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

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

Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 février 2007.

Présentations similaires


Présentation au sujet: "Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 février 2007."— Transcription de la présentation:

1 Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 février 2007

2 Mise en Contexte Lindustrie du livre nouveaux titres par année au USA Rapporte 20 M de dollars annuellement 10 % des livres sont vendus par envoi postal Vente de livres 1970 apparition des grandes chaînes de librairies 1980 vente de livres dans les grands magasins à rayon 2000 vente de livre en ligne

3 Mise en Contexte Les clubs de livre Historiquement proposaient des contrats dachat de livres aux consommateurs Un lecteur accepte dacheter quelques livres et de recevoir chaque mois 1 ou 2 livres supplémentaires Face à laugmentation de la concurrence Utilise des bases de données pour retenir de linformation sur leur consommateurs Recherche des modèles qui vont les aider à mieux cerner les préférences de leur client

4 Bookbinders Book Club Fondé en 1986 Spécialiste dans la vente de livres spécialisés Rejoint ses clients à laide de marketing direct Possède une base de données avec de linformation sur lecteurs Problématique: La compagnie se demande si lutilisation dun modèle de prédiction serait utile pour cerner les consommateurs à cibler lors de lenvoi postal

5 Bookbinders Book Club Cas: consommateurs ont été sélectionnés à partir dune base de données Une offre spéciale pour un livre dart de Florence a été envoyée par la poste 9,03% des consommateurs ont acheté le livre

6 Description des modèles de prédiction Régression linéaire multiple On cherche à voir le degré dinfluence des différentes variables sur la décision dachat ou non du livre dart. Multinomial logit analysis Méthode qui permet didentifier les variables qui influencent le choix des consommateurs Neural network model Permet de comprendre la relation entre les variables dépendantes et indépendantes en essayant de comprendre le processus de traitement de linformation dans le cerveau des individus dans le but de développer des représentations sur ordinateur du mécanisme.

7 Régression linéaire multiple

8 Statistiques de la régression Coefficient de détermination multiple0, Coefficient de détermination R^20, Coefficient de détermination R^20, Erreur-type0, Observations1600

9 Statistiques de la régression CoefficientsErreur-typeStatistique t Constante0, , , Gender-0, , , Amt_purchased0, , , Last_purchase-0, , , First_purchase0, , , Frequency-0, , , P_Child-0, , , P_Youth-0, , , P_Cook-0, , , P_DIY-0, , , P_Art0, , ,

10 Équation… Y choix = x gender x Amt_purch. – x last_purch x First_purch. – x freq – 0.13 x p_child – x p_youth – 0.14 x p_cook – 0.14 p_DIY x p_art

11 Neural net forcasting

12 +

13 Nomt-stat Amt_purch 2,8123 First_purch 3,6694 Frequency -16,69 Last_purch 11,53 Gender -8,2594 P_Art 19,13 P_Child -7,9469 P_Cook -10,65 P_DIY -8,5867 P_Youth -3,3114 Model fit : 17,61 % Test fit : 18,54 % Overall fit: 17,79 %

14 Choice P_Art

15 Choice Frequency

16 Multinomial logit analysis

17

18 Diagnostic 1 Nous indique la variable qui influence le plus la réponse à lenvoi postal GenderAmt_purchLast_purchFirst_purchFrequencyP_ChildP_YouthP_CookP_DIYP_Art e

19 Diagnostic 2 Cote-t Nomt-stat Amt_purch 1,7283 First_purch -0,7318 Frequency 6,3647 Last_purch -6,2699 Gender -7,4511 P_Art 5,3532 P_Child -7,0268 P_Cook -7,797 P_DIY -6,3718 P_Youth -4,5357

20 Diagnostic 3 Hit rate & Choice Share Number of hits = 1289 Number of observations = 1600 The hit rate of the model = Choice Share (Market Share) Forecasts: Response Dummy % %

21 Résumé Facteurs (+) Facteurs (-) Régression linéaire multiple P_Art First_ Purch P_DIY P_Cook Neural net forecasting Last_Purch P_Art P_Cook Frequency Multinomial logit analysis P_Art Frequency Gender P_Cook

22 Conclusions La variable « nombre de livre dart acheté » influence significativement et positivement le choix selon les 3 modèles; Lentreprise devrait inévitablement cibler ces consommateurs; La variable « nombre de livre de recettes acheté » influence négativement le choix selon les 3 modèles; Lentreprise ne devrait donc pas cibler ces consommateurs;

23 Conclusions (suite) Le modèle le plus fiable semble être le « Multinomial logit analysis »; Selon ce modèle, en plus des consommateurs ayant achetés des livres dart, lentreprise devrait également miser sur ceux qui on fait beaucoup dachats (frequency) dans la période donnée; Aussi, en plus des consommateurs ayant acheté des livres de recettes, lentreprise ne devrait pas cibler en fonction du sexe (gender).

24 Avantages et limites Régression linéaire multiple Limites On ne peut pas utiliser de variables binaires Neural network model(17,79 %) Avantages On peut faire des prédictions sans connaître le type de relation entre les variables Offre des fits et des prédictions plus robustes que la régression linéaire multiple lorsquil y a des données manquantes Limites Nexplique pas en détail les prédictions Nouvelle méthode donc peu dinformation est disponible sur le modèle et son fonctionnement La performance dépend de plusieurs facteurs Multinomial logit analysis ( 80,56 %) Avantages Offre beaucoup plus dinformations

25 Questions ? ?


Télécharger ppt "Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 février 2007."

Présentations similaires


Annonces Google