Sminaire Mesure de la performance marketing Analyse conjointe

1
SéminaireMesure de la performance
marketingAnalyse conjointe

• Pierre DESMET

2
Plan

• Exemple introductif
• Objectifs
• Cadre théorique et Hypothèses
• Variantes et terminologie
• Méthodologie
• Applications (SAS)

3
Exemple introductif

• Illustration Brand-price trade-off (BPTO)
• http//www.marketing-science-center.com/charge/BPT
  O.xls

4
BPTO par Régression linéaire
5
BPTO par Programmation linéaire
6
Définition et Problématiques

• Définition
• Lanalyse conjointe est une famille de méthodes
  détudes de marché visant à obtenir, reconstituer
  et simuler des choix individuels
• Elle correspond à létude des variations autour
  dun point déquilibre
• le gain sur une dimension nécessite une perte sur
  une autre
• Elle appartient à la classe des modèles de
  composition (approche formative)
• Problématique Marketing
• Evaluer lattrait dune variante produit/service
• Selon ses caractéristiques et les niveaux des
  modalités
• Problématique Etude
• Reconstituer au mieux les préférences et les
  choix
• Déterminer les utilités partielles attribuées aux
  caractéristiques
• Pour chaque segment de clientèle

7
La base théorique

• Modèle d'attitude (préférence), linéaire et
  compensatoire
• Composantes de l'attitude
• COGNITIVE les connaissances et croyances
• AFFECTIVE évaluation / préférences
• CONATIVE intention dachat / choix
• Modèle multi-attributs (Fishbein)
• A lattitude vis-à-vis de lobjet présenté
• a i lévaluation de lobjet sur lattribut i
  (i 1, ...K)
• wi le poids accordé à lattribut i.
• Modèle économique de séparabilité des utilités
  (Lancaster)

8
Les mesures

• Quels attributs et modalités ?
• Objectif ou perçu ?
• Modalités réalistes
• Quels mode de présentation ?
• Plan expérimental, plan adaptatif (papier ou
  ordinateur, web)
• Description verbale, dessin-image, objet réel
• Quel profil des objets ?
• Profil Complet (full profile) ou Trade-off
  (attributs 2 à 2)
• Quels stimulis (scénarios proposés)
• Elaboration du plan
• Si 4 variables à 2 modalités et 2 variables à 3
  modalités alors il y a 144 combinaisons (24.32 )
• Impossible de les faire évaluer toutes
• Quelles réponses ?
• Préférence, classement, note, allocation de 100
  points, choix

9
Plans statistiques complets

• Plan factoriel
• 2 variables (X, Y), même nombre de modalités (2)
• 3 modalités -gt 3² groupes 9 groupes
• 3 var, 3 modalités -gt27 groupes
• Plan factoriel en blocs aléatoires
• Groupage des individus selon une variable à
  contrôler

10
Plans statistiques fractionnés
3

• Carré latin
• 3 variables (X, Y, Z), même nombre de modalités
  (3)
• le groupe 3 reçoit X3, Y1, Z2
• 27 combinaisons réduites à 9 scénarios
• Autres tailles
• Gréco-latin 4 variables
• Hyper-gréco-latin 5 variables

11
Cadre théorique

• Performance
• Achats
• Ventes

Conception
Attributs / Modalités J
Stimuli
Mesure
Perceptions Xij
Valorisation Préférences Yi
Choix Cj Intention dachat IA i
Simulation
Ensemble de Considération I
Analyse
Contributions Wj
Règle
Agrégation Segmentation
12
Cadre opérationnel
Rang Y (i)
X (i,j)
W (j)
Utilité Y (i)
Ecart à minimiser
Rang estimés Y (i)
13
Hypothèses de valorisation

• Hypothèses classiques
• Rationalité, transitivité,
• Modèle dévaluation compensatoire
• 2 modalités (-) se compensent cher mais
  qualité supérieure
• Les alternatives doivent donc être assez
  comparables
• Modèle dévaluation monotone
•  Plus  est toujours  mieux 
• Classer les modalités, inverser les attributs
• Modèle dévaluation linéaire
• Pour les attributs continus (prix,)
• Toutes les alternatives évaluées sont supposées
  connues
• Si le choix est lexicographique
• Faire une première étape dacceptabilité/rejet

14
Modèle de valorisation

• Règle de composition
• Linéaire
• Linéarisable
• Point à point, linéaire par partie (part-worth)
• Avec seuil
• Avec interaction
• Tous les attributs suivent-ils le même profil ?
• Effet selon la position relative / à la référence
• Effet si négativement perçu
• Effet si positivement perçu
• Exemple satisfaction

15
Méthodes danalyse réponse quantitative

• Réponse quantitative (échelle dintention
  dachat, partage de 100 points,)
• ANOVA
• Régression avec variables auxiliaires
• Faible nombre de degrés de liberté si
  lestimation est faite au niveau individuel
• Nécessité de poser une contrainte sur les
  coefficients soit wj1 1 soit Swjk0
• mais violation des hypothèses sur les résidus

16
Méthodes danalyse Réponse ordinale (Classement
et choix)

• Classement
• MONANOVA (Anova avec monotonicité)
• Programmation linéaire (LINMAP) et analyse de
  sensibilité
• Logit ordonné
• Choix parmi n options
• Logit multinomial
• Réponse binaire
• Binaire IA oui / Non
• Logit

17
Evolution des méthodes

• Auto-expliqué (self explicated)
• 100 points entre les attributs
• 0 à 10 sur les modalités
• Approche simplifiée
• Marque contre prix (BPTO)
• Analyse conjointe simple
• Modèle mixte (CCA)
• Évaluation des modalités
• Réponses sur les alternatives
• Modèle adaptatif (ACA)
• Pilotage de la collecte en fonction des réponses
  précédentes
• Et des poids indiqués pour les modalités et
  attributs
• Modèle hybride
• Prendre en compte des variables individuelles

18
Règles des choix

• Différentes règles de choix
• Utilité maximale premier choix 1
• Utilité pondérée (ad-hoc) (0.60.30.1)
• Part dutilité Ui / S (Uj)
• Règle Logit Exp(Ui)/ S Exp(Uj)
• Autre règle ad-hoc Ui a / S (Uj a) (a 2)
• Valorisation financière des attributs
• Par lutilisation de lutilité partielle du prix
• Prix 15 0.5 Prix 25 0.2 gt 0.1 3.33
• Si WC dans chambre .6 gt valeur monétaire 20

19
Agrégation et Segmentation

• Les données de différents répondants sont-elles
  utilisées pour estimer des coefficients
   communs  ?
• Segmentation
• Non
• Oui
• Préalable (sur des caractéristiques
  individuelles)
• Concomitante (classes latentes)
• Postérieure (sur le profil des utilités)
• Hétérogénéité
• Modèle hiérarchique

20
En SAS Design

• Design
• Simple macro (mktruns)
• mktruns( 3 3 3 2 )
• mktruns( 3 3 3 2, max23 )
• Complet (mktdes)
• mktdes(factorsingredient fat price3
  calories2, n18)
• mktdes(factorsIngredient Fat Price3
  Calories2, n18 procoptsseed17)
• FACTEX
• http//www.d.umn.edu/math/docs/saspdf/qc/chap14.pd
  f
• OPTEX
• www.d.umn.edu/math/docs/saspdf/qc/chap23.pdf
• Lire aussi
• http//support.sas.com/rnd/app/papers/optex.pdf
• http//www.stat.ucl.ac.be/SMCS/serveur/SAS/samples
  /qc/samp_qc.html

21
En SAS Analyse

• Analyse Proc TRANSREG
• model linear(y1-y3) linear(x1-x4) ordinary
  multivariate multiple regression
• model monotone(y) linear(x1-x4) monotone
  multiple regression
• model mspline(y) linear(x1-x4) smooth monotone
  (quadratic spline) multiple regression
• model linear(y) class(gp) spline(x/degree1)
  parallel monotone curves, separate intercepts
• model monotone(y1) class(x1-x3) monotone ANOVA
  (conjoint analysis), main effects model
• model monotone(y1) point(x1-x3) PREFMAP or
  ideal point regression
• Lire aussi
• The Structure of Optimal Design Algorithms,
  Randall D. Tobias http//support.sas.com/documenta
  tion/cdl/en/statug/59654/HTML/default/statug_trans
  reg_sect006.htm
• SAS technical report R-109
• http//www.support.sas.com/documentation/onlinedoc
  /v82/techreport_r109.pdf

22
Exemples en SAS

• http//www.sfu.ca/sasdoc/sashtml/stat/chap65/sect4
  4.htm
• http//www.ualberta.ca/dept/aict/ludeware/SAS/sas-
  8.2/samples/stat/tregmod.sas
• http//www.stat.ucl.ac.be/SMCS/serveur/SAS/samples
  /stat/samp_stat.html
• http//ftp.sas.com/techsup/download/sample/samp_li
  b/statsampConjoint_Analysis_Examples_from_.html
• www.ualberta.ca/dept/aict/ludeware/SAS/sas-8.2/sam
  ples/stat/mlogit04.sas
• http//www.mic.cbs.dk/marcus/Slides/15_Conjoint/c
  onjoint.pps

23
Modèle auto-expliqué

• Le répondant alloue 100 ponts en fonction de
  limportance perçue du critère
• http//www.marketing-science-center.com/charge/An_
  Conjointe.xls

24
Application analyse conjointe simple

• Classement des préférences