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

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

Master MARKETING / Pierre Desmet 1 Tests et Experimentation Pierre DESMET.

Présentations similaires


Présentation au sujet: "Master MARKETING / Pierre Desmet 1 Tests et Experimentation Pierre DESMET."— Transcription de la présentation:

1 Master MARKETING / Pierre Desmet 1 Tests et Experimentation Pierre DESMET

2 Sommaire © Pierre DESMET, Organisation du cours 1/3 Objectifs : à lissue du cours, létudiant doit Connaître le principe de base et les limites des différentes méthodes Savoir les mettre en œuvre Savoir interpréter les résultats Savoir choisir la méthode la plus adaptée à lobjectif de létude et à la nature des données Animation : Lecture autonome dun livre de référence par létudiant Présentation et discussion des éléments clés en cours Application de la méthode (mise en œuvre et interprétation) sur des cas Travail autonome de traitement dune base de données Contrôle Quiz (50%) Contrôle continu (50%)

3 Sommaire © Pierre DESMET, Organisation du cours 2/3 Lecture obligatoire des chapitres avant chaque séance Jolibert A. et Jourdan P. (2006), Marketing research, Dunod Transparents Autres Lectures Evrard, Y, Pras B. et Roux E. (2009) MARKET, Dunod, Paris. Malhotra N., Décaudin J.-M. et Bouguerra A. (2004), Etudes marketing avec SPSS, Pearson

4 Sommaire © Pierre DESMET, 2012 La démarche de létude (1/2) 1. Préciser la question managériale (et les options) 2. Comprendre le contexte et linfluence de celui-ci sur la problématique 3. Le critère de choix 4. Elaborer un cadre théorique Il relie la question managériale au critère de choix Il représente votre raisonnement « expliquant » leffet de votre décision sir le critère de choix 5. Identifier les hypothèses « Validées » (information connue de source documentaire, par lexpérience,…) « à valider » : linformation est à collecter sur Le niveau, la distribution dune variable La corrélation entre deux variables Leffet (causalité) dune variable sur une autre 6. Décrire le Protocole de collecte des données Quelles informations ? Recueillies sur quel échantillon (le même ? Différent ?) Contacté comment ? Avec quel type de mesure, observation, … 4

5 Sommaire © Pierre DESMET, 2012 La démarche de létude (2/2) 7. Choisir les (échelles de ) mesure(s) 8. Préparer le Plan de dépouillement Pour chaque hypothèse, la méthode statistique qui va permettre de « tester » lhypothèse à valider 9. Terrain Réaliser la collecte Vérifier la qualité des données, éliminer les outliers (données aberrantes) Restructurer les données (questions au choix, réponses multiples,…) 10. Analyses statistiques Analyse des résultats statistiques Conformité avec les attentes Approfondissement (étude des modérateurs, des médiateurs) 11. Synthèse 12. Recommandations (/ question managériale) 5

6 Sommaire © Pierre DESMET, 2012 La question managériale Cest une DECISION à prendre Un choix entre deux ou plusieurs OPTIONS Dont lune est souvent « NE RIEN FAIRE » Exemple Faut-il lancer le nouveau produit ? Oui Non, le retravailler Non, labandonner Faut-ii placer une mention « green » sur les rasoirs de la marque B.. Non, aucune mention Oui, la mention M1 Oui, la mention M2 Quelques problématiques peuvent conduire à des études plus descriptives Dinh Van doit-il modifier sa communication publicitaire (actuellement avec des publicités « désincarnées ») ? Étude du positionnement des marques de bijoux et de la cohérence entre le positionnement et limage de Dinh Van 6

7 Sommaire © Pierre DESMET, Cadre conceptuel Formalisme du rôle des variables Boite : variable Nature : nominale, ordinale, quantitative (ratio/métrique) Fleche : influence directionnelle ou non dune variable sur une autre Sens, Forme, Force Dépendante (Y) et indépendante (X) (1) effet directionnel (causalité) (2) association, corrélation Variable modératrice (1) : elle modifie la relation entre deux autres variables Variable médiatrice (2) : elle est intermédiaire pour expliquer la relation entre deux variables Ce nest pas parce quune variable vous intéresse quelle est la plus importante Variables de contrôle Elles ne sont pas manipulées mais ont un effet important sur la variable dépendant e (souvent segmentation) X X Y X Y Z X Y Z 1 2 X Y W 1 2

8 Sommaire © Pierre DESMET, Quel est leffet de la décision envisagée ? Est-ce que mon initiative va avoir un effet ? Celui anticipé ? Construisez votre raisonnement à partir de vos connaissances marketing Pourquoi cette variable devrait-elle avoir une effet sur la variable dépendante ? Comment sexprime cet effet ? De quelle autre variable ou contexte peut-il dépendre ? Comment faire ? reprendre vos théories sur le comportement du consommateur Sur les comportements Lachat, La fidélité, le réachat, Lattrition Sur les variables détat La notoriété, La perception, La valeur, La satisfaction, La fidélité, Lengagement Sur les variables de segmentation Socio, démographiques, Attitudes, Besoins Sensibilité, implication, risque perçu,.. Sur les principales variables daction Distribution, Visibilité, Prix, Promotion

9 Sommaire © Pierre DESMET, Un modèle opérationnel : La promotion a-t-elle un effet sur lactivité des clients ? Sur leur rétention ? Exemples dHypothèses Plus la pression promotionnelle est forte, plus le CA est élevé Plus le CA en t0 est élevé, plus le CA en t1 est élevé Plus le CA en t1 est élevé, plus la probabilité dinactivité en t2 est faible Pour les femmes, leffet positif de la promotion sur le CA est plus important que pour les hommes Les femmes ont CA plus élevé que celui des hommes Genre CA_0 CA_1 Promotion Actif/Inactif t2 H3 H2 H1 H4 H5

10 Sommaire © Pierre DESMET, Protocole de collecte Plans expérimentaux Un effet est mis en évidence par une comparaison de mesures faites à un moment différent ou sur un groupe dindividus différent Quelles comparaisons ? Entre les groupes dindividus (échantillons indépendants) comparaison entre les groupes (between) Comparabilité des échantillons Limite leffet « cobaye » Entre les réponses dun même groupe (échantillons appariés) évaluation successive (within) Élimine la variance individuelle Biais de leffet dordre (rotation des stimuli) à contrôler Moins gourmand en effectif Expérimentation Double affectation aléatoire des individus aux cellules ; des traitements aux cellules Observation – Mesure Traitement A O X

11 Sommaire © Pierre DESMET, Protocole de collecte Plans classiques Quasi-expérimental : « après seulement » Pas de contrôle de laffectation aléatoire Avant-après (O2-O1) Après avec groupe de contrôle Comparaison de 2 échantillons indépendants (O2-O1) Avant-après avec groupe de contrôle (O2-O1) - (O4-O3) Plan Solomon Avant - Après – Groupe de contrôle Groupe 1AO1XO2 Groupe 2AO3O4 Solomon 4 groupes Groupe 1AO1XO2 Groupe 2AO3O4 Groupe 3AXO5 Groupe 4AO6 Après seulement – Groupe de contrôle Groupe 1AXO1 Groupe 2AO2 Avant - Après – Groupe de contrôle Groupe 1AO1XO2 Après seulement Groupe 1XO1

12 Sommaire © Pierre DESMET, Choisir les échelles de mesure Variables manifestes (mesures directes) Echelle de mesure dune variable Discrète Classée en modalités non ordonnées : échelle nominale Quelle marque préférez vous ? A- B - C Transformée en variable binaires: variable binaire (dummy) Avez-vous un Ipad ? Oui - Non Éventuellement ordonnées(aussi pour le comptage): A quelle fréquence allez-vous au cinéma ? 1f sem / 1 à 2 f mois / 1 à 2 f trim / moins souvent / jamais Un rang de classement (tri) Continue Avec variable latente continue : échelle catégorisée (ordinale Likert) Je suis un client fidèle de carrefour : Tout à fait daccord (1) – pas du tout daccord (5) Échelle bipolaire : que pensez vous de cette marque ? Traditionnelle 0–00000 Moderne Sans zéro absolu : échelle intervalle : Donnez une note de 1 à 10 Avec un zéro absolu : échelle ratio Répartissez 11 points sur les marques en fonction de votre intention dachat Conséquences des choix Facilité, qualité, précision de la réponse obtenue A chaque type de variable correspondent un traitement statistique Bien penser aux analyses futures lorsque vous choisirez un type de mesure

13 Sommaire © Pierre DESMET, 2012 Propriétés dune mesure La mesure est imparfaite Validité : Adaptation de litem au concept : biais Sensibilité : Capacité à détecter de faibles écarts Fiabilité : Fournit le même résultat lors d applications multiples 13

14 Sommaire © Pierre DESMET, Choisir les échelles de mesure Variable construite (ou latente) Le marketing « des consommateurs » utilise des variables qui ne peuvent pas être mesurées de manière « objective » où même qui nont pas dexistence concrète Notoriété, image de marque, capital marque, implication, fidélité, engagement, confiance, intérêt, intention dachat,… Des construits de ces variables « latentes » (non mesurables directement) sont obtenus à partir de la moyenne des réponses à des questions (items) Les items retenus forment une « échelle de mesure » Ils doivent correspondre au « construit » Soit en représentant différentes facettes (formative F1) Soit en étant le reflet dune variable inconnue (approche réflective F2) Comme dans chaque réponse, il y a une part daléa, on réduit cet aléa en prenant une synthèse de plusieurs mesures Par une moyenne sur les réponses brutes ou standardisées (score) Par le calcul dun facteur qui ne reprend que ce que les items ont en commun (analyse factorielle) Par la « formation » du construit (avec PLS par exemple) X1 X2 F1 X1 X2 F2

15 Sommaire © Pierre DESMET, 2012 Quelles sont les sources des variations ? Source Probabiliste (due à léchantillon) Taille de léchantillon : proportionnelle à 1/racine (n) Variance de la population (stratification) Source Non probabiliste (systématique) due à la collecte, au terrain, au traitement À la non réponse : Réduire la non réponse,… À la mauvaise couverture de la cible?,… A linstrument : Pré-test, démarche structurée,… Au mode de collecte (enquêteur, …) : Formation, supervision,… Aux erreurs de (pré)traitement : Précodification, double codification… A retenir Lerreur non probabiliste est Toujours plus importante et plus grave que lerreur probabiliste Linfluence des erreurs non probabiliste est dautant plus importante que la taille de léchantillon est faible 15

16 Sommaire © Pierre DESMET, Préparer un Plan de dépouillement : Choisir le test adapté à la nature des variables Les femmes ont CA plus élevé que celui des hommes CA(F) > CA(H) 1 variable nominale influence une variable quantitative Test de comparaison de moyennes Hypothèse du test : Normalité et égalité des variances V(F)=V(F) Test de Levene Plus la pression promotionnelle est forte, plus le CA est élevé CA(P1) < CA(P2) < CA(P3) 1 variable ordinale influence une variable quantitative Analyse de variance + test 2 à 2 Hypothèse du test : Normalité et égalité des variances V(F)=V(F) Test de Levene Plus le CA en t0 est élevé, plus le CA en t1 est élevé Association de 2 variables quantitatives : Corrélation linéaire Plus le CA en t1 est élevé, plus la probabilité dinactivité en t2 est faible Variable binaire expliquée par une variable quantitative : régression logistique Pour les femmes, leffet positif de la promotion sur le CA est plus important que pour les hommes Effet modérateur du genre sur leffet de la promotion CA = a0 + a1.F + a2.Promo + a3. Promo*F Analyse de variance avec covariable (ANCOVA)

17 Sommaire © Pierre DESMET, Configurer un test Démarche générale Choisir la/les variables, définir leur rôle (in/dépendante) Formuler lhypothèse H0 et H1 Uni : X1 > X2; X1<=X2 Bilatéral : X1=X2 ; X1=/= X2 Choisir le niveau de risque / seuil de confiance Sélectionner le test approprié à la nature des variables Vérifier ses éventuelles hypothèses dapplication Normalité, égalité des variances,… Considérer les sources de variations Intra-groupe (within) / Inter-groupes (between) Obtenir et Interpréter le résultat dun test Conclure : Rejeter ou Non lhypothèse

18 Sommaire © Pierre DESMET, Formuler une hypothèse Savoir si lhypothèse concernant la population en général correspond aux données empiriques Donc si lon peut utiliser cette hypothèse dans un raisonnement Une hypothèse La distribution des paniers dachat correspond à une loi Normale Le panier moyen est de 35 (valeur des paramètres dune loi) La relation entre 2 variables Plus le client est fidèle plus il est rentable Les femmes ont un montant moyen dachat supérieur à celui des hommes Le changement de lingrédient X ne modifie pas le goût du produit Il ne sagit pas de « valider » une hypothèse (au mieux « supportée ») H0 représente « la connaissance actuelle » (hypothèse la plus plausible) Mais plutôt de linvalider, de la « rejeter » Parce que les données montrent que, au moins pour ces données, lhypothèse nest pas conforme à la « réalité observée » sur léchantillon.

19 Sommaire © Pierre DESMET, Formuler une hypothèse Des hypothèses claires et précises (testables) Il faut pouvoir exprimer lhypothèse en une différence à tester Etre exigeant sur la clarté et la précision : quelles variables, quelles mesures ? Précisément : Relation positive, négative … Linéaire, curviligne ? … Exemples (bons ?) La consommation est influencée par lâge Plus lâge est avancé, plus la consommation est importante Les seniors sont plus préoccupés par les questions de santé La variance des réponses des hommes sur la variable X est identique à celle des femmes La proportion des femmes est la même dans le groupe des acheteurs et dans le groupe des non-acheteurs Les femmes ont une intention dachat plus élevée que les hommes

20 Sommaire © Pierre DESMET, Formuler une hypothèse le choix H0/H1 Définir les 2 hypothèses H0 : une hypothèse de base H1 : une hypothèse adverse (complémentaire) H0 est la plus plausible, celle en laquelle on croît actuellement Les 2 hypothèses doivent couvrir lensemble des « possibles » H0 : X0>X1 ; H1: X0

21 Sommaire © Pierre DESMET, Quelles sont les erreurs de conclusion possibles ? Identifier les erreurs H0 = la personne est innocente Condamner un innocent (, alpha, 1 ère espèce, type I) rejet de H0 alors que H0 est vraie Innocenter un coupable (, beta, 2 ème espèce, type II) acceptation de H0 alors que H0 fausse (H1 est vraie) Les deux risques sont dépendants lun de lautre ! Déterminer le risque acceptable Risque derreur = ( ) Seuil de confiance = (1- ) (ou robustesse) Puissance du test = (1- ) Situation Décision H0 Vraie H0 Fausse H0 Acceptée 1- Type I H0 Rejetée Type I 1- Rejet de H0 alors que H0 est vrai Acceptation de H0 alors que H0 est fausse

22 Sommaire © Pierre DESMET, Choisir le risque acceptable Plus le risque derreur accepté est grand, plus lintervalle de confiance autour dune estimation est étroit Choisir le niveau du risque acceptable (, alpha) Un risque standard 5%…. Qui peut être adapté en fonction du problème à traiter Exemple : si H0= +20 ; si H1 = -500 : risque plus important Les distributions sont tabulées pour un risque bilatéral Par exemple un risque à 5% Signifie 2.5% à gauche et 2.5% à droite Il faut donc corriger le risque de la table si le test est unilatéral Un risque unilatéral à 5% Veut donc dire quil faut lire dans la table à une valeur de 10%

23 Sommaire © Pierre DESMET, Interpréter le résultat dun test Deux approches opposées : Valeur critique ou Risque calculé Calcul de la statistique (Z, t, khi2, F, …) (1) Valeur critique : À un niveau de risque donné, Lire la valeur critique de la statistique Si Valeur calculée > Valeur critique, REJET de H0 Si Zcalc = 2,4 > Zcrit =1.96 : rejet de H0 (2) Risque calculé (p level): Pour la valeur calculée, Lire le risque derreur qui lui est associé Si risque calculé < risque acceptable : REJET de H0 Si Z = 2,4, risque calculé = 1% Risque calculé < Risque acceptable (5%) : rejet de H0


Télécharger ppt "Master MARKETING / Pierre Desmet 1 Tests et Experimentation Pierre DESMET."

Présentations similaires


Annonces Google