5. Modèles sur données individuelles

Présentation au sujet: "5. Modèles sur données individuelles"— Transcription de la présentation:

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

2 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 l’univers des représentations perceptuelles Des produits (analyse des similarités-proximités), holistique, décomposition Des attributs (positionnement ACP), composition

3 3. 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 d’achat, 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 Perceptions des niveaux sur les attributs Valorisation des niveaux
Modèle conceptuel INDIVIDUEL {Attributs} Référence Achat (t-1) Perceptions des niveaux sur les attributs Préférence relative Choix Intention d’achat Achat Comportement Valorisation des niveaux Estimée Déclarée { E de considération } SEGMENT MARCHE Elasticités Ventes

5 Modèles d’évaluation compensatoire Analyse conjointe et Trade-Off

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

7 BPTO par Régression linéaire

8 BPTO par Programmation linéaire

9 Analyse conjointe : Utilité déterministe
Hypothèse À partir d’une 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 Définition Définition
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 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)

11 Problématiques Problématique Marketing
Evaluer l’attrait d’une variante produit/service Selon ses caractéristiques et les niveaux des modalités Pourquoi ? Fixation du prix Modification d’un attribut, de la quantité … Evaluation d’un 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 La base théorique Modèle économique de séparabilité des utilités (Lancaster) Le produit vu comme un panier (« patchwork ») d’attributs 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 d’achat / 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

13 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

14 Cadre opérationnel Rang Y (i) Alternatives Rang Utilité X (i,j)
Données collectées Rang Y (i) Alternatives Ecart à minimiser X (i,j) Utilité Y^ (i) Rang estimés Y (i) = W (j)

15 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 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 d’attributs ne doit pas être trop élevé (< 7 ) sinon Autres techniques : Combinaison avec l’auto-expliqué (ter Hofstede, Kim and Wedel 2002); Conjoint Adaptive Ranking Database System (CARDS, Dahan 2007); Modèle adaptatif self-expliqué (Netzer and Srinivasan 2007)

17 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 d’extrapolation Entre les extrêmes Peu de niveaux : 2 et 4 niveaux intermédiaires suffisamment distincts permettant l’interpolation Si trop de niveau, Faire un classement Utiliser quelques niveaux intermédiaires

18 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 X y Groupe 1 1 Groupe 2 2 Groupe 3 Groupe 4 3 Carré latin 3 variables X1 X2 X3 Y1 Z1 Z3 Z2 Y2 Y3 Carré Gréco-latin 3 variables X1 X2 X3 Y1 Z1W1 Z2W3 Z3W2 Y2 Z2W2 Z3W1 Z1W3 Y3 Z3W3 Z1W2 Z2W1

19 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 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 l’intention d’achat Le jugement comparatif ne suffit pas À partir de quel niveau il n’y a plus achat

21 Hypothèses de valorisation des attributs
Hypothèses classiques Rationalité, transitivité, 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 est lexicographique Faire une première étape d’acceptabilité/rejet

22 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) + c X (si x=>x0) Avec « point idéal » (anti-idéal si min) V(X) = a + b X (si x<I) + c X (si x>I) Avec seuil V(X) = a + b X (si x=>x0) Avec quadratique V(X) = a + b X + c X² Avec interaction V(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 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 d’achat ou non d’une alternative mettre à zéro les modalités du non-choix

24 Les méthodes d’analyse
Réponse quantitative (échelle d’intention d’achat, partage de 100 points,…) ANOVA Régression avec variables auxiliaires 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 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 Hypothèse sur les erreurs
Si l’hypothèse IIA n’est pas vérifiée Différentes possibilités de modéliser la distribution de la (ou des) variable d’erreur pour intégrer L’hétéroscédasticité : les variances des erreurs sont différentes selon les alternatives La corrélation entre les erreurs de deux alternatives (proximité concurrentielle plus forte)

26 Qualité Fiabilité Tester la stabilité du résultat en ré-estimant sur des sous-ensembles D’alternatives, de répondants Validité : Qualité de la reconstitution Dépend de la méthode d’analyse 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 Interprétation Utilité d’une alternative
Somme des utilités partielles de ses modalités Poids d’un attribut Absolu : Écart entre la valeur du niveau Max et du niveau Min Relatif : % de l’étendue = 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 l’utilité 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 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 d’utilité (BTL Bradley-Terry-Luce) Ui / S (Uj) Règle Logit : Exp(Ui)/ S Exp(Uj) Autre règle ad-hoc : utilités pondérées Ui a / S (Uj a) (a = 2)

29 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 En SAS : Design Design Simple macro (%mktruns) Complet (%mktdes)
%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 Lire aussi

31 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 Exemples en SAS

33 Modèle auto-expliqué Le répondant alloue 100 ponts en fonction de l’importance perçue du critère

34 Application analyse conjointe simple
Classement des préférences

35 Modèles de choix

36 Utilité aléatoire : Modèle de choix
Un consommateur choisit l’alternative qui maximise son utilité avec un modèle à utilité aléatoire avec: i = individu, j = alternative et k = attribut. Uij = Utilité du produit j pour l ’individu i Vj = Composante déterministe de l ’utilité qui dépend des caractéristiques du produit et du fournisseur ij = Terme d ’erreur représentant la composante non-déterministe bijk = valeur de l ’attribut k de l ’alternative j. wk = pondération de l’attribut 51 51

37 Modèle Logit Le modèle LOGIT suppose que le terme d ’erreur (ij) suit une distribution spécifique (double exponentielle) Alors avec: pj = probabilité que l’individu choisisse l ’alternative j Vj = utilité de l’alternative j Binomial si 2 alternatives, multinomial logit (MNL) si plusieurs alternatives 54 54

38 Implication : l’effet d’une variable explicative n’est pas constant
Une mesure intervalle de l’utilité suffit L ’effet marginal d’un attribut est variable selon le niveau actuel des attributs Il est maximal quand la probabilité de choix s’approche de 0.5 0.5 Effet marginal d’un attribut sur la probabilité de choisir une alternative Probabilité de choix d ’une alternative 55 55

39 Du tableau croisé au Logit

40 Implication (hypothèse lourde IIA)
Hypothèse de l’indépendance 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 d’erreur suit une loi normale Son estimation est un peu plus complexe et peut limiter le nombre de variables explicatives mais n’est pas soumise à l’hypothèse IIA

41 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 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 d’une 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 d’initialisation Durée et forme de l’initialisation conséquence sur la composition de l’échantillon 57 57

43 Exemple

44 Modélisation intégrée (ex Price Challenger © GFK)
Sur l’ensemble évoqué, par simulation aléatoire (shopping game) Avec ajustement de l’élasticité sur celle obtenue avec des données de panel équation de probabilité d’achat avec effet de prix rond et équation de quantité achetée

45 5. Modèles intégrés

46 Modèles de préférences sur données spatiales (MDS)

47 3. Les perceptions des objets : Méthodes de projection
L’important pour le consomamteur, ce sont les perceptions et non les caractéristiques objectives Méthodes de décomposition ou de composition Décomposition : différences perçues entre les objets (dépliage – Unfolding) Composition : évaluation des objets sur des attributs Objets Individus Caractéristiques Analyse des similarités MDScal, Indscal Analyse des préférences MDpref Analyse des perceptions (composition) Positioning–8

48 Approches perceptuelles
Carte des Perceptions à partir Des (dis)similarités entre alternatives De l’évaluation alternatives x attributs Carte des Préférences Point idéal Modèle vectoriel Cartes jointes Perception et préférence Ajout des préférences sur les perceptions Recherche d’une configuration commune perception-préférence

49 Analyse des similarités
Approches de décomposition identifier les proximités entre objets (marques) grâce à une représentation spatiale réductrice des distances qui les séparent Postulats tout produit est un panier d'attributs un objet est représenté dans l'espace par un point dont les coordonnées sont les évaluations de l'objet sur les attributs l'individu synthétise en quelques dimensions privilégiées Mesure : distances objet x objet Questions combien de dimensions ? quels sont les attributs privilégiés ? comment est organisée la représentation ?

50 Mesures des similarités
rangement par paire AB> AC > AD > ... notation des paires (très -pas du tout semblables) AB tétrades : choisir la paire la plus semblable parmi 2 (AB, AC) => AB triades : l'objet le plus semblable à celui de gauche A -- (B, C) => B triade de Kelly : parmi 3, la paire la plus semblable, la plus différente (A,B,C) => +(A,C) - (C, B) point d'ancrage : rangement des objets à partir d'un produit tiré au sort

51 Construction de la carte des similarités
SANS demander des perceptions sous forme quantitative recherche de la configuration géométrique La plus économe et la mieux adaptée en partant d'une dimension donnée de l’espace approximation d'un classement non métrique par une distance métrique minimisation du stress: distance à ajouter aux distances métriques pour vérifier les classements

52 Dépliage multidimensionnel : Exemple des voitures
                                      Saxo Citroën Peugeot 206 Renault Twingo Renault Clio Ford Ka Daewo Matiz Lancia Ypsilon

53 Exemple des voitures Entrez vos préférences, Entrez vos perceptions de similarité ordre décroissant de proximité des couples Utiliser le solveur d’excel pour reconstituer L’espace perceptuel en deux dimensions avec le stress minimal l’ordre de vos préférences

54 Carte des préférences La place de l’individu dans l’espace doit permettre de reconstituer l’ordre des préférences sur les objets ACP de la matrice (OxI) 2 types d'analyse Interne (simultanément - compromis) : simultanément les perceptions et les préférences Externe (deux étapes successives) Configuration sur les perceptions Emplacement selon les préférences Détermination de l'ordre des préférences le point idéal (optimum fini) le vecteur idéal (optimum infini)

55 Exemple : Préférences voitures
data title 'Evaluation des préférences pour les voitures (1980) par 25 juges'; data carpref; input Make $ 1-10 Model $ (subj1-subj25) (1.) MPG Reliable Ride; cards; Cadillac Eldorado Chevrolet Chevette Chevrolet Citation Chevrolet Malibu Ford Fairmont Ford Mustang Ford Pinto Honda Accord Honda Civic Lincoln Continental Plymouth Gran Fury Plymouth Horizon Plymouth Volare Pontiac Firebird Volkswagen Dasher Volkswagen Rabbit Volvo DL

56 Plan Produit x Attribut (vecteur)

57 Plan Prod x Attributs (ideal)

58 Plan Produit x Ind

59 Analyse des perceptions sur les attributs
Approche de composition Les attributs sont spécifiés à l’avance Constructions de l’espace perceptuel À partir de l’évaluation sur des dimensions a priori Analyses factorielles Réponses quantitatives : ACP Réponses binaires : A factorielle des correspondances

60 En savoir plus Prefmap (logiciel) En sas : PERMAP : Logiciel gratuit : Présentation technique précise

61 Modèle Tracker Robert Blattberg, John Golanty, Tracker: An Early Test Market Forecasting and Diagnostic Model for New Product Planning, Journal of Marketing Research, Vol. 15, No. 2 (May, 1978), pp Chakravarthi Narasimhan and Subrata K. Sen, New Product Models for Test Market Data , Journal of Marketing, Vol. 47, No. 1 (Winter, 1983), pp

62 Modèle Tracker : Modèle conceptuel
L’essai résulte (a) de la notoriété et (b) du bouche à oreille (essai précédent) Awt-1 Trialt-1 D t-1 URt Awt D Awt Trialt ARt

63 Modèle Tracker : Modèle analytique
Modèle de notoriété Aw t = (UR + AR) / N Awt = Notoriété en t UR = notoriété spontanée du nouveau produit AR = notoriété assistée N = effectifs Modèle d’essai T t = T t-1+ a (Aw t--Aw t-1) + b (Aw t-1-T t-1) T = % d’essayeurs Aw = taux de notoriété a = probabilité d’essai pour ceux qui connaissent le produit b = % d’essai pour ceux qui connaissaient à la dernière période mais n’avaient pas encore essayé

64 Modèle Perceptor Urban G. (1977),
Perceptor : Un modèle de positionnement de produit", Revue Française du Marketing, septembre-octobre, 35-52

65 Intérêt Utilisation : phase préliminaire du lancement d’un produit
Proposer une « carte » des marques et des (segments de) clients Prenant en compte les perceptions des offres Et non plus seulement les caractéristiques objectives comme en analyse conjointe Permettant de Comprendre la structure du marché Représenter la préférence des clients pour les marques Evaluer le potentiel de nouvelles offres Hypothèses : la fréquence d’achat de la marque est la même que les marques existantes le consommateur trouvera le produit à la prochaine occasion d’achat (neutralisation de la distribution)

66 Modèle Perceptor : Modèle conceptuel
Modèle de préférence et Modèle de réachat q Taux d’essai) Essai (t taux de pénétration) V Distribution (DV) W Notoriété Part de marché à moyen terme (m) Réachat (s taux de nourriture) Probabilité d’achat Stabilisée (Markov)

67 Principe du modèle Objectif : estimation à long terme de la part de marché (pdm) d’un nouveau produit Décomposition (Essai. Réachat) m = t. s m = part de marché à long terme t = taux de pénétration cumulée (0 < t < 1) s = taux de nourriture de la nouvelle marque sur les essayeurs t = q . W . v q = taux d’essai maximal compte tenu de la notoriété et disponibilité w = notoriété maximale (long terme) long run aided awareness of v = distribution valeur (DV) de la nouvelle marque s = Part de marché de ceux qui ont utilisé la marque (markov stabilisé) Pij = probabilité d’acheter la marque j lors du prochain achat (t+1) pour un acheteur de la marque i lors de l’achat « t » : P11 = réachat de la nouvelle marque La part de marché à long terme (m) est le produit de la dernière fraction de clientèle ayant essayé la marque (t) par la part d’achat de la nouvelle marque dans le groupe ayant déjà utiliser la marque (s). Cette equation est similaire a celle de Parfitt et Collins qui ont réussi a obtenir des prédictions d’une grande précision avec cette équation.

68 Le modèle d’essai : perceptions et préférences
Calcul de la distance perceptuelle entre le nouveau produit et le produit idéal sur une carte de positionnement Pour ceux qui connaissent le concept mais n’ont pas essayé le produit Xby les coordonnées de la marque b dans la dimension y Iy les coordonnées du point moyen idéal de la dimension y Les coordonnées du point idéal (I) : PREFMAP de Caroll et Chang ou l’analyse factorielle des valeurs d’une marque idéale. Hétérogénéité : il est possible de traiter des sous-groupes de manières séparée. Fya coefficient factoriel pour la dimension y et l’échelle d’attribut a ; rba, note moyenne standardisée de la marque b selon l’échelle a.

69 Le modèle d’essai : probabilité d’achat
La probabilité finale d’essai est une fonction NON-LINEAIRE de la distance entre nouvelle marque et produit idéal. La fraction à long terme de la clientèle cible qui essaiera le produit est le produit de La probabilité finale d’essai par La notoriété La disponibilité (distribution valeur) estimées à long terme La probabilité de répétition est estimée de la même manière Rappelons que q est la probabilité finale d’essai. Les alphas sont des coefficients déterminés empiriquement. db², carré de la distance entre le point idéal et la nouvelle marque. X prime bz : coordonnées après rotation de la marque b sur la dimension z I prime z : coordonnées après rotation du point idéal sur la dimension z ou Hz : coefficients de pondération de la dimension z.

70 Le modèle d’essai : origines de la part de marché
la part de marché du nouveau produit provient des marques semblables, appartenant au même ensemble évoqué (eb=1 si la marque b est dans l’ensemble évoqué) En fonction de leur distance avec le nouveau produit DbB kb la perte de part de marché de la marque b vers la nouvelle marque dont la part de marché est m kb perte de la part de marché de la marque existante b m, part de marché de la nouvelle marque eb fraction des gens ayant la marque b dans leur ensemble évoqué dbB² carré de la distance entre la marque b et la nouvelle marque B sur la carte des utilisateurs.

71 La méthodologie de mesure
Etude exploratoire sur un échantillon de 100 personnes. Détermination la taille et de la composition des ensembles évoqués de marques Identifier la sémantique des consommateurs Pré-test de la méthode de mesure de similarité. Réalisation d’une étude exploratoire 2 cas: bières questionnaires standard a été construit & autres catégories: toutes les questions portant sur les jugements de préférences et de similarités ne sont posées que pour les marques évoquées. Urban G. (1977), Perceptor : Un modèle de positionnement de produit", Revue Française du Marketing, septembre-octobre,

72 La méthodologie de mesure
Enquête extensive sur les membres du groupe cible pour identifier: Leur ensemble évoqué Les jugements de similarité Les valeurs des marques existante sur les échelles sémantiques Les évaluations de préférence Leur choix de marque. Si une marque est acceptable le produit physique est donné à tester aux personnes L’intention de réachat est collectée Intention de réachat: échelle en 5 points  on obtient la probabilité d’achat (décrite par Greg)

73 Les procédures d’estimation
Sert à convertir les données de l’enquêtes en coordonnées (x), points idéaux (I ) et paramètres de probabilités d’achat ( et ) sur la carte perceptuelle. Séparation de l’échantillon en sous groupes homogènes plusieurs cartes perceptuelles. Analyse factorielle à partir des notes attribuées sur les échelles sémantiques. En plus de ces données métriques, il est possible de comparer les résultats à l’aide de données non métriques (TORSCA). Ex de la bière: les étudiants devaient noter 8 bières sur 17 échelles, il en ressort 2 dimensions qui expliquent 54% de la variance: 1: dimension à connotation sociale: populaire, moderne… 2: dimension associée au goût, et plus précisément à un goût prononcé, assez puissant. Dans ce cas, compte tenu de l’homogénéité des perceptions, il était inutile de former des sous groupes.

74 Les procédures d’estimation
A partir d’une carte perceptuelle et des préférences individuelles, il est possible de trouver un point idéal (PREFMAP). Pour la bière : importance du critère social 5 fois supérieure au critère de goût marque idéale : jeune, moderne, à la mode et un goût pas trop prononcé. Pour obtenir la probabilité de choix à partir de la distance au point idéal : régression du pourcentage de personnes ayant choisi la marque sur le pourcentage de gens ayant évoqué la marque propension à choisir la marque si tout le monde l’évoquait. Expliquée par la distance entre le point idéal et la marque. Données métriques: notes sur les échelles sémantiques / données non métriques: analyse de similarité (sur 3 marques, quelles sont les 2 qui se ressemblent le +?) (torsca) Permet de voir si certaines dimensions ont été oubliées… Pour l’ex de la bière, l’adéquation avec les données métriques n’était pas très significatif, et la représentativité était meilleure avec les données métriques. (prefmap) Il est possible de trouver la marque idéale pour chaque sous groupe si nécessaire.

75 Test du modèle Objectif : Mesurer l’écart (prévu, réel) pour le taux d’essai et le taux de répétition Données recueillies sur 8 nouveaux concepts de produits Taille de l’échantillon: 30 individus pour les 5 premiers concepts 100 individus pour les 3 derniers concepts Carte par analyse factorielle sur les marques existantes et des notations des concepts. Résultat : taux d’essai: moyenne des écarts absolus de Les différences ne sont pas significatives au niveau de 10% sauf pour 1 concept. taux de répétition : moyenne des écarts absolus de Les différences ne sont pas significatives au niveau de 10%

76 Test de fiabilité m = ts Part de marchée réalisée : observée sur un marché test

77 Mise en pratique dans l’entreprise
Étape 1 : Les responsables d’entreprise effectuent des évaluations chiffrées des marques, et des jugements de similarité. établir des cartes préliminaires Étape 2 : Réalisation d’une étude exploratoire permettant une compréhension des structures de perception, de préférence, et de probabilité d’achat. Étape 3 : Étude de prise de connaissance et d’utilisation dans les ménages Dresser les modèles d’essai et de répétition. Étape 4 : Simulation d’un positionnement amélioré avec Perceptor sur ordinateur à partir du modèle d’essai et de répétition.

78 Conclusion Perceptor permet d’affiner un concept et le positionnement d’un produit… …toutefois, il est le complément de la faculté créatrice d’une organisation, et non son substitut: L’homme est responsable de la conception d’un produit qui s’adapte à une opportunité identifiée par Perceptor. La stratégie publicitaire doit positionner le produit à l’endroit désiré. Le positionnement du produit doit en outre être confirmé par un marché test (ou marché-test simulé). Perceptor représente les structures de perception, de préférence et d’achat Le modèle Perceptor spécifie les besoins quantitativement. Il structure l’interprétation des résultats expérimentaux. Il assiste et guide les responsables dans leurs efforts créatifs vers des produits qui réussissent.

79 Prolongements Passer du modèle de Markov (l’entreprise et « les autres ») à une matrice regroupant les marques principales du marché Meilleur positionnement d’une nouvelle marque Meilleure prise en compte de l’hétérogénéité : chaque individu pourrait figurer dans un processus de perception, de préférence et de choix. Ces processus seraient regroupés ensuite dans le modèle global. Prédictions plus précises, assorties d’une orientation principale. Application du modèle Perceptor à des biens durables ou à d’autres industries à partir de l’idée sous-jacente du modèle: lier les cartes perceptuelles et les probabilités de choix. *Perceptor est appliqué ici à des biens de gd consommation.

80 Modèle ASSESSOR (Designor)
Silk A.J. et Urban G. (1978), Pre-test Evaluation of New Packaged Goods : A Model and Measurement Methodology, Journal of Marketing Research, Vol.15, May,

81 Intérêt d’ASSESSOR Objectif : prévoir la part de marché à long terme
Pour des produits en lancement potentiel, avec un mix déterminé (échantillons, publicité) Estimer les sources de volume (cannibalisation ou prélèvement sur les concurrents, lesquels ?) Déterminer les voies d’amélioration Du produit Du mix de lancement prévu Simuler les conséquences de changement de mix La part de marché à long terme (m) est le produit de la dernière fraction de clientèle ayant essayé la marque (t) par la part d’achat de la nouvelle marque dans le groupe ayant déjà utiliser la marque (s). Cette equation est similaire a celle de Parfitt et Collins qui ont réussi a obtenir des prédictions d’une grande précision avec cette équation.

82 Modèle ASSESSOR : Modèle conceptuel
Spécificité : déploiement de deux modèles qui doivent converger Modèle de préférence et Modèle d’essai-réachat Décisions Positionnement Plan de lancement Données consommateurs Mesures en laboratoire Mesures après usage Modèle des préférences Modèle d’Essai et Réachat Part de marché volume Diagnostic Source des volumes

83 Modèle ASSESSOR : Séquence des mesures d’
Design Procedure Mesures O1 Recrutement (enquêteur) O2 Questionnaire auto-administré X1 Présentation de publicités [O3] auto administré X2 visite d’un magasin simulé présentant les marques O4 possibilité d’acheter / observation X3 utilisation à domicile O5 questionnaire post achat par téléphone Mesures Variables individuelles : Usage du produit, … Mesures sur les marques existantes Ensemble évoqué, marques achetées, poids des attributs, évaluation marque/attribut, préférences Mesure des réactions aux alternatives (évaluation) et aux publicités (crédibilité…) Marque achetée Mesure de l’utilisation, de la satisfaction, de l’évaluation selon les attributs, de l’intention de réachat pour l’ensemble de considération plus la nouvelle marque O = Mesure X = manipulation (pub ou expérience produit) 46

84 Modèle combinant l’essai et le réachat
Part de marché à moyen terme du nouveau produit Mn = T ´ R ´ W avec T = taux d’essai cumulatif à moyen terme (estimé à partir des données de O4) R = taux de réachat à moyen terme long-run repeat rate (estimé à partir des données de O5) W = indice de consommation relatif (w = 1 pour la moyenne des QA/NA du marché) 10 47 10

85 Modèle d’essai T = F.K.D + C.U – (F.K.D) ´ (C.U) Avec
F = probabilité d’essai à moyen terme (tirée de O4) sous contrôle d’une notoriété et d’une distribution maximales (100%) K = probabilité de connaissance à moyen terme (évaluation subjective, notoriété) D = probabilité de disponibilité à moyen terme du produit sur les lieux d’achat fréquentés par la cible (expérience et évaluation subjective) C = probabilité de réception d’un échantillon (évaluation subjective) U = probabilité d’usage de l’échantillon pour ceux qui l’ont reçu (expérience et évaluation subjective) 11 48 11

86 Modèle de réachat Atteindre la stabilité de la matrice de transition à partir de probabilité tirée de(O2 et O5): Période (t+1) Nouveau Autre Nouveau p (na) p (na) Période t Autre p (an) p (aa) p(.) probabilité de transfert (somme des colonnes =1 sur chaque ligne) Taux de réachat à long terme p (an) r = –––––––––––––– p (an) – p (nn) 12 49 12

87 Modèle de préférence : calibrage sur les préférences sans le nouveau produit
(Vij)b Lij = –––––––– Ri å (Vik)b k=1 avec Vij = note de préférence pour le produit j par le répondant i Lij = probabilité d’achat Ri = ensemble de considération du répondant i b = coefficient d’ajustement des préférences au choix (entre 1,5 et 3) 13 50 13

88 Modèle de préférence : avec le nouveau produit
(Vij)b L´ij = ––––––––––––––––– Ri (Vin)b + å (Vik)b k=1 Avec n, la nouvelle marque L´it = probabilité de choix de j si le répondant a essayé le produit b = coefficient d’ajustement de l’étape précédente La part de marché est alors L´in M´n = En å ––– I N En = pourcentage des répondants intégrant la nouvelle marque dans leur ensemble de considération N = taille de l’échantillon 14 51 14

89 Estimation des sources des ventes : cannibalisation et prélèvement
Séparation en 2 groupes selon que la nouvelle marque fait, ou non, partie de l’ensemble de considération Les parts de marché pondérées avant et après le lancement sont : Lin Mj = å ––– I N L´in L´in M´j = En å ––– + (1 – En) å ––– I N I N La part de marché prélevée par la nouvelle marque sur chaque marque est Dj = Mj – M´j 52

90 Market share due to advertising
Source: Thomas Burnham, University of Texas at Austin Response Mode Manual Mode % making first purchase GIVEN awareness & availability 0.23 Prob. of awareness 0.70 Prob. of availability 0.85 Prob. of switching TO brand 0.16 Prob. of repurchase of brand 0.60 Max trial with unlimited Ad Ad$ for 50% max. trial Actual Ad $ Max awareness with unlimited Ad Ad $ for 50% max. awareness % buying brand in simulated shopping Awareness estimate Distribution estimate (Agree) Switchback rate of non-purchasers Repurchase rate of simulation purchasers % making first purchase due to advertising 0.137 Long-term market share from advertising 0.39 Retention rate GIVEN trial for ad purchasers 0.286

91 Market share due to sampling
Source: Thomas Burnham, University of Texas at Austin Correction for sampling/ad overlap (take out those who tried sampling, but would have tried due to ad) 0.035 Sampling coverage (%) % Delivered 0.90 % of those delivered hitting target 0.80 Simulation sample use Switchback rate of non-purchasers Repurchase rate of simulation Market share trying samples 0.251 Long-term market share from sampling 0.02 % hitting target that get used 0.60 Prob. of switching TO brand 0.16 Prob. of repurchase of brand 0.427 Retention rate GIVEN trial for sample receivers 0.218

92 ASSESSOR preference model (synthesis)
Source: Thomas Burnham, University of Texas at Austin Pre-use preference ratings Pre-use choices Post-use preference Proportion of consumers who consider product 0.137 Beta (B) for choice model Pre-entry market shares Post-entry market shares (assuming consideration 0.274 Weighted post entry market shares 0.038 Pre-use constant sum evaluations Post-use constant Cumulative trial from ad (T&R model) 0.137 Draw & cannibalization calculations

93 ASSESSOR from market share to financial results
Source: Thomas Burnham, University of Texas at Austin Market share 0.059 Market size 60M Sales per person $5 JWC factory sales 16.7 Average unit margin 0.541 Ad/sampling expense 4.5/3.5 JWC factory sales Industry average sales $ for market share 17.7 Unit-dollar adjustment 0.94 Frequency of use differences 0.9 Price differences 1.04 Net contribution JWC factory sales 16.7 Return on sales

94 Application : Enhance © Harvard Bus. Case

95 Application : Enhance © Harvard Bus. Case

96 Modèle des préférences

97 Modèles classiques : Modèle BASES

98 Principe du modèle Utilisation : prévision ventes nouveau concept de produit Objectif : Estimer réellement les ventes et non la part de marché Principe : Marché test simulé Les consommateurs font à peu près ce qu’ils disent, il suffit de leur demander Déclarations des consommateurs après exposition (concept board et packaging montrés) et utilisation, Recrutement dans les centres commerciaux, Passage au E-panel (99 USA, 2003 France panélistes), vidéo, confidentialité Décomposition (Essai . Réachat) St = Tt x Rt + Ajustements pour les volumes promotionnels Résultats: Qualité : 91% à +/- 20% (37% à 5%) Assez utilisé > utilisations (10/06), leader SMT, lancé en 77 La part de marché à long terme (m) est le produit de la dernière fraction de clientèle ayant essayé la marque (t) par la part d’achat de la nouvelle marque dans le groupe ayant déjà utiliser la marque (s). Cette equation est similaire a celle de Parfitt et Collins qui ont réussi a obtenir des prédictions d’une grande précision avec cette équation.

99 Modèle BASES : Modèle conceptuel
A Notoriété D Distribution I Intention d’achat Pénétration Pt Vol Essai Tt S Saisonnalité TM Effectif CDI Indice dével cat U Niveau d’achat Ventes St N Effectif U Indice Y Taux de réachat Vol Ré-achat Rt Ajustements (promo, échant) S Selon le niveau de réachat

100 Modèles de BASES : Essai (T)
Score d’intention x Intensité de x Niveau de Pt = ´ ´ calibré distribution t Notoriété t Tt = Pt x U0 x (1/Sit) x (TM) x (1/CDI) Avec : Pt = Pénétration cumulée à la période t Tt = Volume total en essai jusqu’à la période t sur une cible particulière U0 = Nb moyen d’unités achetées lors de l’essai (t = 0) Sit = Indice de saisonnalité en t TM = Taille du marché cible CDI = Indice de développement de la catégorie pour le marché cible 60

101 Modèle de BASES : Réachat (R)
Rt = S Ni–1,t Yit Ui i=1 Avec : Ni–1,t = Nombre de clients ayant réacheté au moins i–1 fois (cumul en semaine t, N0,t = volume d’essai initial) Yit = Taux cumulé de i ème réachat pendant la semaine t conditionnel à un (i-1) achat réalisé avant la semaine t Ui = Nombre moyen d’unités achetées pour un niveau de réachat i Ni–1,t & Yit estimation à partir des déclarations des consommateurs sur « la fréquence d’achat prévue après usage » et estimation de la décroissance à long terme dans le taux de réachat. Ui estimation à partir des déclarations des consommateurs sur « les quantités achetées ». 61

102 Illustration (1/4) : Données http://www. bases
CONSOMMATEURS Intention d’achat, Fréquence d’achat Appréciation générale Valeur perçue … CADRAGE Ajustements catégorie de produit et culture-pays ACTIONS Plan marketing Médias Distribution Prix et promotion …

103 Illustration (2/4) : Modèle d’essai http://www. bases
Modèle d’essai détaillé sur la première année

104 Illustration (3/4) : Modèle avec réachat http://www. bases
Prise en compte du réachat, ajustement pour sur-déclaration et plan marketing, Cadrage à la semaine

105 Illustration (4/4) : Synthèse http://www. bases
Évaluation globale des scénarios