http:// menu 1 5. modèles intégrés

http://www.mastermarketingdauphine.com MENUMENU

1

5. Modèles intégrés


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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


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


© 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


© 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


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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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.


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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© D

esm

et

Pie

rre 2

01

1

44

Modèle de préférence : avec le nouveau produit

Avec n, la nouvelle marque

Lít =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

Lín Mń = En –––I N

En=pourcentage des répondants intégrant la nouvelle marque dans leur ensemble de considération

N =taille de l’échantillon

(Vij)b

Líj = –––––––––––––––––Ri

(Vin)b + (Vik)b

k=1

MENUMENU

Mod

èle

s d

’aid

e à

la d

écis

ion

en

M

KG


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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


53

Modèles classiques :Modèle BASES

MENUMENU

Mod

èle

s d

’aid

e à

la d

écis

ion

en

M

KG


© 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


© 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


© 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


© 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


© 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


© 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


© 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


© 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

http:// menu 1 5. modèles intégrés

Documents