doyoubuzz · web viewpeu de revues littéraires abordent le sujet d’un profil type « européen...

Master deuxième année

Mention : Marketing direct et digital

Peut-on parler d’un consommateur européen ?Le cas du groupe PABO.

Valentin Maes

Tuteur entreprise: Monsieur Arpad Tosaki

Tuteur universitaire: Madame Sophie Jeanpert

Année : 2013-2014

Peut-on parler d’un consommateur européen ? Le cas du groupe PABO

Remerciements

Pour commencer ce mémoire professionnel et achever par la même occasion mon cursus

universitaire, je tiens à remercier Francis Salerno directeur de l’IAE, madame Oliviane Brodin

responsable de notre formation ainsi que madame Sophie Jeanpert, ma tutrice universitaire à

l’IAE, pour ses bons conseils et aiguillages fort utiles lors de la réalisation de ce mémoire.

Je remercie également Arpad Tosaki, mon tuteur chez Adam et Eve, pour le temps qu'il m'a

consacré, pour ses conseils et plus généralement pour toutes les choses qu’il m’aura apprises

durant les trois ans passés en tant qu’apprenti au sein du groupe PABO.

Je remercie aussi mes autres collègues du service marketing qui ont contribué à la réussite des

ces trois années passées dans le groupe.

Pour finir, je remercie l’ensemble du groupe Pabo qui m’a fait confiance et a mis à disposition

tout ce dont j’avais besoin.

2 | P a g e


Résumé

Ce mémoire professionnel a pour objectif d’analyser et de comprendre les convergences

ou divergences de comportement entre les clients des différents pays européens. Nous

expliquerons ainsi les différences et les ressemblances principales entre les clients selon leur

nationalité ainsi que l’impact que cela peut avoir pour une entreprise de vente à distance.

Pour ce faire, nous analyserons d’abord les données propres à chaque pays grâce aux bases de

données d’une entreprise européenne de vente à distance, puis nous comparerons les résultats de

ces pays entre eux. Pour finir nous apporterons des préconisations pour cette entreprise pour

l’avenir.

Summary

The aim of this professional report is to analyze and to understand convergences and divergences

of behavior between the customers of the different European countries. We will explain the main

differences and similarities according to the nationality of customers and the effect on a telemar-

keting company.

In this goal, our first part will use the own data of each country thanks to European telemarketing

company databases. Then, we will compare the results of these countries. To conclude, we will

give recommendations for the future of this company.

3 | P a g e


SOMMAIRE

Résumé............................................................................................................................................3

Introduction....................................................................................................................................5

1. Présentation...................................................................................................................7

1.1. Le groupe PABO...............................................................................................................7

1.2. Le contexte........................................................................................................................8

1.3. Les données.......................................................................................................................8

2. Un sujet très discuté........................................................................................................9

3. Analyse statistique.........................................................................................................11

3.1. Profil clients.....................................................................................................................11

3.2. Comportement d'achat dans les différents pays...............................................................19

3.3. Évolution des commandes internet..................................................................................29

3.4. Analyse du canal d’achat.................................................................................................33

4. Impact des différences entre les pays...........................................................................46

4.1. Explication et préparation du scoring..............................................................................46

4.2. Analyse de la régression logistique ................................................................................48

4.3. Test de concordance........................................................................................................51

4.4. Matrice de confusion, courbe de roc, courbe de lift........................................................52

4.5. Analyse des différences ..................................................................................................56

5. Préconisations pour le groupe Pabo.............................................................................57

6. Conclusion de ce mémoire professionnel.....................................................................59

Bibliographie.................................................................................................................................62

4 | P a g e


Introduction

En 1983, Levitt avance l’idée selon laquelle les avancées technologiques de la

communication et des transports amèneraient une homogénéisation des désirs et des besoins des

consommateurs. Plusieurs études ont essayé d’affirmer ou de contredire cette idée. En 2013 le

débat est toujours ouvert.

A quelques mois des élections européennes ainsi qu’à un moment où l’on débat de plus

en plus à propos de l’Europe, il me semble intéressant de voir si l’on peut réellement parler d’un

consommateur européen ou de consommateurs européens. En d’autres termes existe-t-il des

différences significatives (de comportement d’achat, de profil, d’appétence à un type de

produit… ) entre les divers pays européens ?

Ce mémoire professionnel de fin d’étude du Master 2 Marketing Direct et E-commerce de l’IAE

de Lille permettra de répondre au sujet suivant :


Carte du continent européen

Dans le cadre de ma deuxième année de Master marketing direct et digital (MMD), j'ai eu

l'opportunité de continuer ma mission au sein du service marketing de l’entreprise Adam et Eve.

Les activités majeures de cette dernière se concentrent autour de la statistique et du datamining,

ce qui permet de mieux comprendre ses clients et de leur envoyer des offres plus ciblées.5 | P a g e


Dans un environnement de plus en plus concurrentiel, les entreprises sont obligées, aujourd’hui,

de se concentrer sur leurs clients et de différencier leurs actions marketing. Offrir l’offre au bon

moment et sur le bon support permet aux entreprises d’améliorer la rentabilité de leurs actions

marketing. Dans cette optique, la technologie du datamining constitue un atout précieux.

Le datamining est de nos jours une priorité dans les entreprises .

Cette activité consiste à extraire et à analyser un large volume d’informations stockées

dans les entrepôts de données, en vue de découvrir des tendances ou des règles. Le déploiement

d'un outil de scoring, comme il en existe beaucoup dans les entreprises de VAD, est alors

indispensable pour segmenter ses clients, pour l’envoie d’un catalogue papier ou encore pour le

multi-canal.

Aujourd’hui beaucoup d’entreprises européennes comme le groupe Pabo différencient à

tort ou à raison leurs scoring et segmentation dans les différents pays.

Peu de revues littéraires abordent le sujet d’un profil type « européen ». Est-ce qu’une

segmentation faite pour l’ensemble du groupe est aussi efficace qu’une segmentation faite pour 6 | P a g e


chaque pays ou pour des pays similaires ? Le travail qui m’a été confié pour cette deuxième

année de master est d’identifier les ressemblances et différences des clients pour chaque pays du

groupe PABO et suite à ces analyses, faire des préconisations pour le groupe PABO dans

l’analyse de sa clientèle. Dans la première partie de mon mémoire, je vous présenterai le groupe

PABO et le contexte de mon sujet. Suite à cela, je vous présenterai les informations présentes

dans la littérature. Puis je vous montrerai les méthodes statistiques pour identifier les différences

ou ressemblances entre les pays. Enfin, la dernière partie sera consacrée aux recommandations

pour l’entreprise et ce que celle-ci peut en tirer suite à ce genre d’analyses.

1. Prés entation

1.1. Le groupe PABO

Voici quelques éléments du contexte de l’entreprise Adam et Eve située à Tourcoing :

Adam et Eve est une entreprise de vente à distance dans le domaine du charme. C'est une filiale

française du groupe néerlandais PABO lui-même étant une partie du groupe allemand Beate

Uhse. Beate Uhse est le numéro 1 du charme et de l’érotisme en Europe. Il est implanté aux

Pays-Bas, en Belgique, France, Autriche, Angleterre, Allemagne, République Tchèque et

Slovaquie. Adam et Eve a elle vu le jour en 1995.

De nos jours, Adam et Eve vend ses articles grâce à ses catalogues mais aussi grâce à son site

internet: http://www.adameteve.fr.

L’entreprise a son siège social implanté au sein de l’hôtel d’entreprise Jean Renoir situé au 23

boulevard Descat à Tourcoing. Celui-ci comporte le service client et le service marketing. Dans

l'entreprise Adam et Eve, la part consacrée au datamining et aux statistiques est de plus en plus

importante.

7 | P a g e


1.

1.1.

1.2. Le contexte

Depuis décembre 2012, le service marketing français a accès à l’ensemble de la base de

données du groupe PABO. Cette mise à disposition de la base va nous permettre d’avoir une

vision globale de l’entreprise. Le groupe PABO est en perpétuelle évolution et l’année 2014 est

celle du changement avec un nouveau logo, un nouveau site, une nouvelle communication. Cette

mise à disposition des données ne fait que confirmer cette envie de changement et de nouveauté.

Nous avons accès au logiciel SAS afin de traiter les données et réaliser nos différentes études.

1.3. Les données

Nous avons plusieurs niveaux d’informations sur nos clients :

Graphique de la représentation des données

Les données reporting ce sont des données créées par l’entreprise. Elles sont utilisées

pour être présentées sur un tableau de bord par exemple. Ces données sont issues des

8 | P a g e


données transactional, master, reference et metadata. Elles permettent de représenter

facilement des informations présentes dans des bases (par exemple : le pourcentage de

commandes retournées en 2013).

Les données transactionnelles : ce sont les données de transactions de nos clients, ces

données représentent une grande quantité d’informations et elles sont la base du CRM.

(exemple de données transactionnelles: le moyen de paiement d’un client)

Les données Master : ce sont les données qui décrivent nos produits, nos clients …

(exemple de données de master: la taille d’un vêtement )

Les données référence : ce sont les données qui décrivent des étapes, des passages...

(exemple de données de référence : une commande peut être en cours, livrée ou en

attente.)

Les données Metadata : il s'agit de la description des structures et des données

présentées ci-dessus.

Nous avons ces informations clients du 1er janvier 2011 au 30 mars 2014.

2. Un sujet très discuté

Le consommateur européen est un phénomène dont la littérature du marketing direct et du e-

commerce fait de plus en plus écho.

Nous avons ceux qui défendent l’idée de l’existence d’un type de client européen Leeflang et

Van Raaij en 1995, Ganesh en 1998, Halliburton et Hûnerberg en 2004 en affirmant que le

vieillissement de la population, les préoccupations en termes de santé, d’environnement

entraînent de fortes tendances à la convergence.

D’autres comme Hofstede en 2002 et De Mooij en 2003 affirment que les données ne sont pas

suffisantes pour conclure à une convergence et que l’utilisation des produits est elle très

divergente entre les pays européens.

Dans le texte “Cross-channel consumer behavior a comparaison between french, german, italian

and british consumers” monsieur Sebastian Rittinger nous explique les différents points de vue

sur l’homogénéité des désirs et des besoins des consommateurs (nous nous appuierons sur sa 9 | P a g e


théorie un peu plus loin dans ce mémoire). Pour rappel Levit avance l’idée «d’une

homogénéisation des désirs et des besoins des consommateurs ». Son étude se base sur la

rationalité du consommateur, hors beaucoup d’études dans le marketing direct ont montré que les

consommateurs ne sont pas forcément rationnels et que les achats se font souvent par plaisir. Par

exemple dans les produits high-tech l’acheteur est souvent non rationnel. De plus Bree (The

consummers' motives : Are we rational ? Auteur: BREE, J. Source: Sciences humaines (Auxerre)

[Sci. hum. (Auxerre)], 1996, Issue 66 p18-22 ) affirme que le consommateur peut se procurer un

bien pour le vécu d'une expérience. Ou encore Sûerdem en 1994 affirme lui que l’utilité n’est

pas le seul critère lors d’un achat. Etant donné que la rationalité du consommateur n’est pas

automatique il existe deux tendances autour du comportement d’achat dans les différents pays

européens : la convergence et la divergence.

Les auteurs soutenant la thèse de la convergence affirment pour le cas des pays européens

que le fait d’avoir une monnaie unique, une libre circulation entre les pays, que la population

européenne vieillisse ainsi que le fait d'avoir des préoccupations communes entraînent une

convergence de la demande du consommateur européen. Ces auteurs parlent de

«l'Euromarketing» (Leeflang, van Raaij, 1995) et recommandent donc une stratégie commune

dans les différents pays européens.

D'autres contredisent « L’euromarketing » comme Hofstede (2002) et De Mooij (2003).

Ils parlent certes d’une convergence au niveau macroéconomique (nombre de téléphones par

habitant, nombre de motos …) mais avancent qu’aucune étude ne parle de l’utilisation de ces

produits. De plus, ils affirment que la convergence ne concerne que quelques types de produits

et que pour d'autres, il existe des différences significatives. Leur plus grand argument à la

divergence est la culture des peuples qui diffère d'un pays à l'autre. Cette culture entraîne

logiquement des divergences dans le comportement d’achat, l’utilisation des produits, la

réactivité aux offres commerciales et la préférence pour un type de canal.

Messieurs Sebastian Rittinger et Joachim Zentes ont réalisé une étude sur les consommateurs

européens vis-à-vis de leur comportement cross canal et ils soulignent des différences

10 | P a g e


significatives entre les pays. « Par exemple, 40,5% de l'échantillon des consommateurs

allemands indiquent qu'ils lisent les publicités et prospectus imprimés des magasins avant un

achat en ligne. En revanche, seulement 17,1% de leurs homologues italiens et seulement 15,5%

des britanniques disent faire cela. ». Dans leurs études ils montrent aussi que les consommateurs

français apprécient en particulier l'opportunité d'économiser les frais de livraison à domicile.

Nous voyons donc que la littérature est assez partagée sur ce sujet mais surtout qu’il

existe très peu de textes autour de la conséquence d’une homogénéité ou non pour une entreprise.

Notre étude sur le cas Adam et Eve permettra de connaître les points de convergences et de

divergences de ses clients européens et aussi de proposer des outils de datamining en

conséquence.

3. Analyse statistique.

Pour réaliser cette étude, nous allons réaliser plusieurs analyses. Ces analyses seront faites la

plupart du temps pays par pays. Dans ce document nous vous développerons l’étude pour un

pays puis nous afficherons les résultats pour les autres pays. Chaque analyse a été approuvée par

le responsable fichier d’Adam et Eve monsieur Arpad Tosaki et elles sont réalisées uniquement

pour la mission du client européen. De telles analyses n’existaient pas auparavant.

1.

2.

3.

3.1. Profil clients

Nous allons dans un premiers temps vous présenter les profils clients des différents pays.

Nous avons fait le choix de ne travailler que sur les pays les plus important pour le groupe c'est-

à-dire la France, l’Allemagne, les Pays-Bas, l’Autriche et la Belgique. Les autres pays tels que la

Pologne ou l’Angleterre ont un poids trop faible dans le groupe pour être pris en compte dans

11 | P a g e


nos analyses. De plus dans ces deux pays, aucun catalogue papier n'est envoyé au client ce qui

par la force des choses biaiserai les résultats obtenus. Pour le profil client, nous disposons de peu

d’informations sur le client.

Répartition des clients par sexe selon les pays.

Pays Hommes Femmes Sexe inconnu TotalFrance 45% 47% 8% 100%Allemagne 43% 48% 9% 100%Autriche 51% 42% 6% 100%Belgique 49% 46% 5% 100%PAYS BAS 44% 51% 5% 100%Total 45% 48% 7% 100%

Nous voyons que sur l’ensemble des clients nous avons 48% de femmes, 45 % d’hommes

et 7 % de clients dont le sexe n’est pas renseigné. Selon les pays la répartition homme/femme

est quelque peu différente : plus de 50 % des clients autrichiens sont des hommes, alors qu'aux

Pays-Bas ce sont les femmes qui représentent la majorité. Ces différences sont assez faibles mais

surtout biaisées par les clients dont nous ne connaissons pas le sexe. Cependant la plus grande

différence se situe entre l’Autriche et les Pays-Bas

Répartition des clients par email/optin/téléphone selon le pays.

Pays Email OPTIN TELEPHONEFrance 89,56% 53,17% 48,84%Allemagne 89,58% 37,43% 30,47%Autriche 74,53% 31,23% 43,30%Belgique 87,27% 45,90% 49,51%PAYS BAS 94,59% 43,30% 49,47%Total 89,69% 44,56% 42,56%

12 | P a g e


Nous avons pratiquement 90% de nos actifs de ss11 à ss14 qui ont fourni un émail, ce

pourcentage est variable selon le pays. Nous voyons qu’aux Pays-Bas 94.59% ont une adresse

émail renseignée alors qu’en Autriche ils ne sont que 74.53%.

L’Allemagne et l’Autriche ont des lois plus «stricts» pour rendre optin les clients, ce qui explique

que dans ces deux pays le pourcentage d’optin est faible (31.23% pour l’Autriche et 37.43%

pour l’Allemagne). En France, plus de la moitié des actifs acceptent de recevoir des newsletters

Adam et Eve. Cette différence est très importante, en effet nous savons qu’une offre commerciale

faite sur des newsletters en France aura plus de répercutions qu’en Allemagne. Pour le téléphone

tous les pays hors l’Allemagne sont similaires.

Courbe cumulé croissantes des âges par pays .

Cette courbe permet de comprendre facilement la situation dans les différents pays. Nous

voyons que 75% de nos clients ont un âge inférieur à 59 ans. La répartition des clients selon leur

13 | P a g e


âge est quasiment identique selon le pays. Notons juste que la France (courbe rose) semble être

le pays le plus jeune et l’Autriche (courbe verte) semble être le plus vieux.

Pour confirmer cette ressemblance entre les pays nous avons décidé de supprimer les clients sans

âges (Nr) et de regarder les boîtes à moustache de la variable âge par pays.

Boîtes à moustache de la variable âge par pays.

14 | P a g e


Une boîte à moustache est, en statistiques, une représentation graphique permettant de re-

présenter la médiane, les quartiles et la moyenne d’une variable. Ce graphique nous confirme la

ressemblance entre les pays. Les boîtes à moustache sont pratiquement identiques pour tous les

pays. De plus nous confirmons le fait que la France est le pays le plus jeune puisque la moyenne

d’âge(+) est la plus basse alors que pour l’Autriche la moyenne d’âge est la plus haute.

Nous n’avons pas plus d’informations propres aux clients. Nous allons donc maintenant étudier

si ces quelques informations sont dépendantes ou non du pays et si avec ces informations, il est

possible de « prédire » le pays du client.

V de Cramer

En statistique, pour savoir si des variables sont dépendantes entre elles, il existe le test du

khi-deux. Ce test est sensible à la fois à l’effectif total et aux nombres de lignes et de colonnes.

Les résultats de ce test ne peuvent en général pas être comparés d’un tableau à l’autre. C’est jus-

tement pour remédier à ce problème que monsieur Cramer a mis au point une statistique connue

sous le nom de V de Cramer..

Cette statistique a un avantage, elle permet de comparer des variables entre elles, c'est-à-dire de

trouver les variables les plus dépendantes à une autre variable. De plus, elle a une interprétation

simple : quand le V est égal à 0 les variables sont indépendantes, quand le V est égal à 1 les va -

riables sont parfaitement dépendantes.

Nous allons donc analyser le V de cramer entre la variable pays et les variables analysées précé-

demment.

15 | P a g e


V de cramer entre la variables pays et les autres variables.

Nous voyons que la variable la plus dépendante à la variable pays est phoneid mais

0.1727 reste une valeur assez faible. Nous pouvons remarquer que les variables Age et genderid

sont très peu dépendantes à la variable pays.

En prenant les variables une par une, nous voyons qu’il y a très peu d’influence entre le pays du

client et les autres variables. Nous allons maintenant réaliser une analyse discriminante afin de

voir si la combinaison de ces variables permet une meilleure « déduction » du pays.

L’analyse discriminante Bayesienne

Nous allons calculer les probabilités d’appartenance des différents pays pour chaque client:

pj(x)=Prob(Y=j/X1=x1,...,Xp=xp).

Nous pourrons ensuite affecter le client x=(x1,x2,...,xp) au pays le plus probable.

Les fonctions fi(x) s’appellent les fonctions discriminantes. Nous allons donc réaliser cette ana-

lyse discriminante sur les clients avec comme variable cible le pays et comme variables explica-

tives les 5 variables étudiées précédemment.

Tableau de présentation de la variable cible analyse discriminante

16 | P a g e


Class Level Information

pays

Nom de

variable

Fréquen

ce Poids Proportion

Probabilité

a priori

Allemagn Allemagne 681385 681385 0.336084 0.200000

Autriche Autriche 73946 73946 0.036473 0.200000

Belgique Belgique 211040 211040 0.104093 0.200000

France France 718447 718447 0.354364 0.200000

Paysbas Paysbas 342606 342606 0.168986 0.200000

Ce tableau permet de connaître la répartition des clients par pays pour l’analyse discriminante.

Dans l’ordre nous avons la France qui représente 35,43% de la base, puis l’Allemagne avec

33.60% suivi des Pays-Bas avec 16.89%, puis la Belgique et l’Autriche avec respectivement

10.40% et 3.6 %. Nous avons 5 pays, l’analyse discriminante nous créera donc cinq fonctions.

Tableau des fonctions discriminantes

17 | P a g e


Fonction discriminante linéaire pour pays

Variable Allemagn Autriche Belgique France Paysbas

Constant -13.07766 -11.83237 -12.91955 -12.75718 -14.02817

phoneID 0.98513 1.48010 1.76151 1.75059 1.78987

EmailID 11.40440 9.83777 10.93412 10.99033 11.91840

otpin -0.16969 0.08085 0.23727 0.68448 -0.04310

sexe 4.75797 4.69981 4.75502 4.65553 4.90001

age 2.71719 2.67362 2.65755 2.57345 2.69094

Ce tableau nous permet de connaitre la fonction de répartition pour chaque pays par exemple

pour la Belgique nous avons :f(Belgique)=-12.91955+ 1.76151*phoneID+ 10.93412*EmailID+

0.23727*optin+ 4.75502*Sexe+ 2.65755*age.

Pour chaque client nous allons réaliser les 5 fonctions de répartition. Puis nous allons calculer la

proportion qu’un client soit allemand puis autrichien puis français etc …. Le client sera classé

dans le pays où il y a la plus grande proportion.

Résultats de l’analyse discriminante.

Error Count Estimates for pays

Allemagn Autriche Belgique France Paysbas Total

Rate 0.5441 0.7453 1.0000 0.5330 0.7244 0.7093

Priors 0.2000 0.2000 0.2000 0.2000 0.2000

Nous avons un taux d’erreur égale à 70.93 % en d’autres termes 70.93 % des clients sont classés

dans un pays qui n’est pas le leur. Nous avons un taux d’erreur sur la Belgique de 100%.

18 | P a g e


Cela nous permet de conclure que malgré quelques différences de profil entre les pays, ces diffé-

rences ne sont pas suffisamment importantes pour dire qu’un client avec ce profil correspond à

tel ou tel pays.

1.

2.

3.

3.1.

Conclusion

Nous notons quelques différences sur le profil client selon le pays, ses petites différences

sont souvent dûes à des caractéristiques propres au pays. Par exemple, il y a moins de clients

optin en Allemagne et en Autriche dû à une réglementation plus stricte sur le sujet dans ces deux

pays.

Mais en règle générale il n’y a pas de différences significatives sur le profil client selon le pays.

Les principales données de la base se situent au niveau du comportement d’achat. Nous allons

justement étudier ce comportement d’achat. Au vu des résultats sur le profil client nous pouvons

émettre l’hypothèse qu’il n’y aura pas de différences significatives sur le comportement d’achat

entre les pays.

2.

3.

3.1.

3.2. Comportement d'achat dans les différents pays

Après avoir vu le profil client dans les différents pays du groupe PABO nous allons maintenant

nous intéresser à l’assortiment produits. Cette étude aura pour but de savoir si les clients achètent

les mêmes assortiments selon le pays .

1.

19 | P a g e


2.

3.

4.

4.1.

Classification des variables assortiments

Le groupe a une gamme de produits très diversifiée. Voici les 13 assortiments principaux du

groupe :

Assortiment Aideaccessoires Exemple bracelets , colliers etc…

home Produits pour la maison ( housses de couette ...)lingsoft Lingerie placée dans la catégorie softappsoft Vêtements( robe , jupe,..) placés dans la catégorie soft

body Produits pour le corps ( crèmes ..)toysoft Sextoys placés dans la catégorie des produits soft

drugsoft Drugstore ( pilule ,nettoyant …) placé dans la catégorie des produits softtoyshard Sextoys placés dans la catégorie des produits hard drughard Drugstore ( pilule ,nettoyant …) placé dans la catégorie des produits hardincentive Les cadeaux

dvd Les dvdlinghard Lingerie placée dans la catégorie hardapphard Vêtements ( robe , jupe,..) placés dans la catégorie hard

20 | P a g e


Nous avons décidé de réaliser une classification automatique des assortiments dans

chacun des pays afin d’avoir des groupes homogènes c'est-à-dire que des assortiments seront

dans le même groupe si ils ont une corrélation positive et seront dans des groupes différents si les

produits sont très peu corrélés entre eux.

Pour réaliser cette classification, nous allons utiliser une proc Varclus sous sas. Elle réa-

lise une classification de variables numériques selon une méthode descendante. L'objectif est

d'obtenir une partition des assortiments en groupes homogènes, regroupant les assortiments for-

tement corrélés entre eux et telle que deux assortiments de classes différentes soient faiblement

corrélés. Au départ tous les assortiments se trouvent dans une classe unique, puis on divise cette

classe en deux. Si l'une des classes n'est pas suffisamment homogène, au sens d'un certain critère,

cette classe est à son tour divisée en deux classes homogènes. Nous répétons cet algorithme et il

s'arrête lorsque plus aucune classe ne peut être divisée. On obtient ainsi la répartition la plus fine

des assortiments en K classes distinctes. Pour construire les classes, l’algorithme réalise une ana-

lyse en composantes principales (ACP) sur les assortiments, puis il réalise une rotation sur cette

ACP afin d'obtenir deux nouvelles composantes plus facilement interprétables en fonction des

variables initiales, car mieux corrélées avec certaines de ces variables et donc moins bien corré-

lées avec les autres variables.

Représentation d’une rotation orthogonale

Nous allons vous détailler l’analyse pour la France, puis après nous étudierons les différences

avec les autres pays.

Analyse sur la France

21 | P a g e


Tableau de la première répartition.

Cluster Summary for 1 Cluster

Cluster Members

Cluster

Variation

Variation

Explained

Proportion

Explained

Second

Eigenvalue

1 13 13 1.774289 0.1365 1.3892

La première partition est constituée d'une seule classe, contenant les 13 variables (les

assortiments présentés dans le tableau de la page précédente). La variance de cette classe est

égale à 13 puisque nous avons réduit les variables.

La variance expliquée par cette classe, est égale à la variance de sa composante, donc ici sa

première composante principale, vaut λ1=1.774289. Elle explique 13.65 % de la variance

La seconde valeur propre est égale à 1.3892. Cette valeur étant supérieure à 1, la classe va être

divisée.

Tableau de la première itération

Phase Itération

Variance

Accounted

For Accesoire body home Incentive dvd toyssoft Drugsoft lingsoft appsoft toyshard

Split 0 1.774289 1 1 1 1 1 1 1 1 1 1

NCS 1 3.127454 1 2 1 2 2 2 2 1 1 2

NCS 2 3.127454 1 2 1 2 2 2 2 1 1 2

22 | P a g e


Ce tableau indique les différentes étapes de l'algorithme de construction des deux pre-

mières classes, à partir de l'ACP oblique et des phases de réaffectation. Dans le tableau ci-dessus,

seules 10 variables sur les 13 sont présentées pour faciliter la lecture et la compréhension.

Sur la 1ère ligne (Split), on trouve la composition de la partition de la 1ère étape. Toutes les

variables sont regroupées dans une seule classe et nous retrouvons notre valeur propre égale à

1.774289.

Les deux lignes suivantes concernent la deuxième étape de l’algorithme. Sur la 1ère ligne

on lit

l'affectation des variables à la classe 1 (variables accessoire, home, lingsoft, appsoft), les autres

variables sont classées dans la classe 2. La variance expliquée par cette partition en 2 classes

vaut 3.127454. Sur la 2ème ligne (Iteration 2), on observe que les variables n'ont pas changé de

classe, et que la variance expliquée par la partition est inchangée, cela signifie que l'algorithme a

convergé.

Tableau de la deuxième répartition

Cluster Summary for 2 Clusters

Cluster Members

Cluster

Variation

Variation

Explained

Proportion

Explained

Second

Eigenvalue

1 6 6 1.596345 0.2661 1.0932

2 7 7 1.531109 0.2187 1.1835

Total variation explained = 3.127454 Proportion = 0.2406

La classe 1 contient 6 variables, sa variance vaut 6. La variance de sa composante vaut

1.596345, qui explique 26.61% de la variance de la classe. La seconde valeur propre vaut

1.0932. La classe 2 contient 7 variables, sa variance vaut 7. La variance de sa composante vaut

1.531109, qui explique 21.87% de la variance de la classe. La seconde valeur propre vaut

1.18358

23 | P a g e


La variance expliquée par la partition (Total variation explained), égale à la somme des variances

des composantes de chaque classe, vaut 3.127454, ce qui représente une part (Proportion) de la

variance totale égale à 24.06%. La classe 2 est celle qui a la plus grande seconde valeur propre et

qui est supérieure à 1. Cette classe va donc être divisée à l'étape suivante.

Nous répétons ensuite cet algorithme, et nous l’arrêtons quand nous ne pouvons plus diviser les

classes c'est-à-dire quand λ2<1.

Tableau de la répartition à la fin de la classification.

Cluster Summary for 5 Clusters

Cluster Members

Cluster

Variation

Variation

Explained

Proportion

Explained

Second

Eigenvalue

1 4 4 1.483052 0.3708 0.9521

2 3 3 1.289861 0.4300 0.9471

3 2 2 1.259856 0.6299 0.7401

4 2 2 1.194046 0.5970 0.8060

5 2 2 1.131821 0.5659 0.8682

Total variation explained = 6.358636 Proportion = 0.4891

24 | P a g e


A la fin de l’algorithme nous avons une répartition en 5 classes. Cette répartition explique

48.91% de la variance. Lors de la première ACP nous avions une part de la variance expliquée

égale à 13.65%. Cette méthode de classification des variables nous a permis d’augmenter consi-

dérablement la part d’informations expliquées.

Nous remarquons que toutes les deuxièmes valeurs propres sont inférieures à 1 ce qui explique la

fin de l’algorithme, c'est-à-dire qu’en recommençant l’algorithme nous ne trouverons plus

d’autres groupes homogènes.

Cette répartition en 5 groupes est donc la meilleure possible.

Nous allons maintenant analyser la composition de chaque groupe afin de savoir quels sont les

assortiments corrélés entre eux et quels sont les assortiments qui s’opposent.

Tableau de la composition des groupes.

5 Clusters R-squared with

1-R**2

RatioCluster Variable

Own

Cluster

Next

Closest

Cluster 1 Accesoire 0.2176 0.0053 0.7866

home 0.1802 0.0093 0.8275

lingsoft 0.5187 0.0160 0.4891

appsoft 0.5666 0.0159 0.4404

Cluster 2 body 0.2182 0.0136 0.7926

25 | P a g e


5 Clusters R-squared with

1-R**2

RatioCluster Variable

Own

Cluster

Next

Closest

Drugsoft 0.5672 0.0244 0.4436

Drughard 0.5045 0.0076 0.4994

Cluster 3 Incentive 0.6299 0.0109 0.3742

dvd 0.6299 0.0038 0.3715

Cluster 4 linghard 0.5970 0.0087 0.4065

apphard 0.5970 0.0227 0.4123

Cluster 5 toyssoft 0.5659 0.0084 0.4378

toyshard 0.5659 0.0199 0.4429

Pour information le R² owncluster est le coefficient de corrélation entre la variable et la

composante de sa classe. Alors que le R² nextclosest est le coefficient de corrélation entre la va-

riable et la composante de la classe “la plus proche" autre que sa propre classe, au sens de la cor-

rélation au carré.

On lit par exemple que la variable DVD est bien représentative de la classe 3, puisqu'elle est très

corrélée (r2=0.6299) avec la composante de cette classe, et faiblement corrélée (r2=0.038) à la

classe dont elle est le plus proche. En d’autres termes, nos acheteurs dvd en France semblent être

des acheteurs très atypiques par rapport au reste de la bdd.

Nous pouvons résumer les groupes de cette façon :

le groupe 1 correspond à nos clients achetant des produits très soft.

Notre groupe 2 regroupe les clients qui sont appétant au produit de type crèmes, produits

d’entretiens, pilules

Notre groupe 3 est le plus atypique, il concerne les acheteurs de DVD et de cadeaux

payants.

26 | P a g e


Le groupe 4 est composé de clients aimant les vêtements et sous-vêtements de type latex.

Notre dernier groupe est constitué de nos clients « Toys ».

Tableau inter-cluster.

Inter-Cluster Correlations

Cluster 1 2 3 4 5

1 1.00000 0.10443 0.06861 0.15773 0.03743

2 0.10443 1.00000 0.10275 0.02969 0.15452

3 0.06861 0.10275 1.00000 0.02457 0.08584

4 0.15773 0.02969 0.02457 1.00000 0.05432

5 0.03743 0.15452 0.08584 0.05432 1.00000

Le tableau ci-dessus exprime la corrélation entre chaque clusters et nous remarquons qu’aucune

corrélation n'est supérieure à 0.16, ce qui signifie que les groupes sont homogènes.

Number

of

Clusters

Total

Variation

Explained

by Clusters

Proportion

of Variation

Explained

by Clusters

Minimum

Proportion

Explained

by a Cluster

Maximum

Second

Eigenvalue

in a Cluster

Minimum

R-squared

for a

Variable

Maximum

1-R**2 Ratio

for a

Variable

1 1.774289 0.1365 0.1365 1.389220 0.0363

2 3.127454 0.2406 0.2187 1.183451 0.0909 0.9099

3 4.273348 0.3287 0.2661 1.093211 0.1266 0.8813

4 5.354101 0.4119 0.2834 1.026221 0.1331 0.8788

5 6.358636 0.4891 0.3708 0.952119 0.1802 0.8275

Quelques commentaires

Ce tableau montre bien que les partitions contiennent des classes de plus en plus homogènes :

27 | P a g e


la part de variance expliquée par la partition augmente(Total Variation Explained) .

les composantes des classes expliquent une part croissante des variances des classes (Pro-

portionof Variation Explained);

les variances des deuxièmes composantes principales des classes diminuent (Maximum

Second Eigenvalue);

les variables sont de plus en plus corrélées avec les composantes de leur propre

classe(Minimum R-squared), et de moins en moins corrélées avec les composantes des

autres classes (Maximum 1-R**2 Ratio for a Variable).

Analyse de tous les pays :

Après avoir fait l’analyse sur la France, nous allons réaliser cette classification pour

chaque pays afin de voir si les groupes dans les autres pays sont identiques à ceux trouvés pour la

France ou au contraire si selon le pays les corrélations entre les assortiments changent.

Ttableau des classifications dans les différents pays.

accesoire accesoire Accesoire Accesoire Accesoirehome body home Lingsoft home

lingsoft home lingsoft appsoft lingsoftappsoft lingsoft appsoft toyssoft appsoftbody appsoft body drugsoft toyssoft

toysoft toyssoft Drugsoft toyshard toysharddrugsoft drugsoft drughard drughard incentive toyshard toyshard incentive incentive dvddrughard drughard dvd dvd linghardincentive incentive linghard linghard apphard

dvd dvd apphard apphard bodylinghard linghard toyssoft body drugsoftapphard apphard toyshard home drughardCluster 4

cluster 1

cluster2

cluster3

cluster4

Cluster 1

Cluster 2

Cluster 3

Cluster 4

Cluster 1

Cluster 2

Cluster 3

ATSFRSNLSDES

Cluster 5

Cluster 1

Cluster 2

Cluster 3

Cluster 4

Cluster 5

Cluster 1

BES

Cluster 5

Cluster 4

Cluster 3

Cluster 2

28 | P a g e


Nous pouvons voir que le nombre de clusters changent selon les pays étudiés. En France,

en Autriche et en Belgique les assortiments sont répartis en 5 groupes alors qu’en Allemagne et

au Pays-Bas il n'y en a que 4.

Cependant il existe des similitudes dans tous les pays :

Les assortiments incentive et dvd sont regroupés dans un seul groupe pour chaque pays, de

même pour les assortiments linghard et apphard. Ce sont des clients atypiques dans tous les pays

du groupe. Il existe aussi des différences: en France et en Belgique ce sont les seuls pays où les

drugstore et les Toys ne sont pas dans le même groupe c'est-à-dire que ces assortiments ne sont

pas suffisamment corrélés entre eux pour ne former qu’un seul groupe. Dans ces pays, les ache-

teurs toys sont des clients assez atypiques au même titre que nos clients dvd. En effet dans tout

les pays le groupe qui comporte les clients dvd et incentive est le groupe ou les variables sont le

plus corrélées avec la composante de sa propre classe et la moins corrélées avec la composante

de la classe la plus proche

Toutes nos recommandations pour le groupe PABO se trouveront dans la dernière partie de ce

mémoire.

Après avoir analysé les différents assortiments nous allons maintenant nous intéresser à l'impact

d’internet dans les différents pays.

3.3. Évolution des commandes internet.

Le développement d’internet à modifier beaucoup de choses dans le monde de la vente à

distance :

Concurrence plus agressive

Guerre des prix

Clients moins fidèles

Impact des catalogues diminué

Aujourd’hui nous savons que pour l’entreprise Adam et Eve la plus grande partie des

commandes est réalisée sur internet. De ce fait, en France, les coûts destinés au « Offline » sont 29 | P a g e


de plus en plus faibles ( baisse du nombre de catalogues, aucune acquisition offline, baisse de la

qualité du papier …). Mais cette évolution d’internet est-elle la même dans tous les pays du

groupe ?

Nous avons décidé de présenter l’évolution du pourcentage des commandes online et offline

pendant 40 mois du 01/01/2011 au 04/04/2014. Pour information en France, en Allemagne et au

Pays-Bas il y a la même pression commerciale en offline. Les autres pays reçoivent moins de

catalogues.

Nous allons seulement vous montrer les graphiques où il y a des différences significatives.

Graphique pour la France

30 | P a g e


En France par exemple nous avons une constante évolution du pourcentage online. En

janvier 2011 plus de la moitié des commandes ne sont pas faites sur internet, à partir du mois de

mai 2011 plus de la moitié des commandes se font sur internet et au mois de mars 2014 les

commandes online représentent 76% des commandes. Cette évolution est quasi identique pour

les autres pays , hormis pour les Pays-Bas et l’Autriche où l’évolution d’internet n’est pas tout à

fait identique.

31 | P a g e


Graphique pour les Pays-Bas

Pour les Pays-bas la tendance est la même que pour la France ou pour l’Allemagne mais

elle est beaucoup plus marquée, c'est-à-dire que l’évolution est beaucoup plus rapide. En effet les

Pays-Bas est le pays où l’écart entre le online et le offline est le plus grande. Dans ce pays, la

part des commandes offline est égale à 10 % en mars 2014.

Cette analyse nous explique mieux pour quelles raisons les catalogues marchent moins bien au

Pays-Bas que dans les autres pays. L’envoie d’un catalogue aux Pays-Bas génère cependant des

commandes sur internet mais la question que l'on peut se poser dans ce pays est : doit-on changer

le format et la communication des offres commerciales papiers ?

32 | P a g e


Graphique pour l’Autriche

Pour l’Autriche, l’évolution d’internet est beaucoup plus lente et beaucoup moins

marquée.

Tout d’abord l’écart entre le offline et le online est beaucoup moins important que dans les autres

pays. En février 2011, le offline représente 80 % des commandes. De plus, en novembre 2012

(mois 22), 60 % des commandes étaient effectuées via le offline. Le online devient vraiment

important à partir de janvier 2013. De nos jours, le online représente seulement 70 % des

commandes alors que dans d’autres pays il approche ou dépasse les 80 %. Dans un pays comme

l’Autriche les catalogues papiers ont encore de l’impact.

Au vu des graphiques ci-dessus, nous arrivons facilement à voir que l’évolution des commandes

online n’est pas la même dans tous les pays.

33 | P a g e


Cette différence entre les pays entraîne forcement des prises de décisions que nous verrons dans

la dernière partie de ce mémoire.

3.4. Analyse du canal d’achat.

Nous avons observé dans l’analyse précédente que le groupe PABO a connu une évolution très

importante de ses commandes online. Mais que ce soit pour les commandes online ou les

commandes offline, il existe des sous-canaux d’achat :

Canaux online DescriptionNewsletter Achat dû à une newsletterShop Achat sur le site internetGoogle Achat acquis grâce à une requête GoogleAffiliate partner Achat acquis grâce à l'affiliationSEO Achat acquis grâce au référencement gratuitComparison Achat acquis grâce à un site de comparaison de prix SEM Achat acquis grâce au référencement payant autre que Google Social Media Achat acquis grâce aux réseaux sociaux.Autres Autres canaux online

Canaux offline DescriptionManuelle Commande réalisée directement sur bon de commandeFax Commande réalisée sur faxTéléphone Commande réalisée par téléphoneEchange Echange de commandeCadeau Commande cadeauAbonnement DVD Commande dû à un abonnement DVD

34 | P a g e


Cette méthode nous permettra de créer nos groupes de clients et nous analyserons ces groupes et

les possibles regroupements grâce à une classification ascendante hiérarchique (CAH).

CAH

Cette méthode est utilisable dès que l’on dispose d’une distance entre des individus sur des

variables. Cette méthode peut être elle aussi décrite en 4 étapes :

1. Les classes initiales sont les observations

2. On calcule les distances entre classes

3. Les 2 classes les plus proches sont fusionnées et remplacées par une seule

4. On reprend en 2) jusqu’à n’avoir plus qu’une seule classe, qui contient toutes les

observations

35 | P a g e


Analyse pour tous les pays :

Nous allons donc travailler sur l’ensemble des pays (France, Allemagne, Pays-Bas,

Autriche, Belgique). Le but de cette analyse est de créer une classification et ensuite d'analyser

cette classification pour chaque pays afin de voir si la répartition change selon le pays. Nous

allons dans un premier temps réaliser une ACP afin de visualiser nos données sur les deux

premiers axes et avoir un premier aperçu de nos données.

36 | P a g e


Dans le graphique ci-dessus, nous représentons la répartition des variables sur les deux

premiers axes factoriels. Nous voyons qu’il y a des variables qui s’opposent et d’autres qui sont

plutôt corrélées entre elles. Nous pouvons donc représenter 4 groupes. Les personnes achetant

principalement via Google, les personnes achetant sur les canaux offline ( fax, manuelle,

téléphone …), les personnes achetant principalement via le shop et les newsletters puis nous

avons les autres clients.

37 | P a g e


La répartition des clients dans les deux premiers axes factoriels. Suite à cette ACP nous allons

réaliser la première partie de notre classification avec les centres mobiles.

38 | P a g e


Les résultats de nos classifications sont assez bons. En effet il existe deux critères principaux à

vérifier pour avoir une bonne classification : il faut que le CCC soit supérieur à 2, ici nous avons

2280 et il faut que le R² soit supérieur à 0 et ici nous avons 0.380. Nous avons donc réparti les

clients en 11 groupes distincts.

Nous avons le groupe 3 qui comporte 82.69 % de notre population, ce groupe risque d’être notre

population « normal » sans comportement atypique pour l’ensemble du groupe. Puis nous avons

10 autres groupes beaucoup plus atypiques. Nous allons vous représenter ces groupes sur les

deux axes principaux de l’ACP faite précédemment.

.

39 | P a g e


.

Les 11 groupes sur les deux premiers axes ont l’air assez homogènes. Nous voyons que le groupe

11 (jaune) et le groupe 6 (rose) semblent tout de même quelque peu sortir du lot.

Nous allons maintenant essayer de réduire ce nombre de groupe via une CAH puis nous allons

vous expliquer à quoi correspondent les groupes et pour finir nous allons faire le plus important

de cette analyse c'est-à-dire regarder la répartition par pays.

40 | P a g e


La CAH nous permet de passer de 11 groupes à 9 groupes sans perdre trop d’informations. Nous

allons regrouper les clients qui étaient dans les groupes 3 et 4 ainsi que les clients qui étaient

dans les groupes 8 et 11.

41 | P a g e


Le Cluster 1 est composé de 9022 clients

(soit 11,56%) achetant beaucoup plus que

la moyenne sur le canal « manuelle », en

effet ils ont une moyenne de 286.4 €

contre 9.3 € dans l’ensemble de la

population. Ce groupe correspond plutôt à

nos clients « offline » car ils

commandent beaucoup sur le canal

d'achat manuelle, abodvd, fax téléphone

et ils dépensent moins que la population

en shop, google, et newsletters. groupe

est composé de 9 022 clients.

Le cluster 2 correspond à notre

population « normal ». En effet ce

groupe est composé de 645 000 clients

(soit 82.6%) qui n'ont pas vraiment de

caractéristiques très différentes de

l’ensemble de la population. Ils ont une

moyenne un petit plus haute en google,

affliation et newsletters que la

population, par contre ils ont une

moyenne inférieure en shop

principalement.

42 | P a g e

Variable

Moyenne

dans la classe

Moyenne générale

Effectif dans la classe

Valeur

test ---------manuelle 286,4 9,3 9.022 563,4 |****abodvd 16,9 0,2 9.022 250,6 |****fax 16,6 0,3 9.022 225,4 |****telephone 37,6 2,5 9.022 125,7 |****cadeau 0,0 0,0 9.022 1,6 |*echange 1,1 1,2 9.022 1,2- |SEM - 0,1 9.022 2,4- ***|Comparison - 0,4 9.022 6,4- ****|SEO 0,2 1,6 9.022 10,6- ****|affliation 0,3 3,9 9.022 16,6- ****|Newsletters 1,5 13,7 9.022 28,1- ****|google 0,5 10,1 9.022 30,4- ****|Shop 2,2 24,0 9.022 38,9- ****|

CLUSTER=1

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------manuelle 286,4 9,3 9.022 563,4 |****

abodvd 16,9 0,2 9.022 250,6 |****

fax 16,6 0,3 9.022 225,4 |****

telephone 37,6 2,5 9.022 125,7 |****

cadeau 0,0 0,0 9.022 1,6 |*

echange 1,1 1,2 9.022 1,2- |

SEM - 0,1 9.022 2,4- ***|

Comparison - 0,4 9.022 6,4- ****|

SEO 0,2 1,6 9.022 10,6- ****|

affliation 0,3 3,9 9.022 16,6- ****|

Newsletters 1,5 13,7 9.022 28,1- ****|

google 0,5 10,1 9.022 30,4- ****|

Shop 2,2 24,0 9.022 38,9- ****|

CLUSTER=1

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------google 11,3 10,1 645.000 74,7 |****

affliation 4,4 3,9 645.000 42,1 |****

Newsletters 14,2 13,7 645.000 21,1 |****

cadeau 0,0 0,0 645.000 9,4 |****

email_order 0,0 0,0 645.000 4,7- ***|

Social 0,0 0,0 645.000 9,6- ****|

telephone 2,4 2,5 645.000 10,1- ****|

SEM 0,0 0,1 645.000 39,7- ****|

fax 0,1 0,3 645.000 52,1- ****|

abodvd 0,1 0,2 645.000 57,4- ****|

Comparison 0,1 0,4 645.000 99,9- ****|

manuelle 6,8 9,3 645.000 100,2- ****|

SEO 0,4 1,6 645.000 180,7- ****|

echange 0,3 1,2 645.000 197,7- ****|

Shop 8,9 24,0 645.000 546,4- ****|

CLUSTER=2


Notre groupe 3 est composé de 99 339

clients ( soit 12.73 %) très appètent au

canal shop. En effet les clients de ce

groupe dépensent en moyenne 124.9 €

contre 24 € pour la population. Ce

groupe dépense moins que la

population sur tous les autres canaux.

Ces clients seront très réactifs à la

home page du site et au contenu du site

web.

Le groupe 4 est composé seulement de 9

clients aucune explication n’est

nécessaire.

.

43 | P a g e

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------email_order 96,5 0,0 9 695,6 |****

telephone 29,5 2,5 9 3,0 |***

CLUSTER=4

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------Shop 124,9 24,0 99.339 636,6 |****email_order - 0,0 99.339 1,4- *|

Social - 0,0 99.339 1,8- **|

SEM 0,0 0,1 99.339 7,9- ****|

cadeau 0,0 0,0 99.339 10,7- ****|

fax 0,0 0,3 99.339 10,8- ****|

abodvd 0,0 0,2 99.339 12,1- ****|

Comparison 0,0 0,4 99.339 21,5- ****|

telephone 0,5 2,5 99.339 25,9- ****|Newsletters 10,0 13,7 99.339 30,2- ****|

echange 0,3 1,2 99.339 33,6- ****|

SEO 0,1 1,6 99.339 37,9- ****|

affliation 1,2 3,9 99.339 43,4- ****|

manuelle 1,3 9,3 99.339 57,1- ****|

google 3,0 10,1 99.339 79,4- ****|

CLUSTER=3

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------email_order 96,5 0,0 9 695,6 |****telephone 29,5 2,5 9 3,0 |***

CLUSTER=4


Notre groupe 5 est composé de 11 952 clients

(soit 1.53%) qui commandent plus que les

autres clients sur les canaux « échange »,

« newsletters », « Google », « affiliation » et

« shop ». Ces clients ne sont pas du tout

offline, en effet nous retrouvons les

principaux canaux offline en bas du tableau.

Ce groupe composé de 3 435 clients( soit

0.44%) est très intéressant. Il s’agit de

clients qui dépensent beaucoup via les sites

de comparaison. Ces clients ont donc

tendance à aller chercher l’information sur

ce genre de site plutôt que de venir

directement sur le site adameteve.fr. Ces

clients risquent d’être très sensibles au prix.

De plus un effort doit être fait pour garder

une bonne visibilité sur ce genre de site afin

de garder et de fidéliser ce genre de clients.

44 | P a g e

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------echange 56,3 1,2 11.952 706,9 |****

Newsletters 34,2 13,7 11.952 54,2 |****

google 18,1 10,1 11.952 29,2 |****affliation 7,5 3,9 11.952 18,5 |****

Shop 31,7 24,0 11.952 15,9 |****

cadeau 0,0 0,0 11.952 2,4 |***telephone 2,9 2,5 11.952 1,5 |*

SEM 0,0 0,1 11.952 2,5- ***|

fax 0,1 0,3 11.952 2,7- ***|SEO 1,2 1,6 11.952 2,9- ***|

abodvd 0,0 0,2 11.952 3,6- ***|

Comparison 0,1 0,4 11.952 5,5- ****|manuelle 6,4 9,3 11.952 6,8- ****|

CLUSTER=5

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------Comparison 67,1 0,4 3.435 711,1 |****SEM - 0,1 3.435 1,5- *|

fax - 0,3 3.435 2,2- **|cadeau 0,0 0,0 3.435 2,2- **|abodvd - 0,2 3.435 2,3- **|Newsletters 11,8 13,7 3.435 2,7- ***|

telephone 0,4 2,5 3.435 4,7- ***|SEO 0,5 1,6 3.435 4,8- ***|

affliation 1,5 3,9 3.435 6,9- ****|manuelle 1,4 9,3 3.435 9,9- ****|google 2,9 10,1 3.435 14,0- ****|Shop 10,8 24,0 3.435 14,5- ****|

CLUSTER=6


Le groupe 7 est composé de 10574

clients (soit 1.35%) qui passent leurs

commandes via un référencement non

payant dit naturel. Ces clients ont une

moyenne sur le SEO de 89.5 € contre

1.6 € pour les autres clients. Ils

dépensent moins sur tous les autres

canaux. Pour ces clients, il faut que

l’on continue à se positionner haut sur

les pages Google et que le SEO du

nouveau site permette de trouver

facilement le site web sinon ce type de

clients ne viendra peut être plus.

Ce groupe est composé de 512 clients.

Ce sont des clients qui achètent via du

SEM autre que Google. Le groupe est

surtout visible sur google ce qui peut

expliquer le peu de clients se trouvant

sur ce cluster mais ils s’agit bien d’un

groupe atypique.

Ce dernier groupe sont nos clients qui

achètent via les réseaux sociaux. Cette

technologie est encore peu prise en

compte dans l'entreprise.

45 | P a g e

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------Social 55,5 0,0 21 835,9 |****

google 45,2 10,1 21 5,3 |****echange 4,3 1,2 21 1,7 |**

CLUSTER=9

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------SEO 89,5 1,6 10.574 716,2 |****

SEM 0,0 0,1 10.574 2,5- ***|

cadeau 0,0 0,0 10.574 2,6- ***|

fax 0,1 0,3 10.574 2,9- ***|

abodvd 0,0 0,2 10.574 3,6- ***|

echange 0,6 1,2 10.574 6,3- ****|

Comparison 0,0 0,4 10.574 6,4- ****|

telephone 0,7 2,5 10.574 7,1- ****|

google 7,3 10,1 10.574 9,6- ****|Newsletters 9,1 13,7 10.574 11,4- ****|

affliation 1,4 3,9 10.574 12,2- ****|

manuelle 2,3 9,3 10.574 15,2- ****|

Shop 13,3 24,0 10.574 20,6- ****|

CLUSTER=7

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------SEO 89,5 1,6 10.574 716,2 |****

SEM 0,0 0,1 10.574 2,5- ***|cadeau 0,0 0,0 10.574 2,6- ***|

fax 0,1 0,3 10.574 2,9- ***|

abodvd 0,0 0,2 10.574 3,6- ***|

echange 0,6 1,2 10.574 6,3- ****|

Comparison 0,0 0,4 10.574 6,4- ****|

telephone 0,7 2,5 10.574 7,1- ****|

google 7,3 10,1 10.574 9,6- ****|Newsletters 9,1 13,7 10.574 11,4- ****|

affliation 1,4 3,9 10.574 12,2- ****|

manuelle 2,3 9,3 10.574 15,2- ****|

Shop 13,3 24,0 10.574 20,6- ****|

CLUSTER=7

Variable

Moyenne

dans la classe

Moyenne générale


Valeur

test ---------SEM 77,4 0,1 512 725,8 |****

echange 1,9 1,2 512 1,9 |**

Comparison 0,1 0,4 512 1,3- |

SEO 0,7 1,6 512 1,5- *|

telephone 0,2 2,5 512 1,9- **|

Shop 19,3 24,0 512 2,0- **|

Newsletters 9,5 13,7 512 2,3- ***|

affliation 1,2 3,9 512 2,9- ***|

manuelle 1,1 9,3 512 4,0- ***|

google 4,5 10,1 512 4,2- ***|

CLUSTER=8


Cluster/pays Allemagne Autriche Belgique France Pays-bas Total0,5% 0,1% 0,2% 0,3% 0,1% 1,2%

38,7% 8,7% 18,0% 23,4% 11,3% 100,0%1,4% 3,1% 1,9% 0,8% 0,7%

25,4% 2,4% 9,8% 30,2% 14,8% 82,7%30,8% 2,9% 11,9% 36,5% 17,9% 100,0%78,3% 74,6% 88,6% 86,2% 81,8%

5,7% 0,6% 0,8% 3,1% 2,5% 12,7%44,6% 4,7% 6,4% 24,5% 19,8% 100,0%17,5% 18,5% 7,3% 8,9% 13,9%

0,0% 0,0% 0,0% 0,0% 0,0% 0,0%0,0% 0,0% 33,3% 0,0% 66,7% 100,0%0,0% 0,0% 0,0% 0,0% 0,0%0,3% 0,0% 0,2% 0,9% 0,2% 1,5%

17,5% 2,5% 10,7% 56,6% 12,8% 100,0%0,8% 1,2% 1,5% 2,5% 1,1%0,2% 0,0% 0,0% 0,1% 0,1% 0,4%

45,3% 0,0% 3,4% 25,9% 25,4% 100,0%0,6% 0,0% 0,1% 0,3% 0,6%0,4% 0,1% 0,1% 0,4% 0,3% 1,4%

32,8% 6,4% 4,6% 32,4% 23,9% 100,0%1,4% 2,7% 0,6% 1,3% 1,8% 0,0%0,0% 0,0% 0,0% 0,0% 0,0% 0,1%

45,3% 0,0% 0,0% 31,5% 23,2% 100,0%0,1% 0,0% 0,0% 0,1% 0,1% 0,0%0,0% 0,0% 0,0% 0,0% 0,0% 0,0%0,0% 0,0% 0,0% 85,7% 14,3% 100,0%0,0% 0,0% 0,0% 0,0% 0,0% 0,0%33% 3% 11% 35% 18% 100,0%

0% 0% 0% 0% 0% 0,0%100% 100% 100% 100% 100% 0,0%

9

total

1

2

3

4

5

6

7

8

Le tableau ci-dessus nous montre la répartition des clients selon leur pays et selon la

nouvelle classification. En vert ce sont les classes où le pays est surreprésenté. Par exemple les

clients allemands représentent 44.6 % des clients dans le cluster 3 alors que dans l’ensemble de

la base les clients allemands représentent seulement 33 %.

Nous voyons que les deux pays les moins atypiques c'est-à-dire où la masse de clients dans le

cluster 2 « population normal » est la plus importante sont la France et la Belgique. L’Autriche

est le pays le plus atypique en effet seulement 74.6 % de ses clients sont dans le cluster 2 quand

la Belgique en a 88.6 % par exemple.46 | P a g e


L’Autriche est surtout surreprésenté dans le cluster 1 ,qui correspond à nos clients « offline », ce

qui est sûrement dû à une évolution vers internet moins rapide.

La France elle est surreprésentée dans notre cluster 5 qui représente les clients utilisant

principalement les canaux « échange », « newsletters », « Google », « affiliation » et « shop ».

La Belgique et la France dans une moindre mesure ont tendance à acheter beaucoup moins

directement sur le shop et passe plutôt par Google et les liens d’affiliation. De plus 68.5 % des

acheteurs venant de sites de comparaison sont soit allemand soit hollandais .

Nous pouvons conclure cette analyse par le fait que la différence entre les pays sur le choix des

canaux est assez prononcée.

4. Impact des différences entre les pays

Dans la dernière partie des analyses statistiques pour le groupe Pabo, nous avons décidé de

réaliser quatre scoring avec la même variable cible. Le premier sur des clients français, allemand

et hollandais, le deuxième uniquement sur des clients français, le troisième sur des clients

allemand et le dernier sur des clients hollandais. A la fin de la réalisation, nous analyserons les

quatre scores et nous les classerons du meilleur score au moins bon.

Nous allons vous présenter l’intégralité des résultats du scoring pour celui qui concerne

l’ensemble des trois pays, ensuite nous vous présenterons seulement la comparaison entre les

scoring.

4.

4.1. Explication et préparation du scoring.

Pour réaliser notre score, nous allons utiliser une technique inductive, c’est à dire que nous

allons commencer par une phase d’apprentissage pour élaborer un score, qui résume les relations

entre les variables, ensuite nous appliquerons ce score à d’autres données. Dans la suite de

l’analyse nous appellerons donc « Apprentissage » l’échantillon sur lequel nous allons construire 47 | P a g e


notre score et dont nous connaissons la répartition de la variable cible, et nous appellerons

« Validation » le deuxième échantillon pour lequel on connait la valeur de la variable cible, que

l’on compare à la valeur prédite par le modèle.

Pour réaliser notre score, nous allons utiliser une régression logistique pour plusieurs raisons :

Elle permet d’utiliser trois types de variable explicatives (discrètes, qualitatives ou

continues).

Elle permet d’utiliser deux types de variable cible (ordinale ou nominale).

Cette régression est facilement interprétable.

Elle peut prendre en compte les interactions entre variables

Elle modélise directement une probabilité

On obtient des intervalles de confiance sur les résultats

Ils existe de nombreux tests statistiques disponibles

Sélection des données

Ce score aura pour but de probabiliser le fait qu’un client commande de nouveau la saison

suivante. Nous utiliserons comme variables explicatives les informations sur le client et son

comportement d’achat durant les saisons aw12 et ss13 et nous essayerons donc de probabiliser

un achat lors de la saison aw13.

48 | P a g e


4.2. Analyse de la régression logistique .

Informations sur le modèle

Data Set WORK.APPRENTISSAGE

Response Variable cible

Number of Response Levels 2

Number of Observations 476891

Model binary logit

Optimization Technique Fisher's scoring

Le score sur l’ensemble des clients des 3 pays sera donc réalisé sur la table apprentissage qui

contient plus ou moins 70 % de la population totale de ces pays soit 477 691 clients. Notre

variable cible est binaire ( a recommandé en aw13 ou n’a pas recommandé en aw13).

Profil de réponse

Valeur

ordonnée cible

Fréquence

totale

1 0 385976

2 1 91069

Dans la table apprentissage nous avons un pourcentage de cibles égal à 19.06%. Nous allons

maintenant nous intéresser à la composition de cette régression. Nous avons décidé de réaliser ce

score avec une méthode de sélection pas à pas de style mixte (stepwise) c’est à dire qu’ il n'y a

aucune variable au départ, on ajoute une à une celles qui contribuent le plus au modèle et on peut

retrancher une

variable à chaque étape si son pouvoir discriminant diminue avec l’entrée des nouvelles

variables.

49 | P a g e


Nombre Khi 2

EntréSupprimé dans des scores

1 nb_commande

1 1 25355,1324 <,0001

2 net 1 2 5819,7679 <,0001

3 SALESID

1 3 2633,3856 <,0001

4 dvd 1 4 1976,545 <,0001

5 lingsoft 1 5 817,9397 <,0001

6 EmailID 1 6 491,9982 <,0001

7 sexe 1 7 383,4255 <,0001

8 Incentive

1 8 259,6477 <,0001

9 Apparel 1 9 204,513 <,0001

10 Drugstore

1 10 71,5933 <,0001

11 body 1 11 55,3029 <,0001

12 age 1 12 40,8467 <,0001

13 toyssoft 1 13 33,7591 <,0001

14 toyshard 1 14 19,1082 <,0001

15 Service 1 15 14,4195 0,0001

16 phoneID 1 16 11,0709 0,0009

17 Drughard

1 17 4,721 0,0298

18 Accesoire

1 18 4,7042 0,0301

Récapitulatif sur la sélection progressive

Step

Effet

DDL Pr > Khi 2

Dans ce score, il y a 18 variables qui rentrent dans la formule. Nous remarquons qu’aucun PR

n'est supérieur à 0.05 ce qui signifie que toutes ces variables sont significatives. L’ordre n'est pas

anodin, la variable qui a le plus d’influence sur la cible est la variable nb_commande (nombre de

commandes réalisées depuis l’arrivée dans la bdd).

Le tableau qui suit nous permettra de comprendre le rôle de chaque variable, son influence sur la

variable cible et de connaître aussi l’équation mathématique du scoring. Cette formule est

composée du nom de la variable* l’estimation.

50 | P a g e


Erreur Khi 2type de Wald

Intercept

1 -3,9618 0,0642 3804,1008 <,0001

SALESID

1 0,1584 0,00344 2121,2493 <,0001

nb_commande

1 0,2722 0,00405 4517,169 <,0001

net 1 0,104 0,00406 655,6015 <,0001

Accesoire

1 0,0427 0,0197 4,7025 0,0301

Apparel 1 0,0834 0,0058 206,6309 <,0001

body 1 0,0982 0,0137 51,2251 <,0001

Drugstore

1 0,0227 0,00346 43,1284 <,0001

Incentive

1 0,1599 0,0105 233,5749 <,0001

dvd 1 0,2316 0,00659 1235,231 <,0001

Service 1 0,0124 0,00314 15,5937 <,0001

toyssoft 1 -0,0202 0,00356 32,1445 <,0001

lingsoft 1 0,1142 0,00375 927,471 <,0001

toyshard 1 0,0145 0,00333 18,9259 <,0001

Drughard

1 0,0207 0,00955 4,7104 0,03

phoneID 1 -0,0267 0,0079 11,3987 0,0007

EmailID 1 -0,2383 0,0134 315,9459 <,0001

sexe 1 -0,1248 0,00686 330,581 <,0001

age 1 0,00186 0,000283 43,0711 <,0001

Analyse des estimations du maximum de vraisemblanceParamètre DDL

Estimation

Pr > Khi 2

Nous allons dans un premier temps analyser le khi2 de wald. Cette valeur est très importante, elle

permet de tester la significativité de chaque coefficient. On compare le score sans le coefficient

de cette variable avec le score contenant tous les coefficients. Pour que le coefficient soit

significatif, il faut que le khi² soit supérieur à 4. En jaune, nous avons les deux plus petits khi2 et

nous voyons qu’ils sont supérieurs à 4 donc tous les coefficients sont significatifs.

51 | P a g e


Maintenant intéressons nous au coefficient, nous voyons que 4 coefficients sont négatifs

( toyssosft, phoneid, emailid et sexe). Cela signifie que ces valeurs influencent négativement la

variable cible, en d’autres termes pour le mail par exemple les personnes n’ayant pas de mail

renseigné ont un pourcentage de commander de nouveau en Aw13 supérieur aux clients avec

email.

Notre score sera égale à score= 3,9618+ 0,1584*SALESID +0,2722*nb_commande +……+

0,00186*age.

4.3. Test de concordance.

Percent Concordant

68,7 Somers' D

0,38

Percent Discordant

30,7 Gamma 0,383

Percent Tied

0,6 Tau-a 0,117

Pairs 35150448344 c 0,69

Association des probabilités prédites et des réponses observées

Nous avons ci-dessus le test de concordance. Ce test est facile à comprendre dans notre

échantillon nous avons des clients qui ont une valeur de cible = 1 et d’autres qui ont cible=0 .

En créant notre score, nous avons aussi crée deux nouvelles variables qui sont la probabilité

(d’après le score) de correspondre à cible=1 et une autre probabilité de correspondre à cible=0.

On a concordance si la probabilité estimée que cible = 1 est plus grande quand cible = 1 que

quand cible = 0. Notre pourcentage de concordance ici est de 68.7 %. Les discordantes sont

celles qui ont une probabilité plus grande pour cible =0 alors qu’elles correspondent à cible =1 et

inversement. Nous avons dans notre échantillon un pourcentage de discordantes égal à 30.7 %.

52 | P a g e


Puis nous avons des clients qui ont la même probabilité d’appartenir à cible=0 qu’a cible=1 ce

sont nos « Tied » ils représentent 0.6%.

Le C correspond à l’aire sous la courbe de ROC nous reviendrons dessus plus tard. Les autres

indices ne sont pas importants dans notre exemple.

4.4. Matrice de confusion, courbe de roc, courbe de lift.

Niveau de

prob, Non- Non- Sensi- Spéci- POS NEGévéneme

ntévénem

ent bilité ficité fausse fausse0,02 91.069 - 386.000 - 19% 100% 0% 81% ,

0,04 91.061 42 386.000 8 19% 100% 0% 81% 16%

0,06 90.843 2.040 384.000 226 20% 100% 1% 81% 10%

0,08 88.364 30.698 355.000 2.705 25% 97% 8% 80% 8%

0,1 80.664 101.000 285.000 10.405 38% 89% 26% 78% 9%

0,12 73.533 155.000 231.000 17.536 48% 81% 40% 76% 10%

0,14 67.547 195.000 191.000 23.522 55% 74% 50% 74% 11%

0,16 62.392 225.000 161.000 28.677 60% 69% 58% 72% 11%

0,18 57.623 249.000 137.000 33.446 64% 63% 65% 70% 12%

0,2 53.054 271.000 115.000 38.015 68% 58% 70% 69% 12%

0,22 48.444 289.000 96.822 42.625 71% 53% 75% 67% 13%

0,24 44.336 305.000 81.439 46.733 73% 49% 79% 65% 13%

0,26 40.396 318.000 68.346 50.673 75% 44% 82% 63% 14%

Table de classification

Correct Incorrect Pourcentages

Événement Événement Correct

Après avoir réalisé notre score nous devons décidé à partir de quelle valeur de Y nous

considérons que le client correspond à la cible. Nous avons décidé de prendre le 0.22 comme

valeur de seuil c'est-à-dire que quand la probabilité est supérieure à 0.22 ( couleur jaune) nous

considérons que le client correspond à notre cible. Pour vous expliquer notre choix, nous allons

vous montrer quels auraient été les résultats si nous avions pris 0.02 ( couleur verte ) comme

valeur seuil.

53 | P a g e


En prenant la valeur minimum de probabilité ( 0.02) nous considérons donc que tous les clients

correspondent à notre cible. En effet aucun client n'a une probabilité inférieure à 0.02. Etant

donné que 19% de notre échantillon correspond réellement à notre cible nous avons un

pourcentage de correct égal à 19 %. La sensibilité correspond au pourcentage de clients qui sont

réellement cible égal 1 et que le score a classé dans cible=1. Dans notre exemple sur la ligne

verte le pourcentage de sensibilité est égale à 100 % car tous nos clients sont prédits dans cible

égal 1 donc l’ensemble des clients réellement 1 sont bien classés. La spécificité est la même

chose que la sensibilité sauf qu’il s’agit des clients correspondant à cible=0 que nous avons bien

classés. Nous avons 0 % ici car aucun des clients n’est classé dans cible=0 donc forcément tous

les clients réellement cible=0 sont mal classés. Les «pos fausse» sont les clients qui sont

réellement cible=0 et que nous avons classés en cible=1. Et pour finir les «neg fausse» sont les

clients qui sont réellement cible=1 et que nous avons classés en cible=0.

Nous allons maintenant nous attarder sur notre choix de proba = 0.22

0 1 total0 289.000 96.822 385.822 1 42.625 48.444 91.069

Total 331.625 145.266 476.891

predit

Observé

En prenant une probabilité de 0.22 comme valeur seuil nous avons :

Correct = (289.000 + 48.444) / 476.891 = 70,75 %Sensibilite = 48.444/ 91.069= 53,19 %Specificite = 289.000 / 385.822 = 74,90 %POS fausse = 98.822/ 145.266 = 68,02 %NEG fausse = 42.625 / 331.625 = 12,85 %

Courbe de Roc

Nous allons vous présenter la courbe de Roc du score sur les 3 pays. L’avantage de cette courbe

est que l’aire sous la courbe est facilement comparable d’un score à un autre. Plus l’aire est

54 | P a g e


grande sous la courbe, plus le score est « bon ». C’est le critère que nous utiliserons pour

comparer le score tout pays au score fait dans chaque pays.

Sensitivity

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

1 - Specificity

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Cette courbe permet de représenter la proportion y de «vrais positifs» en fonction de la

proportion x de «faux positifs», lorsque l'on fait varier le seuil s du score.

Exemple : si la courbe ROC passe par le point (0,2;0,43), ce point correspond à un seuil S qui est

tel que : si on considère ≪risqués≫ tous les individus dont le score est ≥ s, on a détecté :

20% de faux positifs ont un score ≥ s , et 43 % de vrais positifs ont un score ≥ s.

L’aire sous la courbe de Roc est égale à 0.69.

Courbe de lift :

La courbe de lift représente la proportion y de vrais positifs en fonction des individus. Il s'agit de

la même ordonnée que la courbe ROC, mais l'abscisse est généralement plus grande. La courbe

55 | P a g e


de lift est généralement sous la courbe ROC. Elle est très utilisée en marketing

Ce graphique nous montre l’impact du score par rapport à une sélection aléatoire. Avec

une sélection aléatoire en prenant 10 % de la population nous devrions avoir 10 % des personnes

correspondant à la cible. Alors qu’avec le score, en sélectionnant 10 % de l’échantillon nous

sélectionnons 27 % de notre cible.

Le but étant de comparer les scores entre tout pays et par pays nous ne vous présenterons pas

l’analyse sur la table validation mais les résultats sont similaires. Ce qui confirme la robustesse

du score.

56 | P a g e


4.5. Analyse des différences .

Score Air sous la courbe de ROCFrance 0,724Allemagne 0,722NLS 0,698Tout pays 0,69

Nous allons comparer l’aire sous la courbe de Roc des trois scores. Nous voyons que le score fait

dans tous les pays est celui avec l’aire la plus petite. Ce qui signifie que le score fait pour les 3

pays en même temps est moins performant que le score fait pays par pays.

Nous allons maintenant vous montrer les différences sur les variables que le score a finalement

sélectionnées pour chaque pays et leurs coefficients afin de voir la différence avec le score étudié

ci-dessus.

Grâce au tableau ci-dessous nous pouvons facilement voir les différences entre les pays et ainsi

comprendre pourquoi les résultats sont différents. Nous voyons que les Pays-Bas par exemple est

le seul pays où le fait de dépenser beaucoup d’argent en service est négatif alors que pour tous

les autres pays c’est l’inverse. Nous voyons aussi que la variable linghard est prise en compte

uniquement pour l’Allemagne. La variable âge est elle un facteur négatif seulement pour les

Pays-Bas

Il y a certes des choses similaires mais il y a beaucoup trop de choses différentes pour pouvoir

généraliser des scores à l’ensemble des pays.

57 | P a g e


Variable Tout pays NLS DES FRSintercept 3,96 - 3,80 - 3,92 - 3,84 - SALESID 0,16 0,18 0,14 0,18 nb_commande 0,27 0,31 0,24 0,28 net 0,10 0,15 0,16 0,07 LINETURNOVER 0,04 - 0,03 - Accesoire 0,04 Apparel 0,08 0,08 body 0,10 0,10 0,09 0,11 Drugstore 0,02 0,03 homeIncentive 0,16 0,17 0,14 0,17 Printeddvd 0,23 0,18 0,24 0,23 Service 0,01 0,02 - 0,05 Toystoyssoft 0,02 - 0,03 - 0,02 - 0,02 - Drugsoft 0,02 lingsoft 0,11 0,10 0,13 0,10 appsoft 0,06 0,10 toyshard 0,01 0,02 0,02 Drughard 0,02 0,06 linghard 0,06 phoneID 0,03 - 0,06 - emailid 0,24 - 0,21 - 0,23 - 0,28 - SEXE 0,12 - 0,08 - 0,17 - 0,11 - AGE 0,00 0,00 - 0,00 0,00

Coefficient

58 | P a g e


1.

2.

3.

4.

5. Préconisations pour le groupe Pabo

Dans la première partie de l’analyse nous avons pu voir que le type de clients variait très peu

selon le pays. Les quelques différences qui existent sont dû à une particularité dans le pays par

exemple la réglementation sur le optin en Allemagne. Le groupe Pabo peut se permettre de cibler

le même type de clients en termes d’âge, de sexe etc lors d’opérations d’acquisition. Cependant

un effort doit être fait par le groupe pour récupérer tous les âges et le genre de ses clients. Les

préconisations principales pour le groupe PABO se trouvent surtout sur le comportement d’achat

des clients qui est différent selon le pays. En effet pour la classification par type de produits

achetés nous voyons certe des similarités mais aussi beaucoup de différences.

Dans tous les pays, le DVD et les incentives ainsi que linghard et apphard sont regroupés

ensemble, ce sont des anciens assortiments qui sont généralement achetés par nos anciens clients

et sur du offline.

Pour les autres assortiments achetés principalement sur internet il existe là de réelles

différences. Par exemple en Allemagne, aux Pays-Bas et en Autriche si un client achète un

produit de type « toys », il a beaucoup de chance d’acheter aussi un produit de type

« drugstore ». Donc dans ces pays, il faut proposer directement en produit complémentaire d’un

toys un drugstore ou alors après l’achat d’un toys lui envoyer une « publicité » pour des

drugstores.

Pour la France et la Belgique les acheteurs toys sont assez isolés et ne sont pas autant

corrélés avec les drugstores. Le push d’un produit drugstore suite à un achat toys est beaucoup

moins pertinent dans ces pays là. Par contre en France et en Belgique ceux qui achètent des

« drugstores » sont associés aux clients « home ».

59 | P a g e


Il y a quelques mois nous avons reçu une segmentation produit propre pour tout le groupe.

Cette segmentation donne des résultats très différents dans chaque pays. En voyant les résultats

de l’analyse je conseille au groupe Pabo de différencier cette segmentation produit par pays.

De plus pour le multi-canal, il existe aussi des différences significatives entre les pays.

L’évolution également n’est pas identique dans tous les pays. Nous avons pu remarquer qu’aux

Pays-Bas toutes les commandes sont passées sur internet alors que dans un pays comme

l’Autriche, l’évolution d’internet est beaucoup plus lente.

Cette différence joue sur la communication à avoir par le groupe. En effet, lors d’un envoi d’un

catalogue aux Pays-Bas, beaucoup de personnes risquent de recevoir ce catalogue et de passer la

commande non pas sur le bon de commande du catalogue mais sur internet. Alors qu’en Autriche

le catalogue risque de créer plus de commandes « manuelles ». Du coup pour le groupe, il faut

comprendre que dans chaque pays le catalogue ne doit pas avoir le même but. Aux Pays-Bas le

catalogue doit surtout pousser les gens à aller sur internet, (est-il encore utile alors même de

mettre un bon de commande à l’intérieur de ce catalogue ?). Le catalogue doit surtout être

qualitatif et explicatif, créer une expérience pour le client. Alors qu’en Autriche le catalogue doit

pousser le client à acheter directement dessus et créer une sensation de précipitation, il faut que

j’achète tout de suite via le bon de commande pour profiter de telle ou telle offre.

Nous pouvons voir que même la manière de faire venir le client sur le site web doit être

différenciée par pays. En effet en Allemagne, les clients se rendent plus facilement sur le site

directement en marquant le site sur la barre du navigateur web sans passer par Google ou

d’autres sources externes alors que les français et les belges vont arriver sur notre site en cliquant

sur une bannière publicitaire ou encore en faisant une recherche sur Google. De ce fait je pense

que la priorité en terme de ressources pour l’affiliation doit être consacrée à la France et la

Belgique.

Par contre pour l’Allemagne et les Pays-Bas, une présence sur les sites de comparaison

est primordiale car il permet d’attirer des clients sur notre site. En effet 68.5 % des acheteurs

venant de sites de comparaison sont soit allemand soit hollandais .

60 | P a g e


1.

2.

3.

4.

5.

6. Conclusion de ce mémoire professionnel

Nous avons remis la question « du client européen » au goût du jour grâce notamment aux

analyses faites sur le groupe PABO. La capacité d’une marque à se différencier d’une autre est

de proposer la bonne offre au bon moment et sur le bon support. Le meilleur moyen de réaliser

cela est de connaître au mieux ses clients. Le temps où l’entreprise envoyat une seule offre à

toute la base de données est révolu. L’analyse des différences entre les pays permet d’être au

plus proche de ses clients.

Nous voyons que le groupe PABO attire des clients avec des caractéristiques plutôt homogène.

Nous voyons aussi que le comportement d’achat des clients achetant des produits sur des canaux

offline est sensiblement identique pour tout le groupe. Donc pour ce type d’analyse, oui je pense

que nous pouvons parler d’un client européen.

Par contre l’évolution d’internet, la corrélation entre produits, le choix du canal d’achat, l’argent

dépensé ainsi que les retours sont très différents selon les pays. Pour ce type d’analyse nous ne

pouvons pas généraliser à l’ensemble du groupe.

La communication doit être différenciée pour les allemands et les français par exemple.

Dans cette optique, je pense qu’avoir un service marketing dans chaque pays qui gère l’ensemble

des tâches de son pays est plutôt une bonne idée.

Ce mémoire m’aura permis d’avoir une vision globale de l’entreprise et de comprendre

plus facilement les faiblesses et les forces d’une entreprise européenne. Ce mémoire retrace un

travail de deux années consécutives qui permettra au groupe Pabo de mieux connaître ses clients

et peut être de mieux ajuster sa communication et ses actions marketing dans les différents pays.61 | P a g e


Le sujet du client européen est un sujet sur lequel les entreprises devraient s’attarder car il

peut être déterminant dans la réussite à long terme d’une entreprise européenne. Savoir les

caractéristiques et la façon de communiquer avec tel ou tel pays permet de savoir si il est

intéressant d’ouvrir une filiale dans ce type de pays. Même si cet exemple se passe hors de

l’Europe, le cas de Carrefour est assez intéressant : ils se sont implantés en chine en faisant le

même marketing et la même chose que dans les différents pays européens, ce fut un échec pour

le groupe Carrefour.

Quand le groupe PABO commencera à analyser les données sur le parcours client sur

internet ou encore les données des réseaux sociaux, on pourra voir d’autres différences entre les

pays. En analysant les commentaires sur la marque dans les différents pays, nous serons capables

de comprendre quelles sont les attentes principales pour un allemand quand il commande chez

nous et si ces attentes sont les mêmes dans les différents pays.

On pourra alors se demander si le big data permettra de rentrer dans une nouvelle ère du

datamining et donc si on pourra anticiper les demandes de chaque client, peu importe son origine

son pays et sa culture..

62 | P a g e


Bibliographie

Articles académiques :

Schmid S., Kotulla T. (2010) - 50 years of Research on International Standardization and

Adaptation - From a Systematic Literature Analysis to a theoretical Framework, International

Business Review, Vol. 20, n°5, p.491

Mitry D., Smith D. (2009) - Convergence in Global Markets and Consumer Behavior,

International Journal of Consumer Studies Vol 33 n°3, p.316-321.

Rittinger S. , Zentes J.(2012) – Cross-channel consumer behavior-A comparison between

frenche, german, italian and british consumers. Revue française du marketing - - N° 237/238 - 2-

3/5

The consummers' motives : Are we rational ? Auteur: BREE, J. Source: Sciences humaines

(Auxerre) [Sci. hum. (Auxerre)], 1996, Issue 66 p18-22

Süerdem A. (1994) - Social de(re)construction of mass culture : niaking (non)sense of consumer

behavior. International Journal of Research

63 | P a g e


in Marketing, Vol. 11, n°4, p.423-443.

64 | P a g e

doyoubuzz · web viewpeu de revues littéraires abordent le sujet d’un profil type « européen...

Documents