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 5. Modèles intégrés.

Présentations similaires


Présentation au sujet: "MENU 1 5. Modèles intégrés."— Transcription de la présentation:

1 MENU 1 5. Modèles intégrés

2 MENU 2 Modèles de préférences sur données spatiales (MDS)

3 MENU Modèles daide à la décision en MKG © Desmet Pierre Les perceptions des objets : Méthodes de projection Limportant 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 Positioning–8 ObjetsIndividusCaractéristiques Objets Analyse des similarités MDScal, Indscal Analyse des préférences MDpref Analyse des perceptions (composition)

4 MENU Modèles daide à la décision en MKG © Desmet Pierre Approches perceptuelles Carte des Perceptions à partir Des (dis)similarités entre alternatives De lévaluation alternatives x attributs Carte des Préférences Point idéal Modèle vectoriel Cartes jointes Perception et préférence Ajout des préférences sur les perceptions Recherche dune configuration commune perception-préférence

5 MENU Modèles daide à la décision en MKG © Desmet Pierre 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 ?

6 MENU Modèles daide à la décision en MKG © Desmet Pierre 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

7 MENU Modèles daide à la décision en MKG © Desmet Pierre 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 lespace approximation d'un classement non métrique par une distance métrique minimisation du stress: distance à ajouter aux distances métriques pour vérifier les classements

8 MENU Modèles daide à la décision en MKG © Desmet Pierre Dépliage multidimensionnel : Exemple des voitures Saxo Citroën Peugeot 206 Renault Twingo Renault Clio Ford Ka Daewo Matiz Lancia Ypsilon

9 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple des voitures Entrez vos préférences, Entrez vos perceptions de similarité ordre décroissant de proximité des couples Utiliser le solveur dexcel pour reconstituer Lespace perceptuel en deux dimensions avec le stress minimal lordre de vos préférences

10 MENU Modèles daide à la décision en MKG © Desmet Pierre Carte des préférences La place de lindividu dans lespace doit permettre de reconstituer lordre 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)

11 MENU Modèles daide à la décision en MKG © Desmet Pierre 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

12 MENU Modèles daide à la décision en MKG © Desmet Pierre Plan Produit x Attribut (vecteur)

13 MENU Modèles daide à la décision en MKG © Desmet Pierre Plan Prod x Attributs (ideal)

14 MENU Modèles daide à la décision en MKG © Desmet Pierre Plan Produit x Ind

15 MENU Modèles daide à la décision en MKG © Desmet Pierre Analyse des perceptions sur les attributs Approche de composition Les attributs sont spécifiés à lavance Constructions de lespace perceptuel À partir de lévaluation sur des dimensions a priori Analyses factorielles Réponses quantitatives : ACP Réponses binaires : A factorielle des correspondances

16 MENU Modèles daide à la décision en MKG © Desmet Pierre En savoir plus Prefmap (logiciel) En sas : PERMAP : Logiciel gratuit : Présentation technique précise

17 MENU 17 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

18 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle Tracker : Modèle conceptuel Lessai résulte (a) de la notoriété et (b) du bouche à oreille (essai précédent) Trial t Trial t-1 Aw t Aw t-1 Aw t t-1 AR t UR t

19 MENU Modèles daide à la décision en MKG © Desmet Pierre 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 dessai T t = T t-1 + a (Aw t- -Aw t-1 ) + b (Aw t-1 -T t-1 ) T = % dessayeurs Aw = taux de notoriété a = probabilité dessai pour ceux qui connaissent le produit b = % dessai pour ceux qui connaissaient à la dernière période mais navaient pas encore essayé

20 MENU 20 Modèle Perceptor Urban G. (1977), Perceptor : Un modèle de positionnement de produit", Revue Française du Marketing, septembre-octobre, 35-52

21 MENU Modèles daide à la décision en MKG © Desmet Pierre 2011 Intérêt Utilisation : phase préliminaire du lancement dun 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 dachat de la marque est la même que les marques existantes le consommateur trouvera le produit à la prochaine occasion dachat (neutralisation de la distribution) 21

22 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle Perceptor : Modèle conceptuel Modèle de préférence et Modèle de réachat Réachat (s taux de nourriture) Essai (t taux de pénétration) Part de marché à moyen terme (m) q Taux dessai) V Distribution (DV) W Notoriété Probabilité dachat Stabilisée (Markov)

23 MENU Modèles daide à la décision en MKG © Desmet Pierre Principe du modèle Objectif : estimation à long terme de la part de marché (pdm) dun 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 dessai 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) P ij = probabilité dacheter la marque j lors du prochain achat (t+1) pour un acheteur de la marque i lors de lachat « t » : P11 = réachat de la nouvelle marque

24 MENU Modèles daide à la décision en MKG © Desmet Pierre Le modèle dessai : 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 nont pas essayé le produit X by les coordonnées de la marque b dans la dimension y I y les coordonnées du point moyen idéal de la dimension y Les coordonnées du point idéal (I) : PREFMAP de Caroll et Chang ou lanalyse factorielle des valeurs dune marque idéale. Hétérogénéité : il est possible de traiter des sous-groupes de manières séparée.

25 MENU Modèles daide à la décision en MKG © Desmet Pierre Le modèle dessai : probabilité dachat La probabilité finale dessai 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 dessai par La notoriété La disponibilité (distribution valeur) estimées à long terme La probabilité de répétition est estimée de la même manière

26 MENU Modèles daide à la décision en MKG © Desmet Pierre Le modèle dessai : origines de la part de marché la part de marché du nouveau produit provient des marques semblables, appartenant au même ensemble évoqué (e b =1 si la marque b est dans lensemble évoqué) En fonction de leur distance avec le nouveau produit D bB k b la perte de part de marché de la marque b vers la nouvelle marque dont la part de marché est m

27 MENU Modèles daide à la décision en MKG © Desmet Pierre 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. Urban G. (1977), Perceptor : Un modèle de positionnement de produit", Revue Française du Marketing, septembre-octobre,

28 MENU Modèles daide à la décision en MKG © Desmet Pierre 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 Lintention de réachat est collectée

29 MENU Modèles daide à la décision en MKG © Desmet Pierre Les procédures destimation Sert à convertir les données de lenquêtes en coordonnées (x), points idéaux (I ) et paramètres de probabilités dachat ( et ) sur la carte perceptuelle. Séparation de léchantillon 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 laide de données non métriques (TORSCA).

30 MENU Modèles daide à la décision en MKG © Desmet Pierre Les procédures destimation A partir dune 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 lévoquait. Expliquée par la distance entre le point idéal et la marque.

31 MENU Modèles daide à la décision en MKG © Desmet Pierre Test du modèle Objectif : Mesurer lécart (prévu, réel) pour le taux dessai et le taux de répétition Données recueillies sur 8 nouveaux concepts de produits Taille de léchantillon: 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 dessai: 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%

32 MENU Modèles daide à la décision en MKG © Desmet Pierre Test de fiabilité m = ts

33 MENU Modèles daide à la décision en MKG © Desmet Pierre Mise en pratique dans lentreprise Étape 1 : Les responsables dentreprise effectuent des évaluations chiffrées des marques, et des jugements de similarité. établir des cartes préliminaires Étape 2 : Réalisation dune étude exploratoire permettant une compréhension des structures de perception, de préférence, et de probabilité dachat. Étape 3 : Étude de prise de connaissance et dutilisation dans les ménages Dresser les modèles dessai et de répétition. Étape 4 : Simulation dun positionnement amélioré avec Perceptor sur ordinateur à partir du modèle dessai et de répétition.

34 MENU Modèles daide à la décision en MKG © Desmet Pierre Conclusion Perceptor permet daffiner un concept et le positionnement dun produit… …toutefois, il est le complément de la faculté créatrice dune organisation, et non son substitut: Lhomme est responsable de la conception dun produit qui sadapte à une opportunité identifiée par Perceptor. La stratégie publicitaire doit positionner le produit à lendroit 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 dachat Le modèle Perceptor spécifie les besoins quantitativement. Il structure linterprétation des résultats expérimentaux. Il assiste et guide les responsables dans leurs efforts créatifs vers des produits qui réussissent.

35 MENU Modèles daide à la décision en MKG © Desmet Pierre Prolongements Passer du modèle de Markov (lentreprise et « les autres ») à une matrice regroupant les marques principales du marché Meilleur positionnement dune nouvelle marque Meilleure prise en compte de lhétérogénéité : 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 dune orientation principale. Application du modèle Perceptor à des biens durables ou à dautres industries à partir de lidée sous-jacente du modèle: lier les cartes perceptuelles et les probabilités de choix.

36 MENU 36 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,

37 MENU Modèles daide à la décision en MKG © Desmet Pierre Intérêt dASSESSOR 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 damélioration Du produit Du mix de lancement prévu Simuler les conséquences de changement de mix

38 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle ASSESSOR : Modèle conceptuel Spécificité : déploiement de deux modèles qui doivent converger Modèle de préférence et Modèle dessai-réachat Décisions -Positionnement -Plan de lancement Données consommateurs -Mesures en laboratoire -Mesures après usage Modèle des préférences Modèle dEssai et Réachat Source des volumes Part de marché volume Diagnostic

39 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle ASSESSOR : Séquence des mesures d DesignProcedure Mesures O 1 Recrutement (enquêteur) O 2 Questionnaire auto-administré X 1 Présentation de publicités [O 3 ]auto administré X 2 visite dun magasin simulé présentant les marques O 4 possibilité dacheter / observation X 3 utilisation à domicile O 5 questionnaire post achat par téléphone O = Mesure X = manipulation (pub ou expérience produit) 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 lutilisation, de la satisfaction, de lévaluation selon les attributs, de lintention de réachat pour lensemble de considération plus la nouvelle marque

40 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle combinant lessai et le réachat Part de marché à moyen terme du nouveau produit M n = T ´ R ´ W avec T=taux dessai cumulatif à moyen terme (estimé à partir des données de O 4 ) R=taux de réachat à moyen terme long-run repeat rate (estimé à partir des données de O 5 ) W=indice de consommation relatif (w = 1 pour la moyenne des QA/NA du marché)

41 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle dessai T = F.K.D + C.U – (F.K.D) ´ (C.U) Avec F=probabilité dessai à moyen terme (tirée de O 4 ) sous contrôle dune notoriété et dune 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 dachat fréquentés par la cible (expérience et évaluation subjective) C=probabilité de réception dun échantillon (évaluation subjective) U=probabilité dusage de léchantillon pour ceux qui lont reçu (expérience et évaluation subjective)

42 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle de réachat Atteindre la stabilité de la matrice de transition à partir de probabilité tirée de(O 2 et O 5 ): 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 =–––––––––––––– 1 + p (an) – p (nn)

43 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle de préférence : calibrage sur les préférences sans le nouveau produit avec V ij =note de préférence pour le produit j par le répondant i L ij =probabilité dachat R i =ensemble de considération du répondant i b=coefficient dajustement des préférences au choix (entre 1,5 et 3) (V ij ) b L ij = –––––––– R i (V ik ) b k=1

44 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle de préférence : avec le nouveau produit Avec n, la nouvelle marque L´ it =probabilité de choix de j si le répondant a essayé le produit b=coefficient dajustement de létape précédente La part de marché est alors L´ in M´ n =E n ––– I N E n =pourcentage des répondants intégrant la nouvelle marque dans leur ensemble de considération N=taille de léchantillon (V ij ) b L´ ij = ––––––––––––––––– R i (V in ) b + (V ik ) b k=1

45 MENU Modèles daide à la décision en MKG © Desmet Pierre Estimation des sources des ventes : cannibalisation et prélèvement Séparation en 2 groupes selon que la nouvelle marque fait, ou non, partie de lensemble de considération Les parts de marché pondérées avant et après le lancement sont : L in M j = ––– I N L´ in L´ in M´ j =E n –––+ (1 – E n ) ––– I N La part de marché prélevée par la nouvelle marque sur chaque marque est D j =M j –M´ j

46 MENU Modèles daide à la décision en MKG © Desmet Pierre Market share due to advertising Source: Thomas Burnham, University of Texas at Austin Max trial with unlimited Ad Ad$ for 50% max. trial Actual Ad $ Max awareness with unlimited Ad Ad $ for 50% max. awareness Actual Ad $ % buying brand in simulated shopping Awareness estimate Distribution estimate (Agree) Switchback rate of non-purchasers Repurchase rate of simulation purchasers % 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 % making first purchase due to advertising Response ModeManual Mode Long-term market share from advertising 0.39 Retention rate GIVEN trial for ad purchasers 0.286

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

48 MENU Modèles daide à la décision en MKG © Desmet Pierre ASSESSOR preference model (synthesis) Source: Thomas Burnham, University of Texas at Austin Pre-use constant sum evaluations Post-use constant sum evaluations Cumulative trial from ad (T&R model) Beta (B) for choice model Pre-entry market shares Post-entry market shares (assuming consideration Weighted post entry market shares Pre-use preference ratings Pre-use choices Post-use preference ratings Proportion of consumers who consider product Draw & cannibalization calculations

49 MENU Modèles daide à la décision en MKG © Desmet Pierre ASSESSOR from market share to financial results Source: Thomas Burnham, University of Texas at Austin Market share Market size 60M Sales per person $5 JWC factory sales 16.7 Average unit margin Ad/sampling expense 4.5/3.5 Net contribution JWC factory sales 16.7 Industry average sales $ for market share 17.7 JWC factory sales Frequency of use differences 0.9 Unit-dollar adjustment 0.94 Price differences 1.04 Return on sales

50 MENU Modèles daide à la décision en MKG © Desmet Pierre Application : Enhance © Harvard Bus. Case

51 MENU Modèles daide à la décision en MKG © Desmet Pierre Application : Enhance © Harvard Bus. Case

52 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle des préférences

53 MENU 53 Modèles classiques : Modèle BASES

54 MENU Modèles daide à la décision en MKG © Desmet Pierre 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 quils 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) S t = T t x R t + Ajustements pour les volumes promotionnels Résultats: Qualité : 91% à +/- 20% (37% à 5%) Assez utilisé > utilisations (10/06), leader SMT, lancé en 77

55 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle BASES : Modèle conceptuel -N Effectif -U Indice -Y Taux de réachat Ajustements (promo, échant) Selon le niveau de réachat Vol Essai Tt Ventes St Vol Ré-achat Rt -S Saisonnalité -TM Effectif -CDI Indice dével cat -U Niveau dachat Pénétration Pt -A Notoriété -D Distribution -I Intention dachat

56 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles de BASES : Essai (T) Score dintention x Intensité de xNiveau de P t = ´ ´ calibré distribution t Notoriété t T t =P t x U 0 x (1/Si t ) x (TM) x (1/CDI) Avec : P t = Pénétration cumulée à la période t T t =Volume total en essai jusquà la période t sur une cible particulière U 0 =Nb moyen dunités achetées lors de lessai (t = 0) Si t = Indice de saisonnalité en t TM = Taille du marché cible CDI = Indice de développement de la catégorie pour le marché cible

57 MENU Modèles daide à la décision en MKG © Desmet Pierre R t = N i–1,t Y it U i i=1 Avec : N i–1,t =Nombre de clients ayant réacheté au moins i–1 fois (cumul en semaine t, N 0,t = volume dessai initial) Y it =Taux cumulé de i ème réachat pendant la semaine t conditionnel à un (i-1) achat réalisé avant la semaine t U i =Nombre moyen dunités achetées pour un niveau de réachat i N i–1,t & Y it estimation à partir des déclarations des consommateurs sur « la fréquence dachat prévue après usage » et estimation de la décroissance à long terme dans le taux de réachat. U i estimation à partir des déclarations des consommateurs sur « les quantités achetées ». Modèle de BASES : Réachat (R)

58 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration (1/4) : Données CADRAGE Ajustements catégorie de produit et culture-pays CONSOMMATEURS Intention dachat, Fréquence dachat Appréciation générale Valeur perçue … ACTIONS Plan marketing - Médias - Distribution - Prix et promotion -…

59 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration (2/4) : Modèle dessai Modèle dessai détaillé sur la première année

60 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration (3/4) : Modèle avec réachat Prise en compte du réachat, ajustement pour sur-déclaration et plan marketing, Cadrage à la semaine

61 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration (4/4) : Synthèse Évaluation globale des scénarios


Télécharger ppt "MENU 1 5. Modèles intégrés."

Présentations similaires


Annonces Google