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 4. Modèles sur données individuelles Mapping – Analyse conjointe - Logit.

Présentations similaires


Présentation au sujet: "MENU 1 4. Modèles sur données individuelles Mapping – Analyse conjointe - Logit."— Transcription de la présentation:

1 MENU 1 4. Modèles sur données individuelles Mapping – Analyse conjointe - Logit

2 MENU Modèles daide à la décision en MKG © Desmet Pierre Problématique générale Reconstituer les ventes pour les alternatives (produits) proposées en fonction des caractéristiques Différentes problématiques Analyse des données comportementales (panel, BDD) Elaboration du lien entre les caractéristiques produit et les préférences exprimées (Analyse conjointe) (déclaration, enquête) Construction de lunivers des représentations perceptuelles Des produits (analyse des similarités-proximités), holistique, décomposition Des attributs (positionnement ACP), composition

3 MENU Modèles daide à la décision en MKG © Desmet Pierre Approche théorique du Comportement du client Processus de décision Décision individuelle ou collective Information disponible, recherchée, prise en compte Composantes de la valeur : utilitaire, hédonique, sociale Sélection et Evaluation des alternatives (poids des critères) Préférence, intention dachat, choix Segmentation Situation de consommation, implication Bénéfices recherchés (valorisation des attributs) Habitudes de consommation, caractéristiques individuelles Déterminants Situation et besoins, motivation Produits : Ensemble évoqué, de considération Attributs : considération, point de référence

4 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle conceptuel Perceptions des niveaux sur les attributs {Attributs} Valorisation des niveaux - Estimée - Déclarée Préférence relative Choix Intention dachat Achat Comportement Référence INDIVIDUEL SEGMENT MARCHE { E de considération } Achat (t-1) Elasticités Ventes

5 MENU 5 Modèles dévaluation compensatoire Analyse conjointe et Trade-Off

6 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple introductif Illustration Brand-price trade-off (BPTO)

7 MENU Modèles daide à la décision en MKG © Desmet Pierre BPTO par Régression linéaire

8 MENU Modèles daide à la décision en MKG © Desmet Pierre BPTO par Programmation linéaire

9 MENU Modèles daide à la décision en MKG © Desmet Pierre Analyse conjointe : Utilité déterministe Hypothèse À partir dune utilité additive Cadre du modèle de Lancaster : séparabilité des attributs Objectif : Déterminer les utilités partielles attribuées aux attributs et à leurs modalités Procédure Collecter des choix dans un cadre expérimental Avec profil complet ou attributs 2 à 2 (trade off) Utilisation Très courante pour les décisions produit et les décisions de prix

10 MENU Modèles daide à la décision en MKG © Desmet Pierre Définition Lanalyse conjointe est une famille de méthodes détudes de marché visant à obtenir, reconstituer et simuler des choix individuels Elle correspond à létude des variations autour dun point déquilibre le gain sur une dimension nécessite une perte sur une autre Elle appartient à la classe des modèles de composition (approche formative)

11 MENU Modèles daide à la décision en MKG © Desmet Pierre Problématiques Problématique Marketing Evaluer lattrait dune variante produit/service Selon ses caractéristiques et les niveaux des modalités Pourquoi ? Fixation du prix Modification dun attribut, de la quantité … Evaluation dun nouveau produit Problématique Etude Reconstituer au mieux les préférences (ou les choix) individuels Déterminer les utilités partielles attribuées aux caractéristiques Pour chaque segment de clientèle

12 MENU Modèles daide à la décision en MKG © Desmet Pierre La base théorique Modèle économique de séparabilité des utilités (Lancaster) Le produit vu comme un panier (« patchwork ») dattributs Indépendants (modèle additif) ou en interaction (modèle configural) Modèle d'attitude (préférence), linéaire et compensatoire Un consommateur informé, rationnel Composantes de l'attitude COGNITIVE : les connaissances, croyances, perceptions AFFECTIVE : évaluation / préférences CONATIVE : intention dachat / choix Modèle multi-attributs (Fishbein) A = lattitude vis-à-vis de lobjet présenté a i = lévaluation de lobjet sur lattribut i (i ={1,...K}) i = le poids accordé à lattribut i

13 MENU Modèles daide à la décision en MKG © Desmet Pierre Cadre théorique Perceptions Xij Performance - Achats - Ventes Ensemble de Considération I Contributions Wj Valorisation Préférences Yi Choix Cj Intention dachat IA i Attributs / Modalités J Stimuli Règle Agrégation Segmentation Conception Mesure Analyse Simulation

14 MENU Modèles daide à la décision en MKG © Desmet Pierre Cadre opérationnel X (i,j) W (j) Rang Y (i) Utilité Y^ (i) Ecart à minimiser Rang estimés Y (i) Alternatives = Données collectées

15 MENU Modèles daide à la décision en MKG © Desmet Pierre Attributs Faire une étude qualitative Quels attributs et modalités ? Objectif ou perçu ? Modalités réalistes Attributs à retenir Attributs indépendants (attention multi-colinéarité et super-attribut) Attributs déterminants (important et différence sur le marché) Positifs et négatifs Décrivent complètement le produit Manipulables et Communicables

16 MENU Modèles daide à la décision en MKG © Desmet Pierre Attributs Le prix : son importance dépend De la présence des attributs « positifs » (qualité) Lien avec la marque Irréalisme de certaines alternatives (qualité + et prix -) Le nombre dattributs ne doit pas être trop élevé (< 7 ) sinon Autres techniques : Combinaison avec lauto-expliqué (ter Hofstede, Kim and Wedel 2002); Conjoint Adaptive Ranking Database System (CARDS, Dahan 2007); Modèle adaptatif self-expliqué (Netzer and Srinivasan 2007)

17 MENU Modèles daide à la décision en MKG © Desmet Pierre Modalités quels niveaux retenir sur les attributs (étendue) ? Quel nombre ? Accroître le nombre de niveaux réduit la multi-colinéarité mais peut aussi réduire le réalisme Tendre vers le même nombre de modalités entre les attributs Valeurs minimales et maximales à fixer au regard des études quali et pré-test Interpolation PAS dextrapolation Entre les extrêmes Peu de niveaux : 2 et 4 niveaux intermédiaires suffisamment distincts permettant linterpolation Si trop de niveau, Faire un classement Utiliser quelques niveaux intermédiaires

18 MENU Modèles daide à la décision en MKG © Desmet Pierre Combinaison des attributs Les stimulis Quels modes de présentation ? Papier, ordinateur, web, téléphone Description verbale, dessin-image, objet réel Quel plan ? Plan expérimental fixe ou Plan adaptatif Plans complets Plan factoriel : 2 variables (X, Y), même nombre de modalités (2) 3 modalités -> 3² groupes = 9 groupes 3 var, 3 modalités ->27 groupes Plan factoriel 2 variables Xy Groupe 111 Groupe 212 Groupe 321 Groupe 422 Carré latin 3 variables X1X2X3 Y1Z1Z3Z2 Y2Z3Z2Z1 Y3Z2Z1Z3 3 Carré Gréco-latin 3 variables X1X2X3 Y1Z1W1Z2W3Z3W2 Y2Z2W2Z3W1Z1W3 Y3Z3W3Z1W2Z2W1

19 MENU Modèles daide à la décision en MKG © Desmet Pierre Combinaison des attributs Les stimulis Plan factoriel en blocs aléatoires Groupage des individus selon une variable à contrôler Plans factoriel fractionnés orthogonaux Carré latin : 3 variables (X, Y, Z), à 3 modalités le groupe 3 reçoit [X3, Y1, Z2] 27 combinaisons réduites à 9 scénarios Autres tailles Gréco-latin : 4 variables Hyper-gréco-latin : 5 variables Plans reliés (bridged) Plackett-Burman …

20 MENU Modèles daide à la décision en MKG © Desmet Pierre Les réponses Quelles réponses ? Préférence, classement, Réponse plus facile, administration difficile-longue Note, Allocation de 100 points, choix Réponse et administration facile, moins de discrimination (égalités) Demander explicitement lintention dachat Le jugement comparatif ne suffit pas À partir de quel niveau il ny a plus achat

21 MENU Modèles daide à la décision en MKG © Desmet Pierre Hypothèses de valorisation des attributs Hypothèses classiques Rationalité, transitivité, Modèle dévaluation compensatoire 2 modalités (+;-) se compensent : + cher mais qualité supérieure Les alternatives doivent donc être assez comparables Modèle dévaluation monotone « Plus » est toujours « mieux » Classer les modalités, inverser les attributs Modèle dévaluation linéaire Pour les attributs continus (prix,…) Toutes les alternatives évaluées sont supposées connues Si le choix est lexicographique Faire une première étape dacceptabilité/rejet

22 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle de valorisation Règle de composition : Linéaire : V(X) = a + b X Linéarisable V(X) = a + b f(X) Point à point, linéaire par partie (part-worth) V(X) = a + b X (si x x0) Avec « point idéal » (anti-idéal si min) V(X) = a + b X (si x I) Avec seuilV(X) = a + b X (si x=>x0) Avec quadratiqueV(X) = a + b X + c X² Avec interactionV(X) = a + b X + c X.Y Tous les attributs suivent-ils le même profil ? Effet selon la position relative / à la référence Effet si négativement perçu Effet si positivement perçu Exemple : satisfaction

23 MENU Modèles daide à la décision en MKG © Desmet Pierre Evolution des méthodes Auto-expliqué (self explicated) 100 points entre les attributs 0 à 10 sur les modalités Approche simplifiée (Marque contre prix, BPTO) Analyse conjointe simple Modèle mixte (CCA) Évaluation des modalités & Réponses sur les alternatives Modèle adaptatif (ACA) Pilotage de la collecte en fonction des réponses précédentes Et des poids indiqués pour les modalités et attributs Modèle hybride (Prendre en compte des variables individuelles) « Choice based conjoint » Choix entre deux alternatives Choix dachat ou non dune alternative mettre à zéro les modalités du non-choix

24 MENU Modèles daide à la décision en MKG © Desmet Pierre Les méthodes danalyse Réponse quantitative (échelle dintention dachat, partage de 100 points,…) ANOVA Régression avec variables auxiliaires Faible nombre de degrés de liberté si lestimation est faite au niveau individuel Nécessité de poser une contrainte sur les coefficients : soit wj1= 1 soit wjk=0 mais violation des hypothèses sur les résidus Réponse ordinale (Classement) MONANOVA (Anova avec monotonicité) Programmation linéaire (LINMAP) et analyse de sensibilité Logit ordonné Réponse multinomial Choix parmi n options Logit multinomial Réponse binaire : Binaire : IA oui / Non - Logit

25 MENU Modèles daide à la décision en MKG © Desmet Pierre Hypothèse sur les erreurs Si lhypothèse IIA nest pas vérifiée Différentes possibilités de modéliser la distribution de la (ou des) variable derreur pour intégrer Lhétéroscédasticité : les variances des erreurs sont différentes selon les alternatives La corrélation entre les erreurs de deux alternatives (proximité concurrentielle plus forte)

26 MENU Modèles daide à la décision en MKG © Desmet Pierre Qualité Fiabilité Tester la stabilité du résultat en ré-estimant sur des sous-ensembles Dalternatives, de répondants Validité : Qualité de la reconstitution Dépend de la méthode danalyse Corrélation de Pearson (ou rho de Spearman), tau de Kendall (concordance) À faire sur un sous-échantillon indépendant (validation / hold out) Hypothèse de linéarité tient si R² multiple >

27 MENU Modèles daide à la décision en MKG © Desmet Pierre Interprétation Utilité dune alternative Somme des utilités partielles de ses modalités Poids dun attribut Absolu : Écart entre la valeur du niveau Max et du niveau Min Relatif : % de létendue = Absolu / (somme des poids abs des attributs) CRI conditional relative importance Interprétation des niveaux (Faire un graphique) Est-ce que le résultat A du sens ? A une portée pratique ? Valorisation financière des attributs par équivalence avec lutilité partielle du prix (Exemple : pour un hôtel) Prix 15 = 0.5; Prix 25 = 0.2 => 0.1 = 3.33 Si WC dans chambre =.6 => valeur monétaire = 20

28 MENU Modèles daide à la décision en MKG © Desmet Pierre Les règles des choix Passer de l« utilité » au choix Différentes règles de choix Utilité maximale U1= premier choix = 1 Utilité pondérée (ad-hoc) U1= 0.6; U2= 0.3; U3= 0.1 Part dutilité (BTL Bradley-Terry-Luce) Ui / (Uj) Règle Logit : Exp(Ui)/ Exp(Uj) Autre règle ad-hoc : utilités pondérées Ui / (Uj ) ( = 2)

29 MENU Modèles daide à la décision en MKG © Desmet Pierre Agrégation et Segmentation Les données de différents répondants sont-elles utilisées pour estimer des coefficients « communs » ? Modèle agrégé (Sans segmentation, modèle unique) Segmentation préalable (sur des caractéristiques individuelles) modèle unique sur chaque segment Exemple hotellerie Week-end / semaine Privé / Affaires, Pas remboursé / sur facture / au forfait,… Segmentation postérieure (sur les profils des utilités individuelles) Concomitante (classes latentes) Hétérogénéité individuelle Un modèle général mais des variations individuelles aléatoires sur les coefficients Modèle hiérarchique (Mixed)

30 MENU Modèles daide à la décision en MKG © Desmet Pierre En SAS : Design Design Simple macro (%mktruns) %mktruns( ) %mktruns( , max=23 ) Complet (%mktdes) %mktdes(factors=ingredient fat price=3 calories=2, n=18) %mktdes(factors=Ingredient Fat Price=3 Calories=2, n=18 procopts=seed=17) FACTEX OPTEX 1. Lire aussi

31 MENU Modèles daide à la décision en MKG © Desmet Pierre En SAS : Analyse Analyse : Proc TRANSREG model linear(y1-y3) = linear(x1-x4); ordinary multivariate multiple regression model monotone(y) = linear(x1-x4); monotone multiple regression model mspline(y) = linear(x1-x4); smooth monotone (quadratic spline) multiple regression model linear(y) = class(gp) spline(x/degree=1); parallel monotone curves, separate intercepts model monotone(y1) = class(x1-x3); monotone ANOVA (conjoint analysis), main effects model model monotone(y1) = point(x1-x3); PREFMAP or ideal point regression Lire aussi The Structure of Optimal Design Algorithms, Randall D. Tobias SAS technical report R-109 :

32 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemples en SAS

33 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle auto-expliqué Le répondant alloue 100 ponts en fonction de limportance perçue du critère

34 MENU Modèles daide à la décision en MKG © Desmet Pierre Application analyse conjointe simple Classement des préférences

35 MENU 35 Modèles de choix

36 MENU Modèles daide à la décision en MKG © Desmet Pierre Utilité aléatoire : Modèle de choix Un consommateur choisit lalternative qui maximise son utilité avec un modèle à utilité aléatoire avec:i= individu, j = alternative et k = attribut. U ij =Utilité du produit j pour l individu i V j =Composante déterministe de l utilité qui dépend des caractéristiques du produit et du fournisseur ij =Terme d erreur représentant la composante non-déterministe b ijk =valeur de l attribut k de l alternative j. w k =pondération de lattribut

37 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle Logit Le modèle LOGIT suppose que le terme d erreur ( ij ) suit une distribution spécifique (double exponentielle) Alors avec: p j =probabilité que lindividu choisisse l alternative j V j =utilité de lalternative j Binomial si 2 alternatives, multinomial logit (MNL) si plusieurs alternatives

38 MENU Modèles daide à la décision en MKG © Desmet Pierre Implication : leffet dune variable explicative nest pas constant Une mesure intervalle de lutilité suffit L effet marginal dun attribut est variable selon le niveau actuel des attributs Il est maximal quand la probabilité de choix sapproche de 0.5 Effet marginal dun attribut sur la probabilité de choisir une alternative Probabilité de choix d une alternative 0.5

39 MENU Modèles daide à la décision en MKG © Desmet Pierre Du tableau croisé au Logit

40 MENU Modèles daide à la décision en MKG © Desmet Pierre Implication (hypothèse lourde IIA) Hypothèse de lindépendance des alternatives non pertinentes IIA Independence of irrelevant alternatives Le rapport de deux probabilités de choix ne dépend pas des autres alternatives Logit : Une marque « tire » sa part de marché supplémentaire de la PdM des concurrents de manière proportionnelle à leur PdM (proportional draw) Pas de « proximité » concurrentielle des marques Hypothèse simplificatrice très utile mais dont il faut tester la validité Analyse des résidus Le modèle PROBIT suppose que le terme derreur suit une loi normale Son estimation est un peu plus complexe et peut limiter le nombre de variables explicatives mais nest pas soumise à lhypothèse IIA

41 MENU Modèles daide à la décision en MKG © Desmet Pierre Nombreuses variantes du logit Selon les variables explicatives (hypothèses sur les résidus en cas de réponses multiples par un même individu) Multinomial logistic regression (MNL) Variables des alternatives (produit): « Baseline » Conditional logit model Variables individuelles : Mixed logit model Les deux catégories de variables (alternatives et individuelles) en même temps

42 MENU Modèles daide à la décision en MKG © Desmet Pierre Utilisation du MNL dans les études de segmentation Idée fondamentale : segmenter la base des acheteurs selon la probabilité de choix de la marque Fidèles à la marque Fidèles au concurrent Volages : à gagner à perdre Modélisation des préférences individuelles (Guadagni et Little) Introduction dune variable de fidélité (marque, conditionnement) Fidel(t) = (1-a).Fidel(t-1) + a.Choix (quel lissage ?) Mais attention à la relation avec les variables explicatives Difficulté dinitialisation Durée et forme de linitialisation conséquence sur la composition de léchantillon

43 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple

44 MENU Modèles daide à la décision en MKG © Desmet Pierre Modélisation intégrée (ex Price Challenger © GFK)Price Challenger Sur lensemble évoqué, par simulation aléatoire ( shopping game ) Avec ajustement de lélasticité sur celle obtenue avec des données de panel équation de probabilité dachat avec effet de prix rond et équation de quantité achetée


Télécharger ppt "MENU 1 4. Modèles sur données individuelles Mapping – Analyse conjointe - Logit."

Présentations similaires


Annonces Google