Méthodologie

Section 1

Notre approche

Rascasse occupe une position distincte dans le paysage des études : Audience Intelligence comportementale. Nous ne sommes ni un prestataire de social listening ni un institut d'études par sondage. Nous analysons au contraire de façon systématique le comportement digital observable à travers de multiples sources, afin de construire des profils d'audience fondés sur ce que les gens font, et non ce qu'ils disent.

Cette distinction compte. L'écart entre les attitudes déclarées et le comportement réel — le Say-Do Gap — est bien documenté aussi bien dans la littérature académique que dans la pratique du secteur. Choi et Varian ont montré que le comportement de recherche numérique prédit l'activité économique réelle avec plus de justesse que les instruments d'enquête traditionnels.1 Kosinski et al. ont montré que les traces numériques du comportement humain permettent de prédire des attributs personnels avec une précision remarquable.2

Le secteur des études de marché reconnaît lui-même de plus en plus ce problème. Lors d'IIeX North America 2025, Qrious Insights a présenté des résultats suggérant un taux d'erreur d'environ 80% dans les données déclaratives de consommation média.{{methodology.toc_item_14}} Le rapport State of Survey Fraud 2025 de Rep Data a analysé 4,1 milliards de tentatives de réponse et conclu que 33 % étaient frauduleuses et 27 % inattentives — laissant environ la moitié des réponses collectées réellement exploitables.{{methodology.toc_item_15}}

Notre approche rejoint ce que le Code international ICC/ESOMAR (5e édition, 2025) reconnaît désormais formellement : le rôle légitime du “chercheur curateur de données” — des professionnels qui tirent des insights de sources de données existantes plutôt que de générer des données primaires par contact direct avec des participants.5

Lors d'ESOMAR Reimagine 2025, Heineken a présenté un cadre d'analyse des risques pour les données synthétiques et imputées. Selon ce cadre, la méthodologie de Rascasse se classe en “Étape 1 : imputation de données” — la catégorie la moins risquée, car elle tire ses inférences de signaux comportementaux réels au lieu de générer des données synthétiques.{{methodology.toc_item_17}}

Principes clés

• Triangulation multi-sources : Chaque point de données est validé par des sources indépendantes. Aucune source unique ne domine le résultat.
• Données agrégées et non personnelles : Nous traitons les comportements au niveau de la population. Aucun suivi individuel, aucun traitement de données personnelles — conformité au RGPD dès la conception.
• Le comportement observable plutôt que les préférences déclarées : Les requêtes de recherche, les schémas d'engagement et les comportements de consommation fournissent des données plus fidèles que les réponses déclaratives aux enquêtes.
• Transparence sur l’incertitude : Là où les données sont rares, nous signalons des données insuffisantes plutôt que d'imputer des valeurs.

Section 2

Architecture de données & indépendance

L'architecture de données de Rascasse est délibérément prudente. Nous n'avons connu ni bannissement de source, ni révocation d'API, ni mise en demeure, ni violation de conditions d'utilisation. Ce n'est pas un hasard — c'est un choix de conception. Notre architecture repose sur des comportements observables publiquement, qui n'exigent ni accès privilégié à une API, ni authentification utilisateur, ni partenariats tiers révocables.

Aucune dépendance aux cookies tiers

Alors qu'une grande partie de l'écosystème publicitaire numérique est bousculée par la fin des cookies — Privacy Sandbox de Google, ITP de Safari, ETP de Firefox — la méthodologie de Rascasse est entièrement indépendante des cookies. Nous ne suivons pas les utilisateurs individuels d'un site à l'autre. Nos points de données sont des comportements agrégés : volumes de recherche, indicateurs d'engagement et données d'interaction publiques. Aucun ne repose sur des mécanismes de suivi au niveau du navigateur.

Aucune donnée client requise

Rascasse n'a besoin d'aucun accès aux systèmes CRM des clients, aux données first-party, aux bases de données clients ni à aucune information propriétaire. Notre intelligence est entièrement dérivée de données comportementales publiquement disponibles. Cela signifie aucun accord de traitement des données (DPA) au-delà des conditions SaaS standard, aucun risque de mélange des données clients avec des sources tierces, aucun délai d'intégration des données et une conformité RGPD totale dès la conception.

Indépendance des sources

Contrairement aux concurrents qui dépendent de l’API d’une source unique — comme le Decahose de Twitter/X ou la Marketing API de Meta — l’architecture multi-sources de Rascasse garantit qu’aucun changement chez une source isolée ne peut perturber notre pipeline de données. Lorsque des services tiers restreignent l’accès à leur API, comme Twitter/X l’a fait en 2023 ou comme Meta ajuste périodiquement sa Marketing API, notre méthodologie reste inchangée.

La directive ESOMAR sur la collecte passive de données, l'observation et l'enregistrement reconnaît explicitement la légitimité des recherches fondées sur des données publiquement observables, dès lors qu'elles respectent les principes de transparence et de proportionnalité — deux exigences que l'architecture de Rascasse satisfait par conception.7

Section 3

Sources de données

Rascasse ingère des données comportementales issues de plusieurs catégories indépendantes. Chaque catégorie capte une facette distincte du comportement digital, et aucune source unique ne domine le résultat final. Cette approche multi-sources suit les principes de la fusion de données décrits par Ipsos MediaCT : combiner des flux de données indépendants pour produire des estimations qu'aucune source seule ne pourrait fournir.8

Section 4

Profilage des points de données

Un point de données dans le système Rascasse est tout objet culturel, commercial ou social distinct qui génère un comportement numérique mesurable. Le système profile actuellement plus de 500 000 points de données répartis en cinq types : Marques, Personnalités, Événements, Média et Thèmes.

Construction des points de données

Chaque point de données est défini par un ensemble curaté de mots-clés de recherche, d'alias et d'affectations de catégorie. Cette curation est essentielle : une même requête de surface peut renvoyer à des points de données différents (par exemple “Jaguar” la marque automobile et “Jaguar” l'animal), et la désambiguïsation exige une expertise métier combinée à une validation algorithmique.

Taille du point de données

La Taille du point de données est une mesure normalisée qui combine volume de recherche et données d'engagement social. Elle fournit une mesure comparable de l'empreinte numérique globale d'un point de données et permet des comparaisons entre catégories et entre pays. La Taille du point de données dépend du type : une marque est pondérée différemment d'une personne ou d'un événement, ce qui reflète les schémas comportementaux propres à chaque type.

Facteur de qualité (QualFactor)

Chaque point de données porte un score QualFactor issu de la validation croisée entre données comportementales de recherche et données d'engagement. Un QualFactor élevé indique des schémas cohérents entre sources indépendantes ; un QualFactor faible déclenche une revue manuelle ou un enrichissement des données.

Section 5

Construction d'audience

Dans Rascasse, les audiences sont construites à partir de points de données par une curation d’experts métier — et non par clustering algorithmique. Ce choix de conception délibéré garantit la cohérence sémantique : une audience “Premium Automotive Enthusiasts” est bâtie par des experts qui savent quelles marques, propriétés médias, événements et influenceurs définissent ce segment.

Audiences à point de données unique

Le type d'audience le plus simple repose sur un seul point de données. “Les fans des Dallas Cowboys” regroupe l'ensemble des comportements digitaux associés aux Dallas Cowboys — requêtes de recherche, engagement social, consommation de contenus et affinités de marque associées.

Audiences multi-points de données

Les audiences complexes combinent plusieurs points de données à l'aide de combinaisons logiques (AND, OR, NOT). Par exemple, une audience “Sustainable Fashion” peut associer des marques engagées dans la durabilité, des médias de mode éthique et des influenceurs pertinents — tout en excluant les marques de fast fashion.

Agrégation pondérée

Lors de la construction d'audiences multi-points de données, chaque point de données est pondéré selon sa pertinence. Une audience “Fans de hip-hop américain” pondérera davantage les artistes que les médias, reflétant le signal comportemental plus fort que fournit l'engagement envers un artiste.

Section 6

Modélisation démographique

La démographie n'est pas directement observable dans les données de recherche. Nous appliquons donc une approche d'estimation multi-sources qui combine plusieurs indicateurs démographiques indépendants en une estimation composite. Chaque indicateur apporte un élément de preuve ; le profil démographique final émerge de la convergence de ces apports indépendants.

Le cadre bayésien qui sous-tend les indicateurs 2 et 5 suit des méthodes établies en marketing science, telles que décrites par Rossi, Allenby et McCulloch (2005)9 et appliqué au media mix modeling par Google Research (2017).10

Le composant d'analyse démographique visuelle s'appuie sur l'architecture DEX (Deep EXpectation) pour l'estimation de l'âge apparent à partir d'images de visages11 et des travaux plus larges sur la détection démographique par apprentissage automatique à partir des réseaux sociaux.12

Les distributions démographiques propres à chaque canal sont calibrées sur les études continues du Pew Research Center concernant les usages des réseaux sociaux selon les groupes démographiques.13

Section 7

Modélisation des affinités & psychographique

Scores d'affinité

L'affinité mesure la force relative du lien entre une audience et une marque, une personne ou une propriété. La base de référence est 1,0, qui représente la moyenne du marché. Un score d'affinité supérieur à 1,0 indique un intérêt supérieur à la moyenne ; inférieur à 1,0, un intérêt inférieur à la moyenne. Cette approche indicielle — courante en planification média — permet une comparaison directe entre points de données et entre audiences.

Le calcul d'affinité s'appuie sur des techniques de filtrage collaboratif et de factorisation matricielle, telles que décrites par Koren, Bell et Volinsky (2009) dans le contexte des systèmes de recommandation.14 L'idée clé : les schémas de co-occurrence dans les données comportementales révèlent des préférences latentes qu'aucun point de données isolé ne peut saisir.

Profilage psychographique (28 traits)

Rascasse estime 28 traits psychographiques pour chaque audience, organisés autour de dimensions telles que l'orientation durable, l'adoption technologique, l'affinité pour le luxe, la conscience santé et l'engagement culturel.

Chaque trait est évalué au moyen de points de données marqueurs : marques, personnalités et propriétés qui constituent de forts indicateurs d’une dimension psychographique donnée. Par exemple, le trait “Sustainability” s’appuie sur les schémas d’engagement avec des marques comme Patagonia, des médias traitant du changement climatique et des événements consacrés aux questions environnementales. Le score du trait indique dans quelle mesure une audience sur- ou sous-indexe sur ces points de données marqueurs par rapport à la population générale.

Cette approche s'appuie sur des travaux de recherche portant sur la prédiction des traits psychologiques à partir du comportement digital2 et le Schwartz Values Framework, qui fournit une taxonomie des valeurs humaines fondée théoriquement.15 Boyd et al. (2015) ont démontré que les orientations de valeurs peuvent être déduites de façon fiable à partir des comportements numériques.16

Section 8

Location Intelligence

Rascasse fournit une intelligence au niveau local dans plus de 200 pays, 100 000 villes et 250 000 codes postaux. Les données de localisation sont dérivées de la répartition géographique du comportement de recherche, combinée à une analyse spatiale des points d'intérêt (POI).

Affinité géographique

L'affinité de localisation mesure la force avec laquelle une marque ou une propriété résonne dans une géographie donnée par rapport à la moyenne nationale. Elle combine la distribution du volume de recherche avec les schémas d'intérêt, en suivant la méthodologie d'analyse régionale décrite pour la première fois par Choi et Varian (2012).1

Base de données de points d'intérêt (POI)

Le système maintient une base de plus de 8 millions de points d'intérêt issus de bases de données géographiques ouvertes — lieux d'événements, commerces, institutions culturelles et équipements sportifs. Les POI sont rattachés à la taxonomie ville et région de Rascasse, ce qui permet des analyses spatiales reliant le comportement digital à la présence dans le monde physique.

Détection des valeurs aberrantes

Tous les points de données géographiques ne sont pas significatifs. Le système recourt à une validation par le voisinage pour distinguer les vraies tendances locales des artefacts de données : une ville affichant une affinité anormalement élevée est confrontée à ses villes voisines et aux tendances régionales. Les pics isolés sans corroboration régionale sont signalés comme artefacts potentiels plutôt que rapportés comme des insights.

Section 9

Share of Search

Le Share of Search mesure la part d'une marque dans le volume total de recherches de marque au sein d'un univers concurrentiel défini. Formalisé pour la première fois par Les Binet lors de l'IPA EffWorks Global en 202017, la métrique a depuis été validée comme un indicateur fiable de la part de marché.

Le think tank de l'IPA, dirigé par James Hankins, a analysé 30 études couvrant 12 catégories et 7 pays et conclu que la Share of Search explique environ 83% de la variation des parts de marché.18 Fait essentiel, les variations du Share of Search ont tendance à précéder les évolutions réelles des parts de marché, ce qui en fait un indicateur avancé des dynamiques concurrentielles.

Mise en œuvre chez Rascasse

• Définition flexible des catégories : Les univers concurrentiels sont définis par cas d'usage — sans se limiter à des taxonomies prédéfinies. Un univers “automobile premium” en Allemagne peut différer du même concept aux États-Unis.
• Suivi mensuel : Share of Search est calculé chaque mois avec des comparaisons en glissement annuel, ce qui permet de détecter les tendances au-delà du bruit saisonnier.
• Granularité par pays : Chaque marché est analysé indépendamment, car les dynamiques concurrentielles varient d'une géographie à l'autre.
• Normalisation : Les volumes de recherche bruts sont normalisés pour tenir compte des variations saisonnières et de la croissance ou du recul de la catégorie.

Section 10

Validation & limites

Cadre de validation

Rascasse met en œuvre plusieurs mécanismes de validation pour garantir la qualité des résultats :

• Cohérence entre sources : Un point de données doit être confirmé par au moins deux sources indépendantes avant d'être rapporté avec un niveau de confiance élevé. Les points de données à source unique sont signalés comme tels.
• Stabilité temporelle : Les résultats sont validés sur des séries temporelles afin d'écarter le bruit d'un mois isolé. Les variations brutales et non corroborées déclenchent une revue plutôt qu'un reporting automatique.
• Comparez avec des données publiques : Les profils sont régulièrement comparés à des données externes disponibles — audiences TV, chiffres de ventes publiés, données de recensement et résultats d'études de marché publiques.
• Notation du facteur qualité : Chaque point de données porte un QualFactor qui reflète la cohérence et l'étendue des données sous-jacentes. Les points de données à faible QualFactor sont signalés dans l'interface.

Limites connues

Nous considérons que la transparence sur les limites est essentielle à la crédibilité méthodologique. Voici les contraintes connues de notre approche :

Pour la liste complète des références académiques qui sous-tendent cette méthodologie, consultez notre Bibliographie.