web a été largement traitée dans la littérature professionnelle et académique depuis le début des années 2000. L’émergence de la « new science of networks » (Watts 2004), aussi appelée « Web science » (Hendler et al., 2008), qui s’appuie principalement sur la théorie des graphes17 et l’analyse de réseaux sociaux, ainsi que de nombreuses recherches effectuées en informatique (computer science), en sociologie, en sciences de gestion et en marketing ont cherché à isoler les paramètres clés de l’influence sur le Web. Nous ne pouvons prétendre à présenter, ici, de manière exhaustive les recherches effectuées sur concernant la problématique de l’influence sur le web et surtout de l’amplification de la transmission de contenus. C’est pourquoi nous nous focaliserons sur trois orientations de recherches que nous considérons comme primordiales, à savoir : l’importance des individus et des réseaux, le rôle joué par le contenu, ainsi que la dépendance de la diffusion de l’information aux plateformes sociales et aux algorithmes. a. Le rôle des individus et des réseaux sur le Web dans les dynamiques d’adoption virales : les apports de l’analyse de réseaux Quels sont les facteurs clés de transmission d’une information sur le Web ? Le rôle des individus et des réseaux dans le processus de diffusion et d’amplification de la transmission de contenus sur le Web connaît un succès particulier au sein des mondes de la communication et du marketing (Beauvisage et al. 2011). De nombreux travaux académiques se sont ainsi focalisés sur la compréhension de la « contagiosité des individus » sur le Web (ibid.), c’est à dire comment les 17 Théorie des graphes : théorie mathématique et informatique visant à étudier les graphes, à savoir l’« [e]nsemble de sommets (ou points) et d'arcs (ou lignes orientées) ou d'arêtes (ou lignes non orientées) liant certains couples de points » - http://www.cnrtl.fr/lexicographie/graphe

25. 25 caractéristiques de ces derniers ainsi que leurs places au sein de réseaux peuvent être des leviers de diffusion d’informations. Une première série de travaux visant à analyser la répartition des liens sociaux sur le Web a permis de montrer qu’un petit groupe d’individus concentrait la majorité des liens. Ces travaux marquaient les prémices de ce que certains chercheurs nomment « nouvelle science des réseaux » (Watts 2004, Rieder 2009) ou encore la « web science » (Hendler et al. 2008). Comme le souligne Rieder (2009) et Plantin (2013), ces travaux de recherches s’inscrivent dans la tradition de la sociologie des réseaux datant des travaux de Georg Simmel pour qui « la forme sociologique la plus simple du point de vue méthodologique est la relation entre deux éléments » (1999, p. 116), de Moreno sur le sociogramme ou en encore de Barnes (1954). Les concepts de réseau et de réseau social peuvent être respectivement définis comme un « ensemble de noeuds interconnectés » (Castells 1998, p. 526) et comme « constitué d’un ensemble d’unités sociales et des relations que ces unités sociales entretiennent les unes avec les autres, directement, ou indirectement à travers des chaînes de longueurs variables » (Mercklé 2011, p. 4). Mercklé poursuit : « ces unités sociales peuvent être des individus, des groupes informels d’individus ou bien des organisations plus formelles, comme des associations, des entreprises, voire des pays » (ibid., p.4). Il souligne également que les relations entretenues par ces unités sociales entre elles peuvent être diverses : amitié, diffusion d’informations, interactions verbales ou non verbales, échanges de bien ou de services ou encore la participation à un même événement (ibid.). L’analyse de réseaux peut dès lors être perçue comme une méthode quantitative (Mercklé 2011) qui se base notamment sur la théorie des graphes. Comme le développe Mercklé : « L’apport méthodologique de la théorie des graphes est double : d’une part les graphes donnent une représentation graphique des réseaux de relations, qui facilite leur visualisation, permet la mise en lumière d’un certain nombre de leurs propriétés structurales ; d’autre part, la théorie des graphes développe un corpus extrêmement riche de concepts formels permettant de mesurer un certain nombre de propriétés des relations entre éléments » (2011, p. 22). Parmi les différentes mesures structurelles évoquées par Mercklé (ibid.), Lazega (2014) et Rieder (2009), retenons : - La densité : la densité d’un graphe désigne le rapport entre le nombre d’arcs (liens orientés) ou d’arêtes (liens non-orientés) existants et le nombre maximum d’arcs ou d’arêtes possibles ;

26. 26 - La connexité : la connexité d’un graphe désigne l’absence de sommets (noeuds) isolés des autres ; - Le degré : pour un graphe non-orienté (où les arêtes, ou liens, n’ont pas de sens), il s’agit du nombre de liens rattachés à un noeud X. Pour un graphe orienté (où les arcs, ou liens, ont un sens), on parle de degré entrant pour le nombre d’arcs pointant vers un noeud Y ou de degré sortant pour le nombre d’arcs sortant d’un noeud Y ; - La centralité : la centralité permet de mesurer la « position relative des acteurs au sein d’un système » (Lazega 2014, p. 41). Les trois principales mesures de centralité sont : la centralité de degré, de proximité et d’intermédiarité (Freeman 1979). Christian Marcon résume le concept de centralité d’un acteur au sein d’un réseau comme celui qui « opère l’interface rare » (Marcon 2013-2014). Appliquée à l’analyse des relations sur le Web, l’analyse de réseaux a permis à Albert-László Barabási et Reka Albert (1999) d’identifier une propriété particulière de la toile : il s’agit d’un réseau sans échelle (scale free network). Cela signifie que la distribution des degrés (nombre de liens d’un noeud) suit une loi de puissance (power law). Bernhard Rieder résume cette propriété de la manière suivante : « la majorité des noeuds affichent un degré relativement bas tandis qu’un nombre restreint de noeuds assemble un nombre très élevé de connexions. » (2009, p. 6). Albert-László Barabási, dans son ouvrage Linked: The New Science of Networks paru en 2003, affirme que la structure du Web est dominée par ces noeuds hyper-connectés, ces hubs, et cite en exemple Yahoo! et Amazon.com. Pour lui, « comparé à ces hubs, le reste du Web est invisible »18 (Barabási 2009, p. 58). Les recherches de Barabási et Albert de 1999 ont été extrapolées par l’auteur de pop-science (ou vulgarisation scientifique) Malcolm Gladwell dans son ouvrage Le Point de Bascule. Celui-ci parle alors de « super-échangeurs » (2008, p. 187) voire de super-influentials, littéralement « super-influenceurs » (Gladwell 2002, Beauvisage et al. 2011) pour désigner ces hubs. Dès lors, suffit-il qu’un noeud au sein d’un réseau soit hyper-connecté pour faire de lui un influenceur ? En 2007, Watts et Dodds publient un article remettant en question le rôle des influenceurs, ou super-influenceurs, dans la formation de l’opinion public. Les auteurs ont utilisés les modèles de seuil de comportement collectif (threshold model of collective behavior), conceptualisé notamment par Granovetter (1978) qui stipule que l’adoption ou non d’un comportement par des individus au sein d’un collectif dépend du nombre d’autres individus ayant déjà adopté ce comportement, afin de modéliser mathématiquement la capacité des individus à provoquer des 18 « Compared to these hubs, the rest of the Web is invisible » - p. 58

27. 27 « cascades d’influence » (cascades of influence), que l’on peut concevoir comme une « dynamique d’adoption virale » (Beauvisage et al. 2011, p. 158). Watts et Dodds (ibid.) représentent leur modèle de l’influence comme suit : Figure 2 - Le modèle du two-step flow of communication comparé au modèle du réseau d'influence de Watts et Dodds (2007) La partie gauche de la figure est une représentation schématique de l’hypothèse du two-step flow of communication de Katz et Lazarsfeld (1955). La partie droite de la figure représente le réseau d’influence tel que modélisé par Watts et Dodds en 2007 où l’influence est co-construite entre les différents membres du réseau. La modélisation mathématique effectuée par Watts et Dodds (2007) a donc permis de remettre en question l’hypothèse des influenceurs (« the influential hypothesis »). Pour les auteurs, le déclenchement d’une dynamique virale d’adoption ne peut se produire que si une masse critique d’individus influence un nombre important d’individus influençables (ibid., p. 445, Beauvisage et al. 2011, p. 158), ce qui remet en question le postulat selon lequel un petit groupe d’influenceurs serait à la source d’une dynamique virale d’adoption tel que le soutien Gladwell (2008). D’autres recherches visent, quant à elles, à comprendre le rôle du contenu, du message ou encore du produit, dans les dynamiques virales. b. Le rôle du contenu et le modèle STEPPS En parallèle des recherches effectuées sur les réseaux d’influence évoquées ci-dessus, plusieurs scientifiques ont cherchés à identifier les caractéristiques des contenus et des informations qui se diffusent de manière virale, notamment sur le Web.

28. 28 Plusieurs travaux se sont intéressés à la viralité en tant que focalisation de l’attention des internautes sur un contenu en ligne. Beauvisage et al. (2011) soulignent que ces recherches, notamment celles de Szabo et Huberman (2010) et Leskovec et al. (2009) ont permis de mettre en avant deux « effets contradictoires du temps sur l’audience » à savoir : - L’audience totale augmente avec le temps, ce qui a pour effet d’attirer l’attention des internautes car ces derniers prêtent attention à des contenus qui ont déjà reçus de l’attention ; - L’attention des internautes est également portée sur la nouveauté. Bien que d’autres travaux de recherches portant sur la focalisation de l’attention des internautes existent, tout comme sur les trajectoires virales d’audiences (Crane et Sornette 2008), notre attention se portera principalement sur les travaux de Jonah Berger. Jonah Berger est professeur de marketing à l’université de Wharton et l’auteur de plusieurs recherches sur la viralité et le bouche-à-oreille. Dans son ouvrage Contagious: Why Things Catch On (2013), Berger affirme que l’hypothèse des influenceurs telle que formulée par Malcolm Gladwell (2008) est non-valide et que les facteurs clés de la viralité se trouvent ailleurs. Pour lui, ce qui rend un message, un produit, une information ou tout autre type de contenu viral, que ce soit en ligne ou hors-ligne, c’est avant tout les caractéristiques intrinsèques de ces derniers. Les caractéristiques des contenus ou des produits capables de susciter une dynamique d’adoption ou de diffusion virale sont, selon Berger au nombre de six. Il s’agit du cadre d’analyse STEPPS (Berger 2013) : Social Currency Triggers Emotion Public Practical Value Stories Figure 3 - Le modèle STEPPS de Jonah Berger (2013) - Social currency (monnaie social) : selon Jonah Berger, les gens se soucient des représentations qu’ont leur environnement d’eux. Pour cela, un produit ou une information doit permettre à ces derniers de se différencier, de « trouver leur remarquabilité intérieure »

29. 29 (inner remarkability, p. 22), de « paraître intelligent plutôt qu’idiot, riche plutôt que pauvre, cool plutôt que geek »19 (ibid., p. 22) ; - Triggers (amorces) : afin de rappeler aux gens de parler d’un produit, d’une idée ou d’une information, ceux-ci doivent être conçus pour que l’environnement puisse constamment rappeler leur existence. Un des exemples cités par l’auteur est celui de la chanson « Friday » de l’artiste américaine Rebecca Black20 dont la popularité serait due au fait qu’elle renvoie à un contexte récurrent à savoir l’arrivée du week-end ; - Emotion : Berger utilise la maxime « when we care, we share » (ibid. p. 23) à savoir « quand cela nous importe, nous le partageons ». Selon l’auteur, les contenus et produits à forte contagiosité font appel aux émotions. En s’appuyant sur ses propres recherches (2011) Berger propose une typologie des émotions selon leurs potentiels de viralité (2013, p. 109) : Potentiel élevé Potentiel faible Emotion positive Emerveillement (awe) Excitation (excitement) Amusement / humour (humor) Satisfaction (contentment) Emotion négative Colère (anger) Anxiété (anxiety) Tristesse (sadness) Tableau 1 - Typologie des émotions selon leurs potentiels de viralité selon Jonah Berger (2013) - Public : la publicité, au sens de la mise en visibilité, la dimension publique d’un produit ou un contenu apparaît comme l’un des facteurs clés de viralité selon Jonah Berger ; - Practical value (valeur pratique) : plus des produits ou des informations seront pratiques et utiles, plus les individus auront tendance à les partager à leurs entourages respectifs. Cependant, l’auteur souligne également que face à la masse importante d’informations auxquels ceux-ci sont soumis, les produits et informations doivent se différencier afin d’attirer l’attention ; - Stories (narration) : selon Berger, les individus ne partagent pas juste des informations, ils racontent des histoires. Dès lors, les produits et informations doivent être compris au sein d’une véritable stratégie de storytelling ; Les six facteurs clés de viralité présentés par Jonah Berger sous la forme du cadre d’analyse STEPPS ont la particularité de ne pas être interdépendants. En effet, l’auteur signale qu’un produit ne peut réunir que l’une des six caractéristiques et pourtant être adopté de manière virale, idem pour 19 « Most people would rather look smart than dumb, rich than poor and cool than geeky » - Berger 2013, p. 22 20 En ligne : http://www.youtube.com/watch?v=kfVsfOSbJY0

30. 30 la diffusion d’un contenu. Cependant, existe t-il d’autres facteurs pouvant provoquer la diffusion virale d’un contenu sur le Web ? Et quelles sont les limites du modèle STEPPS ? c. La dépendance aux plateformes sociales & aux algorithmes Les recherches menées sur l’influence sur le Web ont permis de mieux comprendre, dans une certaine mesure, les éléments clés permettant le déclenchement de cascades d’influence (Barabási et Albert 1999, Watts et Dodds 2007, Berger 2013). Mais ces résultats peuvent-ils être généralisés aux médias sociaux présents sur le Web ? Tout d’abord il convient de définir ce que nous entendons par médias sociaux. Ce terme regroupe selon nous deux sous-ensembles, à savoir les réseaux socionumériques et les plateformes de « computation sociale »21. Bien qu’il existe de nombreuses définitions des réseaux socionumériques (Kaplan et Haenlein 2010, Kietzmann et al. 2011), nous retiendrons la définition de Stenger et Coutant (2010 p. 221) qui se base sur celle donnée par boyd et Ellison (2007), à savoir : les réseaux socionumériques sont des services Web permettant aux individus de : 5. « Construire un profil public ou semi-public au sein d’un système, 6. De gérer une liste des utilisateurs avec lesquels il partage un lien, 7. De voir et naviguer sur leur liste de liens et ceux établis par les autres au sein du système, 8. Fondent leur attractivité essentiellement sur les trois premiers points et non sur une activité particulière ». Par exemple, sont considérés comme des réseaux socionumériques : Facebook, LinkedIn, Viadeo. Dans une autre mesure, les plateformes de computation sociales telles que définies par Pierre Lévy participent à la construction et au partage « de manière collaborative des mémoires numériques collectives à l'échelle mondiale, qu'il s'agisse de photos (Flickr), de video (YouTube, DailyMotion), de musique (Bittorrent), de pointeurs web (Delicious, Furl, Diigo) ou bien de connaissances encyclopédiques (Wikipedia, Freebase) »22. Réseaux socionumériques et plateformes de computation sociales font ainsi partie du « macro-concept » des médias sociaux, c’est à dire une « notion centrale qui en utilise d’autres pour être expliquée et précisée » (Stenger et Coutant 2010, p. 210). Plusieurs recherches tendent à montrer que l’influence, ou plus précisément les cascades d’influence, à savoir les dynamiques de diffusion virale de l’information, varient en fonction des 21 http://entretiens-du-futur.blogspirit.com/archive/2008/10/02/la-mutation-inachevee-de-la-sphere-publique.html 22 ibid.

31. 31 médias sociaux étudiés. Sur Twitter, par exemple, Cha et al. (2010) ont montré à travers leurs travaux que le nombre de followers d’un compte (nombre de personnes abonnées) est décorrélé de la capacité de ce même compte à être retweeté. Ce qui va à l’encontre de l’intuition suivante : plus un compte aura d’abonnés, plus ses tweets seront repris par d’autres comptes Twitter. De même sur Flickr, puisque Beuscart et al. (2009) ont montré que le « le nombre de favoris reçus par une photo est décorrélé du nombre d’amis de son auteur : le succès social de certains individus ne se traduit pas par celui de leurs oeuvres » (Beauvisage et al. 2011, p. 159). Plus récemment, des recherches menées par Chang et al. (2014) du Yahoo! Labs ont permis de mieux comprendre les dynamiques d’influence sur la plateforme de microblogging Tumblr. Selon les auteurs, les liens sociaux sur Tumblr (matérialisés par un abonnement, ou follow) sont répartis selon une loi de puissance et les cascades d’influence sont restreintes, dans la mesure 36,05% d’entre elles se déroulent uniquement entre deux comptes Tumblr. Dès lors, il conviendrait de ne pas généraliser les différents modèles de diffusion virale d’informations sur le Web aux différents médias sociaux existants. d. L’influence sur le web : complexité et biais de rétrospection L’influence sur le Web apparaît comme une notion complexe, même si plusieurs travaux de recherches ont tentées d’isoler les facteurs clés permettant de déclencher des dynamiques virales de diffusion de l’information (cascades of influence) comme nous avons pu le voir précédemment. Pour définir ce que nous entendons par complexité, nous allons nous appuyer sur les travaux d’Edgar Morin et de Nassim Nicholas Taleb. La complexité peut être caractérisée comme la variété des constituants d’un système et par les relations d’interactions entre ceux-ci. Reprenant la métaphore du tissu, Edgar Morin définit la complexité comme « un tissu de constituants hétérogènes inséparablement associés » qui « coïncide avec une part d’incertitude », incertitude due à des phénomènes particuliers ou aux limites de l’entendement humain (Morin 2005). Pour Nassim Nicholas Taleb (2010b), un système complexe est caractérisé par une grande interdépendance entre les composants de ce système d’un point de vue : temporel (un composant A est influencé par ses propres changements internes, qui sont survenus dans le passé), horizontal (il y a une interdépendance entre un composant A et un composant B d’un même système complexe) et diagonal (un composant A est influencé par les changements subis par un composant B, et vice-versa). Dès lors, toujours selon Taleb, s’installe une non-linéarité qui affecte les relations de cause à

32. 32 effet, en les rendant plus complexes. Cette non-linéarité affecte aussi les changements d’un système, en les rendant imprédictibles (Taleb 2012). Les recherches effectuées jusqu’à présent tendent en effet à montrer que les dynamiques de diffusion de l’information dépendent de nombreux facteurs : les caractéristiques intrinsèques des contenus & leurs contextes de diffusion (Berger 2013), la contagiosité des individus et leurs places au sein des réseaux (Barabási et Albert 1999, Watts et Dodds 2007), les plateformes elles-mêmes (Beauvisage et al. 2011, Chang et al. 2014), les dispositifs attentionnels mis en place (Beauvisage et al. 2011) et les algorithmes qui servent à la fois de filtres et mettent en visibilité certaines informations ou comptes recommandés (Alloing et Haikel-Elsabeh 2012). La complexité du processus d’influence sur le Web est soulignée par Watts et Dodds (2007). Ces derniers font une analogie entre les dynamiques de diffusion d’informations en ligne et les systèmes complexes naturels, et plus précisément les feux de forêts : « Certains feux de forêts, par exemple, sont beaucoup plus importants que la moyenne ; pourtant personne ne peut affirmer que la taille d’un feu de forêt peut être attribuée aux propriétés exceptionnelles de l’étincelle qui l’a déclenchée ou de la taille de l’arbre qui a été le premier à brûler. Les grands feux de forêts nécessitent une conjuration de vent, température, faible humidité et de combustibles qui sont présents sur de larges étendues de terrain. Tout comme les cascades larges au sein de réseaux d’influence, quand la bonne combinaison de conditions existe, alors tout étincelle peut la déclencher ; quand ce n’est pas le cas, aucune étincelle ne suffira. »23 (Watts et Dodds 2007, p. 454). L’identification d’acteurs ou de facteurs ayant joué un rôle dans la diffusion virale d’information sur le Web semble donc plus aisée a posteriori qu’a priori. L’examen d’un phénomène après que celui-ci se soit déroulé peut être affecté par un biais important : le biais de rétrospection. Comme le souligne le sociologue Gérald Bronner dans l’ouvrage de Portal et Roux-Dufort (2013), le biais de rétrospection a été largement traité en sciences sociales et a été parfois appelé « « dépendance téléologique », « illusion a posteriori », « illusion rétrospective » » (ibid. p. 111). L’auteur l’explique comme suit : « lorsque l’on considère les événements présents, et que l’on sait 23 Traduction de : « Some forest fires, for example, are many times larger than average; yet no one would claim that the size of a forest fire can be in any way attributed to the exceptional properties of the spark that ignited it or the size of the tree that was the first to burn. Major forest fires require a conspiracy of wind, temperature, low humidity, and combustible fuel that extends over large tracts of land. Just as for large cascades in social influence networks, when the right global combination of conditions exists, any spark will do; when it does not, none will suffice. » (Watts et Dodds 2007, p. 454)

33. 33 donc qu’ils sont survenus, nous avons trop facilement l’impression qu’ils étaient en fait prévisibles » (ibid, p. 111). La tendance à vouloir expliquer, voire justifier, des phénomènes passés se trouve également dans certains écrits sur l’influence et sur la viralité. Malcolm Gladwell (2012), par exemple, tente d’identifier a posteriori les facteurs de diffusion virale des chaussures Hush Puppies, le tabagisme chez les adolescents, la dépression ou encore le suicide dans son ouvrage Le Point de Bascule. Barabási dans son ouvrage Linked (2003) explique la propagation du virus du Sida au moment de son émergence aux Etats-Unis notamment par l’existence d’un « réseau sexuel complexe parmi les homosexuels » dont l’un de hubs était Gaëtan Dugas (2003, p. 123). Enfin, Berger (2013) décrit les mécanismes de diffusion de nombreux contenus tels que la chanson « Friday » de Rebecca Black, le succès des vidéos « Will it blend », des marques Abercrombie & Fitch et Victoria’s Secret à travers le prisme de son cadre d’analyse STEPPS. Pourtant, ces tentatives d’explications des phénomènes de modes et de contagions sociales ne sont-elles pas réductrices ou du moins simplificatrices ? Si l’influence est bien un processus complexe, comme souligné par Watts et Dodds (2007), quels rôles jouent la chance, le hasard, la volatilité et l’incertitude dans celui-ci ? La tendance des individus à vouloir simplifier les phénomènes complexes et à les justifier, notamment a posteriori, est ce que Nassim Nicholas Taleb nomme l’erreur de narration (narrative fallacy). Il s’agit du « besoin que nous avons de faire coller une histoire ou un modèle à une succession de faits ayant ou non un rapport entre eux » (2012, p. 390). Ce que nous retiendrons de cette revue de littérature est la complexité de phénomène d’influence sur le Web. Le déclenchement de cascades d’influence, ou de dynamiques virales de diffusion d’information, dépend de nombreux paramètres difficilement maîtrisables. En outre, nous retiendrons que le rôle des leaders d’opinion est parfois surévalué, notamment dans la littérature professionnelle, et que l’activité ces derniers semble n’être qu’un paramètre parmi d’autres.

34. 34 III. De l’identification à la construction des leaders d’opinion a. Les outils d’identification de leaders d’opinion sur le Web Bien que de nombreuses recherches aient montré les limites de l’hypothèse des influenceurs, celle-ci persiste au sein des communautés de professionnels de la communication, du marketing, de la veille ou encore des relations publiques. Plusieurs sociétés se sont ainsi positionnées sur ces problématiques d’identification d’influenceurs sur le web, à l’image d’Augure, éditeur de logiciel et prestataire de service français, qui a créé un moteur permettant d’identifier, selon eux, des influenceurs24, ou encore des éditeurs de plateformes permettant grâce à des algorithmes propriétaires et opaques de quantifier l’influence des individus sur le web social, à l’image de Klout.com, Kred.com, Followerwonk.com et PeerIndex.com. Klout.com, par exemple, définit l’influence comme « l’aptitude à conduire l’action »25 et prétend mesurer 400 indicateurs de réseaux socionumériques différents pour produire le Klout Score d’un individu ou d’une organisation. Le Klout Score est un indice exprimé sur 100 qui prend en compte les critères suivants : - Le « true reach » (portée réelle) : nombre d’abonnés, d’amis, de contacts ; - L ‘« amplification » : le nombre d’interactions provoquées (retweets, likes, commentaires) ; - Le network (réseau) : le ratio entre abonnements et abonnés (principalement sur Twitter) ; Klout.com, ainsi que la plupart des autres outils d’identification d’influenceurs sur le Web existants sur le marché, se basent ainsi sur des données quantitatives exploitées selon des algorithmes propriétaires. Ces données quantitatives recueillies par les outils proviennent de l’identité numérique, à savoir la « somme des traces numériques se rapportant à un individu ou à une collectivité » (Ertzscheid 2011, p. 16). Pour Olivier Ertzscheid, ces traces numériques peuvent être des « écrits, contenus audio ou vidéo, messages sur des forums, identifiants de connexion, etc. » (ibid., p. 16). Pour mieux comprendre la notion d’identité numérique et surtout pour comprendre d’où sont puisées les données quantitatives exploitées par les outils d’identification d’influenceurs tels que Klout.com, nous retiendrons la définition de Fanny Georges de l’hexis numérique qu’elle assimile au concept d’identité numérique (2007). Par hexis numérique, Fanny Georges entend « une sculpture agissante de soi dans le monde virtuel » (Georges 2008, p. 1). Citant Goffman, elle compare l’hexis 24 http://www.augure.com/fr/software/influenceurs 25 https://klout.com/corp/score

35. 35 numérique à une barbe-à-papa, « une substance poisseuse à laquelle se collent sans cesse de nouveaux détails biographiques » (ibid., p. 1). Selon Georges, l’identité numérique s’articule autour de trois identités (ibid.) : - l’identité déclarative : renseignée par l’utilisateur, il s’agit principalement des détails biographiques et des centres d’intérêts ; - l’identité agissante : activités, liens sociaux et comportements de l’utilisateur ; - l’identité calculée : la computation de l’identité agissante par le système ; Nombre des outils d’identification d’influenceurs, dont Klout.com, vont ainsi exploiter les données provenant de l’identité déclarative (pseudonyme, nom, prénom, activités, centres d’intérêts) ainsi que les données provenant de l’identité calculée (nombre d’amis, followers, followings, nombre d’interactions, fréquence de publication etc.) d’un ou plusieurs comptes sociaux d’un utilisateur. Sur Klout.com, par exemple, l’exploitation de ces données prend la forme suivante : Figure 4 - Exemple de profil sur Klout.com 1) Photo de profil : identité déclarative 2) Nom et prénom : identité déclarative 3) Biographie (déclarée sur Twitter) : identité déclarative 4) Score Klout : identité calculée (computation de l’identité agissante de l’utilisateur) 5) Centres d’intérêts : identité calculée selon les sujets les plus abordés par l’utilisateur 6) Réseaux socionumériques pris en compte par le système Klout.com pour la computation Bien que la mesure de l’influence d’un utilisateur sur le Web en fonction de son identité calculée, répartie entre un ou plusieurs réseaux socionumériques, puisse apparaître comme une solution pertinente pour l’identification d’influenceurs, quelles en sont les limites ? Tout d’abord, comme le souligne Dominique Cardon (2013), les métriques prises en compte par les systèmes que sont Facebook, Twitter et Google ne prennent pas en compte les mêmes éléments et chaque algorithme

36. 36 « impos[e] [son] ordre sur la forme du Web qu'[il] mesur[e] » (2013, p. 174), ce qui rend artificielle leur harmonisation. Aussi, comme le soulignent Beauvisage et al. (2011) à travers leur revue de littérature sur l’influence, les « métriques d’influence » ne sont pas toujours corrélées à la capacité d’un utilisateur à déclencher des cascades d’information sur le Web. Louise Merzeau (2013) signale par ailleurs que la métrique émise par Klout.com se base sur des actions déjà effectuées par l’utilisateur (interactions déjà provoquées, par exemple). Il s’agit donc d’une mesure a posteriori, or, si le déclenchement de dynamiques virales de diffusion est complexe, comme souligné par Watts et Dodds (2007), qu’est-ce qui permet d’affirmer qu’un individu « influent » selon Klout.com le sera encore à l’avenir ? Enfin, si l’influence sur le Web est phénomène complexe, à savoir résultant de la combinaison de multiples facteurs interdépendants, celle-ci peut elle être computable comme le font Klout.com, PeerIndex ou Kred ? b. L’identification de leaders d’opinions chez Linkfluence Linkfluence est l’organisation qui a permis d’orienter les réflexions de ce mémoire. Cette startup, créée en 2006, s’est très rapidement inscrite en tant qu’acteur de l’e-réputation et du social media intelligence en France puis en Europe. L’identification de leaders d’opinions pour des clients, annonceurs & agences de communication, est une mission récurrente effectuée par les chargés d’études et de veille, aussi appelés social media researchers, de l’entreprise. Les chargés d’études et de veille produisent, généralement, deux types de livrables. Tout d’abord, les rapports de veille e-réputation et/ou de social media performance. Ces derniers visent à évaluer les actions de communication sur le web social menées par les organisations dans le cadre de leurs stratégies de présence en ligne. Puis, les études, qui sont au nombre de quatre : - Le bilan d’image : vise à faire un audit de la présence en ligne d’une organisation, d’une marque ou d’un produit. Pour chaque client, ce type d’étude répond aux questions : Qui parle de moi ? Où, quand, comment & pourquoi parle-t-on de moi ? - L’engage (analyse d’écosystème) : Il s’agit d’une étude visant à analyser l’écosystème informationnel et réputationnel d’une organisation. Ce type d’étude a pour but d’identifier et de mieux comprendre les communautés en lignes qui se sont exprimées à propos d’une marque, d’un produit ou d’une organisation et celles auprès de qui il serait intéressant pour l’organisation de communiquer ; - L’impact : Ce type d’étude vise à évaluer les retombées d’une campagne de communication d’un client sur le Web. Elle s’appuie principalement sur des données quantitatives ;

37. 37 - Le trends (analyse de tendances) : Ce type d’études vise à comprendre la perception qu’une ou plusieurs communautés en ligne ont d’un type de produit, comme le parfum, le chocolat ou encore l’hôtellerie ; Au coeur de l’approche de Linkfluence se trouve une méthodologie centrale qui est celle de l’écologie du Web (Fouetillou 2007). Pour Linkfluence, le Web peut être perçu comme un écosystème (ibid.). Cette métaphore sert avant tout à appréhender la complexité de l’environnement numérique et des éléments qui le composent et qui sont en interaction : sites web, blogs, plateformes, réseaux sociaux numériques, liens hypertextes, internautes, algorithmes, données etc. La notion d’écologie du Web prend alors tout son sens : Linkfluence vise à étudier les relations entre ces éléments et de comprendre comment ils entrent en interaction entre eux et avec leur environnement numérique. Comme le souligne Jean-Christophe Plantin citant Franck Ghitalla (2002), le Web est en effet un « constitué de documents possédant une topologie qu’il est possible de visualiser et d’analyser » (Plantin 2013, p. 229). Les travaux de Jacomy et Ghitalla (2007) ont permis une représentation schématique de la structure du Web. Celle-ci serait articulée autour de trois couches interconnectées : Figure 5 - Les trois couches du Web selon Ghitalla et Jacomy (2007) - La « couche la plus visible » : composée de sites web et plateformes tels que Google, Amazon, Wikipedia, SNCF etc. ; - La « couche intermédiaire » : il s’agit de la couche explorée par Linkfluence dans le cadre de ses analyses d’écosystèmes. Elle est composée d’agrégats et de communautés en lignes. Comme le souligne Le Béchec (2011), la notion d’agrégats « qualifie les sites web connectés et traitant d’une même thématique », elle peut être résumée par l’aphorisme : « Qui se ressemble se connecte » (Ghitalla et Jacomy 2007, p. 4) ;

38. 38 - La « couche profonde » : parfois qualifiée de Web invisible, il s’agit principalement des bases de données ; Cette représentation, bien que schématique, est cohérente avec les travaux de Barabási et Albert (1999) concernant la répartition des liens hypertextes sur le Web selon une loi de puissance. Pour Guilhem Fouetillou, co-fondateur de Linkfluence, l’analyse d’un écosystème Web permet de : « révéler les propriétés morphologiques d’une localité du web (ensemble de sites en proximité tant hypertextuelle que thématique) c'est-à-dire la structuration hypertextuelle (partition communautaire) mais aussi de replacer cette localité dans son environnement (approche écologique) et d’étudier les principes d’organisation et d’interdépendances de la localité étudiée et de son environnement hypertextuel ». (Fouetillou 2007, p. 282) Pour ce faire, la méthodologie de Linkfluence peut être décomposée en plusieurs étapes : Figure 6 - Représentation schématique de la méthodologie d'écologie du Web par Linkfluence 1. Identification des besoins du client : cette étape vise à définir les périmètres linguistiques & temporels de l’analyse d’écosystème ainsi qu’à permettre au client d’expliciter ses besoins en information et ses attentes ; 2. Sourcing : il s’agit de créer le corpus de sites web faisant partie de l’environnement informationnel et réputationnel du client, à savoir : les sites qui mentionnent l’organisation, produit(s) ou marque (s) visés, les sites qui peuvent représenter des opportunités de communication pour le client et les sites qui peuvent représenter des risques pour celui-ci. La phase de sourcing est généralement assistée par les technologies Linkfluence, notamment : - Le Linkscape : un panel de sites web régulièrement mis à jour et classé par communautés ; - Le crawl exploratoire : une fois un premier corpus de sites web créé, un robot d’indexation va permettre d’identifier l’« environnement hypertextuel proche » de ce corpus (Fouetillou 2007, p. 282), à savoir les sites présents à un ou plusieurs clics de souris de ceux identifiés ; 1. Identification des besoins 2. Sourcing 3. Crawl 4. Cartographie 5. Analyse & rédaction 6. Rendu du livrable

39. 39 Une fois les sites identifiés, ceux-ci sont catégorisés selon les thématiques qu’ils traitent. 3. Crawl : une fois le corpus de sites web constitué, un robot d’indexation développé par Linkfluence va identifier l’ensemble des liens hypertextes entrants et sortants des sites présents dans le corpus et ce afin de visualiser celui-ci sous la forme d’un graphe du web ; 4. Cartographie : le fichier issu de l’indexation sera ensuite visualisé et spatialisé le logiciel de graphe Gephi26. Par la suite, Linkfluence réalise une visualisation interactive du graphe de sites web créé grâce à la technologie développée en interne. Cette visualisation fera partie du livrable rendu au client ; 5. Analyse & rédaction : l’analyse est à la fois quantitative et qualitative. Il s’agit d’une combinaison entre analyse structurale du graphe de sites web constitué, à savoir une analyse des positions des sites web sur le graphe et des relations hypertextuelles existantes ou non-existantes entre ceux-ci (Fouetillou 2007), et une analyse netnographique, qui peut être définie comme « nouvelle méthode qualitative de recherche [en marketing] qui adapte les techniques de la recherche ethnographique à l’étude des cultures et des communautés émergeants à travers les communications médiées par ordinateurs »27 (Kozinets 2002, p. 2). 6. Rendu du livrable : restitution du livrable au client et présentation orale des résultats de l’étude Comme nous l’avons souligné précédemment, Linkfluence réalise au sein de ses études une identification des sites web influents. L’étape du crawl (étape 3 de la figure 5) permet, outre l’identification de liens hypertextes entrants et sortants des sites du corpus, d’appliquer à ces derniers plusieurs métriques issues de l’analyse de réseaux sociaux de manière automatisée. Les principales métriques utilisées sont : - Degré entrant : les liens hypertextes étant dirigés, il s’agit du nombre de liens, ou arcs, pointant vers un noeud (site web) ; - Degré sortant : nombre de liens hypertextes sortant d’un site web ; - Degré : somme des liens hypertextes entrants et sortants ; - Linkfluence Score (ou score d’influence) : calcul d’autorité basé sur le nombre de liens entrants d’un site. Il s’agit du score utilisé pour identifier des sites influents. 26 http://gephi.org 27 « [a] new qualitative research methodology that adapts ethnographic research techniques to the study of cultures and communities emerging through computer-mediated communications. » - Kozinets 2002, p. 2

40. 40 Il convient de s’attarder sur la notion d’autorité sur le Web. Celle-ci est souvent définie comme le « pouvoir d’agir sur autrui »28. Comme le souligne Camille Alloing sur son blog, « Lorsque l’on parle d’autorité sur le web, on fait souvent référence à l’autorité cognitive (relation d’influence sur la pensée de quelqu’un) ou l’autorité de l’expertise liée à la crédibilité d’un individu ou d’une ressource »29. Il poursuit « Pour schématiser, l’autorité est la pertinence, la crédibilité dans un domaine particulier que confère un individu à une source web »30. Si plusieurs chercheurs ont travaillés sur la notion d’autorité sur le Web, tels qu’Evelyne Broudoux et l’autorité informationnelle (2007), Camille Alloing et l’autorité réputationnelle (2013), Louise Merzeau et l’autorité sur Twitter (2013) ou encore Dominique Cardon et le PageRank (2013), nous allons nous focaliser sur la notion d’autorité en analyse de réseaux, puisque le Linkfluence Score en est un dérivé. Dans le domaine de l’analyse de réseaux, la notion d’autorité peut être ramenée aux travaux de Jon Kleinberg (1999) qui a créé, l’algorithme HITS (Hyperkinked-Induced Topic Search). Celui-ci est parfois considéré comme un précurseur du PageRank de Google. L’algorithme HITS permet d’identifier, au sein d’un graphe de pages web, des hubs et des autorités (authorities). Les autorités sont des pages recevant de nombreux liens hypertextes entrants, ce qui permettrait, selon Jon Kleinberg, d’évaluer la qualité du contenu de celles-ci. Plus une page aura de liens entrants, plus celle-ci aura un score d’autorité élevé. Les hubs, quant-à-eux, désignent les pages web pointant vers de plusieurs pages à forte autorité. Comme le souligne Kleinberg, autorités et hubs entretiennent une « relation de renforcement mutuel » puisque : « un bon hub est une page qui pointe vers plusieurs bonnes autorités ; une bonne autorité est une page qui est pointée par plusieurs bons hubs »31 (Kleinberg 2006, p. 611) Afin d’identifier un site Web ou un blog influent, Linkfluence utilise généralement plusieurs critères qui permettent de sélectionner les sites a priori, à savoir au moment de la constitution du corpus (étape 2 de la figure 5) : - La cohérence avec les besoins de l’organisation ou de la marque ; - La cohérence avec les thématiques sur lesquelles une marque ou une organisation souhaite communiquer ; 28 http://www.cnrtl.fr/definition/autorite 29 http://caddereputation.over-blog.com/article-pourquoi-mesure-t-on-la-notoriete-sur-le-web-mais-rarement-la-reputation- 85808652.html 30 Ibid. 31 « Hubs and authorities exhibit what could be called a mutually reinforcing relationship: a good hub is a page that points to many good authorities; a good authority is a page that is pointed to many good hubs. » Kleinberg, p. 611

41. 41 - La cohérence avec l’audience ou les audiences visées ; - Le type de contenus publiés et l’engagement qu’ils génèrent ; - L’activité : rythme de publications, interactions avec les internautes à travers les commentaires ; - L’existence de profils sociaux liés à un site ou un blog : si il possède une audience importante sur Twitter, Facebook, Youtube, Instagram et autres médias sociaux, sa capacité à diffuser du contenu auprès de nombreux internautes représente un enjeu important ; Une fois le graphe de sites réalisé, à savoir après le crawl (étape 3 de la figure 5) et le calcul du Linkfluence Score par le robot d’indexation, les chargés d’études et de veille réalisent un filtrage des sites selon leur score d’influence. Ce afin d’identifier les sites considérés comme les plus influents et de les mettre en avant dans les études réalisées pour les clients. La méthode de Linkfluence pour identifier des influenceurs est donc à l’opposé de celles proposées par des outils tels que Klout, PeerIndex, ou Kred : Approche de Linkfluence Approche des principaux outils d’identification d’influenceurs Outils & algorithmes propriétaires Outils & algorithmes propriétaires Score d’influence basé sur l’autorité d’une source Score d’influence basé sur un algorithme « boîte noire » Le calcul du score d’influence ne prend en compte que les métriques structurales (nombre de liens entrants) Le calcul du score d’influence vise à mettre sur une même échelle les métriques provenant de différents médias sociaux (Facebook, Twitter, Instagram, LinkedIn etc.) Un corpus de sources est créé selon le contexte et selon les clients Une base de données unique de sources est utilisée pour tous les clients Un influenceur est un document Web : site Web, un blog, un profil social etc. La présence numérique d’un individu ou d’une organisation (ensemble de ses profils sociaux, sites et blogs) n’est pas unifiée. Un influenceur est évalué selon la commensuration de ses l’identités calculées (à travers différents profils sociaux) et donc, in fine, d’une partie de sa présence en ligne. Approche mêlant méthode quantitative (analyse structurale) et méthode qualitative (netnographie) Approche quantitative (analyse structurale, commensuration)

42. 42 La notion d’influence est contextuelle et contextualisée : Le score d’influence dépend de la thématique étudiée & de la position d’une source au sein d’un réseau, deux paramètres définis en amont de l’étude selon les besoins d’un client. L’influence est globale et décontextualisée : le score d’influence résulte de la commensuration de profils sociaux classés selon des thématiques. Tableau 2 - Comparaison entre l'approche de Linkfluence et celle des outils d'identification d'influenceurs sur le web Les deux approches comparées dans le tableau précédent peuvent être résumées de la manière suivante : - L’influenceur sur le Web, ou leader d’opinion, n’existe pas en soi, il s’agit d’une construction dépendant du contexte, des thématiques et des besoins d’une organisation : approche de Linkfluence ; - L’influenceur sur le Web existe en soi et ses capacités sont quantifiables, il suffit de l’identifier : approche des outils Klout, PeerIndex, Kred etc. Sans porter de jugement de valeur sur la pertinence ou non des deux approches, nous tenons à souligner que la première approche est celle qui a été retenue dans le cadre de l’étude de cas du présent mémoire. c. La construction des leaders d’opinion L’identification de leaders d’opinion sur le Web, telle que nous allons la développer au fil de ce mémoire, découle davantage d’une construction que d’une réelle identification. Pour ce faire, nous nous basons sur les travaux d’Alloing et Haikel-Elsabeh (2012) qui postulent que « le statut de leader d’opinion doit être un construit de l’entreprise voulant se reposer sur celui-ci pour développer sa stratégie marketing ou de communication sur le web, en fonction de ses objectifs et attentes ». Les auteurs définissent le leader d’opinion sur le web comme : « [Un] internaute développant une certaine expertise sur un sujet donné, expertise reconnue par sa capacité à diffuser et médiatiser des contenus et avis répondant à certains questionnements. De plus, le leader d’opinion diffuse de l’information aux membres de son réseau ou à son public, informations dont le filtrage permet ainsi à ce public non seulement de construire une opinion sur un sujet donné […], mais aussi de renforcer aux yeux de ce public la crédibilité du leader qui démontre ainsi sa capacité à connaitre de

43. 43 manière précise un sujet, et à se positionner comme ressource sur celui-ci. » (Alloing et Haikel-Elsabeh 2012, p.7) Trois éléments nous semblent important à retenir de cette définition, à savoir : - Le leader d’opinion sur le Web possède une expertise sur une thématique. Pour les auteurs, cette expertise est liée à la capacité au leader d’opinion de mettre en visibilité ces informations et ses contenus pour un public & des requêtes formulées sur un moteur de recherche ; - Le leader d’opinion collecte et diffuse de l’information qu’il met à disposition de son réseau et de son audience (invisible ou non) ; - Il existe une relation de co-construction entre le leader d’opinion, qui diffuse de l’information au public, et le public qui va renforcer la crédibilité du leader d’opinion ; Dès lors, comment identifier un leader d’opinion ? Alloing et Haikel-Elsabeh (2012) proposent trois approches complémentaires : - Approche structurelle : compréhension du contexte, de la thématique, du sujet, selon les besoins de l’organisation & analyse de réseaux sociaux (positionnement de l’internaute au sein d’un réseau) ; - Approche énonciative : capacité de l’auteur (internaute) à être reconnu comme crédible ou fiable selon différents critères ; - Approche informationnelle : interactions suscitées par la diffusion de contenus par l’internaute ; L’identification de leaders d’opinion peut être donc perçue comme une construction faite par l’organisation selon ses besoins et ses attentes, mais surtout ses objectifs. Alloing et Haikel-Elsabeh (2012) en distinguent quatre : faire connaître, faire voir, faire partager, faire réagir. Les auteurs proposent également une série d’indicateurs formalisés dans une matrice. Celle-ci ne sera pas présentée intégralement, mais elle sera adaptée à l’étude de cas que nous avons traitée dans le cadre de nos recherches, à savoir : l’identification de leaders d’opinion sur les droits des personnes lesbiennes, gaies, bisexuelles et transgenres (LGBT) sur le Web.

44. 44 Chapitre 2 - Cas d’étude : identification de potentiels leaders d’opinion en ligne dans le domaine des droits LGBT

Identification de leaders d’opinion sur le Web & analyse de réseaux

Esté a ler uma amostra.

Confira estes a seguir

Identification de leaders d’opinion sur le Web & analyse de réseaux

Mais Conteúdo rRelacionado

Diapositivos para si (20)

Quem viu também gostou (20)

Semelhante a Identification de leaders d’opinion sur le Web & analyse de réseaux (20)

Mais recentes (20)