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 3. Modèles agrégés 2.

Présentations similaires


Présentation au sujet: "MENU 1 3. Modèles agrégés 2."— Transcription de la présentation:

1 MENU 1 3. Modèles agrégés 2

2 MENU 2 Intégration de la concurrence

3 MENU Modèles daide à la décision en MKG © Desmet Pierre Intégration de la concurrence Le marché est influencé par les décisions des autres acteurs QUI ? Comment définir la concurrence ? Toutes les marques Les principales marques Les marques les plus « proches » Quid si enseignes différentes (mdd, assortiment,…) QUOI ? La demande pour une marque (i) est influencée par les décisions des autres marques … Qui dépendent aussi des choix de la marque (i)… Des comportements décisionnels hypothèses économiques sur loligopole: Cournot : chaque firme sadapte à la décision (q) de lautre Stackelberg : le leader décide (q), le challenger sajuste Bertrand : les deux firmes décident simultanément des prix

4 MENU Modèles daide à la décision en MKG © Desmet Pierre Quels effets croisés ? Proximité : Plus les produits ont des marketing mix proches Plus ils sont en concurrence (élasticités croisées fortes) Validé pour les prix Asymétrie : une marque de moins bonne qualité (moins chère) souffre plus lors de la baisse dune marque de meilleure qualité (plus chère) Des validations empiriques mais sujettes à caution Notamment corriger le fait que les marques de qualité (Mnationales) sont plus chères que les MDD

5 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles en Parts de marché On ne modélise que la PdM du produit considéré Décomposition en deux étapes (additif ou multiplicatif) q i = m i. Q m i = a + b. p i * ou m i = a. p i * b Transformation des variables explicatives en variables relatives Exprimer les variables en relatif : p i * = p i / p r Quel point de référence (r) ? Moyenne marché ? (linéaire, géométrique), Concurrent proche ?… Caractéristique Simple et facile à comprendre Robustesse ? Rien nassure que (m i ) sera compris dans [0,1] et que la somme = 1 Quid si la part de marché est très importante ? Les ventes du produit influencent alors beaucoup le « marché »

6 MENU Modèles daide à la décision en MKG © Desmet Pierre Exemple : Cas Shamp Vous êtes la fimre B, faut-il poursuivre la promotion ?

7 MENU 7 Modèles dattraction spatiale

8 MENU Modèles daide à la décision en MKG © Desmet Pierre 2011 Objectifs Prendre en compte leffet de lespace sur les comportements Application à lestimation du potentiel dun magasin Attraction réalisée sur le potentiel dune zone géographique Intensité de la concurrence dépend de la proximité géographique 8

9 MENU Modèles daide à la décision en MKG © Desmet Pierre Démarche de modélisation Modèle : Valeur ou Utilité =f (Bénéfices, Coûts) Coûts = déplacement (temps, dépense, distance) selon le mode Bénéfices = valeur hédonique, utilitaire, sociale Selon le motif : information, achat, butinage, sortie familiale Étudier les caractéristiques de lachat Fréquence dachat, recherche de variété,… « zoner » : définir lunité géographique de base : ville, commune, iris,… Définir les magasins potentiels et leurs caractéristiques Calculer les distances zone-magasin (temps, distance,…) Mesurer les flux de visites Modéliser les comportements et calculer les sensibilités aux différentes variables magasin Utiliser le modèle Etudier les écarts, simuler des implantations

10 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle dattraction Part de marché m i = A i / ( j A j ) A = Fonction dattraction multiplicative : A i = b 0 P i b1 (modèle MCI) exponentielle : A i = exp (b 0 + b i P i ) (modèle logistique) Technique Linéarisation ? Ratio à une marque de référence Pour celle-ci, ratio à la Moyenne géométrique des valeurs Hypothèse de lindépendance des alternatives non pertinentes (IIA) ou concurrence proportionnelle Contournement de cette hypothèse par : (1) probit, (2) modélisation des relations entre les marques

11 MENU Modèles daide à la décision en MKG © Desmet Pierre Loi de REILLY (1929) Lintensité de la concurrence est déterminée par linverse de la distance (en puissance) Loi de gravitation du commerce de détail (Loi de Newton) "Si 2 pôles (i et j) en compétition sont également accessibles et (également ) performants, toutes choses égales par ailleurs, ces centres attirent les achats des populations situées entre eux en raison directe du nombre d'habitants (P) et en raison inverse du carré des distances qu'il faut parcourir pour s'y rendre, (D). A ij = (P i ) / D ij Les flux diminuent en fonction du carré de la distance (modèle de base = 2) L'exposant varie (de 0.4 à 3.3) selon le degré de fluidité des échanges, Il est plus élevé pour les grandes villes

12 MENU Modèles daide à la décision en MKG © Desmet Pierre Illustration Loi de REILLY

13 MENU Modèles daide à la décision en MKG © Desmet Pierre CONVERSE (1949) Converse P.D. (1949), New laws of retail gravitation, Journal of Marketing, 14, Recherche des points de rupture des zones de chalandise Point de partage entre zones d'attraction pas de graduation de l'emprise approximatif, rapide, marchait bien pour une civilisation rurale Variables « plancher commercial » plutôt que population « temps de trajet » plutôt que distance

14 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle gravitaire HUFF HUFF D. L. (1964) Defining and Estimating a Trading Area, Journal of Marketing, Vol 28, p. 38. Elaboration du modèle du point de vue de la demande (à un point « i ») Une approche probabiliste : possibilité de fréquenter plusieurs magasins (« j ») Probabilité de fréquentation de j par un client potentiel habitant en i est égale à lutilité relative de ce magasin sur la somme des utilités des magasins qui sont considérés = U ij / n U ik « Utilité » dun point de vente « j » : U ij = S j /(T jj Utilité : S, taille du magasin (en m2) T, temps daccès, pondération du temps daccès selon le type de produit considéré n, ensemble des magasins considérés à partir de la zone « i »

15 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle gravitaire de HUFF Illustration

16 MENU Modèles daide à la décision en MKG © Desmet Pierre Généralisation MCI, MICS M.Nakanishi, L.G. Cooper, Simplified Estimation Procedures for MCI Models,Marketing Science, Vol. 1, No. 3 (Summer, 1982), pp Modèle à interaction concurrentielle multiple (subjective) Généralisation de Huff pour contourner ses limites Modèle différent par catégorie de biens, Homogénéité des produits vendus, Autres variables explicatives de la fréquentation « Attraction » dun point de vente « j » : A ij = k X ijk k Probabilité de fréquentation P= A ij / n A ik n magasins considérés, k variables considérées X : variable Distance (km, temps), parking, taille magasin, Image du magasin, prix, … Objective ou subjective coefficient de sensibilité de lattraction à la variable Méthode destimation simple (régression linéaire) des coefficients des variables

17 MENU Modèles daide à la décision en MKG © Desmet Pierre Méthodologie Définition des zones Détermination du potentiel des zones (habitants, revenus,…) Identification des concurrents Caractéristiques des concurrents (taille, service, image, horaires, parking,…) Pour chaque zone, collecte des parts de visites sur chaque magasin Estimation des coefficients des variables pour reconstituer les parts de visite Hypothèses sur les paniers Utilisation en simulation de valeur demplacements

18 MENU Modèles daide à la décision en MKG © Desmet Pierre Avantages & Inconvénients + Prise en compte de la concurrence Mais avec lhypothèse IIA - Valeurs subjectives plus quobjectives Même pour la distance Hypothèse de continuité ? Si barrière naturelle, organisation historique de la ville,… Collecte de données assez lourde Voies de recherche En 2 étapes : distances dabord et valeur magasin en résidu Puis Explication de la valeur du magasin par des variables daction

19 MENU 19 Modèles agrégés avec dynamique

20 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles dynamiques Les effets des variables ne sont pas limités à la période pendant laquelle les actions ont lieu Effets Anticipés (lead) Décalés (lag) Sources : Psychologique (anticipation) Technique (stocks) Institutionnelle (budgets) Effet dune variable en t sur une variable en t+l ou en t-l Anticipation dun effet saisonnier, dun comportement, dun besoin

21 MENU Modèles daide à la décision en MKG © Desmet Pierre Types deffets dynamiques Pression marketing Temps Effets Effets dus aux intermédiaires et au client final

22 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles à effets dynamiques Effets décalés à court terme T -> Effets anticipés (lead, t-1) ou Effets différés (lag, t+n) Effet à moyen terme Impulsion (temporaire) : variable auxiliaire = 1 si t = t0, =0 sinon Marche (durable) : autre constante = 1 si t > t0, =0 si t <= t0 Effet goodwill : Création dune nouvelle variable par lissage des valeurs de la variable ex modèle de Koyck (Goodwill publicitaire ou Notoriété ) GW t = (1- ).GW t-1 +.Pub t Modèle auto-régressif : Yt = f(Y t-1)

23 MENU Modèles daide à la décision en MKG © Desmet Pierre Quelle durée pour les effets ? Retards distribués (distributed lags) Y t = + 0.X t + 1.X t X t-2 +…+ k.X t-k + t Effet à long-terme ( i=0,K.i ) Effet de court terme absolu ( 0 ) et relatif ( 0 = 0 / i=0,K.i ) Restriction obligatoire (k

24 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle de Koyck Simplifier le problème par lhypothèse dune distribution a priori de la forme des effets Géométriquement décroissants (Koyck) Transforme un modèle à retards distribués en modèle auto-régressif Réduire les coefficients par une relation entre eux (transf de Koyck) k = 0, 0< <1, k=1,2, 3 Y t = + 0.X t +.Y t-1 + ( t – t-1 Propriétés : Lag médian = - log(2)/log( ) Lag moyen = / (1- ) Estimation par la méthode des variables instrumentales (IV) Mais Erreurs corrélées (moy mobile), test de Durbin watson (coeft d inutilisable, à remplacer par h)h Variable décalée peut être dépendante de la nouvelle erreur

25 MENU Modèles daide à la décision en MKG © Desmet Pierre Relation publicité – ventes (Lydia-pinkham) Données annuelles ( ) de ventes et de publicité Quel est leffet de la publicité ?

26 MENU Modèles daide à la décision en MKG © Desmet Pierre Différences (Yt-Yt-1), (Xt-Xt-1)

27 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèles simples Qt = ventes, At = advertising Direct Q t = a 0 + b 0 *A t + e t Hypothèses ? Pub tCA t Pub t Notoriété t Pub, t-1 CA t Env t Pub t Notoriété t Pub, t-1 CA t Pub t Pub, t-1 CA t

28 MENU Modèles daide à la décision en MKG © Desmet Pierre Estimation des modèles R² = R² =0.331 R² = 0.872, lambda = 0.75 pendant combien de temps dure leffet dune publicité ?

29 MENU Modèles daide à la décision en MKG © Desmet Pierre Modèle des attentes adaptatives Lévolution de X dépend de lécart entre les attentes et la réalisation Y t = +.X e t + t (X e t - X e t-1 ) = (X t - X e t-1 ) Le modèle devient un modèle de Koyck spécifique Y t = +..X t +..(1- ).X t +..(1- ) 2.X t +…+ t Y t = +..X t + (1- ).Y t-1 + ( t – t-1 ) Conséquences Erreurs auto-corrélées (moy mobile) La valeur attendue pour X est une moyenne pondérée de la valeur actuelle de X et de toutes les valeurs passées

30 MENU Modèles daide à la décision en MKG © Desmet Pierre Estimation par variables instrumentales (IV) Remplacer chaque variable par une variable Z Corrélée avec la variable à remplacer Mais non corrélée avec lerreur Simple pour la constante (1) et pour X (X) Pour la variable instrumentale de la variable décalée (Yt-1) plusieurs possibilités X t-1 Y^ t-1 = d 0 + d 1. X t + d 2. X t-1 Etapes Multiplier les équations par les variables instrumentales et sommer sur toutes les observations puis solutionner le système Y t = b 1.n + b 2. X t + b 3. Y t-1 X t.Y t = b 1. X t + b 2. X 2 t + b 3. X t Y t-1 Z t.Y t = b 1. Z t + b 2. t X t + b 3. Z t Y t-1


Télécharger ppt "MENU 1 3. Modèles agrégés 2."

Présentations similaires


Annonces Google