La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

MENU 1 6. Modèles individuels : Valeur client.

Présentations similaires


Présentation au sujet: "MENU 1 6. Modèles individuels : Valeur client."— Transcription de la présentation:

1 MENU 1 6. Modèles individuels : Valeur client

2 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Intérêt Calculer une valeur client pour: Calculer la valeur dun portefeuille client (actif immatériel à valoriser) Décider de la politique marketing direct pour chaque segment/client Fréquence de contact, type doffre, … Prévoir lactivité Agréger les valeurs clients en un « Capital client » (customer equity) Imlpact sur la valeur boursière La contrainte des données disponibles selon le contexte La relation est-elle contractuelle (date de début et de fin) ? S1 : approche contractuelle Périodicité connue Mortalité connue : modèle dattrition S2 : non contractuelle, « mortalité » inconnue : « always a share » 2

3 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Types dapproches Agrégée type Blattberg & Deighton, 1996 Stochastique utilisation de données individuelles mais prévision agrégée Individuelle prévision de lactivité, de lattrition au niveau individuel/segment 3

4 MENU Modèles daide à la décision en MKG © Desmet Pierre Valeur dun client (VAN, Life time value LTV) Combien rapporte un client sur lensemble de la relation Quel coût de recrutement ? (à séparer) Quelle contribution, hors retour, impayés,… ? Quelle durée de vie ? Analyse financière LTV = t=1,n (CF t. Survie). (1+i) -t + CF additionnel CF = (Revenu – Coûts directs) – Coûts promotionnels CF additionnel = parrainage, coûts de rupture, … ROI (recrutement) = LTV / Coût Recrutement ROI (fidélisation) = LTV / Coût de laction

5 MENU Modèles daide à la décision en MKG © Desmet Pierre Valeur dun client (VAN, Life time value LTV) Déterminants Evolution du cash-flow (CF) : niveau CF et croissance CF Selon le Recrutement (CF négatif) et le comportement Segmentation Paramètres : Taux dactualisation : taux de rendement interne de lentreprise, coût du financement,… Attrition (survie) : voir modèle dattrition Sur combien de périodes ? Dépend de lhorizon de lactivité et de la stabilité des coefficients (validité des hypothèses) : habituellement 2 ans (8 trimestres) Des simplifications Si Horizon infini, taux dattrition constant LTV = marge * (1- ta)/ (i + ta)

6 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple simple 1 (feuille excel active)

7 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple simple 2 Combien êtes-vous prêt à investir pour Recruter ce client Pour réduire de moitié lattrition

8 MENU Modèles daide à la décision en MKG © Desmet Pierre Le comportement des clients Cadre théorique Les comportements des clients (achat, attrition) sont rationnels, mais stochastiques (composante aléatoire) Le comportement actuel peut être anticipé à partir des connaissances sur des variables individuelles des comportements antérieurs Les variables sont diverses et doivent être intégrées Comportementales Descriptives permanentes Descriptives temporaires Attitudes – Réponses En savoir plus

9 MENU Modèles daide à la décision en MKG © Desmet Pierre Cycle de vie client La relation entreprise-client évolue dans le temps Elle est nourrie par les différentes expériences vécues dans les échanges Elle peut éventuellement « bonifier » : Revenu = fonction (ancienneté) ? Moindre élasticité prix ? Elle peut être caractérisée par Le degré de connaissance des produits par le client / du client par lentreprise La facilité de la rupture – lattachement du client à lentreprise (économique- utilitaire, affectif, contractuel) La confiance, la volonté du client de mettre en place cette « relation » versus simple transaction Les déterminants sont liés Au client et à ses caractéristiques À lentreprise et aux habitudes du secteur : capacité de la relation à créer une véritable valeur ajoutée Au contexte et à lenvironnement

10 MENU Modèles daide à la décision en MKG © Desmet Pierre Cycle de vie client Former des groupes reliés en fonction De létat de développement de la relation (information détenue,…) Des critères de choix, de linformation nécessaire pour chaque étape de la relation Du potentiel, des coûts, de la rentabilité de chaque groupe

11 MENU Modèles daide à la décision en MKG © Desmet Pierre Modélisation de la LTV Modèle de rétention Une personne reste cliente si elle génère des transactions Le calcul repose uniquement sur la probabilité de survie, cest-à-dire la probabilité que le client soit actif durant la période considérée (nombre estimé des transactions) Modèle de migration Un client peut se manifester après une période dinactivité Le calcul repose sur les probabilités de survie et de réactivation (redevenir actif) Les calculs passent par des arbres de décision et de migration et des matrices de probabilités de transition

12 MENU 12 Modèle Capital client agrégé Simulation du capital client à partir dhypothèses sur les activités de « Recrutement « et de « Fidélisation »

13 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle Capital client agrégé : Blattberg & Deighton (1996) Deux politiques : Recrutement et Fidélisation Paramétrage : des coûts, de la marge, du taux dactualisation De la « rétention » (activité) : modèle géométrique, taux dattrition constant en % Prise en compte dune fonction de réponse calibrage subjectif de la performance maximale pour la simulation de la performance 13

14 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Modèle sous-jacent 14 Prospects Clients Anciens Clients (attrition) Clients Actifs (activité) Revenu par recruté (Coût dacquisition) Coûts Revenus Revenu par client Coûts Revenus Durée de vie LTV

15 MENU Modèles daide à la décision en MKG © Desmet Pierre Blattberg & Deighton (1996) Application

16 MENU Modèles daide à la décision en MKG © Desmet Pierre Blattberg & Deighton (1996) Illustration (2)

17 MENU Modèles daide à la décision en MKG © Desmet Pierre Blattberg & Deighton (1996) Illustration (3)

18 MENU 18 Plan commercial RFM Prévision agrégée dune activité marketing direct basée sur les comportements au niveau individuel

19 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle Capital client désagrégé : Segmentation RFM Grandes étapes Modèle structurel : équation de comportement Segmentation : Construction des Classes de clientèle Transition (flux) entre les classes (Processus de Markov) : Détermination des Transitions entre les classes Calcul de la Valeur vie entière (LTV) / valeur actuelle nette dun client recruté

20 MENU Modèles daide à la décision en MKG © Desmet Pierre Les segmentations comportementales Critères comportementaux Acheteurs / non acheteurs Durée de la relation R Récence du dernier achat F Fréquence des achats M Montant des achats T Type de produit Calcul dun score RFM à partir de données comportementales connues Simplicité, automaticité Importance respective des lettres : R > F > M Validée dans plusieurs secteurs (VAD, Presse,…) Mais pas tous (collecte de fonds) Segmentation RFM Segmentation FRAT

21 MENU Modèles daide à la décision en MKG © Desmet Pierre Etapes dun modèle dynamique de Plan commercial Équation dactivité (CRC, MMC, …) établir un profil dactivité calculer des indicateurs : récence, fréquence, montant, construire des classes de clientèles calculer les transitions entre ces classes de clientèles mesurer lactivité des classes étudier lattrition des classes tester l hypothèse de stationnarité simuler les conséquences des décisions déterminer la valeur dun client (LTV)

22 MENU Modèles daide à la décision en MKG © Desmet Pierre Source : Hughes A.M Des taux de réponse décroissants

23 MENU Modèles daide à la décision en MKG © Desmet Pierre Mise en œuvre de la segmentation RFM Choix dune périodicité trimestre, semestre, année Calcul du vecteur dactivité Variables binaires avec 1 = achat, 0 sinon Lactivité la plus récente est généralement représentée à gauche Souvent 4 périodes [ ]

24 MENU Modèles daide à la décision en MKG © Desmet Pierre Calcul de classes RF Par une pondération binaire (Activité) RF = 2 3.A (t-1) A (t-2) A (t-3) A (t-4)

25 MENU Modèles daide à la décision en MKG © Desmet Pierre Calcul de scores RFM Par une pondération binaire (Montant) RFM = 2 3.M (t-1) M (t-2) M (t-3) M (t-4)

26 MENU Modèles daide à la décision en MKG © Desmet Pierre Regroupement des RF en Classes de clientèle (CC) Tableau croisé Récence-Fréquence Fréquence Récence RF8RF12 RF10 RF9 RF14 RF13 RF11 RF15 1 RF4RF6 RF5 RF7 2 RF2RF3 3 RF1 >3RF0

27 MENU Modèles daide à la décision en MKG © Desmet Pierre Flux entre les classes de clientèles Regroupement en CC classes de clientèle Ex TBC = (F>2 ) & (R<1) Suivi des flux entre les classes de clientèle …

28 MENU Modèles daide à la décision en MKG © Desmet Pierre Utilisation en simulation Etude du comportement de chaque CC CA = MMC * CRC * TA* Effectifs Montant, Répétition, Activité Calcul des fréquences relatives de transition entre les classes assimilées à des probabilités de transition (t-> t+1) dune classe à lautre si la matrice est stable dans le temps Simulation à partir dune cohorte recrutée en première période

29 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration Plan à moyen terme

30 MENU Modèles daide à la décision en MKG © Desmet Pierre Récence-Fréquence et Classes

31 MENU Modèles daide à la décision en MKG © Desmet Pierre Matrice de transition

32 MENU Modèles daide à la décision en MKG © Desmet Pierre Evolution prévisionnelle

33 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration : téléphonie mobile, effet de lallongement de la durée dabonnement

34 MENU Modèles daide à la décision en MKG © Desmet Pierre Application approfondie : Fleurs de Beauté Fleurs de Beauté par D. BRAURE et L. FIEVET de la Société La Redoute Présentation du cas : fdbeaute.docfdbeaute.doc Feuille excel A : FdBeauteA.xlsFdBeauteA.xls Feuille excel C : FdBeauteC.xlsFdBeauteC.xls

35 MENU 35 Modèles stochastiques dachat Prévision agrégée au niveau des marques basée sur des hypothèses au niveau individuel

36 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles stochastiques Quel comportement/processus prendre en compte ? Le Choix binaire : Achat / non achat multinomial Entre des magasins, marques ou conditionnements (MNL) Hiérarchique : type / conditionnement / marque Autres choix : Le moment : quand ? Les quantités : combien ? Lattrition : survie ? Choix complexe Combinaison de Quoi ? Quand ? Où ? Combien ? Options Ensemble des alternatives et hypothèse Sans et avec variables explicatives Sans et avec hétérogénéité entre des segments

37 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Principe : Modèles à plusieurs niveaux Analyse au niveau de cohortes clients recrutés par la même opération, même moment Modélisation de lactivité/nb dachats par période en supposant Que le comportement résulte de plusieurs processus Qui suivent un certain « modèle » (loi statistique) Niveau 1 Dont les paramètres peuvent être spécifiques à chaque individu mais sont distribués selon un autre modèle (loi statistique) Niveau 2 Niveau 1 : comportement Nombre (achats) : Comptage -> Poisson Action (achat, click,…) oui / non : Binomial Mortalité (0/1 cumulé) : Exponentiel, Weibull Niveau 2 : distributions « souples » des paramètres individuels Beta / Gamma Niveau 3 : agrégation sur plusieurs périodes 37

38 MENU Modèles daide à la décision en MKG © Desmet Pierre Niveau 1 : le comportement Nombre dachats : loi Poisson avec 1 paramètre

39 MENU Modèles daide à la décision en MKG © Desmet Pierre Niveau 2 : distribution du paramètre sur la population Distribution Beta

40 MENU Modèles daide à la décision en MKG © Desmet Pierre Niveau 2 : distribution du paramètre sur la population Distribution Gamma

41 MENU Modèles daide à la décision en MKG © Desmet Pierre Comportement dachat Hypothèses Hypothèse de comportement selon la durée de la mémoire Sans mémoire : Binomial Mémoire courte (1, 2) : Processus markovien Mémoire longue : Modèle dapprentissage Hypothèse dhétérogénéité des paramètres individuels Lindividu suit un processus avec ses paramètres Les paramètres individuels suivent, eux mêmes, une loi sur lensemble de la population Exemple Dirichlet, NBD : Poisson & Gamma

42 MENU Modèles daide à la décision en MKG © Desmet Pierre Un exemple en collecte de fonds

43 MENU Modèles daide à la décision en MKG © Desmet Pierre Réachat : Modèle Binomial (homogène) illustration Fréquence dun événement (0/1) = P (n).(1-P) (N-n)

44 MENU Modèles daide à la décision en MKG © Desmet Pierre Réachat : Processus Markovien illustration

45 MENU Modèles daide à la décision en MKG © Desmet Pierre Réachat : Modèle dApprentissage linéaire illustration

46 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Combinaison des deux niveaux par un choix judicieux des deux lois statistiques La combinaison des deux lois statistiques, qui se combinent bien, donne une distribution « simple » des probabilités Estimation : Maximum de vraisemblance, Approche bayesienne, Méthode des moments, Exemple : Modèle NBD ( negative binomial distribution ) Comportement : Loi de Poisson avec un paramètre i Le paramètre i suit une loi Gamma Intégration Distribution résultante agrégée P(X=x) = (G( +x)/(G( ).x!)).( /( +1)). ( /(1+ )) x. Moyenne : / Variance : ( +1)/ Agrégation sur plusieurs («t »)périodes Distribution de Poisson de paramètre :.t P(X=x) = (G( +x)/(G( ).x!)).( /( +t)). (t /(t + )) x. Moyenne : t / 46

47 MENU Modèles daide à la décision en MKG © Desmet Pierre Différentes combinaisons Un comportement Achat – BB : Binomial, Beta Nombre dachats - NBD : Poisson, Gamma Feuille : Un achat et un choix : Modèle Dirichlet Achat dans la catégorie : NBD (Poisson + Gamma) Choix dune marque : Modèle dirichlet multinomial Feuille : Achat et Attrition (et éventuellement correction pour les 0) Pareto / NBD (Schmittlein, Morrison et Colombo, 1987) BG / NBD : Exponentiel et Beta (Fader, Hardie et Lee, 2005) Feuille :

48 MENU Modèles daide à la décision en MKG © Desmet Pierre NBD (Poisson & Gamma)

49 MENU Modèles daide à la décision en MKG © Desmet Pierre BG / NBD Beta géométrique NBD

50 MENU 50 Hendry model Modèle de structure de marché

51 MENU Modèles daide à la décision en MKG © Desmet Pierre Concurrence : Modèle de structure de marché de la Hendry Corp. Objectif : Déterminer si des marques sont « en concurrence directe » Si cest le cas alors : « le transfert des achats entre les marques est proportionnel au produit de leurs parts de marché » Hypothèses (Kalwani & Morrison, 1977) Les consommateurs ont un processus dachat stochastique dordre 0 Le transfert entre 2 marques en concurrence directe (i et j) pour deux occasions dachat successives est fonction de leurs parts de marché (S) P ij = Kw.S i.S j

52 MENU Modèles daide à la décision en MKG © Desmet Pierre Hypothèse pour une marque Il y a une relation linéaire entre le taux de réachat (R) et la moyenne (m) R= repeat rate (pourcentage de ceux qui choisissent la marque aux 2 occasions. R=(1-m).c + c m = average share of category requirements for a specific brand (taux de nourriture moyen) Chaque marque a son « alpha », mi= c. i la somme de ces alphas donne « S » (la statistique dhétérogénéité) Paramètre dhétérogénéité S donne lieu au « contrast c » qui est une mesure standardisée de la variance c=1/(1+S) c = « contrast » unique pour toutes les marques (0<= c <= 1) K=1-C

53 MENU Modèles daide à la décision en MKG © Desmet Pierre Constante de transfert (Kw) Kw, la constante de transfert au niveau de la catégorie, est une mesure du degré de fidélité à la marque Cest le rapport entre le transfert observé et le transfert sous lhypothèse dhomogénéité des probabilités dachat des consommateurs 0 si tous les consommateurs sont fidèles 1 si les consommateurs sont homogènes dans leur processus et ont la même probabilité stable dacheter les marques Dans lapproche Hendry Corp., la constante de transfert (Kw) est déterminée en utilisant la notion dentropie sur les seules parts de marché S i part de marché de la marque i

54 MENU Modèles daide à la décision en MKG © Desmet Pierre Hendry (suite) Modèle pionnier des modèles Dirichlet Cette distribution des probabilités de transfert correspond à lhypothèse dune fonction de densité de la distribution suivant une distribution Dirichlet si 2 occasions dachat simplement Modèle Dirichlet = Distribution Dirichlet multinomial (DMD) Procédure : « essai-erreur » Élaboration dune structure par jugement dexpert Analyse de la qualité de lajustement fourni par le modèle Sur base de données de panel de consommateurs

55 MENU Modèles daide à la décision en MKG © Desmet Pierre Hendry (Application)

56 MENU Modèles daide à la décision en MKG © Desmet Pierre Hendry (fin) La structure de marché peut être Hiérarchique (choix successifs) : conditionnement / marque / Mixte : conditionnement * marque (approche globale du marché) Application aux médias Leckenby & Jishy, JMR, 1984 (Lire)Lire Biblio Kalwani and Morrison 1977, A parsimonious description of the Hendry system, Management Science, 23, 5 Rubinson, Vanhonacker, and Bass

57 MENU 57 Modèle Dirichlet Modèle de comportement dachat et de choix dune marque parmi « n »

58 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle DIRICHLET : Principe Source : Goodhardt, Gerald J., Andrew S.C. Ehrenberg, and Christopher Chatfield (1984), "The Dirichlet: A Comprehensive Model of Buying Behaviour," Journal of the Royal Statistical Society, 147 (part 5), Modèle stochastique donnant La distribution des probabilités du nombre dachat à une certaine période La probabilité que chaque marque soit achetée à chaque occasion dachat Principes Chaque acheteur a un vecteur de probabilités dacheter les marques Ces probabilités sont constantes mais différentes selon les individus (hétérogénéité) Lhétérogénéité est reflétée par leur répertoire de marque, leur fréquence dachat Intérêt Sert de référence pour un marché concurrentiel uniforme Simple à estimer sur données de panel ou données individuelles

59 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle DIRICHLET : Hypothèses Hypothèses (Ehrenberg, 2000) 1. Le taux dachat individuel est stable et distribué selon une fonction Gamma (beaucoup de petits acheteurs et quelques gros) 2. Les achats sont répartis indépendamment dans le temps selon une distribution de Poisson. 3. Les probabilités dachat des marques sont distribuées selon une fonction Beta (Dirichlet multivariée) 4. Pour chaque occasion dachat, le choix se fait en fonction des probabilités de choix des marques (multinomial ordre 0) 5. Lachat et le choix de la marque sont indépendants Conséquences sur les marchés adaptés Marché stationnaire (sans tendance) Marché concurrentiel (absence de niche)

60 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle DIRICHLET : Modèle conceptuel Potentiel Achat dans la catégorie Choix dune Marque / achat Poisson Gamma, Indépendants Dirichlet Multinomial Distribution (beta) NBD

61 MENU Modèles daide à la décision en MKG © Desmet Pierre Fonctions H marques, k achats Achat dans la catégorie Choix dune Marque / achat

62 MENU Modèles daide à la décision en MKG © Desmet Pierre Ressources Télécharger la feuille excel sur Une feuille avancée (Rungie et Goodhardt, 2004) : Biblio additionnelle Livre : Ehrenberg, A.S.C., (1972, New edition 1988), Repeat Buying, Charles Griffin & Co. Ltd., London, Oxford University Press, New York importance des hypothèses :

63 MENU 63 Modèles dattrition Prévision de la mortalité (event ) dun individu

64 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration : modèle de rétention Source : Cas Tintin (Desmet P. et Amat. P-M)

65 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles dattrition Mortalité commerciale (inactivité clientèle) Mesure de la « mort » Constat darrêt par un évènement : services dit « continus » Inférence : absence dactivité pendant un certain laps de temps Difficulté : les données sont « censurées » en dehors de lhorizon étudié Avant (date de création) et Après (date effective de décès des survivants) Hypothèses (spécification du modèle) Non paramétrique de Kaplan-Meier (actuarielle) Semi-paramétrique : Modèle de Cox - Risque proportionnel (proportional hazard, exponentiel) Paramétrique (vraisemblance) Fonctions Weibull, Gompertz, logistique Modèle multi-régimes Différence selon le temps discret ou continu

66 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle de Cox Fonction de risque et non probabilité absolue de survie Risque = probabilité de mortalité sur une période sachant que lindividu a survécu jusquà cette période Mesurer leffet de variables explicatives sur la fonction de risque Lélasticité de la fonction de risque à la variable Hypothèse (lourde) dun risque proportionnel : leffet dune variable est le même quelle que soit la période où lon se situe Modèle paramétrique (ou non) selon lhypothèse sur H0. Paramétrique : Lhypothèse dune distribution sous-jacente aux propriétés statistiques adaptées est intéressante (notamment pour lestimation) mais ne peut pas être directement testée.

67 MENU Modèles daide à la décision en MKG © Desmet Pierre En savoir plus Procédures SAS Logistic, Probit, Genmod PHREG (Cox risque proportionnel) PROC PHREG DATA =; MODEL delai*cens(1) = X 1 X 2 … X k ; LIFEREG (modèles paramétriques) PROC LIFEREG DATA =; MODEL delai*cens(1) = X 1 X 2 … X k / DIST=weibull; ou LIFETEST (test de différentes fonctions de survie) En savoir plus


Télécharger ppt "MENU 1 6. Modèles individuels : Valeur client."

Présentations similaires


Annonces Google