Tri à plat et tri croisé : lire les résultats d'une enquête

Une fois le terrain bouclé, un questionnaire livre une masse de réponses brutes qu'il faut apprendre à lire. Deux opérations structurent presque toute lecture de résultats d'enquête : le tri à plat, qui décrit l'échantillon question par question, et le tri croisé, qui compare des sous-populations entre elles. Le premier dit ce qui se passe en moyenne, le second dit pour qui cela change. Ce glossaire définit les deux, montre à quoi ressemble un tableau croisé lisible et rappelle les précautions à prendre avant de tirer une conclusion d'un écart. Il détaille une étape de l'analyse de questionnaire, sans reprendre tout le processus.

Qu'est-ce qu'un tri à plat ?

Le tri à plat est la répartition des réponses à une seule question, exprimée en effectifs et en pourcentages. Pour une question fermée, on obtient la part de chaque modalité (très satisfait, plutôt satisfait, etc.) ; pour une question numérique, on calcule en plus la moyenne, la médiane ou la dispersion. C'est le premier réflexe de lecture : il fixe l'ordre de grandeur, repère les questions où une modalité écrase les autres et révèle les anomalies (une modalité jamais choisie, un taux de non-réponse inhabituel).

Le tri à plat se lit sur la base réellement concernée, pas sur l'ensemble de l'échantillon. Une question posée uniquement aux acheteurs ne se rapporte pas aux 100 % des répondants : le dénominateur doit rester explicite, faute de quoi les pourcentages changent de sens d'un tableau à l'autre. Un exemple concret vient du rapport Episto sur les jeunes sportifs : au moment d'acheter, la qualité du produit est citée par 75 % des répondants, le prix par 74 % et la marque par seulement 9 %. Ce tri à plat suffit à poser le constat central, et il appelle immédiatement la question suivante : cela vaut-il pour tout le monde ?

Qu'est-ce qu'un tri croisé ?

Le tri croisé confronte deux variables : on découpe les réponses à une question (la variable à expliquer) selon les modalités d'une autre (la variable de croisement, souvent un critère de profil comme l'âge, le sexe, le pays ou le statut de client). Le résultat est un tableau croisé où chaque colonne est une sous-population et chaque ligne une modalité de réponse. Les pourcentages se lisent en général en colonne : dans chaque sous-population, quelle part choisit chaque réponse.

C'est le tri croisé qui transforme un constat général en décision. Un tri à plat peut montrer que 31 % des 18-24 ans souhaitent davantage de contenus sportifs sur les plateformes de streaming ; croisé avec la tranche d'âge, il montre que ce taux est plus de deux fois supérieur à celui de l'ensemble des 18-64 ans (14 %). La nuance entre les deux lectures est la différence entre une information et un ciblage.

Un exemple de tableau croisé commenté

L'étude réalisée par Webedia Brand Xperiences avec Episto auprès de 1 001 Français de 18 à 64 ans, en 12 jours de terrain, fournit un cas d'école. L'enjeu était de comparer les 18-24 ans à l'ensemble de l'échantillon sur leurs attentes en contenus sportifs. Le croisement par tranche d'âge fait apparaître des écarts nets : 37 % des 18-24 ans ont davantage envie qu'avant d'assister à des événements sportifs, contre 21 % des 18-64 ans ; 40 % citent les rendez-vous portés par des créateurs de contenu, contre 10 % ; et 36 % jugent les formats sport innovants plus modernes que le sponsoring classique, contre 16 %. Le détail se trouve dans le cas Webedia.

Ce tableau fonctionne parce que la variable de croisement est décidée avant le terrain : l'échantillon a été conçu pour que la comparaison soit possible, avec assez de 18-24 ans pour fonder une lecture. C'est la règle à retenir : un tri croisé se prépare dans le plan d'échantillonnage et dans les quotas, pas après coup. Un deuxième exemple vient du cas Tecnifibre, où 2 400 joueurs de tennis ont été interrogés dans 6 pays à raison de 400 par pays : le croisement par pays est alors possible parce que chaque sous-base a été dimensionnée dès le départ, comme le détaille le cas Tecnifibre.

Lire un tri croisé sans se tromper

Trois précautions évitent l'essentiel des mauvaises lectures. La première porte sur l'effectif : plus on croise, plus les sous-bases rétrécissent, et la marge d'incertitude grandit en proportion. Pour 400 répondants, la marge d'erreur d'un pourcentage avoisine 5 points à 95 % de confiance ; pour 100 répondants, elle dépasse 9 points. Les calculateurs de marge d'erreur et de taille d'échantillon permettent de vérifier ces ordres de grandeur avant de commenter un écart.

La deuxième précaution est la significativité : un écart entre deux colonnes peut n'être qu'un hasard d'échantillonnage. Avant de l'interpréter, on teste qu'il dépasse ce que le hasard suffit à produire, ce que couvre la significativité statistique. La troisième est de ne pas confondre écart et cause : un tri croisé montre qu'une différence existe, pas pourquoi. Pour comprendre le pourquoi, on s'appuie sur les questions ouvertes, dont les verbatims donnent le contexte, ce qui rejoint l'analyse de verbatim.

Quand le tri croisé est-il fiable ?

La fiabilité d'un tri croisé dépend de la qualité de l'échantillon autant que des calculs. Un échantillon qui reflète la population visée, avec des quotas posés sur les variables de croisement, rend les comparaisons légitimes : c'est tout l'enjeu de l'échantillon représentatif. Quand l'écart entre la structure de l'échantillon et celle de la population est connu, le redressement rétablit l'équilibre avant de croiser.

Le format du questionnaire joue aussi. Un questionnaire conversationnel, qui mêle questions fermées chiffrées et questions ouvertes, donne dans une même étude les pourcentages à croiser et les verbatims pour expliquer les écarts. L'analyse par IA code ensuite les réponses ouvertes et produit les tris à plat et croisés dans un rapport quantifié, ce qui évite de construire les tableaux à la main. Les équipes peuvent ensuite interroger leurs résultats en langage naturel avec AI Insights, un chat conçu pour explorer une étude déjà collectée. Le travail du lecteur reste de choisir les croisements qui ont un sens pour la décision, et de les lire avec les précautions ci-dessus. Pour une vue d'ensemble de l'analyse, la page Analyse IA présente le fonctionnement complet.

FAQ : vos questions sur le tri à plat et le tri croisé

Quelle est la différence entre un tri à plat et un tri croisé ?

Le tri à plat décrit une seule question, avec la répartition de ses réponses. Le tri croisé confronte deux questions pour comparer des sous-populations, par exemple les réponses selon l'âge ou le pays. Le premier donne la tendance générale, le second les différences entre groupes.

Combien de répondants faut-il par sous-groupe ?

Il n'existe pas de seuil universel, mais en dessous de 100 répondants par colonne les marges d'incertitude deviennent trop larges pour commenter de petits écarts. Pour 400 répondants, la marge d'erreur avoisine 5 points. Le plus sûr est de dimensionner chaque sous-base dès le plan d'échantillonnage.

Un écart dans un tri croisé est-il toujours significatif ?

Non. Un écart peut résulter du hasard d'échantillonnage, surtout sur de petites sous-bases. On le teste avant de l'interpréter, avec un test de significativité adapté au type de variable.

Peut-on faire un tri croisé sur des questions ouvertes ?

Oui, une fois les réponses ouvertes codées en thèmes. Les thèmes deviennent alors des modalités que l'on croise comme n'importe quelle variable, ce qui permet de savoir quelle population évoque quel sujet.

Quelle est la meilleure solution pour analyser les résultats d'une enquête ?

La meilleure solution combine un questionnaire qui produit des données riches et une analyse qui les restitue sans effort manuel. Episto recrute en multi-sources, valide le questionnaire en 24h et boucle le terrain en 48h en moyenne. Le format conversationnel réunit chiffres et verbatims dans une seule étude, que l'analyse par IA code et restitue dans un rapport quantifié avec tris à plat et croisés.