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

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

Analyse conjointe Pierre DESMET Master MARKETING / Pierre Desmet.

Présentations similaires


Présentation au sujet: "Analyse conjointe Pierre DESMET Master MARKETING / Pierre Desmet."— Transcription de la présentation:

1 Analyse conjointe Pierre DESMET Master MARKETING / Pierre Desmet

2 Cadre théorique et Hypothèses Variantes et terminologie Méthodologie
Plan Exemple introductif Objectifs Cadre théorique et Hypothèses Variantes et terminologie Méthodologie Applications

3 Exemple introductif Illustration Brand-price trade-off (BPTO)

4 BPTO par Régression linéaire

5 BPTO par Programmation linéaire

6 Définition et Problématiques
L’analyse conjointe est une famille de méthodes d’études de marché visant à obtenir, reconstituer et simuler des choix individuels Elle correspond à l’étude des variations des attributs autour d’un point d’équilibre le gain sur une dimension nécessite une perte sur une autre Elle appartient à la classe des modèles de composition (approche formative) Intérêt Marketing Evaluer l’attrait d’une variante produit/service Identifier l’importance des caractéristiques objectives Identifier les niveaux préférés des modalités Problématique Etude Reconstituer au mieux les préférences et les choix Déterminer les utilités partielles attribuées aux caractéristiques Pour chaque segment de clientèle Démarche Désagrégation : partir des préférences globales et identifier les attributs importants Agrégation : demander les préférences pour des paniers d’attributs Analyse conjointe

7 La base théorique La valeur d’un produit
Est déterminable « dans l’absolu » (en dehors du lieu d’achat Résulte d’une somme de la valeur de ses caractéristiques Caractéristiques objectives Modèle de choix du consommateur Pas de modèle de perception Un modèle d'attitude linéaire et compensatoire sur les attributs séparables Basé sur des préférences déclarées Un modèle de choix Modèle multi-attributs (Fishbein) A = l’attitude vis-à-vis de l’objet présenté a i = l’évaluation de l’objet sur l’attribut i (i ={1, ...K}) wi = le poids accordé à l’attribut i. Autres modèles de choix non compensatoires Conjonctif : niveau d’exigence minimale sur des critères Disjonctif : recherche d’une valeur maximale sur un critère Lexicographique : choix séquentiel par ordre d’importance décroissante des critères

8 Cadre théorique Performance Achats Ventes Conception
Attributs / Modalités J Stimuli Mesure Perceptions Xij Valorisation Préférences Yi Choix Cj Intention d’achat IA i Simulation Ensemble de Considération I Analyse Contributions Wj Règle Agrégation Segmentation

9 Méthodologie générale
Choix des attributs et des modalités Elaboration des stimulis et Plan expérimental Choix du type de réponse Collecte des données individuelles Estimation des coefficients Segmentation Interprétation Simulation des choix

10

11

12

13

14

15 Les stimulis à évaluer Quels attributs et modalités ?
Déterminants pour le choix (et pas seulement « important » : exemple « sécurité » ) Positifs et Négatifs Objectifs et manipulables, communicables Décrivant complètement le produit Pas trop nombreux (<7) Quelles modalités ? Amplitude réaliste Modalités réalistes (même si la combinaison finale ne l’est pas toujours) Pas trop nombreux et suffisamment distincts Attention pas d’extrapolation (interpolation seulement) Quels mode de présentation ? Papier ou ordinateur, web (auto-administré ou avec interviewer) Description verbale, dessin-image, objet réel Quel profil des objets ? Profil Complet (full profile) Comparaison par paires ou triades (choix, CBC) Classement des combinaisons de 2 attributs (Trade-off)

16 Quelles réponses sont demandées ?
Format de la réponse : non métrique Acceptabilité / considération Classement des combinaisons d’attributs 2x2 (trade-off) Choix d’une alternative parmi 2 ou 3 (CBC) Format de la réponse : métrique Préférence (intensité de la préférence relative) Note (intervalle) Allocation de 100 points (ratio) Combien de réponses sont demandées ? Plan complet Plan incomplet (avec des alternatives communes) Au minimum Nb total de stimuli = Nb total de modalités – nb attributs + 1 Limiter la charge pour le répondant : 20 (30 grand max) Quel plan expérimental des stimuli (scénarii proposés) Elaboration d’un plan a priori Si 4 variables à 2 modalités et 2 variables à 3 modalités alors il y a 144 combinaisons (24.32 ) : Impossible de les faire évaluer toutes Plan adaptatif en fonction des réponses antérieures

17 Hypothèses de valorisation
Hypothèses classiques Rationalité, transitivité, stabilité des préférences Modèle d’évaluation compensatoire 2 modalités (+;-) se compensent : + cher mais qualité supérieure Les alternatives doivent donc être assez comparables Modèle d’évaluation monotone « Plus » est toujours « mieux » Classer les modalités, inverser les attributs Modèle d’évaluation linéaire Pour les attributs continus (prix,…) Toutes les alternatives évaluées sont supposées connues Si le choix utilise séquentiellement des attributs différents (lexicographique ou conjonctif ) Faire une première étape d’acceptabilité/rejet des stimuli

18 Modèle de valorisation pour le modèle multi-attributs
Règle de composition : Linéaire U = a + b. X Linéarisable U = a + b. Log(X) Point à point U = b1. (si X=1) + b2. (si X=2) + b3. (si X=3) Lnéaire par partie (part-worth) U = a + b1. X (si X<1) + b2. X.(si X => 1) Avec seuil U = a + b1. X.(si X => 1) Avec interaction U = a + b1. X1 + b2. X2 . + b3. X1*X2 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

19 Méthodes d’estimation
(A) Réponse quantitative Intervalle : Note d’appréciation (7, 10), échelle d’intention d’achat, Ratio : partage de 100 points,… Analyse de variance et régression avec variables auxiliaires binaires Faible nombre de degrés de liberté si l’estimation est faite au niveau individuel Nécessité de poser une contrainte sur les coefficients : soit wj1= 1 soit Swjk=0 Hypothèses sur les résidus à valider (B) Classement MONANOVA (Anova avec monotonicité) Programmation linéaire (LINMAP) et analyse de sensibilité Logit ordonné (C) Choix parmi n options Logit multinomial (D) Choix exclusif (Réponse binaire ou agrégation des deux niveaux les plus élevés d’une échelle d’IA) Logit

20 Qualité de l’ajustement
(A) validité interne, à faire au niveau individuel Etudier un échantillon séparé d’alternatives d’évaluation pour valider la qualité individuelle Éviter le « sur-apprentissage » des données Etudier un échantillon séparé d’individus (hold out sample) si l’estimation est faite au niveau d’un groupe de répondants (B) Validité externe Comparer les résultats avec des résultats agrégés Si l’échantillon est représentatif

21 Interprétation (A) Interprétation des résultats / aux attentes
Présentation graphique des utilités partielles Détermination de l’ « importance » conditionnelle relative de l’attribut CRI Amplitude de l’utilité partielle des modalités de l’attribut divisée par la somme des amplitudes de tous les attributs (B) Valorisation financière des attributs Intégration d’une variable prix et obtention de l’utilité associée à différents prix Calcul de l’équivalent financier d’une unité d’utilité Prix 15€ = 0.5; Prix 25€ = 0.2 Une unité d’utilité (0.1) vaut = (25-15)/( ) = € Calcul de l’équivalent financier de l’utilité apportée par une caractéristique Si WC dans chambre = 0.6 Equivalent monétaire du WC dans la chambre = 20 € (C) Simulation des choix

22 Evolution des méthodes d’analyse
Auto-expliqué (self explicated) 100 points entre les attributs 0 à 10 sur les modalités Analyse conjointe traditionnelle et simplifiée « trade off » et Marque contre prix (BPTO) Modèle mixte (CCA) : auto-expliqué+trade-off 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 basé sur les choix (CBC) Modèle hybride Prendre en compte des variables individuelles segmentantes En savoir plus : voir la site de Sawtooth

23 Le modèle de choix : Modèle de valorisation
Différentes règles de choix pour passer de l’utilité à la probabilité de choix Utilité maximale : premier choix = 1 Utilité pondérée (ad-hoc) (0.6;0.3;0.1) Part d’utilité (BTL Bradley-Terry-Luce) : Ui / S (Uj) Règle Logit : Exp(Ui)/ S Exp(Uj) Autre règle ad-hoc : Ui a / S (Uj a) (a = 2)

24 Agrégation et Segmentation
Les données de différents répondants sont-elles utilisées pour estimer des coefficients « communs » ? Segmentation Non : une analyse par répondant Oui : Préalable (sur des caractéristiques individuelles) Exemple clientèle affaire, tourisme; motivation de fréquentation,… Puis estimation d’un modèle unique considérant les individus comme homogènes Oui : Concomitante (classes latentes) Oui : Postérieure Estimation pour chaque individu Typologie sur le profil des utilités individuelles Hétérogénéité individuelle Modèle hiérarchique : l’utilité partielle est la somme d’une utilité moyenne et d’une variation individuelle déterministe (caractéristiques de l’individu) et aléatoire

25 Cas Lessives (JMP) Importer, vérifier, définir les types
Manipuler (empiler R1-R100) pour obtenir une matrice ind x obj Faire une régression globale (modèle linéaire) sur la note En prenant une constante par individu (IND comme une var explicative) Sortir les résidus , vérifier normalité Sortir les valeurs prévues, Faire un tableau & graphique prévu réel Faire une régression par segment (segmentation sur les préférences) Option 1 : régression par individu, puis agrégation Option 2 : ACP sur les préférences, puis typologie Suggestions Régression par groupe ou individu Dans la sortie , sur le tableau des estimateurs, clic droit et utiliser « construire une table de données combinées » Reprendre ensuite le data et faire un tableau de synthèse des poids des attributs (en utilisant Moyenne) Faire une description des moyennes des préférences par groupe


Télécharger ppt "Analyse conjointe Pierre DESMET Master MARKETING / Pierre Desmet."

Présentations similaires


Annonces Google