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 Modèles daide à la décision en marketing.

Présentations similaires


Présentation au sujet: "MENU 1 Modèles daide à la décision en marketing."— Transcription de la présentation:

1 MENU 1 Modèles daide à la décision en marketing

2 MENU Modèles daide à la décision en MKG © Desmet Pierre Le cours Objectifs Connaissances de base sur les principales méthodes quantitatives Mise en œuvre effective des méthodes par les étudiants (SAS) Confrontation aux problèmes concrets de préparation des données Contrôle : un mémoire à faire en groupe de 2 étudiants Animation : Lectures à faire avant le cours Travail sur des exemples en cours Bibliographie (lecture obligatoire) LILIEN G. et RANGASWAMY A. (1998), Marketing Engineering, Addison-Wesley

3 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Sommaire Modèle Modèle daide à la décision Démarche Cadre théorique Exemple simplifié Choix dune fonction pour représenter une relation 3

4 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Un modèle Une représentation descriptive ou comportementale de la « réalité » Physique (maquette) Graphique Verbale Statistique Une représentation plus « gérable » Réaliste Représentant « toutes » les connaissances disponibles Mais Simplifiée Qui permet dévaluer les conséquences des actions 4

5 MENU Modèles daide à la décision en MKG © Desmet Pierre Une décision marketing Choisir entre Des alternatives (scénarii): Ne rien faire, option A, option B En fonction dun critère, dun objectif : Profit, ROI, recrutement,… Max, Min, Maximin, Minimax Evalué dans un cadre temporel : CT, MT Avec un degré daversion au risque: [-2000; ], [ ; ] Soumis à des contraintes En fonction dun contexte Environnement Concurrence

6 MENU Modèles daide à la décision en MKG © Desmet Pierre Une aide à la décision Quels bénéfices ? Éclaircir le processus décisionnel (descriptif) En le formalisant En le faisant partager Evaluer les conséquences des politiques alternatives (explicatif/prédictif) Exploration de nombreuses alternatives Approche en simulation « what if » Recommander une décision (normatif) Toujours selon un point de vue spécifique (celui du décideur)

7 MENU Modèles daide à la décision en MKG © Desmet Pierre Un modèle daide à la décision pour quoi faire ? Un modèle peut aider un décideur à Avoir une politique cohérente « mieux » décider : faire moins derreur, meilleur choix « Mieux » … comparé à quoi ? Mais ne peut/doit pas décider à la place du décideur car Il reste responsable de ses choix Il ne veut pas déléguer son choix (ou na plus dutilité… ) Il na pas confiance dans un modèle toujours limité par ses hypothèses Le rapport coût/avantage est variable Coût délaboration De collecte des données De mise en œuvre du modèle

8 MENU Modèles daide à la décision en MKG © Desmet Pierre Quest-ce quun « bon » modèle ? Daprès J.D.C LITTLE, un « bon » modèle pour un manager est : Simple / Complet / Robuste/ Adaptable / Compréhensible Il doit Être bien spécifié Avoir les bonnes variables, variables daction, représentation des effets, des interactions … Être estimé sur un échantillon représentatif Mode destimation, qualité des données Être valide et Robuste Validité faciale, descriptive, prédictive Ne pas fournir de résultats incohérents, inadmissibles Être utile Coût, délai, facilité, autonomie Compréhension

9 MENU Modèles daide à la décision en MKG © Desmet Pierre Limites dun modèle daide à la décision Tout raisonnement sappuie sur un modèle sous-jacent Cette représentation est-elle adaptée ? Le choix dun individu est-il « rationnel » ? En fonction de quelle information ? Linformation utilisée L'information est imparfaite, biaisée, tronquée la mémoire, humaine ou virtuelle, est imparfaite, infidèle Les études ne peuvent pas prédire le futur, mais plutôt, Reconstitue le passé et le présent, plutôt que futur Aide à la COMPREHENSION des phénomènes actuels Réduit L'INCERTITUDE Le coût du modèle est-il justifié ? Élaboration et Mise en œuvre Utilisation

10 MENU Modèles daide à la décision en MKG © Desmet Pierre Démarche 1. La décision marketing : les scénarii, les critère de choix Variable daction à déterminer « prix » Contraintes Budget ; Prix >0 Déterminer les alternatives envisageables (options, scenarii) Ne rien faire Modifier : +25%, -25% Fonction objectif (maximiser / minimiser) Définir la variable à optimiser : Profit Maximisation du profit (Minimisation de la perte) Lhorizon considéré

11 MENU Modèles daide à la décision en MKG © Desmet Pierre Démarche 2. Lunivers à prendre en compte Lunivers concerné les acteurs à prendre en compte Les marchés, produits, magasins concernés Les cibles-segments de consommateurs Utiliser des indices Lacteur (i) (prescripteur, décideur, acheteur, consommateur,…) Lobjet étudié (j): la marque, le conditionnement Le lieu dachat (k): canal, enseigne La période (t)

12 MENU Modèles daide à la décision en MKG © Desmet Pierre Démarche 3. Un cadre conceptuel Il relie la décision (gauche) au critère dévaluation (droite) avec éventuellement un effet retour (feedback) Profit = CA –CT = p.q – c.q – CF Avec une fonction de demande q= f(p) Il présente les hypothèses sur « la vision du monde » Univariées : Les distributions Multivariées : Les relations entre les variables Composantes Des concepts, des variables (boites) Des relations entre les variables (flèches) Construction Partir de la variable de décision (gauche) vers lobjectif (à droite) « Revenir » sur les principaux déterminants de lobjectif (de droite à gauche) Un « programme de fidélité » augmente la fidélité Mais nest quun déterminant mineur de la fidélité

13 MENU Modèles daide à la décision en MKG © Desmet Pierre Cadre conceptuel exemple 1 Modèle de décomposition du chiffre daffaires en distribution CA= CA CA = (CA/Paniers)* (Paniers/Acheteurs)*(Acheteurs/Potentiel)*Potentiel CA = Panier_Moyen* Répétition * Pénétration * Marché potentiel

14 MENU Modèles daide à la décision en MKG © Desmet Pierre Cadre conceptuel Exemple 2 : Panel distributeur Exemple Iri : Tartare switch 180g / 150g

15 MENU Modèles daide à la décision en MKG © Desmet Pierre Démarche : 3. Des hypothèses Hypothèses « validées » par Les connaissances générales en marketing Expertise, expérience des décideurs Etude qualitative (autres acteurs) Etude documentaire Relevés de comportements Données internes Panels de magasins (ou maintenant recensement) Panels dindividus ( ménages, agriculteurs, médecins,…) Observation des comportements Enquête et Sondage Identification des hypothèses « à valider »

16 MENU Modèles daide à la décision en MKG © Desmet Pierre Démarche 3. Des hypothèses « à valider » Contexte : Expérimentation et manipulation En zone test / En réel (in vivo) Comportement réel Laboratoire (in vitro) Comportement simulé Hors contexte Déclaration, intention de comportement (questionnaire) Scénarios Qualité de linformation Réalisme de la mise en condition Qualité (erreur, non réponse,…), précision, fraîcheur Arbitrage : contrôle / validité externe Des intentions, attitudes ou des Comportements Des ventes, des achats ou des acheteurs ?

17 MENU Modèles daide à la décision en MKG © Desmet Pierre Démarche 3. Formalisation de la relation entre les variables Association (corrélation) ou causalité (détermination) Sens de la relation Y =f(x); x=f(Y) Signe de la relation Monotone : positive, négative (dérivée première) Linéaire, acc/decélération, sigmoïde(dérivée seconde) Curvilinéaire : « U » inversé, Force de la relation Délai Immédiat Décalé : anticipé ( lead ) ou retardé ( lag )

18 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Démarche 4. Estimer les paramètres Collecte de linformation Horizon, détail, Expérimentale-naturelle, Individuelle-agrégée, Subjective-objective Organisation des échantillons Travail Validation Estimation Ajustement statistique, Calibrage subjectif Validation Étude de la validité Faciale (Interprétation des coefficients) Étude de la validité Prédictive Développement du modèle normatif 18

19 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple : Pricing 1. Décision marketing Une entreprise de PGC Coût variable =5, coûts fixes = 80 Actuellement : Prix = 9, Q= 24, CA = 216, Profit=16 Pression des actionnaires pour plus de rentabilité La conjoncture est difficile, les clients plus sensibles au prix,… Votre prédécesseur avait fait effectuer un test de prix Quelle recommandation faites vous au responsable marketing pour sa politique de prix ?

20 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple : Pricing 1. Décision marketing Analyse générale de la situation Contrôle réel du prix ? B_to_B_to_C Décision du distributeur ? Possibilité de revenir en arrière Réaction des concurrents Quel niveau de risque acceptable ? Décision Un seul produit ? Promotion ou réduction finale du prix ?

21 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple : Pricing 2. Modèle conceptuel : Quel est leffet du prix ? Marque i, période t Lhypothèse « à valider » est la force de la relation entre p et q Prix i, t q i, t Prix j, t Prix i, t+1 Coût i, t Profit i, t CA i, t Prix i, t q i, t Profit i, t Modèle simplifié Modèle plus développé

22 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple : Pricing 3. Quelle relation prix et quantités ? Théorie : le prix joue 2 rôles Signal de qualité : p+ = qualité + Cherté p+ = q – Documentaire : lélasticité en PGC est aux environs de -2 Etude des données ad-hoc Etude à la marge : +/- 1 euro / prix actuel Etude globale : toutes les données Effet des variables non contrôlées Prise en compte des données brutes Intégration de variations aléatoires (aléas)

23 MENU Modèles daide à la décision en MKG © Desmet Pierre Descriptif : Fonction de réponse q=f(p) q = a+b.p

24 MENU Modèles daide à la décision en MKG © Desmet Pierre Estimation statistique Essai- Erreur, statistique ou optimisation (Solveur excel) Solveur : Formaliser le problème 1 Un critère2 A maximiser ou Minimiser 3 Des variables4 Des contraintes Attention ! UNE solution pas LA solution (opt local) Analyse de sensibilité Valeurs de démarrage Gradient : lent, pb de convergence, peu de mémoire Newton : calcul dérivées secondes

25 MENU Modèles daide à la décision en MKG © Desmet Pierre Mesurer la sensibilité Elasticité prix = ( q/q)/( p/p) = q% / p% = ( q/ p)*(p/q) Lien avec la fonction de demande : élasticité constante ? q= a + b*p ou q= a.p b

26 MENU Modèles daide à la décision en MKG © Desmet Pierre Approche normative Profit = CA – CT Profit = p.q – c.q – CF = (p-c).q – CF Point mort : Profit = 0 0 = (p-c).q – CF q* = CF / (p-c) Profit optimal (Max Profit) Dérivée première = 0 Dérivée seconde < 0 Rm = Cm Selon la fonction de demande Linéaire, solution analytique : Dorfman & Steiner P= c. [e/(1+e) ].[1/(1-marge dist) ] Non linéaire, recherche numérique

27 MENU Modèles daide à la décision en MKG © Desmet Pierre Normatif : Détermination de la « meilleure » décision : = g(p)

28 MENU Modèles daide à la décision en MKG © Desmet Pierre Choix dune fonction pour représenter une relation Y = f(X) Selon le domaine de définition Sur Y : Minimum / Maximum (saturation) Sur X : Positif – Négatif / Début à 0 Entre X et Y (dérivées première et seconde) Dérivée première Signe constant (monotone) Signe variable (super-saturation) Rendements constants : stables / croissants / décroissants Rendements évolutifs (courbe en « S ») Croissants puis décroissants Symétriques ou dissymétriques Localisation du point dinflexion Saunders, J. (1987), "The specification of aggregate market models", European Journal of Marketing, Vol. 21 No.2, pp.5-47

29 MENU Modèles daide à la décision en MKG © Desmet Pierre Fonction de réponse linéaire Y = a + bX Linéaire simple : q=a + b.p Simple à estimer Simple à interpréter et à utiliser Effet marginal constant dq/dp = b Élasticité variable et non constante dq%/dp% = b.p/q = b.p/(a+b.p) = 1/( 1+a/b.p ) ? Validité de la linéarité Au moins locale Ne pas utiliser le modèle pour simuler en dehors de sa zone de définition P1: Through OriginP2: Linear Y X Saunders, J. (1987), "The specification of aggregate market models", European Journal of Marketing, Vol. 21 No.2, pp.5-47 Y X

30 MENU Modèles daide à la décision en MKG © Desmet Pierre Fonctions à rendements constants (croissant / décroissant) Rendements constants Leffet dépend du niveau de la variable Souvent rendements décroissants Car effet de « saturation » Exemple : le linéaire, la publicité,… P3:Decreasing Returns (concave) P5:Increasing Returns (convex) P7: Threshold Saunders, J. (1987), "The specification of aggregate market models", European Journal of Marketing, Vol. 21 No.2, pp.5-47

31 MENU Modèles daide à la décision en MKG © Desmet Pierre Traduction algébrique Racine fractionnaire : Y = a + bX c simple et flexible; c prédéterminé c=1/2 racine carrée, c=-1 modèle réciproque Si a=0, « c » est lélasticité Semi-log: Y = a+b.ln(X) x > 0 Exponentiel : Y = a e bx x > 0 Ln Y = Ln a + b.x rendements croissants (b>0); souvent utilisé pour les prix (P7) Exponentiel modifié : Y = a (1 – e –bX ) + c bornes c et a+c; rendements décroissants

32 MENU Modèles daide à la décision en MKG © Desmet Pierre Fonctions de réponse non linéaires mais linéarisables P4: Saturation Q P8: Super-saturation P6: S-shape Saunders, J. (1987), "The specification of aggregate market models", European Journal of Marketing, Vol. 21 No.2, pp.5-47

33 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles linéarisables

34 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles non linéaires Rendements variables Utile si un intervalle large est étudié pour la variable de décision Prise en compte Du point de début : Si pub=0, ventes = 0 ? De rendements dabord croissants Puis de rendements décroissants Contraintes Minimum et Maximum à déterminer en plus Poser ? (part de marché [0;1])

35 MENU Modèles daide à la décision en MKG © Desmet Pierre Fonctions sigmoïdes Monotone mais non linéaire Logistique facile à estimer; saturation en a+d; symétrique autour de d+a/2 a>0; 1>b>0; c<1 Le rapport de différence successive en 1/Y est constant Gompertz Moins facile à estimer que la logistique a>0; 1>b>0; c<1 Le rapport de différence successive en log(Y) est constant ADBUDG (Little 1970; Little & Lodish 1981) Courbe en S si c>1, concave si 0

36 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles sigmoïdes en « S » : application

37 MENU Modèles daide à la décision en MKG © Desmet Pierre Estimation des paramètres : méthode des moindres carrés Fonction objectif de Maximisation de la vraisemblance Minimisation des écarts (prévu-réel) au carré (MCO), en valeur absolue Hypothèse sur les erreurs IID : indépendant et distrib identique Normalité Écart-type constant (homoscédasticité) Écart-type indépendant des Autres erreurs (non auto-corrélation) Valeurs de Y Hypothèse sur les effets Linéaire Indépendance des x (non multi-colinéaires)

38 MENU Modèles daide à la décision en MKG © Desmet Pierre Estimation par optimisation : « Calibration » de données subjectives Trouver un jeu de paramètres qui fournit une solution acceptable Une approche utilisée pour la paramétrisation de données subjectives fournies par des experts Demander au décideur ce qui se passerait en Y selon différents scénarios pour X Base Base*(+50% ou – 50%) Aucune action Action « infinie » Permet dexplorer des bornes pour lesquelles les données sont rarement disponibles

39 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Cas DBM (1) Contexte et Question Contexte Votre produit est un produit de consommation courante dont le principal budget marketing est celui de la « promotion ». Votre entreprise a divisé le marché français en 4 zones. Le coût du capital retenu dans lentreprise pour évaluer la rentabilité des dépenses envisagées est de 10%. Question Présentez votre recommandation concernant le budget promotionnel et son allocation entre les quatre zones au Comité Marketing. Format Power point en anglais, maximum 10 pages hors annexes. Un groupe sera tiré au sort pour présenter son travail. Après un descriptif de la situation, vous définirez votre objectif et vos contraintes éventuelles puis vos recommandations. Les justifications de vos recommandations seront portées en annexe (comparaison des différents scenarii que vous avez pu simuler). 39

40 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Cas DBM (2) Données Les données comptables et commerciales sont les suivantes 40

41 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Cas DBM (3) « calibrage subjectif des fonctions de réponse » Pour vous aider dans votre allocation, vous avez demandé à vos responsables de zone dévaluer les conséquences sur leurs ventes de différents niveaux de budget promotionnel (en % du budget actuel). Ces réponses peuvent servir à un « calibrage subjectif » de fonctions de réponses du marché au budget marketing. 41

42 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Cas DBM (4) : Calibration des fonctions de réponse 42

43 MENU Modèles daide à la décision en MKG © Desmet Pierre 2014 Cas DBM (5) Allocation optimale Définissez votre décision à prendre (options, objectif,…) Configurez le solveur pour traiter le scenario Comparer différents scenarii 43


Télécharger ppt "MENU 1 Modèles daide à la décision en marketing."

Présentations similaires


Annonces Google