Social proof dynamique : isoler l’effet sur l’activation
La preuve sociale peut accélérer l’activation, ou simplement déplacer le bruit
La social proof dynamique, preuve sociale affichée en temps réel ou quasi temps réel selon le contexte utilisateur, est devenue un composant courant des parcours d’activation : nombre d’utilisateurs actifs, logos de clients similaires, notifications de type des équipes comme la vôtre utilisent cette fonctionnalité, compteurs de demandes, avis contextualisés, benchmarks sectoriels, signaux communautaires ou badges d’adoption. Son intuition est solide : réduire l’incertitude au moment où l’utilisateur doit engager une action coûteuse cognitivement. Mais son efficacité réelle est souvent surestimée, car elle est mesurée sur des métriques trop proches de l’exposition, comme le clic ou le démarrage d’onboarding, et trop rarement sur l’activation utile.
Dans un framework AARRR, acquisition, activation, retention, referral, revenue, l’activation désigne le moment où un nouvel utilisateur atteint une première valeur tangible, pas seulement le moment où il crée un compte. Pour un SaaS, cela peut être la création d’un premier projet, l’import de données ou l’invitation d’un collaborateur. Pour une marketplace, cela peut être la publication d’une première offre qualifiée. Pour un média payant, cela peut être la lecture de plusieurs contenus premium dans les sept premiers jours. Pour une app mobile, cela peut être l’usage répété d’une fonctionnalité cœur. La question pertinente n’est donc pas : la preuve sociale augmente-t-elle la conversion immédiate ? Elle est : augmente-t-elle la probabilité qu’un utilisateur atteigne plus vite et plus durablement le comportement qui prédit la rétention ?
Cette nuance change tout. Une notification indiquant que 1 284 équipes ont déjà activé une intégration peut augmenter le taux de clic vers l’écran d’intégration. Mais si les utilisateurs cliquent par curiosité, n’ont pas les droits techniques, abandonnent l’étape ou connectent une intégration sans l’utiliser, l’effet business est faible. À l’inverse, un message sobre indiquant que les entreprises de plus de 200 salariés gagnent en moyenne 18 minutes par dossier après import CRM peut générer moins de clics, mais davantage d’activations de qualité. La social proof n’est pas un décor persuasif ; c’est un signal de réduction du risque. Sa performance dépend de la crédibilité du signal, du segment exposé, du moment d’affichage et de la métrique d’activation choisie.
Pour les équipes growth expertes, l’enjeu est méthodologique. La preuve sociale dynamique est souvent personnalisée, donc difficile à mesurer proprement. Elle interagit avec le canal d’acquisition, le niveau d’intention, la promesse publicitaire, le pricing, l’onboarding produit, le marketing automation, ensemble de mécanismes permettant de déclencher automatiquement des messages selon des données comportementales et CRM, et parfois même l’intervention sales. Isoler son effet impose de distinguer corrélation et causalité, valeur attribuée et valeur incrémentale, adoption superficielle et activation prédictive. Sans cette rigueur, l’équipe risque d’optimiser des messages rassurants qui font monter les micro-conversions tout en dégradant la qualité aval.
Définir ce que l’on veut activer avant de choisir la preuve sociale
La première erreur consiste à concevoir la social proof avant de définir l’événement d’activation. Beaucoup d’équipes partent d’un inventaire de signaux disponibles : nombre de clients, avis, notes, logos, utilisateurs en ligne, téléchargements, cas clients, citations, volumes de transactions. Elles cherchent ensuite où les afficher. La démarche inverse est plus robuste : identifier la friction d’activation, comprendre pourquoi l’utilisateur hésite, puis choisir un signal social capable de traiter cette friction.
Une activation utile doit être reliée à une métrique aval. Dans un produit B2B, créer un compte n’est pas une activation si 70 % des comptes créés ne reviennent jamais. Une meilleure définition peut être : compte ayant invité au moins deux utilisateurs, connecté une source de données et réalisé une action cœur dans les sept jours. Dans un e-commerce à achats répétés, le premier achat n’est pas toujours l’activation si la marge et la rétention se jouent au deuxième achat. Une activation plus pertinente peut être : premier achat sans remise supérieure à 20 %, inscription au compte client et consultation d’une catégorie complémentaire sous 14 jours. Le choix de la preuve sociale dépend de cette définition.
On peut distinguer quatre familles de frictions d’activation. La première est la friction de crédibilité : l’utilisateur doute que la solution soit fiable, sérieuse ou adaptée à son contexte. Les logos, avis vérifiés, références sectorielles et volumes d’adoption peuvent aider. La deuxième est la friction de pertinence : l’utilisateur ne sait pas si l’action proposée s’applique à son cas. Les preuves sociales segmentées, par secteur, taille d’entreprise, rôle ou cas d’usage, sont plus efficaces que les signaux globaux. La troisième est la friction d’effort : l’utilisateur craint que l’étape soit longue ou complexe. Les benchmarks de temps, les exemples de pairs ayant terminé l’étape et les indications de progression peuvent réduire l’obstacle. La quatrième est la friction de risque : l’utilisateur redoute une mauvaise décision, un coût caché, une perte de données ou une sollicitation commerciale excessive. Ici, les garanties, avis détaillés et preuves de contrôle sont plus utiles que les compteurs d’utilisateurs.
Exemple concret : une plateforme SaaS observe que 52 % des nouveaux comptes créent un projet, mais seulement 19 % importent des données, alors que l’import dans les 48 premières heures multiplie par 3,1 la rétention à J+30. La tentation serait d’afficher un message générique du type plus de 10 000 équipes nous font confiance. Mais la friction réelle porte sur l’effort et le risque : les utilisateurs se demandent combien de temps prend l’import et s’ils peuvent annuler. Une preuve sociale plus utile pourrait être : 74 % des équipes marketing de moins de 50 personnes finalisent leur premier import en moins de 6 minutes, avec prévisualisation avant validation. Le signal social est alors directement aligné sur la barrière d’activation.
La granularité est décisive. Une preuve sociale globale peut rassurer au stade acquisition, mais devenir faible au stade activation. Un directeur CRM ne réagit pas au même signal qu’un fondateur de start-up ou qu’un responsable e-commerce. Dans les environnements B2B, l’ICP, ideal customer profile, profil de client idéal, doit guider le choix du message. Dans les produits grand public, la segmentation peut reposer sur le comportement d’entrée : catégorie consultée, source d’acquisition, device, panier, localisation ou niveau d’engagement. La social proof dynamique devient pertinente lorsqu’elle fait correspondre un signal social à une hésitation spécifique, pas lorsqu’elle affiche mécaniquement le compteur le plus élevé.
Construire une taxonomie de signaux : volume, similarité, autorité et progression
Toutes les preuves sociales n’ont pas le même mécanisme psychologique. Les regrouper sous une même étiquette empêche d’apprendre. Une taxonomie opérationnelle permet de tester non seulement si la preuve sociale fonctionne, mais quel type de preuve fonctionne pour quel segment et à quelle étape du funnel, entonnoir de conversion allant de l’exposition à l’acquisition, puis à l’activation, la rétention et l’expansion.
Le premier type est la preuve par volume. Elle repose sur l’idée que beaucoup d’autres utilisateurs ont adopté un comportement : 50 000 équipes utilisent ce modèle, 2 300 abonnés ont lu cette analyse, 18 personnes consultent cette offre. Elle peut être efficace pour réduire l’incertitude en contexte de choix simple. Mais elle peut aussi produire un effet de banalisation ou de suspicion si le chiffre semble invérifiable. En activation, la preuve par volume est surtout utile lorsque l’utilisateur doit choisir entre agir et ne pas agir. Elle est moins utile lorsqu’il doit choisir comment configurer correctement son usage.
Le deuxième type est la preuve par similarité. Elle indique que des utilisateurs comparables ont réussi l’action : les marketplaces B2B de plus de 100 vendeurs activent généralement cette règle en semaine 1 ; les équipes acquisition utilisent ce template pour prioriser leurs tests ; les responsables retail configurent ce segment avant leur première campagne. Ce type de preuve est souvent plus puissant que le volume brut, car il réduit l’ambiguïté de pertinence. Un chiffre plus petit mais plus proche peut surpasser un chiffre massif mais abstrait.
Le troisième type est la preuve par autorité. Logos de marques, témoignages d’experts, avis certifiés, labels, publications ou recommandations de partenaires. Elle est utile lorsque le coût de l’erreur perçu est élevé, notamment en B2B, finance, santé, data ou outils critiques. Mais elle peut devenir contre-productive si l’autorité affichée semble trop éloignée du segment exposé. Une PME peut se dire qu’une solution utilisée par des groupes du CAC 40 est trop complexe ou trop chère. La preuve d’autorité doit donc être calibrée : prestige pour rassurer, proximité pour rendre l’action imaginable.
Le quatrième type est la preuve par progression. Elle montre que l’utilisateur avance comme ses pairs ou qu’il est proche d’un état réussi : les équipes qui complètent cette étape atteignent leur premier rapport 2,4 fois plus vite ; 68 % des utilisateurs qui invitent un collègue reviennent dans les sept jours ; votre configuration est alignée avec les comptes les plus actifs de votre segment. Ce type de preuve sociale est particulièrement adapté à l’onboarding, car il transforme une action isolée en trajectoire. Il ne dit pas seulement les autres l’ont fait ; il dit cette action est un jalon observable vers la valeur.
Une équipe mature doit documenter chaque signal avec cinq attributs : source de la donnée, fraîcheur, segment de référence, seuil d’affichage et objectif comportemental. Par exemple : afficher un benchmark d’import uniquement si le segment contient au moins 200 comptes comparables sur les 90 derniers jours ; exclure les comptes internes et les essais non activés ; recalculer chaque nuit ; ne pas afficher si l’intervalle de confiance est trop large. Cette discipline évite la preuve sociale décorative, parfois proche de la manipulation, et protège la crédibilité produit.
Mesurer l’effet sur l’activation : le bon design expérimental
Isoler l’effet de la social proof dynamique demande un design plus exigeant qu’un simple A/B test de message. Un A/B test, expérimentation comparant une variante à un contrôle sur des populations randomisées, peut suffire si le message est statique et si l’exposition est homogène. Mais dès que la preuve sociale dépend du segment, du comportement ou de la disponibilité des données, la mesure devient plus complexe.
La première décision porte sur l’unité de randomisation. Si l’utilisateur peut voir plusieurs preuves sociales dans une même session, randomiser au niveau de l’impression peut contaminer l’expérience : un même utilisateur voit parfois le contrôle, parfois la variante. Il vaut mieux randomiser au niveau utilisateur, compte ou workspace. En B2B, l’unité pertinente peut être le compte plutôt que le contact, car plusieurs membres d’un même buying committee, comité d’achat impliqué dans la décision, peuvent interagir avec le produit. Si certains voient la preuve sociale et d’autres non, l’effet se diffuse difficilement à analyser.
La deuxième décision concerne la métrique primaire. Le taux de clic sur le message est rarement suffisant. Il mesure l’attraction du signal, pas son effet sur la valeur. Une métrique primaire robuste doit être un événement d’activation relié à la rétention ou au revenu : import finalisé, premier projet publié, invitation envoyée, première automatisation activée, deuxième session qualifiée, première campagne lancée, contenu premium consommé, paramétrage terminé. Les métriques secondaires peuvent inclure les clics, le temps jusqu’à activation, la complétion d’étape, mais elles ne doivent pas décider seules du déploiement.
La troisième décision concerne les garde-fous. Une preuve sociale agressive peut augmenter l’activation apparente tout en dégradant la confiance, la qualité ou la rétention. Il faut donc suivre le taux de retour arrière, les désactivations, les tickets support, les abandons à l’étape suivante, le churn, désabonnement ou perte d’un client, la désinscription email, les plaintes, voire le NPS, net promoter score, indicateur de recommandation client. Si la social proof pousse des utilisateurs à activer une fonctionnalité qu’ils ne comprennent pas, l’effet court terme peut se payer en friction support.
La quatrième décision porte sur la fenêtre d’observation. Une activation peut avoir lieu dans la session, mais son effet réel apparaître à J+7 ou J+30. Une notification dynamique peut augmenter de 12 % l’import dans les 24 heures, mais si la rétention à J+30 ne progresse pas, l’équipe doit se demander si l’événement activé était vraiment prédictif. Un protocole utile peut prévoir trois horizons : immédiat, par exemple clic et complétion d’étape ; court terme, par exemple activation à J+7 ; aval, par exemple rétention, usage ou conversion payante à J+30 ou J+60.
Exemple chiffré : une application B2B teste une preuve sociale sur l’écran d’invitation d’équipe. Le contrôle affiche simplement invitez vos collaborateurs. La variante indique les comptes qui invitent au moins deux collègues dans les 72 heures atteignent leur premier reporting 2,2 fois plus vite. Sur 40 000 nouveaux comptes randomisés, le taux d’invitation passe de 22,4 % à 25,1 %, soit +2,7 points absolus. Le premier reporting à J+7 passe de 14,8 % à 16,6 %. La rétention active à J+30 passe de 31,2 % à 32,0 %, effet plus faible. L’équipe peut conclure que le signal améliore l’activation intermédiaire, mais doit vérifier si l’activation choisie a un lien causal avec la rétention ou si elle n’est qu’un symptôme d’intention initiale.
Le MDE, minimum detectable effect, effet minimal détectable par un test, doit être calculé avant lancement. Si l’activation de référence est de 8 % et que l’équipe veut détecter une hausse relative de 5 %, il faudra souvent un volume important. Sans calcul de puissance, un test peut être déclaré neutre faute de taille d’échantillon, ou gagnant sur un signal instable. La social proof dynamique expose aussi au novelty effect, effet de nouveauté qui gonfle temporairement la performance d’un élément récemment introduit. Une mesure prolongée ou un test de réplication peut être nécessaire avant généralisation.
Éviter les biais : personnalisation, attribution et sélection des utilisateurs
La social proof dynamique est particulièrement vulnérable au biais de sélection. Les utilisateurs qui voient certains signaux ne sont pas toujours comparables à ceux qui ne les voient pas. Par exemple, un benchmark sectoriel peut n’être affiché qu’aux utilisateurs ayant renseigné leur industrie. Or ces utilisateurs sont déjà plus engagés. Si leur activation est supérieure, le signal n’en est pas nécessairement la cause. Il faut donc randomiser l’affichage parmi les utilisateurs éligibles, et non comparer éligibles exposés à non-éligibles.
L’attribution, méthode qui assigne une conversion ou une part de revenu à un ou plusieurs points de contact marketing, peut également tromper l’analyse. Dans un parcours omnicanal, un utilisateur peut arriver via paid search, être relancé par email, voir une preuve sociale dans le produit, puis être contacté par un SDR. Si l’activation est attribuée au dernier contact ou au dernier écran consulté, la preuve sociale peut recevoir trop de crédit. Inversement, si l’analyse média reste centrée sur le CPA, co coût par acquisition, ou le ROAS, return on ad spend, ratio entre revenu attribué et dépenses publicitaires, l’effet produit sur l’activation peut être invisibilisé. Il faut relier les expositions in-product aux cohortes d’acquisition sans confondre contribution observée et effet causal.
Le retargeting et les campagnes d’activation compliquent encore la lecture. Une audience exposée à des messages sociaux en publicité peut reconnaître le même signal dans l’onboarding. Si la cohérence augmente l’activation, faut-il attribuer l’effet au message média, au message produit ou à leur combinaison ? La bonne réponse est souvent de tester des cellules : contrôle complet, preuve sociale média seulement, preuve sociale produit seulement, preuve sociale cohérente média et produit. Ce type de design factoriel permet d’identifier les interactions, même s’il exige plus de volume.
Le contexte programmatique peut aussi intervenir en amont. En publicité programmatique, une DSP, demand-side platform, plateforme permettant d’acheter automatiquement des impressions publicitaires sur plusieurs inventaires, peut acheter en RTB, real-time bidding, enchères publicitaires en temps réel impression par impression, et optimiser vers des audiences déjà réceptives à certains signaux de crédibilité. Si ces utilisateurs arrivent ensuite dans le produit, ils peuvent activer davantage non pas parce que la preuve sociale in-product fonctionne, mais parce que le ciblage média a sélectionné des profils plus intentionnistes. Les équipes doivent donc segmenter les résultats par source et niveau d’intention : brand, non-brand, paid social froid, retargeting, referral, direct, partenaires.
Un autre biais fréquent est la preuve sociale auto-réalisatrice. Si l’on affiche cette fonctionnalité est utilisée par les meilleurs comptes, on peut pousser davantage d’utilisateurs à l’activer, puis utiliser cette hausse d’adoption pour justifier le message. Mais l’adoption générée par incitation n’est pas forcément synonyme de valeur. Il faut donc distinguer adoption brute et activation de qualité : utilisation répétée, succès de configuration, absence de désactivation, impact sur un indicateur métier. Une preuve sociale ne doit pas seulement créer son propre compteur.
Enfin, les effets hétérogènes doivent être assumés. Une preuve sociale peut fonctionner sur les nouveaux utilisateurs anxieux et échouer sur les experts, qui la perçoivent comme une distraction. Elle peut rassurer les PME et intimider les grands comptes. Elle peut accélérer mobile mais gêner desktop. Le résultat moyen est souvent insuffisant. Avant lancement, l’équipe doit définir les segments de lecture obligatoires : canal, device, pays, industrie, taille de compte, maturité, rôle, source de consentement, nouveau versus récurrent. L’objectif n’est pas de faire du p-hacking, pratique consistant à explorer les données jusqu’à trouver une significativité apparente, mais d’éviter une conclusion globale qui masque une décision segmentée.
Concevoir la boucle data : fraîcheur, seuils, consentement et gouvernance
La social proof dynamique repose sur une promesse implicite : le signal affiché est vrai, récent et pertinent. Si cette promesse est rompue, le gain court terme peut dégrader la confiance. Une architecture data minimale doit donc encadrer la collecte, le calcul, l’affichage et l’audit des preuves sociales.
La première brique est la définition des événements. Qu’est-ce qu’un utilisateur actif ? Qu’est-ce qu’une équipe activée ? Qu’est-ce qu’un import réussi ? Qu’est-ce qu’un client comparable ? Une entreprise qui affiche 3 000 équipes utilisent cette fonctionnalité doit préciser en interne si cela inclut les essais gratuits, les comptes churnés, les environnements de test, les utilisateurs internes ou les comptes inactifs. Sans dictionnaire de métriques, la preuve sociale devient fragile juridiquement, analytiquement et commercialement.
La deuxième brique est la fraîcheur. Certains signaux tolèrent une mise à jour mensuelle, comme des logos ou références clients. D’autres exigent une mise à jour quotidienne ou horaire, comme les volumes d’activité ou les tendances. Mais la fraîcheur a un coût : pipelines plus complexes, risques d’anomalies, dépendance au tracking. Une règle pragmatique consiste à afficher des signaux dynamiques seulement si la donnée est suffisamment stable. Si le volume varie fortement d’un jour à l’autre, mieux vaut utiliser une fenêtre glissante de 30 ou 90 jours qu’un compteur temps réel anxiogène.
La troisième brique est le seuil d’affichage. Un message indiquant 3 utilisateurs de votre secteur ont activé cette option cette semaine est peu convaincant, voire contre-productif. Il faut définir des seuils minimaux par segment. Si le segment est trop petit, on peut remonter d’un niveau : secteur vers catégorie de secteur, pays vers région, taille d’entreprise vers tranche plus large. Le système doit aussi prévoir un fallback, message alternatif, lorsque la donnée n’est pas assez robuste. Cette logique évite d’afficher des preuves sociales artificiellement précises.
La quatrième brique est le consentement et la confidentialité. Les données first-party, collectées directement auprès de l’audience avec consentement, sont précieuses pour contextualiser les messages. Mais la personnalisation ne doit pas révéler des informations sensibles ou donner l’impression d’une surveillance excessive. Dire des entreprises de votre secteur activent souvent cette règle peut être acceptable ; dire vos concurrents directs l’ont activée hier peut être intrusif et parfois problématique. La personnalisation doit être utile avant d’être spectaculaire.
La cinquième brique est l’audit. Les messages affichés doivent être historisés : quel utilisateur a vu quel signal, à quelle date, avec quelle valeur, dans quel contexte. Sans log d’exposition, l’analyse d’impact devient approximative. Cet historique permet aussi de détecter les anomalies : compteur bloqué, segment mal mappé, message affiché à une audience non éligible, variation de performance liée à un bug. Une preuve sociale dynamique non auditable est difficile à gouverner.
Arbitrer entre persuasion, utilité et crédibilité de marque
La tentation de la social proof dynamique est d’augmenter la pression persuasive : plus de compteurs, plus de notifications, plus d’urgence, plus de benchmarks. Mais l’activation durable dépend aussi de la qualité de l’expérience. Un utilisateur qui se sent manipulé peut activer une étape, puis perdre confiance. Pour des marques B2B ou des produits complexes, la crédibilité vaut souvent plus qu’un uplift marginal de micro-conversion.
Il faut distinguer preuve sociale et dark pattern, mécanisme d’interface qui pousse l’utilisateur vers une action contre son intérêt ou sans information claire. Les compteurs non vérifiables, l’urgence artificielle, les notifications simulées ou les messages trop intrusifs peuvent produire des gains rapides, mais ils exposent à la défiance, aux plaintes et à la dégradation de marque. L’éthique n’est pas seulement un sujet juridique ; c’est un sujet de rétention. Les utilisateurs activés sous pression sont rarement les meilleurs clients.
Un arbitrage utile consiste à classer les preuves sociales selon leur niveau d’utilité. Un signal purement persuasif dit beaucoup d’utilisateurs l’ont fait. Un signal utile aide à décider : les équipes comparables choisissent cette configuration parce qu’elle réduit tel délai. Un signal pédagogique explique le chemin vers la valeur : après cette étape, vous pourrez mesurer tel résultat. Plus le produit est complexe, plus la preuve sociale doit devenir pédagogique. Dans un onboarding expert, la question n’est pas seulement de rassurer ; elle est de guider vers le bon usage.
La preuve sociale peut également être intégrée au marketing automation avec prudence. Par exemple, un utilisateur qui n’a pas importé ses données après 48 heures peut recevoir un email indiquant que les comptes ayant finalisé l’import dans la première semaine atteignent un taux de rétention supérieur. Mais il faut éviter la répétition mécanique du même argument sur tous les canaux. Une séquence efficace peut varier les preuves : d’abord réduction d’effort, ensuite similarité sectorielle, puis cas client détaillé, enfin assistance humaine. L’orchestration doit traiter les objections successives, pas marteler un compteur.
Le coût d’opportunité doit aussi être considéré. Afficher une preuve sociale occupe de l’espace dans l’interface. Cet espace pourrait servir à une aide contextuelle, une démo interactive, une prévisualisation, un message d’erreur plus clair ou un CTA plus explicite. Si l’activation est bloquée par une friction fonctionnelle, la preuve sociale ne la résoudra pas. Elle peut même masquer le vrai problème. Une équipe doit donc comparer la social proof à d’autres interventions d’activation, pas seulement à un écran vide.
Conclusion : isoler l’effet pour ne pas confondre rassurance et valeur
La social proof dynamique peut être un levier puissant d’activation lorsqu’elle réduit une incertitude précise, au bon moment, pour le bon segment. Elle peut aussi devenir un bruit persuasif qui améliore des métriques de surface sans créer de valeur durable. La différence tient à la méthode : définir l’activation avant le message, choisir le type de preuve selon la friction, randomiser proprement, mesurer l’effet sur des événements prédictifs et surveiller les garde-fous aval.
Une méthode actionnable peut se résumer en sept décisions. Premièrement, identifier l’événement d’activation réellement corrélé à la rétention ou au revenu, et ne pas se contenter du clic. Deuxièmement, diagnostiquer la friction : crédibilité, pertinence, effort ou risque. Troisièmement, sélectionner une preuve sociale adaptée : volume, similarité, autorité ou progression. Quatrièmement, documenter la donnée : source, fraîcheur, segment, seuil et fallback. Cinquièmement, construire un test randomisé au bon niveau, utilisateur, compte ou workspace, avec métrique primaire, secondaires et garde-fous. Sixièmement, analyser les effets par segment et par source d’acquisition pour éviter les biais de sélection et d’attribution. Septièmement, recalibrer régulièrement le signal en comparant activation immédiate, usage répété et rétention.
Pour les professionnels du marketing et du produit, le point clé est de traiter la preuve sociale comme une hypothèse causale, pas comme une couche de persuasion ajoutée au parcours. Elle doit répondre à une question vérifiable : ce signal social rend-il plus probable l’atteinte d’un moment de valeur ? Si la réponse est oui, l’équipe peut l’intégrer à son système d’activation avec confiance. Si la réponse est seulement il augmente les clics, la prudence s’impose. La croissance durable ne vient pas des utilisateurs qui ont été convaincus d’appuyer sur un bouton, mais de ceux qui comprennent assez vite pourquoi ce bouton les rapproche d’un résultat utile.
