Analyse de marchés Lutilisation de la donnée secondaire dans lanalyse du produit/marché SÉANCE 8.

Présentation au sujet: "Analyse de marchés Lutilisation de la donnée secondaire dans lanalyse du produit/marché SÉANCE 8."— Transcription de la présentation:

1 Analyse de marchés Lutilisation de la donnée secondaire dans lanalyse du produit/marché SÉANCE 8

2 Plan de la séance zIntroduction zLe cycle de vie des produits zMéthode classique de prévision par la décomposition dune série chronologique zÉtapes de la méthode de décomposition dune série chronologique zConclusion

3 Le cycle de vie du produit

4 Le cycle de vie des produits Les déterminants du cycle de vie : classe de produit ou marque ? z Pour un produit/marché (classe de produit), cest la demande globale qui est en cause.

5 Le cycle de vie des produits (suite) Le niveau danalyse : z Plus grande utilité au niveau du cycle de vie dun produit/marché. z À ce niveau, le cycle de vie reflète lévolution du produit et du marché auquel il est destiné.

6 Le cycle de vie des produits (suite) zLes variables denvironnement hors contrôle; zLévolution de la technologie; zLévolution des habitudes de consommation ou de production; zPression marketing de lindustrie.

7 Le cycle de vie des produits (suite) N.B. : zLe dynamisme des firmes fait évoluer le marché, le développe et le relance par des modifications apportées au produit.

8 Le cycle de vie des produits (suite) zPour une marque, cest la demande sélective qui est en cause. zLimportance des efforts de marketing consentis à la marque comparée aux efforts marketing des marques concurrentes.

9 Le cycle de vie des produits (suite) N.B. : zPour une marque, le cycle de vie est essentiellement déterminé par les facteurs sous contrôle de lentreprise, i.e., les efforts consentis à sa stratégie marketing.

10 Le cycle de vie des produits (suite) zLes implications : z Les styles de clients z Les profits z Les stratégies

11 La prévision par les techniques de lissage

12 zRôle de la prévision : La prévision est simplement un moyen daméliorer la prise de décision, et non une fin en soi.

13 La prévision par les techniques de lissage (suite) De nombreuses décisions en marketing sont fondées sur des prévisions de la taille et des caractéristiques du marché de manière à planifier : zLa gestion et le développement de nouveaux produits zLa stratégie de distribution zLa stratégie de communication zLa stratégie de prix.

14 zTraite du futur et par conséquent, se fait sur un horizon de temps bien déterminé. La prévision par les techniques de lissage (suite)

15 zComporte toujours un élément dincertitude. La prévision par les techniques de lissage (suite)

16 zSappuie sur linformation contenue dans les données historiques. La prévision par les techniques de lissage (suite)

17 zEst essentiellement une description de ce quil adviendra dun ensemble de décisions et dévénements dans une situation donnée. La prévision par les techniques de lissage (suite)

18 zConstitue une «entrée» dans le processus de planification. La prévision par les techniques de lissage (suite)

19 La moyenne mobile simple zPrincipe : avec un ensemble de valeurs observées, on calcule leur moyenne et on utilise cette moyenne comme prévision de la prochaine période oùP t+1 est la prévision pour la période t+1, x t est la valeur réelle, observée en t, N est le nombre de valeurs incluses dans la moyenne

20 La prévision par les techniques de lissage (suite) zPrincipe : avec lobservation la plus récente, la prévision la plus récente et une erreur, on calcule une nouvelle prévision oùP t+1 est la prévision pour la période t+1, P t est la prévision pour la période t, x t est la valeur réelle, observée en t, est un facteur dajustement compris entre 0 et 1

21 La régression linéaire zPrincipe : avec un ensemble de valeurs observées, on estime une droite de régression en minimisant les erreurs en moyenne oùP t+1 est la prévision pour la période t+1, t est le numéro de la période, est lordonnée à lorigine, est la pente de la droite de régression La prévision par les techniques de lissage (suite)

22 Le modèle en série chronologique

23 zFondements : On fait lhypothèse selon laquelle on peut trouver un certain comportement, une certaine loi ou combinaisons de lois qui se reproduit avec le temps.

24 Le modèle en série chronologique (suite) zEn identifiant la loi et son point de départ, on peut donc prévoir la valeur de la variable dans une période postérieure quelconque.

25 Le modèle en série chronologique (suite) Quatre types de lois doivent être considérées : zHorizontale zSaisonnière zCyclique zTendance

26 Le modèle en série chronologique (suite) zLa loi horizontale : correspond au cas où les données ne représentent aucune tendance (série stationnaire). zLa loi saisonnière : existe quand une série fluctue selon un certain facteur de saisonnalité (ex. jour, mois, saison).

27 Le modèle en série chronologique (suite) zLa loi cyclique : est analogue à la loi saisonnière mais la longueur de son cycle est supérieur à un an et ne se répète pas nécessairement à des intervalles de temps régulier. zLa loi de tendance : existe lorsquon observe une croissance ou une décroissance de la variable avec le temps.

28 Méthode classique de prévision par la décomposition dune série chronologique

29 zEst affectée par trois facteurs : 1.Le facteur de tendance yÉquivaut à la projection linéaire (ou non linéaire) à long terme de la série chronologique ; yCette projection élimine toutes les fluctuations «aléatoires» dues aux facteurs saisonnier et cyclique.

30 2.Le facteur cyclique ySuit en général une loi en forme dondulation passant dune valeur élevée à une valeur faible, puis revenant à une valeur élevée. Méthode classique de prévision par la décomposition d une série chronologique

31 3.Le facteur saisonnier ySe rapporte à la fluctuation annuelle ou à la fluctuation sur une autre période de temps. Méthode classique de prévision par la décomposition d une série chronologique

32 O = T x C x I x R O est la valeur de lobservation ; T est le facteur de tendance ; C est le facteur cyclique ; S est l indice saisonnier ; R est la partie aléatoire ou l aléa. Méthode classique de prévision par la décomposition d une série chronologique

33 Étapes de la méthode de décomposition dune série chronologique

34 Étape 1 :détermination du coefficient saisonnier zCalculer la moyenne mobile : En additionnant autant de valeurs de S quil y en a dans un cycle saisonnier (ex. 4 trimestres ou 12 mois) on obtient un ensemble de valeurs sans facteur saisonnier et avec un minimum d aléa. MM = T x C Étapes de la méthode de décomposition dune série chronologique

35 zCalculer la moyenne mobile centrée * Calculer la moyenne de deux moyennes mobiles consécutives de manière à centrer la moyenne sur les trimestres plutôt que sur des demi-trimestres. * Dans le cas dun nombre pair dobservations

36 zFaites le rapport de la variable observée sur la moyenne mobile centrée : À partir du rapport des données originelles et de la moyenne mobile centrée, on obtient : O / MMc = (T x C x S x R) / (T x C) = S x R Étapes de la méthode de décomposition dune série chronologique

37 ySi le rapport de la valeur observée S sur la moyenne mobile centrée MMc dépasse 100, cela signifie que les facteurs saisonniers et aléatoires sont supérieurs à la moyenne. ySi le rapport est inférieur à 100, les facteurs saisonniers et aléatoires sont inférieurs à la moyenne. Étapes de la méthode de décomposition dune série chronologique

38 zCalculer la moyenne médiale pour chaque mois (si nécessaire) : La série chronologique sur laquelle porte la prévision peut être affectée par des événements exceptionnels tels que grève, les conditions météorologiques, des poursuites judiciaires ou autres. Étapes de la méthode de décomposition dune série chronologique

39 yPour minimiser linfluence de ces événements sur lestimation de la prévision, on calcule la moyenne médiale. yIl sagit déliminer pour chaque trimestre, le plus petit et le plus grand rapport de la valeur observée S sur la moyenne mobile centrée MMc et destimer la moyenne. Étapes de la méthode de décomposition dune série chronologique

40 zAjuster la moyenne médiale pour obtenir le coefficient saisonnier de chaque mois : yLa somme des moyennes médiales sert à ajuster les coefficients saisonniers de façon à ce qu ils donnent un total de 400. Étapes de la méthode de décomposition d une série chronologique

41 Étape 2 :Détermination du facteur de tendance zSpécifier le type de tendance qui sapplique le mieux aux données (linéaire ou non-linéaire) et estimer T. T = a +bt Étapes de la méthode de décomposition d une série chronologique

42 Étape 3 :Détermination du facteur cyclique zDéterminer le facteur cyclique pour chaque valeur observée en divisant la valeur de la moyenne mobile par la valeur de la tendance. MMc / T = (TxC) / T = C Étapes de la méthode de décomposition d une série chronologique

43 ySi lindice est inférieur à 100, ceci indique que le niveau dactivité économique de ce trimestre est en- dessous de la moyenne de ces années. ySi lindice est supérieur à 100, alors le niveau dactivité économique de ce trimestre est au-dessus de la moyenne de ces années Étapes de la méthode de décomposition d une série chronologique

44 Étape 4 :Élaboration dune prévision zChoisir le coefficient saisonnier qui correspond à la période choisie. zCalculer la valeur de la tendance. zEstimer le facteur cyclique en analysant lorientation des dernières données. P = Saisonnier x Tendance x Cyclique Étapes de la méthode de décomposition d une série chronologique

45 Conclusion Remarques : zLa technique est une méthode intuitive. zElle aide à explorer le pourquoi des variations des données historiques. zElle permet de prédire séparément les variations de chaque loi élémentaire pour des fins de prévision et de gestion. zLe facteur cyclique est le plus difficile à traiter.

46 Conclusion Limites : zOn ne peut pas toujours séparer clairement les diverses lois élémentaires. zOn ne dispose pas de tests de signification statistique et ni d intervalles de confiance. zNest pas utile pour prévoir limpact des décisions du gestionnaire.