Transcript ppt - MASTER MARKETING & STRATEGIE

1
3. Modèles agrégés
http://www.mastermarketingdauphine.com
MENU
2
Modèles de
diffusion d’une innovation
http://www.mastermarketingdauphine.com
MENU
Modèles d’aide à la décision en MKG
Diffusion d’une innovation
(nouveau produit)
 Potentiel et Segmentation
 Positionnement
 Développement du concept
 Filtrage des concepts
 Définition des caractéristiques du produit
 Prix
 Communication
 Prévision des ventes
© Desmet Pierre 2014
 Audit post lancement
http://www.mastermarketingdauphine.com
MENU
3
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Lectures
 Chakravarthi Narasimhan, Subrata K. Sen, New Product Models for Test
Market Data, Journal of Marketing, Vol. 47, No. 1 (Winter, 1983), pp. 11-24
 Vijay Mahajan, Eitan Muller, Innovation Diffusion and New Product Growth
Models in Marketing, Journal of Marketing, Vol. 43, No. 4 (Autumn, 1979), pp.
55-68
Source : The market for motion pictures, A. De Vany, D. Walls, 1996
http://www.mastermarketingdauphine.com
MENU
4
Potentiel
Comportements
Pénétration
Niveau
P/M/G
Imitateurs
B
R
Innovateurs
B
R
http://www.mastermarketingdauphine.com
Nourriture
Taux
Demande à moyen terme
Effectifs
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèle conceptuel
MENU
5
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèle de Parfitt & Collins
Parfitt, J. and Collins, B. (1968), Use of consumer panels for brand share prediction, Journal of Marketing Research, Vol.
5,pp. 131-146.
 Part de marché ultime de la marque : S
 S = P.R.B
 P= taux de pénétration ultime de la marque
 % des acheteurs de la catégorie de produit qui ont essayé la marque
 R= part des achats des acheteurs de la marque (nourriture)
 B= indice d’achat des acheteurs de la marque
 =1 pour un acheteur moyen de la catégorie de produit
 Estimation de P et de R
 extrapolation des valeurs des taux d’essai et de réachat des premières
semaines
 Commercial
 TeSi © de GfK
http://www.mastermarketingdauphine.com
MENU
6
Modèles simples de prévision pour un nouveau produit
Modèle de Parfitt & Collins
Parfitt, J. and Collins, B. (1968), Use of consumer panels for brand share prediction, Journal of
Marketing Research, Vol. 5,pp. 131-146.
Marché
Pénétration
Taux de réachat
Acheteurs
répétés
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèle Parfitt & Collins
Illustration
Indice d'achat
Nombre d'achats
par semaine
5
Mois
1
111
3%
2
84
51%
3
53
57%
4
47
69%
0,5
0,5
0,6
0,65
2,5
2,5
3
3
Base : échantillon aléatoire de 300 personnes
http://www.mastermarketingdauphine.com
MENU
7

Fourt, L.A. and Woodlock, J. W. (1960), Early prediction of market success for grocery products, Journal of Marketing,
Vol.25, October, pp. 31-38.
 Part de marché du réachat S = P.R.B
 P = % de pénétration cumulée
 R = % de réachat
 B = Indice d’achat
 Pénétration pour les autres périodes Qt = r. P. (1 - r)t-1
 Qt = le % d’accroissement des ventes en t (en % des ventes potentielles)
 r = taux de pénétration des ventes du marché à conquérir
 p = ventes potentielles en % de tous les acheteurs
 t période de temps
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèle de Fourt & Woodlock
http://www.mastermarketingdauphine.com
MENU
8
Modèle de Fourt & Woodlock
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
illustration
Modèle de Fourt & Woodlock
Fourt, L.A. and Woodlock, J. W. (1960), Early prediction of market success for
grocery products, Journal of Marketing, Vol.25, October, pp. 31-38.
Hypothèses
Taille du marché
Part de marché maximale
Taux de pénétration du marché résiduel
Prix unitaire moyen
Période
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Marché résiduel
60 000
54 000
48 600
43 740
39 366
35 429
31 886
28 698
25 828
23 245
20 921
18 829
16 946
15 251
Résultat du test
% de réachat après n achats
1
16,0%
2
14,5%
3
15,3%
4
14,9%
5
16,0%
60 000
15%
10%
100 €
Essai
Taux essai Essayeurs
6000
10%
0
5400
10%
6 000
4860
10%
11 400
4374
10%
16 260
3937
10%
20 634
3543
10%
24 571
3189
10%
28 114
2870
10%
31 302
2583
10%
34 172
2325
10%
36 755
2092
10%
39 079
1883
10%
41 171
1695
10%
43 054
1525
10%
44 749
Réachat
0
960
1 824
2 602
3 301
3 931
4 498
5 008
5 468
5 881
6 253
6 587
6 889
7 160
Taux réachat
0,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
16,0%
http://www.mastermarketingdauphine.com
Ventes
Cumul ventes Prévisions
6 000
6 000
600 000 €
6 360
12 360 1 236 000 €
6 684
19 044 1 904 400 €
6 976
26 020 2 601 960 €
7 238
33 258 3 325 764 €
7 474
40 732 4 073 188 €
7 687
48 419 4 841 869 €
7 878
56 297 5 629 682 €
8 050
64 347 6 434 714 €
8 205
72 552 7 255 242 €
8 345
80 897 8 089 718 €
8 470
89 367 8 936 746 €
8 583
97 951 9 795 072 €
8 685
106 636 10 663 565 €
MENU
9
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèle de diffusion de l’innovation
de BASS
 Bass, Frank M., "A New Product Growth Model for Consumer Durables,"
Management Science, 15 (January 1969), pp. 215-227.
 Objectif : déterminer quand le nouveau produit va être adopté
 Pour des produits durables
 Avec quelques données
 Hypothèses
 Processus binaire d’adoption
 Marché potentiel client constant (N) et atteignable (100%)
 Pas de marché de remplacement, ni de marché d’occasion, ni de multiéquipement
 L’impact du Bouche-à-oreille est constant (ne dépend pas du moment de
l’adoption)
 Pas de prise en compte
 des produits substituables
 de la stratégie marketing du lancement du nouveau produit
http://www.mastermarketingdauphine.com
MENU
10
Modèles d’aide à la décision en MKG
Probabilité d’adoption
en fonction du temps
L(t) : probabilité d’une adoption en t pour un non-adopteur
f(t) :
prob d ’achat en t, F(t) : prob cumulée en t
(1)
f(t)
f(t) = d(F(t))
dt
Fonction de densité f(t) :
vraisemblance d’adoption
à la période t
1.0
F(t)
© Desmet Pierre 2014
L(t) = f(t)/[1–F(t)]
Probabilité cumulée
d’adoption F(t)
jusqu’à la période t
Introduction
F(t)
Période (t)
http://www.mastermarketingdauphine.com
MENU
11
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modélisation de la croissance des
ventes
St = p ´
Potentiel
résiduel
+
q ´ Adopteurs ´
Potentiel résiduel
Effet d’
Innovation
avec:
St
=
ventes en t
p
=
“coefficient d’innovation”
q
=
“coefficient d’imitation”
Effet d’
Imitation
Nb d’adopteurs
= S0 + S1 + • • • + St–1 = N(t)
Potentiel résiduel
= Potentiel Total – Nb d’adopteurs
http://www.mastermarketingdauphine.com
MENU
12
Modèle de BASS
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Illustration
http://marketing-science-center.com/modele-de-diffusion/
http://www.marketing-science-center.com
© Desmet 2006
1,000
Ventes cumulées
0,900
Estimation des coefficients (modèle continu)
Cumul Ventes évaluées
0,800
Taille marché potentiel
Paramètre d'innovation (p)
Paramètre d'imitation (q)
Ventes maximales en t =
estimés
1,0
Coefficients
0,0011
0,3594
16,037
A minimiser
0,3605
Zone solveur
0,001
0,358
-0,356
0
a
b
c
0,700
0,004
0,316
-0,320
0,500
0,600
0,400
0,300
Période
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Ventes
cumulées
0,000
0,002
0,007
0,013
0,024
0,035
0,056
0,073
0,078
0,083
0,157
0,186
0,226
0,301
0,376
0,472
0,568
0,664
0,729
0,795
0,860
0,900
Ventes 1er
équipement
0,000
0,002
0,005
0,006
0,011
0,011
0,021
0,017
0,005
0,005
0,074
0,029
0,040
0,075
0,075
0,096
0,096
0,096
0,065
0,066
0,065
0,040
Disponible
pour
l'estimation
(0/1)
Cumul Ventes
évaluées
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0,001
0,003
0,005
0,008
0,013
0,020
0,029
0,042
0,060
0,085
0,118
0,162
0,218
0,287
0,367
0,455
0,547
0,635
0,716
0,786
0,843
0,888
Ventes
évaluées
0,001
0,002
0,002
0,003
0,005
0,007
0,009
0,013
0,018
0,025
0,033
0,044
0,056
0,069
0,080
0,088
0,091
0,089
0,081
0,070
0,057
0,045
0,200
0,100
0,000
0,000 1,2556E-06
0 1 2 3 4
0,000
0,000
0,000
0,120
0,000
0,000
0,000
0,100
0,000
0,000
0,000
0,080
0,002
0,000
0,060
0,000
0,000
0,000
0,040
0,000
0,000
0,000
0,020
0,000
0,000
0,000
0,000
0,0000
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
1,5791E-07
7,3468E-06
7,478E-06
4,0368E-05Ventes 1er équipement
1,9454E-05Ventes évaluées
0,00013687
1,5678E-05
0,00017197
0,00039348
0,001644
0,00022491
0,00025843
4,0012E-05
2,6022E-05
5,9698E-05
2,1261E-05
5,3396E-05
0,00025091
1,2823E-05
6,3947E-05
1 2 3 0 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
0,00344946
http://www.mastermarketingdauphine.com
MENU
13
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Spécification technique
du modèle de BASS
Probabilité d’adoption en t pour un non adopteur L(t) est une fonction linéaire :
q
L(t) = p + –– N(t) = f(t) / [1-F(t)]
N
(2)
avec
p
q
N(t)
N
=
=
=
=
Coefficient d’innovation (influence externe)
Coefficient d’imitation (influence interne)
Nombre total d’adopteurs en t
Nombre total d’adopteurs potentiels
Nb d’adopteurs durant la période t = Nf(t) .
q
Nf(t) = [ p + –– N(t)][1 – N(t)]
N
(3)
Nb cumulé d’adopteurs à la période t = NF(t )
http://www.mastermarketingdauphine.com
MENU
14
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Spécification technique (suite)
[n(t) = Nf(t)] nb d’adopteurs en t et [N(t) = NF(t)] en cumul
q
Nf(t) = [ p + –– N(t)][1 – N(t)]
N
Équations de base (4)
(3)
q
n (t) = pN + (q – p) [N(t)] – –– [N(t)]2
N
q
n(t) =
p + –– N(t–1) [N – N(t–1)]
N
Soit n (t) = a + b [N(t-1)] + c [N(t-1)]2 (version discrétisée) avec
N = [- b – racine (b2 – 4ac )]/ 2c , p = (a / N) et
q=p + b
N > 0, b => 0 et c < 0
http://www.mastermarketingdauphine.com
MENU
15
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Valeurs des paramètres pour
différentes catégories de produit
Produit /
Technologie
Paramètre
Innovation
(p)
TV noir et blanc
TV couleur
Air conditionné
Séchoirs
Adoucisseurs
Enregistreurs cassettes
Téléphone cellulaire
Fer à repasser
Motels
McDonald
0.028
0.005
0.010
0.017
0.018
0.025
0.004
0.029
0.007
0.018
Paramètre
Imitation
(q)
0.25
0.84
0.42
0.36
0.30
0.65
1.76
0.33
0.36
0.54
Valeurs moyennes de 0.03 pour p et 0.38 pour q
(étude de Sultan, Farley et Lehmann en 1990).
http://www.mastermarketingdauphine.com
MENU
16
Modèles d’aide à la décision en MKG
Principaux déterminants de la
rapidité de la diffusion
Liés au produit
 Avantage technique important
 Forte compatibilité
 Faible complexité
 Essai facile
 Bénéfices faciles à observer
Liés au marché
© Desmet Pierre 2014
 Existence d’un standard (abandon d’une pratique)
 Type de canaux de communication utilisés
 Nature des liens réunissant les acteurs du marché
 Nature et effets des efforts promotionnels
http://www.mastermarketingdauphine.com
MENU
17
 Le modèle suppose que les ventes sont complètement déterminées
par le potentiel, les premières ventes, les taux d’imitation et
d’innovation
 Pas de prise en compte :
 du mix (pub, prix, promo), de la distribution, de l’évolution du produit, de
la concurrence,…
 de la concurrence
 du réachat
 Pourquoi alors l’utiliser avec des hypothèses si restrictives ?
 Il est simple à utiliser
 Les modèles plus compliqués ne font pas mieux
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Contraintes - limites
http://www.mastermarketingdauphine.com
MENU
18
Modèles d’aide à la décision en MKG
Modèle de BASS
Extensions
 Marché potentiel évolutif en fonction
 Du prix, de la réduction d’incertitude sur la qualité du produit,
croissance de la population, du réseau de point de vente
 Prise en compte des variables marketing
 Coefficient d’innovation (p) en fonction de la publicité
 p(t) = a + b ln A(t).
 Effets du prix et de la distribution.
 f(t)/(1-F(t))= [p + q. F(t)].X(t)
© Desmet Pierre 2014
 Prise en compte de l’achat répété
 Processus de diffusion à plusieurs étapes
 Notoriété – Intérêt – Adoption – Bouche-à-oreille
 En génération successives
http://www.mastermarketingdauphine.com
MENU
19
 Mahajan V., Muller E. and Bass F. (1995). "Diffusion of new products:
Empirical generalizations and managerial uses". Management Science 14 (3):
G79-G88.
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
En savoir plus
http://www.mastermarketingdauphine.com
MENU
20
21
Modèles d’attraction spatiale
http://www.mastermarketingdauphine.com/charge/Modele/Gravitaire.xls
http://www.mastermarketingdauphine.com
MENU
 Prendre en compte l’effet de l’espace sur les comportements
 Application à l’estimation du potentiel d’un magasin
 Attraction réalisée sur le potentiel d’une zone géographique
 Intensité de la concurrence dépend de la proximité géographique
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Objectifs
http://www.mastermarketingdauphine.com
MENU
22
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Démarche de modélisation
 Modèle : Valeur ou Utilité =f (Bénéfices, Coûts)
 Coûts = déplacement (temps, dépense, distance) selon le mode
 Bénéfices = valeur hédonique, utilitaire, sociale
 Selon le motif : information, achat, butinage, sortie familiale
 Étudier les caractéristiques de l’achat
 Fréquence d’achat, recherche de variété,…
 « zoner » :
 définir l’unité géographique de base : ville, commune, iris,…
 Définir les magasins potentiels et leurs caractéristiques
 Calculer les distances zone-magasin (temps, distance,…)
 Mesurer les flux de visites
 Modéliser les comportements et calculer les sensibilités aux
différentes variables magasin
 Utiliser le modèle
 Etudier les écarts, simuler des implantations
http://www.mastermarketingdauphine.com
MENU
23
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèle d’attraction
 Part de marché
 mi = Ai / ( Sj Aj)
 A = Fonction d’attraction
 multiplicative : Ai = b0 Pi b1
(modèle MCI)
 exponentielle : Ai = exp (b0+ S bi Pi) (modèle logistique)
 Technique
 Linéarisation ?
 Ratio à une marque de référence
 Pour celle-ci, ratio à la Moyenne géométrique des valeurs
 Hypothèse de l’indépendance des alternatives non pertinentes (IIA) ou
concurrence proportionnelle
 Contournement de cette hypothèse par :
 (1) probit,
 (2) modélisation des relations entre les marques
http://www.mastermarketingdauphine.com
MENU
24
Modèles d’aide à la décision en MKG
Loi de REILLY (1929)
 L’intensité de la concurrence est déterminée par l’inverse de la
distance (en puissance)
 Loi de gravitation du commerce de détail (Loi de Newton)
 "Si 2 pôles (i et j) en compétition sont
 également accessibles et
 (également ) performants,
 toutes choses égales par ailleurs,
 ces centres attirent les achats des populations situées entre eux
 en raison directe du nombre d'habitants (P) et
 en raison inverse du carré des distances qu'il faut parcourir pour s'y
rendre, (D).
© Desmet Pierre 2014
 Aij = a (Pi) / Dij b
 Les flux diminuent
 en fonction du carré de la distance (modèle de base b = 2)
 L'exposant b varie (de 0.4 à 3.3) selon le degré de fluidité des échanges,
 Il est plus élevé pour les grandes villes
http://www.mastermarketingdauphine.com
MENU
25
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Illustration Loi de REILLY
Loi de Reilly (1931)
"Si 2 pôles en compétition sont également accessibles et performants, toutes choses égales par ailleurs,
ces centres attirent les achats des populations situées entre eux en raison directe du nombre d'habitants
et en raison inverse du carré des distances qu'il faut parcourir pour s'y rendre".
Ville cible C
D(A)
P(A)
Taille
Distance AC
30
D(B)
Ville A
40 000 hab.
P(B)
Taille
Distance BC
50
Ville B
60 000 hab.
2
Va Pa  Db 
  *  
Vb Pb  Da 
V(A)
=
1,85
http://www.mastermarketingdauphine.com
V(B)
MENU
26
CONVERSE (1949)
Modèles d’aide à la décision en MKG
Converse P.D. (1949), New laws of retail gravitation, Journal of Marketing, 14, 379-384
 Recherche des points de rupture des zones de chalandise
 Point de partage entre zones d'attraction
 pas de graduation de l'emprise
 approximatif, rapide, marchait bien pour une civilisation rurale
 Variables
 « plancher commercial » plutôt que population
 « temps de trajet » plutôt que distance
Pc C
© Desmet Pierre 2014
Da/ac
Dab
Da 
Pb
1 n
Pa
http://www.mastermarketingdauphine.com
A
Da/ab
B
Pb
Pa
Da/ad
D
Pd
MENU
27
Modèle gravitaire HUFF
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
HUFF D. L. (1964) Defining and Estimating a Trading Area, Journal of Marketing, Vol 28, p. 38.
 Elaboration du modèle du point de vue de la demande (à un point « i »)
 Une approche probabiliste : possibilité de fréquenter plusieurs
magasins (« j »)
 Probabilité de fréquentation de j par un client potentiel habitant en i
est égale à l’utilité relative de ce magasin sur la somme des utilités
des magasins qui sont considérés = Uij / Sn Uik
 « Utilité » d’un point de vente « j » : Uij = Sj /(Tij)b
 Utilité : S, taille du magasin (en m2)
 T, temps d’accès
 b, pondération du temps d’accès selon le type de produit considéré
 n, ensemble des magasins considérés à partir de la zone « i »
http://www.mastermarketingdauphine.com
MENU
28
Modèle gravitaire de HUFF
Modèles d’aide à la décision en MKG
Illustration
M4
Coefficients Distance
Taille magasin
200
Magasins
Z3
200
Z4
300
Z1
M1
Z2 600
Taille (m2)
Zones
1
2
3
4
5
Potentiel
300
600
200
200
500
© Desmet Pierre 2014
M2
Potentiel Magasin
-2
1,5
Mag 1
1 200
2
1
3
3
4
Mag 1
296
Mag 2
1 800
Distances
3
1
4
6
2
Mag 2
556
Mag 3
3 000
Mag 4
3 000
6
4
6
1
2
3
4
2
3
7
Mag 3
578
Mag 4
370
Z5
500
M3
http://www.mastermarketingdauphine.com
MENU
29
Généralisation MCI, MICS
Modèles d’aide à la décision en MKG
M.Nakanishi, L.G. Cooper, Simplified Estimation Procedures for MCI Models ,Marketing Science, Vol. 1, No. 3
(Summer, 1982), pp. 314-322
 Modèle à interaction concurrentielle multiple (subjective)
 Généralisation de Huff pour contourner ses limites
 Modèle différent par catégorie de biens, Homogénéité des produits
vendus, Autres variables explicatives de la fréquentation
 « Attraction » d’un point de vente « j » : Aij = Pk Xijk ak
 Probabilité de fréquentation P= Aij / Sn Aik
 n magasins considérés, k variables considérées
 X : variable
 Distance (km, temps), parking, taille magasin, Image du magasin, prix, …
 Objective ou subjective
© Desmet Pierre 2014
 a coefficient de sensibilité de l’attraction à la variable
 Méthode d’estimation simple (régression linéaire) des coefficients
des variables
http://www.mastermarketingdauphine.com
MENU
30
Modèles d’aide à la décision en MKG
Méthodologie
 Définition des zones
 Détermination du potentiel des zones (habitants, revenus,…)
 Identification des concurrents
 Caractéristiques des concurrents (taille, service, image, horaires,
parking,…)
 Pour chaque zone, collecte des parts de visites sur chaque magasin
 Estimation des coefficients des variables pour reconstituer les parts
de visite
 Hypothèses sur les paniers
© Desmet Pierre 2014
 Utilisation en simulation de valeur d’emplacements
http://www.mastermarketingdauphine.com
MENU
31
Modèles d’aide à la décision en MKG
Avantages & Inconvénients
 + Prise en compte de la concurrence
 Mais avec l’hypothèse IIA
 - Valeurs subjectives plus qu’objectives
 Même pour la distance
 Hypothèse de continuité
 ? Si barrière naturelle, organisation historique de la ville,…
 Collecte de données assez lourde
© Desmet Pierre 2014
 Voies de recherche
 En 2 étapes : distances d’abord et valeur magasin en résidu
 Puis Explication de la valeur du magasin par des variables d’action
http://www.mastermarketingdauphine.com
MENU
32
33
Modèles agrégés
avec dynamique
http://www.mastermarketingdauphine.com
MENU
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
3. Modèles dynamiques
 Les effets des variables ne sont pas limités à la période pendant
laquelle les actions ont lieu
 Effets
 Anticipés (lead)
 Décalés (lag)
 Sources :
 Psychologique (anticipation)
 Technique (stocks)
 Institutionnelle (budgets)
 Effet d’une variable en t sur une variable en t+l ou en t-l
 Anticipation d’un effet saisonnier, d’un comportement, d’un besoin
http://www.mastermarketingdauphine.com
MENU
34
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Types d’effets dynamiques
•
Effets dus aux intermédiaires et au client final
2
3
4
Effets
6
5
1
Pression marketing
http://www.mastermarketingdauphine.com
Temps
MENU
35
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèles à effets dynamiques
 Effets décalés à court terme
 T -> Effets anticipés (lead, t-1) ou
 Effets différés (lag, t+n)
 Effet à moyen terme
 Impulsion (temporaire) : variable auxiliaire = 1 si t = t0, =0 sinon
 Marche (durable) : autre constante = 1 si t > t0, =0 si t <= t0
 Effet goodwill :
 Création d’une nouvelle variable par lissage des valeurs de la variable
 ex modèle de Koyck (Goodwill publicitaire ou Notoriété )
 GWt = (1-a).GWt-1 + a.Pubt
 Modèle auto-régressif :
 Yt = f(Y t-1)
http://www.mastermarketingdauphine.com
MENU
36
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Quelle durée pour les effets ?
 Retards distribués (distributed lags)
 Yt = a + b0.Xt+ b1.Xt-1+ b2.Xt-2+…+ bk.Xt-k+ et
 Effet à long-terme (Si=0,K b.i)
 Effet de court terme absolu (b0) et relatif (b*0 =b0 / Si=0,K b.i )
 Restriction obligatoire (k<n) car sinon non estimable
 Analyse par le corrélogramme (xt, xt-r)
 Comment la déterminer ?
 Pas de règle a priori
 + il est long, moins il y a de degrés de liberté
 Problème de colinéarité
 Techniques exploratoires : corrélation, datamining
http://www.mastermarketingdauphine.com
MENU
37
Modèles d’aide à la décision en MKG
Modèle de Koyck
 Simplifier le problème par l’hypothèse d’une distribution a priori de
la forme des effets
 Géométriquement décroissants (Koyck)
 Transforme un modèle à retards distribués en modèle auto-régressif
 Réduire les coefficients par une relation entre eux (transf de Koyck)
 bk= b0 l , 0< l <1 , k=1,2, 3
 Yt = a.(1-l) + b0.Xt+ l.Yt-1+ (et –l.et-1 )
 Propriétés :
Lambda
0,15
0,30
0,45
0,60
0,75
0,90
 Lag médian = - log(2)/log(l)
 Lag moyen = l / (1- l)
Médiane
Moyenne
0,365
0,176
0,576
0,429
0,868
0,818
1,357
1,500
2,409
3,000
6,579
9,000
© Desmet Pierre 2014
 Estimation par la méthode des variables instrumentales (IV)
 Mais
 Erreurs corrélées (moy mobile),
 test de Durbin watson (coeft d inutilisable, à remplacer par h)
 Variable décalée peut être dépendante de la nouvelle erreur
http://www.mastermarketingdauphine.com
MENU
38

http://www.marketing-science-center.com/charge/lydia.sav

http://www.mastermarketingdauphine;com/charge/Modele/Dynamique.xls
 Données annuelles (1907-1960) de ventes et de publicité
 Quel est l’effet de la publicité ?
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Relation publicité – ventes
(Lydia-pinkham)
http://www.mastermarketingdauphine.com
MENU
39
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Différences (Yt-Yt-1), (Xt-Xt-1)
http://www.mastermarketingdauphine.com
MENU
40
Modèles d’aide à la décision en MKG
Modèles simples
 Qt = ventes, At = advertising
 Direct
 Qt = a0 + b0*At + et
 Hypothèses ?
Pub t
CA t
Pub, t-1
CA t
Pub t
Pub, t-1
Notoriété t
CA t
© Desmet Pierre 2014
Pub t
Env t
Pub, t-1
Notoriété t
CA t
Pub t
http://www.mastermarketingdauphine.com
MENU
41
Modèles d’aide à la décision en MKG
Estimation des modèles
Coefficientsa
Modèle
1
(constante)
budget publicitaire
a. Variable dépendante : ventes
Modèle
1
(constante)
d_pub
Coefficients non
standardisés
Erreur
B
standard
5,668
26,442
,623
,121
(constante)
ventes t-1
budget publicitaire
Coefficients
standardisés
Bêta
t
3,836
11,308
,843
Sig nification
,000
,000
R² = 0.705

R² =0.331

R² = 0.872, lambda = 0.75

pendant combien de temps dure
l’effet d’une publicité ?
Coefficientsa
a. Variable dépendante : d_ventes
Modèle
1
© Desmet Pierre 2014
Coefficients non
standardisés
Erreur
B
standard
488,833
127,439
1,435
,127

Coefficients
standardisés
Bêta
t
,586
,214
5,168
Sig nification
,831
,000
Coefficientsa
Coefficients non
standardisés
Erreur
B
standard
138,691
95,660
,759
,091
,329
,156
Coefficients
standardisés
Bêta
,766
,195
t
1,450
8,302
2,112
Sig nification
,153
,000
,040
a. Variable dépendante : ventes
Coefficientsa
Modèle
1
(constante)
budget publicitaire
publicité t-1
Coefficients non
standardisés
Erreur
B
standard
496,688
135,766
1,352
,227
,081
,228
Coefficients
standardisés
Bêta
,802
,048
t
3,658
5,957
,355
Sig nification
,001
,000
,724
a. Variable dépendante : ventes
http://www.mastermarketingdauphine.com
MENU
42
 L’évolution de X dépend de l’écart entre les attentes et la réalisation
 Yt = a + b.Xet+ et
 (Xet- Xet-1) = q.(Xt- Xet-1)
 Le modèle devient un modèle de Koyck spécifique
 Yt = a + b.q.Xt+ b.q.(1- q).Xt+b.q.(1- q)2.Xt+…+ et
 Yt = a.q + b.q.Xt+ (1- q).Yt-1+ (et –(1- q).et-1 )
 Conséquences
 Erreurs auto-corrélées (moy mobile)
 La valeur attendue pour X est une moyenne pondérée de la valeur actuelle
de X et de toutes les valeurs passées
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Modèle des attentes adaptatives
http://www.mastermarketingdauphine.com
MENU
43
© Desmet Pierre 2014
Modèles d’aide à la décision en MKG
Estimation par variables
instrumentales (IV)
 Remplacer chaque variable par une variable Z
 Corrélée avec la variable à remplacer
 Mais non corrélée avec l’erreur
 Simple pour la constante (1) et pour X (X)
 Pour la variable instrumentale de la variable décalée (Yt-1) plusieurs
possibilités
 Xt-1
 Y^t-1 = d0+ d1. Xt+ d2. Xt-1
 Etapes
 Multiplier les équations par les variables instrumentales et sommer sur
toutes les observations puis solutionner le système
 SYt = b1.n + b2. SXt+ b3. SYt-1
 SXt.Yt = b1. SXt + b2. SX2t+ b3. SXt .Yt-1
 SZt.Yt = b1. SZt + b2. SZt.Xt+ b3. SZt .Yt-1
http://www.mastermarketingdauphine.com
MENU
44