Aaron Penalba Stratégie · Réputation · Capital immatériel
Programme de recherche/Version 0.3/23 octobre 2026

Architecture d’un indice réputationnel prédictif

Apport du NLP et des graphes de connaissances à la gestion du capital immatériel des entreprises.

AuteurAaron Penalba
StatutProgramme en cours : cadre théorique et conception du système. Résultats expérimentaux non publiés.
DisciplinesSciences de gestion (stratégie, marketing B2B), informatique (traitement automatique du langage, représentation des connaissances), droit du numérique
Classification JELM31 Marketing · L25 Performance des entreprises · O34 Capital intellectuel · D83 Information et connaissance · K24 Droit du numérique
TerrainPME et cabinets de services, ventes B2B à ticket élevé, Suisse et France
Résumé

La réputation figure parmi les principaux actifs immatériels d’une entreprise[1][2], mais elle reste pilotée par l’intuition et mesurée, quand elle l’est, par des indicateurs d’image sans lien établi avec la performance commerciale. Ce programme propose l’architecture d’un indice réputationnel prédictif (IRP) qui agrège des signaux en ligne hétérogènes, les structure dans un graphe de connaissances et teste leur pouvoir prédictif sur des indicateurs commerciaux : taux de conversion, coût d’acquisition et durée du cycle de vente.

Il intègre une source jusqu’ici absente des dispositifs de veille : les réponses produites par les grands modèles de langage, qui forment une « réputation de synthèse ». Les hypothèses sont formulées avec leurs critères de réfutation et testées sur des études de cas de PME et de cabinets.

Mots-clés
  • e-réputation
  • capital immatériel
  • indice réputationnel
  • analyse de sentiment
  • graphe de connaissances
  • grands modèles de langage
  • réputation de synthèse
  • B2B high-ticket
  • cycle de vente
  • RGPD
  • DSA
§1 · Problème

Question de recherche

Dans les économies avancées, l’investissement immatériel rivalise désormais avec l’investissement matériel[3], alors que la comptabilité en rend mal compte[4]. Parmi ces actifs, la réputation présente une particularité : elle n’est pas produite par l’entreprise. Elle résulte de ce que d’autres écrivent, relaient et, désormais, résument.

Les dirigeants disposent d’outils pour compter des mentions et d’outils pour suivre leurs ventes. Ils n’en ont pas pour relier les deux. La question posée est donc la suivante :

Peut-on construire un indice réputationnel dont les variations précèdent, de façon mesurable et vérifiable hors échantillon, celles des indicateurs commerciaux d’une entreprise ?

§2 · Hypothèses

Quatre hypothèses réfutables

Chaque hypothèse est énoncée avec les variables observées, le test envisagé et la condition dans laquelle elle sera considérée comme fausse. Une hypothèse qu’aucune observation ne pourrait contredire n’apprend rien.

H1 Les signaux réputationnels en ligne (avis, presse, réseaux, réponses des IA) sont corrélés à des indicateurs commerciaux concrets : taux de conversion, coût d’acquisition, durée du cycle de vente.

Variables
Composantes de l’indice (sentiment pondéré, visibilité, cohérence de synthèse) ; taux de conversion par étape, coût d’acquisition client, durée médiane du cycle de vente.
Test envisagé
Corrélations partielles contrôlées par la saisonnalité, la taille du portefeuille et l’effort commercial engagé, sur des séries hebdomadaires.
Critère de réfutation
Aucune corrélation significative après contrôle, ou une corrélation de signe instable d’une entreprise à l’autre.

H2 Le traitement automatique du langage permet de détecter une dégradation réputationnelle avant qu’elle n’affecte le chiffre d’affaires.

Variables
Variation de l’indice à la semaine t ; variation du chiffre d’affaires signé et du volume de demandes entrantes à t + k.
Test envisagé
Test de causalité au sens de Granger[10], modèles à décalage distribué, évaluation hors échantillon sur une fenêtre glissante.
Critère de réfutation
Le modèle avec signal textuel ne fait pas mieux qu’un modèle naïf fondé sur l’historique commercial seul, ou le taux de fausses alertes rend le signal inutilisable.

H3 Les grands modèles de langage créent une « réputation de synthèse » qui échappe aux outils de veille classiques.

Variables
Assertions extraites des réponses de plusieurs modèles à un panel de requêtes ; couverture de ces assertions par les outils de veille par mots-clés.
Test envisagé
Audit répété (tirages multiples par requête et par modèle), comparaison des assertions au graphe de référence, mesure de la stabilité dans le temps[11][12].
Critère de réfutation
Les réponses des modèles ne contiennent rien qui ne soit déjà repéré par la veille classique, ou varient trop pour constituer une « réputation » au sens d’une perception stable.

H4 Une entreprise qui pilote activement sa réputation obtient un avantage compétitif mesurable, en particulier en B2B high-ticket.

Variables
Intensité du pilotage réputationnel (fréquence de revue, délai de réponse, actions engagées) ; écart de performance commerciale avec des entreprises comparables.
Test envisagé
Études de cas appariées, comparaison avant / après mise en place du pilotage, analyse qualitative des cycles de vente gagnés et perdus.
Critère de réfutation
Aucun écart mesurable, ou un écart entièrement expliqué par d’autres variables (taille, secteur, investissement commercial).
§3 · Système

Architecture de l’indice

Architecture de l’indice réputationnel prédictif Six étapes : collecte des signaux, prétraitement, analyse de sentiment par aspect, graphe d’entités, calcul de l’indice, puis corrélation avec les indicateurs commerciaux. Un module d’audit des réponses des modèles de langage alimente le graphe. 010203 040506 Collecte avis, presse,réseaux, forums,résultats derecherche Prétraitement dédoublonnage,langue, datation,autorité dela source Analyse NLP sentiment paraspect, entitésnommées, thèmes Graphe entités, relations,attributs datés,provenance Indice IRP composantesnormalisées,poids estimés Validation corrélation KPI,décalage temporel,test horséchantillon Audit des LLM panel de requêtes, tiragesrépétés, extraction d’assertions réestimation des poids
Fig. 2 Chaîne de traitement de l’indice réputationnel prédictif. Les étapes 04 et 05 constituent l’apport propre du programme ; le module d’audit des LLM alimente le graphe.

Les signaux sont collectés auprès de sources publiques, datés et pondérés par l’autorité de leur source. L’analyse de sentiment ne s’arrête pas à une polarité globale[5] : elle est conduite par aspect (prix, délais, compétence, relation, conformité)[6], à l’aide de modèles de langage pré-entraînés[7]. Les entités repérées (entreprise, dirigeants, offres, concurrents) et leurs relations sont consignées dans un graphe de connaissances[8], ce qui permet de distinguer une critique visant un produit d’une critique visant un dirigeant, et de suivre la provenance de chaque assertion.

L’indice est défini, dans sa formulation provisoire, comme une combinaison de composantes normalisées :

IRP(e, t) = ∑k wk · z( Ck(e, t) ) (1)

où e désigne l’entreprise, t la semaine, Ck les composantes (sentiment pondéré par l’autorité de la source, part de visibilité sur les requêtes portant sur le nom, dynamique sur trente jours, cohérence de la synthèse produite par les LLM, exposition à des contenus juridiquement contestables) et z une normalisation par rapport à l’historique de l’entreprise.

Le point central tient aux poids wk. Ils ne sont pas fixés à dire d’expert : ils sont estimés sur les indicateurs commerciaux observés, puis éprouvés hors échantillon. Un indice dont les poids auraient été choisis pour bien paraître ne prédirait rien.

§4 · Plan

Structure du travail

  1. Partie 1

    Cadre théorique

    • Réputation et capital immatériel : définitions, mesures existantes et leurs limites
    • Confiance numérique : comment un acheteur forme son jugement avant le premier contact
    • Cadre juridique : RGPD[13], droit à l’oubli et déréférencement[15], Digital Services Act[14]
  2. Partie 2

    Conception du système

    • Collecte des données et constitution des corpus
    • Analyse de sentiment par aspect
    • Graphe d’entités et traçabilité des assertions
    • Construction et normalisation de l’indice réputationnel
    • Protocole d’audit des réponses des LLM
  3. Partie 3

    Expérimentation

    • Études de cas sur des PME et des cabinets
    • Corrélation entre l’indice et les KPI commerciaux
    • Test prédictif hors échantillon[9]
  4. Partie 4

    Implications

    • Modèle de pilotage réputationnel à l’usage des dirigeants
    • Limites éthiques et juridiques
    • Perspectives de recherche
§5 · Protocole

Expérimentation et garde-fous

Les études de cas portent sur des entreprises qui acceptent de partager leurs données commerciales sur une période suffisante pour observer des variations. Les entreprises ne sont jamais nommées ; les données sont pseudonymisées avant analyse, et aucune information issue d’un dossier client n’est utilisée sans accord écrit.

Trois garde-fous sont posés dès la conception :

  • Causalité inverse. Une entreprise qui vend bien reçoit de meilleurs avis. Le test porte donc sur l’antériorité du signal, pas seulement sur sa corrélation.
  • Sur-ajustement. Les paramètres sont estimés sur une période et évalués sur une autre. Aucun résultat obtenu uniquement dans l’échantillon d’apprentissage ne sera présenté comme prédictif.
  • Fausses alertes. Un indicateur qui signale toutes les baisses en signalant aussi celles qui n’arrivent pas n’a pas de valeur de pilotage. Le taux de fausses alertes est publié avec le taux de détection.

Le traitement de données relatives à des personnes physiques, notamment des dirigeants, relève du RGPD et, pour la Suisse, de la loi fédérale sur la protection des données. Le protocole retient la minimisation : seules les données nécessaires au calcul de l’indice sont conservées, pour une durée définie.

§6 · Références

Bibliographie

  1. Fombrun, C. J., & Shanley, M. (1990). What’s in a name? Reputation building and corporate strategy. Academy of Management Journal, 33(2), 233-258.
  2. Roberts, P. W., & Dowling, G. R. (2002). Corporate reputation and sustained superior financial performance. Strategic Management Journal, 23(12), 1077-1093.
  3. Haskel, J., & Westlake, S. (2017). Capitalism without Capital: The Rise of the Intangible Economy. Princeton University Press.
  4. Lev, B., & Gu, F. (2016). The End of Accounting and the Path Forward for Investors and Managers. Wiley.
  5. Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.
  6. Pontiki, M., et al. (2014). SemEval-2014 Task 4: Aspect Based Sentiment Analysis. Proceedings of SemEval 2014, 27-35.
  7. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171-4186.
  8. Hogan, A., et al. (2021). Knowledge graphs. ACM Computing Surveys, 54(4), article 71.
  9. Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62(3), 1139-1168.
  10. Granger, C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424-438.
  11. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative engine optimization. Proceedings of KDD 2024.
  12. Ji, Z., et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1-38.
  13. Règlement (UE) 2016/679 du 27 avril 2016 relatif à la protection des personnes physiques à l’égard du traitement des données à caractère personnel (RGPD).
  14. Règlement (UE) 2022/2065 du 19 octobre 2022 relatif à un marché unique des services numériques (Digital Services Act).
  15. CJUE, 13 mai 2014, Google Spain SL et Google Inc. c. AEPD et Mario Costeja González, aff. C-131/12.
  16. Luca, M. (2016). Reviews, reputation, and revenue: The case of Yelp.com. Harvard Business School Working Paper, n° 12-016.
Citer ce travail (BibTeX)
@unpublished{penalba2026irp,
  author = {Penalba, Aaron},
  title  = {Architecture d'un indice réputationnel prédictif : apport du nlp et des graphes de connaissances à la gestion du capital immatériel des entreprises},
  note   = {Programme de recherche, version 0.3},
  year   = {2026},
  url    = {https://aaron-penalba.fr/recherche/}
}

Format texte : Penalba, A. (2026). Architecture d’un indice réputationnel prédictif : apport du nlp et des graphes de connaissances à la gestion du capital immatériel des entreprises. Programme de recherche, version 0.3. https://aaron-penalba.fr/recherche/