http:// menu 1 5. modèles intégrés
TRANSCRIPT
http://www.mastermarketingdauphine.com MENUMENU
1
5. Modèles intégrés
http://www.mastermarketingdauphine.com MENUMENU
2
Modèles de préférences sur données spatiales
(MDS)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
3
3. Les perceptions des objets :Méthodes de projection
L’important pour le consomamteur, ce sont les perceptions et non les caractéristiques objectives
Méthodes de décomposition ou de composition Décomposition : différences perçues entre les objets (dépliage –
Unfolding) Composition : évaluation des objets sur des attributs
Positioning–8
Objets Individus Caractéristiques
Objets
Analyse des similarités
MDScal, Indscal
Analyse des préférences
MDpref
Analyse des perceptions
(composition)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
4
Approches perceptuelles
Carte des Perceptions à partir Des (dis)similarités entre alternatives De l’évaluation alternatives x attributs
Carte des Préférences Point idéal Modèle vectoriel
Cartes jointes Perception et préférence Ajout des préférences sur les perceptions Recherche d’une configuration commune perception-préférence
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
5
Analyse des similarités
Approches de décomposition
identifier les proximités entre objets (marques) grâce à une représentation spatiale réductrice des distances qui les séparent
Postulats tout produit est un panier d'attributs un objet est représenté dans l'espace par un point dont les
coordonnées sont les évaluations de l'objet sur les attributs l'individu synthétise en quelques dimensions privilégiées
Mesure : distances objet x objet
Questions combien de dimensions ? quels sont les attributs privilégiés ? comment est organisée la représentation ?
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
6
Mesures des similarités
rangement par paire AB> AC > AD > ...
notation des paires (très -pas du tout semblables)
AB 1--2--3--4--5
tétrades : choisir la paire la plus semblable parmi 2 (AB, AC) => AB
triades : l'objet le plus semblable à celui de gauche A -- (B, C) => B
triade de Kelly : parmi 3, la paire la plus semblable, la plus différente (A,B,C) => +(A,C) - (C, B)
point d'ancrage : rangement des objets à partir d'un produit tiré au sort
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
7
Construction de la carte des similarités
SANS demander des perceptions sous forme quantitative
recherche de la configuration géométrique La plus économe et la mieux adaptée
en partant d'une dimension donnée de l’espace
approximation d'un classement non métrique par une distance métrique
minimisation du stress: distance à ajouter aux distances métriques pour vérifier les classements
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
8
Dépliage multidimensionnel : Exemple des voitures
Saxo CitroënPeugeot 206 Renault Twingo Renault Clio
Ford Ka Daewo Matiz
Lancia Ypsilon
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
9
Exemple des voitures http://www.marketing-science-center.com/charge/Map_indi.xls
Entrez vos préférences, Entrez vos perceptions de similarité ordre décroissant de proximité des couples
Utiliser le solveur d’excel pour reconstituer L’espace perceptuel en deux dimensions avec le stress minimal l’ordre de vos préférences
http://www.marketing-science-center.com/charge/Mapping.xlsDesmet 2006
Exercice de compréhension du dépliage multidimensionel
(1) Entrez vos perceptions de la similarité entre les voitures (bleu) (classement des paires)(2) Entrez vos préférences (jaune) (rang décroissant)
Matrice similarité
Etiquette Ka Twingo Clio Saxo Fiesta Préférences
Ka 5 9 8 4 1Twingo 1 10 3 2Clio 7 2 3Saxo 6 4Fiesta 5
(3) Notez sur un papier sur quels critères ces voitures se différencient(4) Sur la feuille Calcul, utilisez le solveur en deux étapes(5) Puis allez interprétez la représentation graphique obtenue
(utiliser les onglets en bas des feuilles)
Graphique des perceptions et point idéal (similarités)
0,30
-0,50
-0,37
0,50
-0,04
-0,13
Twingo
Clio
Fiesta
Saxo
KaMoi
-1,00
1,00
-1,00 1,00
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
10
Carte des préférences
La place de l’individu dans l’espace doit permettre de reconstituer l’ordre des préférences sur les objets
ACP de la matrice (OxI)
2 types d'analyse Interne (simultanément - compromis) : simultanément les
perceptions et les préférences Externe (deux étapes successives)
Configuration sur les perceptions Emplacement selon les préférences
Détermination de l'ordre des préférences le point idéal (optimum fini) le vecteur idéal (optimum infini)
IA
B
CI AB
C
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
11
Exemple : Préférences voitures data
title 'Evaluation des préférences pour les voitures (1980) par 25 juges';
data carpref;
input Make $ 1-10 Model $ 12-22 @25 (subj1-subj25) (1.) MPG Reliable Ride;
cards;
Cadillac Eldorado 8007990491240508971093809 3 2 4
Chevrolet Chevette 0051200423451043003515698 5 3 2
Chevrolet Citation 4053305814161643544747795 4 1 5
Chevrolet Malibu 6027400723121345545668658 3 3 4
Ford Fairmont 2024006715021443530648655 3 3 4
Ford Mustang 5007197705021101850657555 3 2 2
Ford Pinto 0021000303030201500514078 4 1 1
Honda Accord 5956897609699952998975078 5 5 3
Honda Civic 4836709507488852567765075 5 5 3
Lincoln Continental 7008990592230409962091909 2 4 5
Plymouth Gran Fury 7006000434101107333458708 2 1 5
Plymouth Horizon 3005005635461302444675655 4 3 3
Plymouth Volare 4005003614021602754476555 2 1 3
Pontiac Firebird 0107895613201206958265907 1 1 5
Volkswagen Dasher 4858696508877795377895000 5 3 4
Volkswagen Rabbit 4858509709695795487885000 5 4 3
Volvo DL 9989998909999987989919000 4 5 5
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
12
Plan Produit x Attribut (vecteur)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
13
Plan Prod x Attributs (ideal)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
14
Plan Produit x Ind
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
15
Analyse des perceptionssur les attributs
Approche de composition Les attributs sont spécifiés à l’avance
Constructions de l’espace perceptuel À partir de l’évaluation sur des dimensions a priori
Analyses factorielles Réponses quantitatives : ACP Réponses binaires : A factorielle des correspondances
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
16
En savoir plus
Prefmap (logiciel) http://www.newmdsx.com/PREFMAP/prefmap.htm
En sas : http://ftp.sas.com/techsup/download/sample/samp_lib/statsampPrefmap_of_Preference_Ratings_fo.html
PERMAP : Logiciel gratuit : http://www.ucs.louisiana.edu/~rbh8900/permap.html
Présentation technique précise http://www.mathpsyc.uni-bonn.de/doc/delbeke/delbeke.htm
http://www.mastermarketingdauphine.com MENUMENU
17
Modèle Tracker
Robert Blattberg, John Golanty, Tracker: An Early Test Market Forecasting and Diagnostic Model for New Product Planning, Journal of Marketing Research, Vol. 15, No. 2 (May, 1978), pp. 192-202
Chakravarthi Narasimhan and Subrata K. Sen, New Product Models for Test Market Data , Journal of Marketing, Vol. 47, No. 1 (Winter, 1983), pp. 11-24
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
18
Modèle Tracker : Modèle conceptuel
L’essai résulte (a) de la notoriété et (b) du bouche à oreille (essai précédent)
Trialt
Trialt-1
Awt
Awt-1
Awt
t-1
ARt
URt
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
19
Modèle Tracker : Modèle analytique
Modèle de notoriété Aw t = (UR + AR) / N
Awt = Notoriété en t UR = notoriété spontanée du nouveau produit AR = notoriété assistée N = effectifs
Modèle d’essai T t = T t-1+ a (Aw t--Aw t-1) + b (Aw t-1-T t-1)
T = % d’essayeurs Aw = taux de notoriété a = probabilité d’essai pour ceux qui connaissent le produit b = % d’essai pour ceux qui connaissaient à la dernière période
mais n’avaient pas encore essayé
http://www.mastermarketingdauphine.com MENUMENU
20
Modèle Perceptor
Urban G. (1977),
Perceptor : Un modèle de positionnement de produit", Revue Française du Marketing, septembre-
octobre, 35-52
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
Intérêt
Utilisation : phase préliminaire du lancement d’un produit
Proposer une « carte » des marques et des (segments de) clients
Prenant en compte les perceptions des offres Et non plus seulement les caractéristiques objectives comme en
analyse conjointe
Permettant de Comprendre la structure du marché Représenter la préférence des clients pour les marques Evaluer le potentiel de nouvelles offres
Hypothèses : la fréquence d’achat de la marque est la même que les marques
existantes le consommateur trouvera le produit à la prochaine occasion d’achat
(neutralisation de la distribution)
21
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
22
Modèle Perceptor :Modèle conceptuel
Modèle de préférence et Modèle de réachat
Réachat (s taux de nourriture)
Essai(t taux de pénétration)
Part de marché à moyen terme (m)
q Taux d’essai)
V Distribution (DV)
W Notoriété
Probabilité d’achat Stabilisée (Markov)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
23
Principe du modèle
Objectif : estimation à long terme de la part de marché (pdm) d’un nouveau produit
Décomposition (Essai. Réachat) m = t. s
m = part de marché à long terme t = taux de pénétration cumulée (0 < t < 1) s = taux de nourriture de la nouvelle marque sur les essayeurs
t = q . W . v q = taux d’essai maximal compte tenu de la notoriété et disponibilité w = notoriété maximale (long terme) long run aided awareness of v = distribution valeur (DV) de la nouvelle marque
s = Part de marché de ceux qui ont utilisé la marque (markov stabilisé)
Pij = probabilité d’acheter la marque j lors du prochain achat (t+1) pour un acheteur de la marque i lors de l’achat « t » :
P11 = réachat de la nouvelle marque 1121
21
1 PP
Ps
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
24
Le modèle d’essai : perceptions et préférences
Calcul de la distance perceptuelle entre le nouveau produit et le produit idéal sur une carte de positionnement Pour ceux qui connaissent le concept mais n’ont pas essayé le
produit Xby les coordonnées de la marque b dans la dimension y
Iy les coordonnées du point moyen idéal de la dimension y
Les coordonnées du point idéal (I) : PREFMAP de Caroll et Chang ou l’analyse factorielle des valeurs d’une marque idéale.
Hétérogénéité : il est possible de traiter des sous-groupes de manières séparée.
A
abayaby rfx
1
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
25
Le modèle d’essai : probabilité d’achat
La probabilité finale d’essai est une fonction NON-LINEAIRE de la distance entre nouvelle marque et produit idéal.
La fraction à long terme de la clientèle cible qui essaiera le produit est le produit de La probabilité finale d’essai par La notoriété La disponibilité (distribution valeur) estimées à long terme
La probabilité de répétition est estimée de la même manière
210 Bdq
Z
zzbzzB Ixhd
1
22 )''(
21
_
0
_
11
~Bdp
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
26
Le modèle d’essai : origines de la part de marché
la part de marché du nouveau produit provient des marques semblables, appartenant au même ensemble
évoqué (eb=1 si la marque b est dans l’ensemble évoqué)
En fonction de leur distance avec le nouveau produit DbB
kb la perte de part de marché de la marque b vers la nouvelle marque dont la part de marché est m
1
1
2
2
)/(
/B
BbBb
bBbb
De
Demk
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
27
La méthodologie de mesure
Etude exploratoire sur un échantillon de 100 personnes. Détermination la taille et de la composition des ensembles
évoqués de marques Identifier la sémantique des consommateurs Pré-test de la méthode de mesure de similarité.
Urban G. (1977), Perceptor : Un modèle de positionnement de produit", Revue Française du Marketing, septembre-octobre, 35-52.
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
28
La méthodologie de mesure
Enquête extensive sur les membres du groupe cible pour identifier: Leur ensemble évoqué Les jugements de similarité Les valeurs des marques existante sur les échelles sémantiques Les évaluations de préférence Leur choix de marque.
Si une marque est acceptable le produit physique est donné à tester aux personnes L’intention de réachat est collectée
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
29
Les procédures d’estimation
Sert à convertir les données de l’enquêtes en coordonnées (x), points idéaux (I ) et paramètres de probabilités d’achat ( et ) sur la carte perceptuelle.
Séparation de l’échantillon en sous groupes homogènes plusieurs cartes perceptuelles.
Analyse factorielle à partir des notes attribuées sur les échelles sémantiques.
En plus de ces données métriques, il est possible de comparer les résultats à l’aide de données non métriques (TORSCA).
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
30
Les procédures d’estimation
A partir d’une carte perceptuelle et des préférences individuelles, il est possible de trouver un point idéal (PREFMAP). Pour la bière : importance du critère social 5 fois supérieure au
critère de goût marque idéale : jeune, moderne, à la mode et un goût pas trop
prononcé.
Pour obtenir la probabilité de choix à partir de la distance au point idéal : régression du pourcentage de personnes ayant choisi la
marque sur le pourcentage de gens ayant évoqué la marque
propension à choisir la marque si tout le monde l’évoquait.
Expliquée par la distance entre le point idéal et la marque.
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
31
Test du modèle
Objectif : Mesurer l’écart (prévu, réel) pour le taux d’essai et le taux de répétition Données recueillies sur 8 nouveaux concepts de produits Taille de l’échantillon:
30 individus pour les 5 premiers concepts 100 individus pour les 3 derniers concepts
Carte par analyse factorielle sur les marques existantes et des notations des concepts.
Résultat : taux d’essai: moyenne des écarts absolus de 0.07. Les
différences ne sont pas significatives au niveau de 10% sauf pour 1 concept.
taux de répétition : moyenne des écarts absolus de 0.067. Les différences ne sont pas significatives au niveau de 10%
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
32
Test de fiabilité
m = ts
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
33
Mise en pratique dans l’entreprise
Étape 1 : Les responsables d’entreprise effectuent des évaluations chiffrées des marques, et des jugements de similarité. établir des cartes préliminaires
Étape 2 : Réalisation d’une étude exploratoire permettant une compréhension des structures de perception, de préférence, et de probabilité d’achat.
Étape 3 : Étude de prise de connaissance et d’utilisation dans les ménages Dresser les modèles d’essai et de répétition.
Étape 4 : Simulation d’un positionnement amélioré avec Perceptor sur ordinateur à partir du modèle d’essai et de répétition.
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
34
Conclusion Perceptor permet d’affiner un concept et le positionnement
d’un produit… …toutefois, il est le complément de la faculté créatrice d’une
organisation, et non son substitut: L’homme est responsable de la conception d’un produit qui s’adapte à une
opportunité identifiée par Perceptor. La stratégie publicitaire doit positionner le produit à l’endroit désiré.
Le positionnement du produit doit en outre être confirmé par un marché test (ou marché-test simulé).
Perceptor représente les structures de perception, de préférence et d’achat
Le modèle Perceptor spécifie les besoins quantitativement. Il structure l’interprétation des résultats expérimentaux. Il assiste et guide les responsables dans leurs efforts créatifs
vers des produits qui réussissent.
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
35
Prolongements
Passer du modèle de Markov (l’entreprise et « les autres ») à une matrice regroupant les marques principales du marchéMeilleur positionnement d’une nouvelle marque
Meilleure prise en compte de l’hétérogénéité : chaque individu pourrait figurer dans un processus de perception, de préférence et de choix. Ces processus seraient regroupés ensuite dans le modèle global.Prédictions plus précises, assorties d’une orientation
principale.
Application du modèle Perceptor à des biens durables ou à d’autres industries à partir de l’idée sous-jacente du modèle: lier les cartes perceptuelles et les probabilités de choix.
http://www.mastermarketingdauphine.com MENUMENU
36
Modèle ASSESSOR (Designor)
Silk A.J. et Urban G. (1978),
Pre-test Evaluation of New Packaged Goods : A Model and Measurement Methodology, Journal of Marketing Research, Vol.15,
May, 171-191.
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
37
Intérêt d’ASSESSOR
Objectif : prévoir la part de marché à long terme
Pour des produits en lancement potentiel, avec un mix déterminé (échantillons, publicité)
Estimer les sources de volume (cannibalisation ou prélèvement sur les concurrents, lesquels ?)
Déterminer les voies d’amélioration Du produit Du mix de lancement prévu
Simuler les conséquences de changement de mix
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
38
Modèle ASSESSOR :Modèle conceptuel
Spécificité : déploiement de deux modèles qui doivent converger Modèle de préférence et Modèle d’essai-réachat
Décisions-Positionnement
-Plan de lancement
Données consommateurs-Mesures en laboratoire-Mesures après usage
Modèle despréférences
Modèle d’Essai et Réachat
Source des volumes
Part demarché
volume Diagnostic
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
39
Modèle ASSESSOR :Séquence des mesures d’
Design ProcedureMesures
O1 Recrutement (enquêteur)
O2 Questionnaire auto-administré
X1 Présentation de publicités
[O3] auto administré
X2 visite d’un magasin simulé présentant les marques
O4 possibilité d’acheter / observation
X3 utilisation à domicile
O5 questionnaire post achat par téléphone
O = Mesure X = manipulation (pub ou expérience produit)
Mesures
Variables individuelles : Usage du produit, …
Mesures sur les marques existantes Ensemble évoqué, marques achetées, poids des attributs, évaluation marque/attribut, préférences
Mesure des réactions aux alternatives (évaluation) et aux publicités (crédibilité…)
Marque achetée
Mesure de l’utilisation, de la satisfaction, de l’évaluation selon les attributs, de l’intention de réachat pour l’ensemble de considération plus la nouvelle marque
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
40
Modèle combinant l’essai et le réachat
Part de marché à moyen terme du nouveau produit
Mn = T ´ R ´ W
avec
T=taux d’essai cumulatif à moyen terme (estimé à partir des données de O4)
R=taux de réachat à moyen terme long-run repeat rate (estimé à partir des données de O5)
W=indice de consommation relatif (w = 1 pour la moyenne des QA/NA du marché)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
41
Modèle d’essai
T = F.K.D + C.U – (F.K.D) ´ (C.U)
Avec
F=probabilité d’essai à moyen terme (tirée de O4) sous contrôle d’une notoriété et d’une distribution maximales (100%)
K=probabilité de connaissance à moyen terme (évaluation subjective, notoriété)
D=probabilité de disponibilité à moyen terme du produit sur les lieux d’achat fréquentés par la cible (expérience et évaluation subjective)
C=probabilité de réception d’un échantillon (évaluation subjective)
U=probabilité d’usage de l’échantillon pour ceux qui l’ont reçu (expérience et évaluation subjective)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
42
Modèle de réachat
Atteindre la stabilité de la matrice de transition à partir de probabilité tirée de(O2 et O5):
Période (t+1) Nouveau Autre
Nouveau p (na) p (na)Période t
Autre p (an) p (aa)
p(.) probabilité de transfert (somme des colonnes =1 sur chaque ligne)
Taux de réachat à long termep (an)
r = ––––––––––––––1 + p (an) – p (nn)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
43
Modèle de préférence : calibrage sur les préférences sans le nouveau produit
avec
Vij=note de préférence pour le produit j par le répondant i
Lij =probabilité d’achat
Ri =ensemble de considération du répondant i
b=coefficient d’ajustement des préférences au choix (entre 1,5 et 3)
(Vij)b
Lij = ––––––––Ri
(Vik)b
k=1
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
44
Modèle de préférence : avec le nouveau produit
Avec n, la nouvelle marque
L´it =probabilité de choix de j si le répondant a essayé le produit
b =coefficient d’ajustement de l’étape précédente
La part de marché est alors
L´in M´n = En –––I N
En=pourcentage des répondants intégrant la nouvelle marque dans leur ensemble de considération
N =taille de l’échantillon
(Vij)b
L´ij = –––––––––––––––––Ri
(Vin)b + (Vik)b
k=1
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
45
Estimation des sources des ventes :cannibalisation et prélèvement
Séparation en 2 groupes selon que la nouvelle marque fait, ou non, partie de l’ensemble de considération
Les parts de marché pondérées avant et après le lancement sont :
Lin
Mj = –––
I N
L´in L´in M´j = En ––– + (1 – En) –––
I N I N
La part de marché prélevée par la nouvelle marque sur chaque marque est
Dj = Mj – M´j
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
46
Market share due to advertising Source: Thomas Burnham, University of Texas at Austin
•Max trial with unlimited Ad•Ad$ for 50% max. trial•Actual Ad $
•Max awareness with unlimited Ad•Ad $ for 50% max. awareness•Actual Ad $
% buying brand in simulated shopping
Awarenessestimate
Distributionestimate (Agree)
Switchback rate ofnon-purchasers
Repurchase rate of simulation
purchasers
% making first purchaseGIVEN awareness &
availability0.23
Prob. of awareness0.70
Prob. of availability0.85
Prob. of switchingTO brand
0.16
Prob. of repurchaseof brand
0.60
% making first purchase due to
advertising0.137
Response Mode Manual Mode
Long-term market share
from advertising0.39
Retention rateGIVEN trial
for ad purchasers0.286
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
47
Market share due to sampling Source: Thomas Burnham, University of Texas at Austin
Samplingcoverage (%) 0.503
% Delivered 0.90
% of those deliveredhitting target 0.80
Simulation sampleuse
Switchback rate of non-purchasers
Repurchase rate ofsimulation
non-purchasers
Prob. of switchingTO brand
0.16
Prob. of repurchaseof brand
0.427
% hitting target that get used
0.60
Retention rate GIVEN trial
for sample receivers0.218
Correction for sampling/ad overlap (take out those whotried sampling, but would
have tried due to ad)0.035Market share trying
samples0.251
Long-term market share
from sampling0.02
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
48
ASSESSOR preference model (synthesis)
Source: Thomas Burnham, University of Texas at Austin
Pre-use constantsum evaluations
Post-use constantsum evaluations
Cumulative trialfrom ad
(T&R model)0.137
Beta (B) forchoice model
Pre-entry market shares
Post-entry marketshares (assuming
consideration0.274
Weighted post entry
market shares0.038
Pre-use preferenceratings
Pre-use choices
Post-use preferenceratings
Proportion of consumers who
consider product 0.137 Draw &
cannibalization calculations
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
49
ASSESSOR from market share to financial results
Source: Thomas Burnham, University of Texas at Austin
Market share0.059
Market size60M
Sales per person$5
JWC factory sales
16.7
Average unit margin
0.541
Ad/samplingexpense4.5/3.5
Net contribution
JWCfactory sales
16.7
Industry averagesales $ for
market share17.7
JWCfactory sales
Frequency of usedifferences
0.9
Unit-dollar adjustment
0.94
Price differences1.04
Returnon sales
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
50
Application : Enhance © Harvard Bus. Case
http://www.marketing-science-center.com/charge/mts.xls
ASSESSOR - Marché test simulé
Utilisation du modèle pour le cas Johnson Wax ENHANCE © Harvard Business Case
Model_base - entrez vos donnéesRésultats - résultats finaciers et marketingModèle de réponse - détermination de la fonction de réponse de la notoriété et de l'essai à la publicitéEssai-réachat - modèle 1 : essai réachatOrigine volumes - analyse de l'origine de la part de marché du nouveau produitPréférences - exemple d'un modèle individuel
Questions- Diagnostic du marché des shampooing/conditionnant capillaires- Quelles sont les décisions majeures à prendre associées à cette opportunité de nouveau produit Enhance ?- Comment le modèle ASSESSOR et ses procédures de mesures contribuent-ils à améliorer ces décisions ?- Qu'est-ce que les responsables ont appris grâce à l'utilisation d'ASSESSOR ?- Quelles sont les étapes suivantes que vous proposez à la société par rapport au projet Enhance ?
Entrez vos données dans les cases de cette couleur
Target market size (MM) 60 Cost per sample ($) 0,10
Switchback (0-1) 16% Exp. retail price 8 oz ($) 1,31Factory price 8 oz ($) 1,00
Distribution (0-1) 85% Cost of goods 8 oz ($) 0,46Awareness (0-1) 70%Trial (0-1) 23% Exp. retail price 16 oz ($) 1,94
Factory price 16 oz ($) 1,31Repeat rate (0-1) 60% Cost of goods 16 oz ($) 0,60
Samples delivered (0-1) 90% Mfr.s' sales per person ($) 4,160Samples hitting target (0-1) 80% Unit-dollar adjustment (0-1) 0,940Samples used (0-1) 60% 8 oz. sales share (0-1) 40%
Sample repeat rate (0-1) 43%
Advertising budget ($MM) 4,50Number of samples (MM) 35,00
Données de base
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
51
Application : Enhance © Harvard Bus. Case
Modèles de réponse à la publicité
Advertising expesses ($MM) 4,50Awareness 70%
Trial 23%
AwarenessMax awareness with unlimited ad. (0-1) 82%Ad. for 50% max awareness ($MM) 1,6
Publicité Notoriété0,32 0 0%
0,32 11%0,64 20%0,96 28%1,28 35%1,6 41%
1,92 46%2,24 51%2,56 55%2,88 58%3,2 62%
3,52 64%3,84 66%4,16 68%
Awareness
0%
10%
20%
30%
40%
50%
60%
70%
80%
0 0,32 0,64 0,96 1,28 1,6 1,92 2,24 2,56 2,88 3,2 3,52 3,84 4,16
Advertising
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
52
Modèle des préférencesModèle individuel de Préférences
Preferences Before use After useCustomers B1 B2 B3 B4 B1 B2 B3 B4 Enhance
1 0,1 0,0 4,9 3,7 0,1 0,0 2,6 1,7 0,22 1,5 0,7 3,0 0,0 1,6 0,6 0,6 0,0 3,13 2,5 2,9 0,0 0,0 2,3 1,4 0,0 0,0 2,34 3,1 3,4 0,0 0,0 3,3 3,4 0,0 0,0 0,75 0,0 1,3 0,0 0,0 0,0 1,2 0,0 0,0 0,06 4,1 0,0 0,0 0,0 4,3 0,0 0,0 0,0 2,17 0,4 2,1 0,0 2,9 0,4 2,1 0,0 1,6 0,18 0,6 0,2 0,0 0,0 0,6 0,2 0,0 0,0 5,09 4,8 2,4 0,0 0,0 5,0 2,2 0,0 0,0 0,3
10 0,7 0,0 4,9 0,0 0,7 0,0 3,4 0,0 0,9
Probabilités de choix Before use After use1 0,0% 0,0% 63,0% 37,0% 0,1% 0,0% 68,7% 30,6% 0,5%2 20,1% 4,7% 75,1% 0,0% 20,7% 3,2% 3,2% 0,0% 72,8%3 43,0% 57,0% 0,0% 0,0% 41,9% 16,3% 0,0% 0,0% 41,9%4 45,6% 54,4% 0,0% 0,0% 47,4% 50,1% 0,0% 0,0% 2,5%5 0,0% 100,0% 0,0% 0,0% 0,0% 100,0% 0,0% 0,0% 0,0%6 100,0% 0,0% 0,0% 0,0% 79,6% 0,0% 0,0% 0,0% 20,4%7 1,5% 34,6% 0,0% 63,9% 2,6% 60,9% 0,0% 36,3% 0,2%8 89,0% 11,0% 0,0% 0,0% 1,7% 0,2% 0,0% 0,0% 98,0%9 78,9% 21,1% 0,0% 0,0% 82,3% 17,3% 0,0% 0,0% 0,4%
10 2,4% 0,0% 97,6% 0,0% 4,4% 0,0% 88,5% 0,0% 7,1%
Unweighted Market share 38,1% 28,3% 23,6% 10,1% 28,1% 24,8% 16,0% 6,7% 24,4%Enhance draw from each brand 10,0% 3,5% 7,5% 3,4%Weighted draw 1,4% 0,5% 1,0% 0,5%
38,1%
28,3%
23,6%
10,1%
28,1%
24,8%
16,0%
6,7%
24,4%
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%
B1 B2 B3 B4 Enhance
Before use After use
http://www.mastermarketingdauphine.com MENUMENU
53
Modèles classiques :Modèle BASES
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
54
Principe du modèle
Utilisation : prévision ventes nouveau concept de produit
Objectif : Estimer réellement les ventes et non la part de marché
Principe : Marché test simulé Les consommateurs font à peu près ce qu’ils disent, il suffit de
leur demander Déclarations des consommateurs après exposition (concept
board et packaging montrés) et utilisation, Recrutement dans les centres commerciaux, Passage au E-panel
(99 USA, 2003 France 14.000 panélistes), vidéo, confidentialité
Décomposition (Essai . Réachat) St = Tt x Rt + Ajustements pour les volumes promotionnels
Résultats: Qualité : 91% à +/- 20% (37% à 5%) Assez utilisé >70.000 utilisations (10/06), leader SMT, lancé en
77
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
55
Modèle BASES :Modèle conceptuel
-N Effectif-U Indice-Y Taux de réachat Ajustements
(promo, échant)Selon le niveau de réachat
Vol EssaiTt
VentesSt
Vol Ré-achatRt
-S Saisonnalité-TM Effectif-CDI Indice dével cat-U Niveau d’achat
PénétrationPt
-A Notoriété-D Distribution-I Intention d’achat
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
56
Modèles de BASES :Essai (T)
Score d’intention x Intensité de xNiveau dePt= ´ ´
calibré distribution tNotoriété t
Tt =Pt x U0 x (1/Sit) x (TM) x (1/CDI)
Avec :
Pt = Pénétration cumulée à la période t
Tt =Volume total en essai jusqu’à la période t sur une cible particulière U0 =Nb moyen d’unités achetées lors de l’essai (t = 0)
Sit = Indice de saisonnalité en tTM = Taille du marché cible CDI = Indice de développement de la catégorie pour le marché cible
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
57
Rt = Ni–1,t Yit Ui
i=1
Avec :
Ni–1,t =Nombre de clients ayant réacheté au moins i–1 fois (cumul en semaine t, N0,t = volume d’essai initial)
Yit =Taux cumulé de i ème réachat pendant la semaine t conditionnel à un (i-1) achat réalisé avant la semaine t
Ui =Nombre moyen d’unités achetées pour un niveau de réachat i
Ni–1,t & Yitestimation à partir des déclarations des consommateurs sur « la fréquence d’achat prévue après usage » et estimation de la décroissance à long terme dans le taux de réachat.
Ui estimation à partir des déclarations des consommateurs sur « les quantités achetées ».
Modèle de BASES :Réachat (R)
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
58
Illustration (1/4) : Données http://www.bases.com/research/global_model.html
CADRAGEAjustements catégorie de produit et culture-pays
CONSOMMATEURSIntention d’achat,Fréquence d’achatAppréciation généraleValeur perçue…
ACTIONSPlan marketing- Médias- Distribution- Prix et promotion-…
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
59
Illustration (2/4) : Modèle d’essai http://www.bases.com/research/global_model.html
Modèle d’essai détaillé sur la première année
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
60
Illustration (3/4) : Modèle avec réachat http://www.bases.com/research/global_model.html
Prise en compte du réachat, ajustement pour sur-déclaration et plan marketing, Cadrage à la semaine
MENUMENU
Mod
èle
s d
’aid
e à
la d
écis
ion
en
M
KG
http://www.mastermarketingdauphine.com
© D
esm
et
Pie
rre 2
01
1
61
Illustration (4/4) : Synthèse http://www.bases.com/research/global_model.html
Évaluation globale des scénarios