#Sondages : En attendant l’élu

macron04Chaque jour amène son lot de sondages suscitant plus d’interrogations que de conclusions.

Pour le spécialiste des données c’est un merveilleux bac à sable, surtout quand la foule s’attache à en maintenir l’inventaire comme le fait Wikipédia.

Ce sont les données avec lesquelles nous allons nous amuser après avoir fait un peu de nettoyage et de mise en forme. Quelques jeux avec ces packages rares et précieux qui font de r une planète à explorer, une caverne d’Alibaba, un supermarché magique du nombre.

En voici une visualisation pour les 6 principaux adversaires en termes d’intention de vote. Les données sont représentée séquentiellement en fonction du temps. Les aspérités correspondent aux jours où plusieurs sondages ont été publié le même jour. On a lissé les données sur une fenêtre de 3 jours de manière exponentielle (lambda=0,5).

évolution sondage pdt2017

Macron et Le Pen sont aux coudes à coudes, Fillon est largué et semble à peine retrouver de l’air pour respirer, Hamon s’effondre avec une belle détermination, Mélanchon surgit et s’accroche à la roue de vélo de Fillon – allez encore un coup de mollet, l’autre est cuit- , Dupont Aignan s’accroche, avec un peu d’effort il sera peut être remboursé – il pique des coups de bec dans la carcasse c’est de Fillon.

Un premier jeu est naturellement celui du pronostic. Depuis les travaux de 538 les méthodes d’analyses évoluent et se sont ouvertes aux méthodes bayésiennes. Voici en quelques lignes une méthode pour établir un pronostic. Du moins une esquisse de ce qu’on pense être ce qui est utilisé par les spécialistes qui ne donnent pas toujours beaucoup de détails sauf @freakonometrics que signale @bayesreality. Les valeurs initiales sont les moyennes des trois derniers sondages publiés au 11/04/2017.

L’idée principale est que les sondages nous donne moins un résultat qu’une information a priori, lecture est insuffisante pour établir le pronostic. Celui-ci doit prendre en compte la variabilité inhérente aux sondages et fournir une idée plus précise des distributions associées. L’utilisation d’un modèle de distribution de probabilités est indispensable, il servira à générer un grand nombre de variantes possibles à partir de  cette première donnée. On simulera 100 000 échantillons pour saisir les configurations les plus inattendues.

Dans le cas d’un premier tour d’élection le bon modèle est celui de Dirichlet. Les résultats du sondage servent de probabilité a priori dans une perspective bayésienne. Pour estimer plus précisément le modèle, on peut  inclure aussi compte le nombre de répondant qui détermine la dispersion des probabilités de choix. Dans notre cas nous choissisons un paramètre de 250, pour tenir compte qu’empiriquement les échantillons utilisés sont deux fois moins précis que ce que la théorie pronostique. Avec r ceci se traduit par peu de lignes.

set.seed(789)
N <- 100000
probs <- c(.233 , .238, .187, .181, .092, .037 )    # define (extremal) class probabilities#alpha0 = 250  -> pour tenir compte de l’erreur réelle, on divise par 4 l’échantillon moyen utilisé car on l’stime au double des valeurs théorique.
alpha0 <- 250
alpha <- alpha0*probs
alpha <- matrix( alpha , nrow=N , ncol=length(alpha) , byrow=TRUE  )
alpha
x <- dirichlet.simul( alpha )

Les résultats sont donnés dans les deux diagrammes suivants. Le premier donne la distribution des probabilités de choix pour chacun des candidats, le second la distribution de probabilité d’arrivée en tête. Seul deux candidats ont une chance, sur la base des trois derniers sondages, Marine Le Pen a une toute petite avance sur Macron.

Naturellement ce qui interroge d’abord c’est la dynamique des hésitations et le jeu des reports. Qui prend à qui? L’analyse des corrélations peut nous donner une première idée. On y notera la nette corrélation négative entre les intentions de vote pour Hamon et Mélanchon – la piscine se vide- , tout autant qu’un lien positif entre celle pour Mélanchon et de manière surprenante pour Dupont-Aignan? Est-ce l’axe souverainiste? Pour Macron le point intéressant est qu’il est peu lié aux autres, il n’attire pas de camp particulier – sauf celui des modernes de tout les camps! à l’exception de Hamon – la piscine se déverse dans un second bassin. Fillon et Le Pen se déchirent ce qui reste de l’électorat de droite.

L’analyse de ces corrélations doit être prudente car elle suppose qu’elles restent stables dans le temps.

L’étude de cette dynamique va nous fournir un troisième jeu. A cette fin on utilise le package Roll de r et sa fonction roll_corr. Il s’agit de calculer une corrélation glissante en fonction du temps, selon une fenêtre d’observations ( ici 16 j) et une pondération exponentielle (0,9). 8 des 15 couples figurent dans la diapo 3.

Ces corrélations sont intéressantes, mais se lisent difficilement. Un premier résultat est la forte fluctuation des corrélation qui passent du positif au négatif, seraient-elles ératiques?  Le cas Hamon Melanchon est le plus clair, la corrélation devient de plus en plus négative, indiquant le sens de la conversion : Mélanchon monte de plus en plus parce que Hamon lui fournit ses bataillons. DAns tout les cas il n’y a pas de stabilité dans le temps, les rapports de forces varient, passe d’un pivot à l’autre.

Puisqu’il s’agit d’une matrice de corrélation on peut l’analyser avec une  ACP toute aussi glissante que nos corrélations, c’est une ACP dynamique. Le même Package Roll nous fournit la solution avec une fonction très simple Rool_eigen

—–
Corollb<-roll_eigen(Coroll, 20, min_obs = 1)
—–

On produit ainsi une série d’Acp pour chaque élément de la séquence des sondages. En voici ci dessous des exemples à t=20,40, 50,70. On peut y lire les moment de la campagne. Pour son moment le plus récent on voit clairement l’attraction de Mélanchon s’exercer sur toute les factions. Le début de campagne était plus classique dans une opposition des forces de droite et de gauche.

Il y a encore beaucoup de jeux possibles. Et nos codes sont faits à l’arrache. Une chose est sure, la statistique gagne avec ces élections, jamais on a autant calculé, et jamais on a été autant surpris. C’est que les structures de vote deviennent plus subtiles, et demandent des méthodes plus fines, plus riches, plus interprétative.

Nous n’avons pas été au bout de l’excercice, nous n’avons pas combiné les deux tours. Nous n’avons pas exploré toutes les régularisations possibles de nos modèles. Nous voulions juste inviter le lecteur à explorer les nouvelles ressources des DataSciences pour comprendre plus que pour prévoir les ressorts d’une élection à la présidence.

PS: et si quelqu’un a envie de faire du code propre, le mien est crasseux. Le tableau de donnée et le script r sont à disposition. Just mail me.

 

 

 

 

Master Management de l’Innovation GDO/MOPP – Méthodes quantitatives pour la recherche en gestion

L’objectif du cours est de donner une culture quantitative élargie aux étudiants, leur laissant le soin d’approfondir les méthodes qui pourraient être utilisées dans le cadre de leurs projets de recherche. Il est aussi de le donner le sens critique nécessaire pour évaluer les protocoles employés dans la littérature courante de gestion. Il est dispensés aux étudiants du Master management de l’Innovation parcours MOPP et GDO.
Le cours s’organisent en 2 éléments :

1) Rappels élémentaires de statistique et d’analyse multivariée (tests, régression, ACP et classification) : 3 séances . L’environnement le langage r avec le package Rcmdr et  rstudio qui sont à installer au préalable. On trouvera un manuel d’initiation ici  et pour la culture générale on encourage à suivre r-blogger.

On travaillera sur un cas issu du Mémoire de Master Marketing de Pauline Vautrot. Il porte sur l’effet des preuves de transparence sur l’évaluation d’un moteur de recommandation. Les éléments se trouve sur le dossier google drive.

  1. Analyse univariée avec r
  2. Analyse bivariées : Test du khi², analyse de variance, corrélations, …
  3. Analyse factorielle
  4. Classification automatique
  5. Régressions

2) Un atelier des méthodes – présentation de protocoles méthodologiques dont les synthèses sont présentées par les étudiants sur la base d’articles significatifs dont voici un florilège. ( en Janvier 1 journée pleine)

Evaluation : au choix : une étude statistique menée avec r, ou l’exposé synthétique d’une méthode (en 4 pages). C’est un travail individuel. Inscription ici

Quelques idées de sujet :

  • Analyse conjointe et modèle de choix ()
  • Modèle de croissance ( SEM)
  • Méthode de la différence des différences (causalité)
  • Modèle de régression avec variable instrumentale ( causalité)
  • Modèles VAR ( économétrie, causalité) : avec une belle application pour l’analyse des effets croisés des médias sur les ventes.
  • Modèle linéaire hiérarchique et analyse multi-niveaux ( économétrie)
  • Mesure des attitudes implicites (Échelle), en se concentrant sur les travaux du Project Implicit
  • Machine learning et catégorisation de document en explorant les solutions proposées par MonkeyLearn pour la catégorisation.
  • Analyse des rendements anormaux (finance) ou event Analysis. Une application à l’effet des surprises ( positives ou négatives) est un très bon point de départ.
  • Régression avec auto-corrélation spatiale ( économétrie). Pour une introduction cette application en marketing en donne une très bonne idée.
  • Modélisation multi-agent appliquée au sciences sociales en passant par l’étude des modèles standard de Netlogo.
  • Analyse des réseaux sociaux ( Réseaux)
  • Data visualisation : de la grammaire des graphes à l’inventaire des solutions créatives en passant par l’ergonomie ou la psychologie.
  • Tests d’équivalence structurelle et comparaison inter-culturelle
  • ….

Les séances ont lieu les mardi de 18h00 à 20h30 à l’Ecole des Mines de Paris (Luxembourg) – Pour poursuivre voir aussi l’Atelier Doctoral.

 

Fringues, une question de regard – une courte étude

hawai1950Le burkini est avant tout une marque et le fait du marketing dans la globalisation. Avant tout, car c’est la l’invention d’une entreprise et non d’un mouvement religieux. Un marketing au pied de la lettre qui tente de satisfaire une attente d’un segment ou de plusieurs segments de consommatrices. Pas seulement celui des musulmanes mais de toutes celles (naturellement seules les femmes sont concernées) dont les normes sociales auxquelles elles adhèrent contiennent une modalité particulière de la pudeur – ne pas laisser apparaitre en public ce qui relève de l’intimité – mais aussi la revendication d’une forme de modernité  : un vêtement spécifique pour le bain en opposition à la tradition – se baigner habillée, comme le font les indiennes, ou pour des raisons de teint de peau comme le font les chinoises.

Les marques sont des signes et le vêtement est en grande partie ostentatoire. S’il présente des attributs fonctionnels (le confort, la facilité d’entretien .. ), il en comporte d’autres associés à des dimensions plus symbolique et identitaires. S’habiller c’est dire ce qu’on est.

Voilà qui m’a rappelé que je possédais un petit jeu de donnée constitué par des étudiants dans les années 2005 avec une enquête portant sur l’univers des marques surfs. Une belle occasion pour revisiter ces données avec une technique ancienne mais négligée qui s’adaptent parfaitement à nos données : en particulier une batterie de plus de 35 critères de décision de choix d’un vêtement (Slide 2) correspondant parfaitement à la notion d’avantage recherché. C’était aussi l’occasion de faire tester une vieille technique d’analyse, rarement employée en marketing, mais particulièrement utile pour traiter ce type de données : la fonction Iclust du package r Psych. le but sera d’identifier les avantages recherchés, de les construire et d’en tirer un modèle de benefit segmentation.

A la segmentation par avantage recherché on ajoutera l’étude d’une autre question portant sur les situations d’usage : porter le vêtement à  l’école ou à la campagne, pour faire les courses ou aller au travail… Ce sera l’occasion de revisiter la question du positionnement des marques (slide 7) et de leur écologie (slide 8).

La méthode Iclust est une variante de méthodes de classification hiérarchique ascendantes destinée à classer non pas les individus mais les variables. Elle permet de  mieux comprendre comment les catégories de jugements se forment et se généralisent. C’est William Revelle, l’un des principaux contributeur du package Psych de r, et un des meilleurs spécialistes de psychométrie, en est son inventeur. La mesure de similarité s’appuie sur  des critères de fiabilité. Deux réponses seront associées si le coefficient alpha de Cronbach , ou une variante -le coefficient beta –  propre à l’auteur – défini comme le plus mauvais split-half test du groupe d’items- est maximisé. Son intérêt réside dans l’identification de sous-échelles parmi un large ensemble d’items.

Passons au concret. Les données que l’on traitent d’abord (slide 2) sont une liste de critères de choix. Le résultat se présente sous la forme d’un arbre de regroupement (S3). Après quelques tâtonnements la meilleure solution s’avère comporter 9 groupes d’items, ou facteurs.

Ils se répartissent en trois groupes.  Le premier est constitué de critères fonctionnels :  la facilité à l’usage du vêtement et de son entretien, ainsi que son caractère économique. Un second à caractère hédonique est constitué d’un seul facteur : le confort du vêtement. Le troisièmes est relatif au rapport que l’on veut établir avec les autres : se conformer à la mode ou à l’avis du groupe de référence, échapper au regard des autres par la discrétion, se distinguer et exercer une certaine séduction. On apprendra à personne que le vêtement se définit essentiellement par le regard des autres même s’il est occulté.

A partir de cette analyse, 9 scores sont calculés en faisant la moyenne des items qui se rapportent aux traits latents, puis en calculant le poids relatifs de chacun des facteurs dans l’attention prêtée à l’ensemble de ces critères. Quatre grand profils sont identifiés, ils sont de poids égaux ( slide 4) égaux. Un quart des personnes interrogées ne prend en compte que les aspect fonctionnels et hédoniques : pratique et confortable. Les trois autres segments se définissent en fonction du rapport qu’ils établissent aux yeux des autres :

  • la discrétion où la stratégie de l’invisibilité
  • la stratégie du conformisme entre les modèles et l’entourage
  • la logique du standing et le principe du classique

Les 3/4 des consommateurs sont sensibles au vêtement dans la mesure où il permet de définir le rapport avec les autres : celui d’un inclusion mais parfois d’une exclusion, la distinction et le conformisme, et même échapper au regard. Les indifférents sont m’oins d’un quart.

Même méthode pour analyser les situations d’achat ( Slide 5 et 6).  On y découvre que deux types de situations se distinguent : le dehors et le dedans. On laisse au lecteur le soin d’interpréter les subdivisions plus fines. Elles se construisent aussi sur une dimension d’intimité. On les retrouve dans le biplot, où l’on situe les marques ( slide 7). Le slide suivant (slide 8) sous d’apparence d’un cladogramme donne l’arbre généalogique ou phénotypique des marques. On y retrouve des familles qui ont du sens.

Faut-il conclure ? S’habiller, ou se déshabiller, est un art. Le vêtement soit -il réduit à un tatouage, un tressage de cheveux, des colliers, ou se fait-il de mètres tissés, tâffetés, plissés, enroulés, robes de princesses ou tourbillons de voiles, est un langage. Il exprime le rapport que l’on veut établir aux autres mais aussi celui que l’on veut entretenir avec son corps. Si la liberté d’expression est un des premiers droits de l’homme et de la femme, le droit de se déshabiller ou de s’habiller est le droit fondamental de dire ce que l’on veut dire.

LinkedIn s’ajuste au modèle de Bass

Linked in2Dans ces temps où l’actualité médiatique résonne les cloches de l’Uberisation et de la disruption, laissant croire que les lois sociales (s’il en existent) changent de nature et que les plateformes sont de nouveaux monstres et que l’innovation connait un rythme foudroyant, il est parfois bon de reprendre de vieux pots pour servir une soupe plus savoureuse que le potage de l’inculture.

Le vieux pot est un des modèles les plus anciens et les plus solides du marketing. On le doit à Frank Bass (1969), il est destiné à modéliser la diffusion de l’innovation. Ses hypothèses sont élémentaires et peuvent s’interpréter aisément au travers du modèle de communication de Katz et Lazarfeld (1955). La diffusion d’un message ou d’une innovation est le fruit d’abord d’une influence directe sur des consommateurs innovateurs qui se déterminent en fonction de l’information qu’ils reçoivent, ensuite d’un processus d’interaction entre ces derniers et les autres traduisant un mécanismes d’innovation. Le modèle s’exprime comme une équation différentielle qui stipule que le nombre de nouveaux adopteurs est la somme de ces deux processus. A chaque période de temps une fraction constante de ceux qui n’ont pas encore adoptés le nouveaux produit ou la nouvelle idée se mette à l’adopter : q*(K-Nt), avec q représentant cette proportion (fonction de l’intensité des dépenses publicitaires et médiatiques), K le potentiel d’adoption et Nt, le nombre cumulés de ceux qui ont déjà adopté l’objet. S’ajoute les effets d’imitation : p*Nt*(K-Nt), où le produit Nt*(K-Nt) représente l’ensemble de toute les interactions possibles entre adopteurs et non-adopteur et p le coefficient d’imitation, c’est à dire la proportion constante des interactions qui aboutissent à une adoption. Pour plus de détail on consultera le Bass Basement Research Institute.

L’idée simple de ce post est d’évaluer dans quelle mesure le modèle rend compte de la diffusion d’un réseaux social, en l’occurence Linked in. On retrouvera les données ici.  Pour estimer les paramètres du modèle, on utilise la fonction NLS de r, on retrouvera le code ( élémentaire) sur cette page de Cheng-Jun Wang ainsi que quelques suggestions utile pour l’identification des paramètres initiaux dans les commentaires (c’est le problème majeur des procédure d’estimation de regression non linéaire). En voici les résultats, l’ajustement est quasi-parfait au niveau cumulé.

adjustParameters:
Estimate Std. Error t value Pr(>|t|)
M 5.695e+02 5.297e+01 10.752 1.17e-10 ***
P 8.744e-03 9.511e-04 9.193 2.47e-09 ***
Q 1.098e-01 1.459e-02 7.529 9.07e-08 ***

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1
Residual standard error: 2.384 on 24 degrees of freedom

Le potentiel de marché (M) est ici de 569, 5 millions. Autrement dit Linked serait largement en phase de maturité puisqu’au premier trimestre 2016, il y a 433 millions d’inscrit ce qui représente 76% du potentiel. On restera prudent car parmi les travaux de recherche certains chercheurs montrent qu’il y a une tendance à la sous-estimation de l’ordre de 20%, surtout lorsque le nombre d’observation est faible ( Bulte et Lilien, 1997). Vraisemblablement le potentiel serait donc l’ordre de 630 millions d’utilisateurs et donc les 2/3 du potentiel étant couvert.

Avec un coefficient d’imitation de 0,1098 et un coefficient d’innovation de 0,0087 ont retrouve des valeurs qui ne sont pas éloignées des valeurs observées dans les nombreuses applications du modèles de Bass dont Farley et Al 1990, trouve des valeurs moyennes respectivement de 0,38 et de 0,03. On sera  surpris que l’effet de diffusion est inférieur à la moyenne, témoignant d’un effet d’imitation moindre que des produits d’équipement des ménages. Le réseau a été lancé en 2003, son potentiel sera atteint vers 2023, il faudra donc 20 ans pour arriver au plein potentiel. Quant au rapport innovateur/imitateurs, le modèle indique qu’il est dans un rapport 1 sur 4. C’est assez difficile à apprécier, mais on pourra sans doute être intrigué par la relative faiblesse de l’effet d’imitation dans une catégorie de produit dont la dynamique est présumée dépendre d’externalité de réseaux, et qui est illustrée dans le diagramme de droite.

BassEstim

L’exercice mené à des limites que la littérature très abondante ( plusieurs milliers d’articles) a relevé. La première est qu’ici le potentiel M est considéré comme stable alors qu’il devrait évoluer notamment en fonction du nombre d’humains connectés et de l’accroissement du nombre de cadres dans la population mondiale. Une seconde est qu’on ne prend pas en compte les évolution du service qui devrait être plus attractifs. Une troisième technique est que dans l’estimation les premières périodes n’ont pas été prises en compte.  Une quatrième est que l’on travaille à un niveau très agrégé qui néglige les disparités régionales. Il y en a d’autres.

Il reste une approximation qui s’ajuste fort bien et donne des éléments sérieux pour réfléchir à la diffusion des innovations digitales qui ne semble pas se distinguer fortement des autres catégories de produit et ne révèle pas l’illusion des accélération qu’on croit percevoir. C’est aussi une invitation à approfondir l’étude de la dynamique de cette diffusion où l’influence interpersonnelle ne semble pas aussi forte qu’on aurait pu croire. Ce n’est pas si étonnant, qui s’est inscrit sur le réseau suite à une invitation? Le mécanisme d’adoption résulte sans doute d’un autre cheminement : l’intériorisation d’une norme, la croyance qu’il est nécessaire socialement d’adopter ce type de service.

 

 

Plateformes : collectionner les papillons

NabokovCollaboratif, coopérativisme, collectif, on-demand, économie du partage, gig economy,  les termes se succèdent reflétant les idéaux utopiques, les rigueurs idéologiques, sans qu’on y voit plus clair dans un mouvement qui se singularise à la fois par le nombre, la diversité et la valeur (boursière).

Pour notre part, nous en restons à cette notion de plateforme qui souligne le trait principal de ces nouvelles organisations : elles coordonne de nombreuses micro-activités. On pourrait y ajouter au moins deux autres éléments : d’abord l’engagement dans le processus de production des biens ou des services de non-professionnels (crowsourcing) et d’une part de l’activité économique domestique rendue possible par la force de la coordination, ensuite l’importance de l’interaction entre des populations différentes qui représentent autant de versants de marchés distincts et nécessite des méthodes d’appariement que le mécanisme des prix n’assurent pas entièrement. On y ajoutera le rôle pivot des algorithmes ( plus que des données) qui orientent, disciplinent, motivent les acteurs au risque de déployer une politique propre.

Mais de tout cela, on en rediscutera quand le bouquin sera prêt à sortir (il est en cours de relecture). En attendant, la réflexion n’est pas close et il reste un chantier à finir, celui de construire, en naturaliste, une typologie qui rendent compte à la fois de l’unité de forme et de l’étendue des domaines exploité. Un travail d’entomologiste, recueillir les spécimens, les répertorier, les classer, les catégoriser. C’est au fond un travail de recherche qui n’est pas souvent entrepris, simplement car on présuppose en sciences de gestion une sorte de modèle unique de l’organisation, même si périodiquement de telles typologies apparaissent ( Pensons à celles de Mintzberg, ou celle de Miles et Snow). En voici l’embryon, une petite collection de papillons chassés sur la toile, bien incomplète, peu détaillée encore, un mémento qui aura servi dans la rédaction de l’ouvrage à confronter l’analyse au fait.

Les commentaires et suggestions sont bienvenues, pour préciser un détail ou discuter un point plus général, signaler les plateformes oubliées, ou critiquer une catégorie. En complément de la collection, le filet à papillon se trouve sur la page FB plateformes, ( à liker et partager sans modération) les news au fil de l’eau de la vie des plateformes et des réflexions qu’elles suscitent.

Crédit Photo : difficile de ne pas penser à Vladimir Nabokov….

Satisfaction : en finir avec la malédiction

15602367155_e20626947f_zAucun autre texte que celui des Rolling Stones n’exprime mieux le problème de la satisfaction : son incapacité à produire un état de bien-être durable. Il dit l’essentiel d’une société de consommation où la sollicitation crée la frustration et l’amélioration des conditions matérielles ne change pas la ligne du bonheur.

De nombreuses firmes désormais incluent la mesure de la satisfaction, ou d’autres indicateurs comme le NPS, parmi les KPI pour mieux piloter l’entreprise, en en faisant un instrument de mesure externe (compétition) et interne (benchmarking), mais aussi longitudinal (apprentissage).   Mais elles se heurtent à un fait : il s’avère que dans le temps, les indices de satisfaction varient peu, les données de l’Asci en rendent compte : les satisfaction indicevariations intersectorielles sont plus importantes que les variations temporelles. Ainsi dans le graphe suivant, où nous avons pris soin de prendre en compte toute l’étendue de l’échelle de l’ACSI, que l’on pense bien faite, et à partir de leurs données, on s’aperçoit de la stationnarité de l’index, et plus remarquable encore de celle d’un secteur, la TV où sur la période des amélioration notables ont été apportés au produit : réduction de l’épaisseur des écrans, accroissement de leur luminosité, multiplication des fonctions et services associés et naturellement digitalisation. Les efforts des industriels ont-ils été vains?

Il peut être intéressant d’examiner la dynamique de la satisfaction en revenant à son modèle le plus simple pour s’interroger sur une hypothèse remarquable, celle de la malédiction de la satisfaction. Celle-ci peut s’exprimer de la manière suivante : si les efforts réalisé par les entreprises pour améliorer la qualité peuvent conduire dans l’immédiat à une augmentation de la satisfaction, sur le long terme cet accroissement de la qualité peut engendrer une élévation du niveau des attentes, réduisant ainsi les gains de satisfaction. Le jeu concurrentiel entretient ce processus et conduirait ainsi à l’observation d’une stabilité des indices satisfaction.

En réalité peu d’articles se sont penchés sur la question théoriquement et empiriquement (on trouvera leur références en fin d’articles)  même si certains champs de la la psychologie, peuvent nous permettre de mieux justifier cette hypothèse, nous y reviendrons un peu plus loin. Ce vide relatif a longtemps été le résultats de ceux que les mesures longitudinales ne sont pas si faciles à obtenir, mais aujourd’hui on dispose de telles bases et il y a certainement matière pour renouveler la recherche dans le champs. Ceci dit le travail empirique n’est pas le seul chemin  pour saisir cette dynamique. La simulation peut être un excellent moyen de la comprendre. En voici une esquisse.

Revenons au modèle de la satisfaction. L’élément principal réside dans la notion de confirmation : si les attentes (At) sont supérieures à la qualité perçue (Qt), un effet négatif de cette différence joue sur la satisfaction (St). Peut s’y ajouter une certaine inertie de la satisfaction, et des éléments aléatoires (humeurs, situation, mesure…). Cela se modélise aisément par

S(t)=αA(t)-Q(t)) +βS(t-1)+ε(t)

Les attentes sont certainement déterminées par leur état antérieur (inertie) et le niveau de satisfaction éprouvé précédemment (plus on est satisfait et plus les attentes sont augmentées) :

At=φA(t-1) + δS(t-1) +μ(t)

De même la qualité perçue dépend du jugement précédent de qualité (inertie), de l’état de satisfaction précédent et de la politique de qualité de l’entreprise qu’on représente par Kt..

Q(t) =θQ(t-1)+γS(t-1) + K(t) +ν(t)

En itérant les équations dans le temps, et en répétant ces itérations un grands nombre de fois on peut étudier par une méthode de Monte-Carlo le comportement de ce systèmes et surtout des perturbations qui peuvent lui être apportés. C’est ce que nous avons fait. Mon ami et collègue Amine Benabi a donc mis celui en musique sous r (cette version est encore sommaire, le modèle n’a pas été calibré. Elle est consultable sur demande) . En voici le résultat d’une première formalisation où nous suivons la dynamique sur 300 périodes, le processus ayant été répété 1000 fois. Chaque courbe représente la moyenne des 1000 simulations.

satisfaction

Dans l’initiation du processus, on a pris volontairement une valeur très élevée des attentes au regard de la qualité perçue, on s’aperçoit que très rapidement un réajustement s’opère : les niveaux de satisfaction et de qualité perçue se confondant, ce qui va d’ailleurs dans le sens de cette vieille argumentation à l’égard de la satisfaction dans les services qui considèrent qu’on peut difficilement les distinguer et justifie le modèle Servqual.

A l’itération 100, nous avons « choquer » le modèle en introduisant une réduction brutale des attentes. Un tel phénomène est ce que free a produit en se lançant dans le marché du mobile avec une offre a petit prix, produisant chez les consommateurs une modification sensible de leur niveau d’attente en terme de qualité de service, dans les mois qui ont suivi d’ailleurs la marque s’est retrouvée avec un niveau de satisfaction plus élevé que ses concurrents, et c’est bien ce que l’on retrouve : un rebond de la qualité/satisfaction perçue.

Mais à long-terme on s’aperçoit que le niveau de disconfirmation retrouve son niveau et fluctue très faiblement. Les oscillations des autres indicateurs par la suite traduisent une marche au hasard, qui résultent des éléments aléatoires introduit dans le modèle.

On peut regarder de plus près ce qui se passe au moment de la perturbation en examinant la distribution de l’indicateur de satisfaction au travers des 1000 essais. On s’aperçoit que le changement du niveau d’attente produit une élévation du niveau de satisfaction, mais aussi un accroissement de sa variabilité! Avec le temps l’adaptation joue non seulement dans le sens d’une réduction de la satisfaction, mais aussi avec une réduction de la variance de la satisfaction.

boxplot satisfaction

Il faudrait naturellement systématiser l’analyse, en formulant d’abord un modèle réaliste, au moins dans ses paramètres ( dont on retrouvera aisément des valeurs plausible dans la littérature et en multipliant les expériences de  » choc »), mais aussi dans la définition des variables ( par exemple on ne tient pas compte des aspects normatifs de l’attente : elle dépend aussi des attentes des autres!) . Mais cette illustration suffit à confirmer que l’analyse de la dynamique rend compte d’une certaine stationnarité de la satisfaction. Ceci a des conséquences en terme de barométrie :

  • c’est sur les impacts à court terme qu’il faut centrer l’attention. Les variations de satisfaction ont de sens que consécutives à une action donnée. Il faut se concentrer sur l’impact des événements plus que sur la trajectoire générale.
  • La satisfaction doit être comparée à des référents. Se dégrade-t-elle par une élévation trop rapide des attentes ou par une amélioration insuffisante du sentiment de qualité ?
  • Ce mécanisme jouant à l’échelle du secteur, ce sont les différences relatives entre les concurrents qui sont les plus significatives. Encore faut-il savoir si de l’un à l’autre le paramètrage est identique! Certaines marques peuvent ainsi connaitre des niveaux d’inertie plus forte que les autres.

Plus profondément cela mène à réfléchir aux conditions d’une stratégie centrée sur la satisfaction. L’amélioration continue, stimulée par l’innovation concurrentielle risque de buter sur des attentes croissantes. La seule issue est une disruption : si en repensant l’offre, le modèle d’attente change qualitativement. C’est ce qui se passe ici  où l’on représente les conséquences d’une baisse brutale du niveau d’attente (car il prend une nouvelle forme qualitative). Dans les périodes suivantes la satisfaction se remet à croître jusqu’à ce que la « malédiction » reprenne le dessus. Le modèle de gestion de la satisfaction pourrait ainsi ne pas être simplement progressif, il demanderait des ruptures régulières passant sans doute par des changements de convention d’attentes et de qualité.

Reste sur le plan théorique à mieux comprendre les ressorts psychologiques de ces phénomènes d’adapation. Et sur ce plan on est pas démuni comme la contribution de Martin-Krumm, Lyubomirsky et Nelson le démontre. Le modèle de l’Adaptation Hédonique aux Evenements positifs et négatifs (HAPNE) du courant de la psychologie positive, peut nous amener à mieux comprendre les processus à l’oeuvre, et à répondre à cette question de méthode que Christian Barbaray m’a posé il y a quelques semaines : comment relier des mesures de satisfaction à chaud, associée à des événements particulier, à la mesure baromètre, à froid, de ce qu’on appele ordinairement satisfaction cumulée.

Je ne résiste pas à reproduire ici un des schémas du chapitre pré-cité ( il y en a un autre pour le domaine négatif, voir le texte ) :

HAPNE positif

On y retrouvera l’hypothèse que nous avons testée par simulation et quelques autres pistes d’actions : l’augmentation des émotions positives qui correspond à certaines pratiques de l’expérience client,  la production d’événement surprenants et variés (et voilà qui donne une bonne explication à l’activité incessante et créative d’une marque comme coca-cola), ou aux tactiques visant à mettre en valeur les changement.

Et l’on sera tenté de se dire que finalement le maintien et l’accroissement de la satisfaction n’est pas tant que question de répondre aux attentes, mais comme les vieilles star du rock savent le faire, de mettre en scène continuellement les variations d’un même motif, et que plutôt qu’une innovation en profondeur, ce dont les marques ont besoin n’est peut-être simplement que d’inventer de nouvelles soupes dans de vieux pots.

Quelques références

  • Martin-Krumm, Lyubomirsky et Nelson (2012) « Psychologie positive et adaptation : quelle contribution? » in Psychologie de l’adaptation – direction de : Cyril Tarquinio, Elisabeth Spitz, De Boeck Supérieur
  • Homburg, C., Koschate, N. & Hoyer, W.D., 2006. The Role of Cognition and Affect in the Formation of Customer Satisfaction: A Dynamic Perspective. Journal of Marketing, 70(3), p.21–31.
  • Bruhn, M. & Frommeyer, A., 2004. Development of Relationship Marketing Constructs Over Time Antecedents and Consquences of Customer Satisfaction in a Business-to-Business Environment. Journal of Relationship Marketing, 3(4), p.61.
  • LaBarbera, Priscilla A., and David Mazursky.1983. « A Longitudinal Assessment of Consumer Satisfaction/Dissatisfaction: The Dynamic Aspect of the Cognitive Process. » Journal Of Marketing Research (JMR) 20, no. 4: 393-404.

Analyse conjointe avec r

VinblancL’analyse conjointe est sans doute la méthode la plus spécifique du marketing, même s’il semble qu’elle soit un peu négligée de nos jours alors même que l’environnement digital en permettrait un renouveau. Dans cette note nous nous contenterons de présenter pas à pas, son application via le package Conjoint sur r , développé par Andrzej Bak et Tomasz Bartlomowicz.

Pour plus de détails sur la méthode elle-même on jettera un coup d’oeil en fin de post à une bien vieille note écrite avec Jean-claude Liquet, imparfaite mais utile au moins pour les étudiants. Pour un état de l’art récent on ira voir ce texte , pour des applications professionnelles on ira voir le site de Sawtooth.

L’exemple que nous utilisons est un jeu de donnée crée par une des étudiante du Master MOI, dans le but de tester le rôle de certain signes de qualité dans le choix d’un vin. La première étape de l’analyse conjointe consiste à choisir des attributs que l’on pense déterminant et à définir leur modalités. La seconde étape vise à générer des concepts à partir de ces attributs. Comme le nombre de combinaison devient rapidement important, on utilise généralement des méthodes de plan d’expérience incomplets ( toutes les combinaisons ne sont pas testées, et orthogonaux ( on s’arrange pour que les modalités apparaissent de manière équilibrée et non corrélées entres elle).

La procédure ici est très simple : on appele le package « conjoint », pis on créé le fichier vin qui va contenir les différents concept en définition les attributs ( variables : type, pays…) et leurs modalités (« doux, « demi-sec »,…). Le plan factoriel est défini par la commande caFactorialDesign avec ici deux options : le choix de l’option  » fractional », et une limite dans le nombre de concept que l’on a fixé à 13.


library (conjoint)
library (Rcmdr)
Vin<-expand.grid(
Type<-c(« Doux », »demi-sec », »sec »),
Pays<-c(« Bourgogne », »Bordeaux », »Italie-Nord », »Afrique du Sud »),
Marque<-c(« Millessima », »1jour1vin », »Nicolas »),
Prix<-c(« 7€ », »12€ », »20€ »),
Label<-c(« Médaille d’or « , »NC »),
Environ<-c(« Bio », »NC »),
Annee<-c(« 2014 », « 2011 »))
design_vin<-caFactorialDesign(data=Vin,type= »fractional »,cards=13)

Le résultat est obtenu avec

print(design_vin)

le voici :

        Var1           Var2       Var3 Var4           Var5 Var6 Var7
49      Doux      Bourgogne  1jour1vin  12€ Médaille d'or   Bio 2014
81       sec    Italie-Nord Millessima  20€ Médaille d'or   Bio 2014
95  demi-sec Afrique du Sud  1jour1vin  20€ Médaille d'or   Bio 2014
176 demi-sec    Italie-Nord    Nicolas  12€             NC  Bio 2014
208     Doux       Bordeaux    Nicolas  20€             NC  Bio 2014
221 demi-sec       Bordeaux Millessima   7€ Médaille d'or    NC 2014
360      sec Afrique du Sud    Nicolas   7€             NC   NC 2014
458 demi-sec      Bourgogne    Nicolas   7€ Médaille d'or   Bio 2011
558      sec       Bordeaux  1jour1vin   7€             NC  Bio 2011
586     Doux Afrique du Sud Millessima  12€             NC  Bio 2011
667     Doux    Italie-Nord  1jour1vin   7€ Médaille d'or    NC 2011
714      sec       Bordeaux    Nicolas  12€ Médaille d'or    NC 2011
842 demi-sec      Bourgogne  1jour1vin  20€             NC   NC 2011

Parmi les 3x4x2x3x2x2=288 concept possibles seuls 13 ont été choisis. Est-ce trop peu? Un moyen de tester celà est de calculer les corrélations entre les modalités. C’est une fonction offerte par le package :

design_vin2<-caEncodedDesign(design_vin)
print(cor(design_vin2))

En voici le résultat, et c’est entre la var 7 et 4 qu’on encourage la corrélation la plus forte. Dans la pratique on fait différent essais pour trouver le meilleur compromis. Dans notre exemple on se satisfera de cette solution.

Var1 Var2 Var3 Var4 Var5 Var6
Var1 1.0000000 0.15304713 0.10586263 -0.10586263 0.17593289 -0.17593289
Var2 0.1530471 1.00000000 -0.11216750 0.11216750 0.17605477 0.04142465

Var3 0.1058626 -0.11216750 1.00000000 0.23275862 0.08596024 0.08596024
Var4 -0.1058626 0.11216750 0.23275862 1.00000000 -0.08596024 -0.08596024
Var5 0.1759329 0.17605477 0.08596024 -0.08596024 1.00000000 0.07142857
Var6 -0.1759329 0.04142465 0.08596024 -0.08596024 0.07142857 1.00000000
Var7 0.1759329 -0.04142465 -0.08596024 -0.28653413 0.23809524 -0.07142857

La troisième étape est celle de la collecte d’information. On essaiera de donner plus de réalisme en proposant les concepts sous formes d’image (celle qui illustre le post en est un exemple) ou encore mieux sous la forme de maquette. Quant au nombre de sujet, une remarque importante est qu’il n’a pas de limite inférieure pour la raison simple que le modèle est calculé individu par individu : ce que l’on cherche c’est naturellement à prédire le classement des concepts à partir des profils, et cela individu par individu. Naturellement les conditions d’échantillonnage habituelles interviennent si l’on veut généraliser à une population, si l’on veut segmenter ou faire des comparaisons entre des groupes d’individus particulier. Dans notre exemple on se contente de 36 individus, c’est largement insuffisant pour généraliser, mais bien assez pour les vertus de l’exemple.

Le fichier de données recueillis par notre étudiante apparait sous la forme suivante : C1, C2,… représente le premier puis le second choix etc. Nous allons devoir le remettre en ordre pour qu’il puisse être traité.

ID SEXE C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13
1 1 homme 52 458 584 105 627 654 311 775 514 120 424 253 828
2 2 femme 105 775 52 458 828 654 253 311 627 120 584 514 424
3 3 homme 52 514 105 627 253 654 120 311 458 584 424 828 775
4 4 homme 52 584 105 627 775 654 120 311 458 514 424 253 828
….

L’ordre requis par le package est un fichier « long » qui énumère les individus, les concepts dans leur ordre de production, et le classement de ces concepts. Une petite manipulation doit être donc excecutée avec une fonction très utile de r : la fonction  » reshape » :

MemoireVin_rank3 <- reshape(MemoireVin_rank2, varying=list(c(« C1″, »C2″, »C3″, »C4″, »C5″, »C6″, »C7″
, »C8″, »C9″, »C10″, »C11″, »C12″, »C13 »)), idvar = « ID », v.names= »concept »,direction = « long »)

 

On trie le fichier ensuite avec

MemoireVin_rank4<-MemoireVin_rank3[order(MemoireVin_rank3[,4],decreasing=F),]
MemoireVin_rank4<-MemoireVin_rank4[order(MemoireVin_rank4[,1],decreasing=F),]

 

et l’on crée un fichier de label pour l’esthétique:

l’analyse conjointe proprement dite peut être exécutée avec la simple commande :

Conjoint(MemoireVin_rank4$concept,design_vin2,label)

 

qui produit les résultats principaux suivants: c’est à dire les utilités partielles ( path-worth) et le poids des attributs (on omet le modèle de régression et les tests associés qui sont redondants)

Residual standard error: 3,448 on 442 degrees of freedom
Multiple R-squared: 0,175, Adjusted R-squared: 0,1526
F-statistic: 7,811 on 12 and 442 DF, p-value: 2,991e-13
[1] « Part worths (utilities) of levels (model parameters for whole sample): »
levnms utls
1 intercept 7,3099
2 Doux 0,1999
3 demi-sec 0,8055
4 sec -1,0054
5 Bourgogne -0,9406
6 Bordeaux 0,5748
7 Italie-No -0,1933
8 AfriqueSud 0,5591
9 Millessima 0,5693
10 1jour1vin-0,9083
11 Nicolas 0,3389
12 7€ -0,901
13 12€ -0,6254
14 20€ 1,5264
15 Médaillor-0,0999
16 NC 0,0999
17 Bio -0,7956
18 NC 0,7956
19 2014 -0,8828
20 2011 0,8828
[1] « Average importance of factors (attributes): »
[1] 17,58 18,68 14,39 20,87 8,40 10,53 9,54

 

On notera d’emblée u r2 proche de 17,5%, ce qui signifie que l’on reconstitue imparfaitement les préférences mais de manière significative : le test d’analyse de variance l’est à moins de 1 pour 1000. D’autre facteurs interviennent mais n’ont pas été pris en compte : forme de la bouteille, étiquette, Chateau etc. Les path-worth représente le gain en terme de rang qui est obtenus : les valeurs négative signifie simplement qu’on améliore le classement avec la présence de la modalité. Par conséquent le profil préféré est un vin sec, de type bourgogne, vendu par 1j1vin à 7 euros, bio et ayant reçu  une médaille, et plutôt jeune. On s’aperçoit que le prix pèse vous 21% suivi par l’origine et le type de vin, la médaille et le millésime comptant pour peu.

La commande produit aussi de manière automatique les graphiques de profil d’utilité correspondants :

Poursuivons la procédure. Ces résultats généraux sont une chose, mais on souhaite avoir des résultats plus individualisés. Les commandes suivantes nous permettent de générer un fichier des utilités individuelles :

upartial<-caPartUtilities(MemoireVin_rank4$concept,design_vin2,label)
newData <- as.data.frame(upartial)
newData
names(newData) <- make.names(names(newData))

L’analyse conjointe à ce stade est achevée et nous pouvons en exploiter les résultats. A titre d’exemple on peut s’interroger sur le poids des attributs dont on se dit qu’ils peuvent varier selon le degré d’expertise des consommateurs. Pour vérifier cette proposition, il va falloir d’abord transformer les utilités des modalités en importance des attributs. La formule générale est simplement Wk = abs(Min(ki)-Max(ki)/ somme(abs(Min(ki)-Max(ki)), k représente l’attribut, i les modalités des attributs. Le code est simple même si un peu lourd.

#calcul des importances

MemoireVin_rank$x_type<-abs(MemoireVin_rank$Doux-MemoireVin_rank$sec)
MemoireVin_rank$x_Origine<-abs(MemoireVin_rank$Bourgogne-MemoireVin_rank$Afrique.du.Sud)
MemoireVin_rank$x_Enseigne<-abs(MemoireVin_rank$Millessima-MemoireVin_rank$Nicolas)
MemoireVin_rank$x_Prix<-abs(MemoireVin_rank$X7.-MemoireVin_rank$X20.)
MemoireVin_rank$x_Medaille<-abs(MemoireVin_rank$Médaille.d.or-MemoireVin_rank$NC)
MemoireVin_rank$x_Bio<-abs(MemoireVin_rank$Bio-MemoireVin_rank$NC)
MemoireVin_rank$x_Millessime<-abs(MemoireVin_rank$X2014-MemoireVin_rank$X2011)
MemoireVin_rank$x=MemoireVin_rank$x_type+MemoireVin_rank$x_Origine+MemoireVin_rank$x_Enseigne+MemoireVin_rank$x_Prix+MemoireVin_rank$x_Medaille+MemoireVin_rank$x_Bio+MemoireVin_rank$x_MillessimeMemoireVin_rank$x_type<-MemoireVin_rank$x_type/MemoireVin_rank$x
MemoireVin_rank$x_Origine<-MemoireVin_rank$x_Origine/MemoireVin_rank$x
MemoireVin_rank$x_Enseigne<-MemoireVin_rank$x_Enseigne/MemoireVin_rank$x
MemoireVin_rank$x_Prix<-MemoireVin_rank$x_Prix/MemoireVin_rank$x
MemoireVin_rank$x_Medaille<-MemoireVin_rank$x_Medaille/MemoireVin_rank$x
MemoireVin_rank$x_Bio<-MemoireVin_rank$x_Bio/MemoireVin_rank$x
MemoireVin_rank$x_Millessime<-MemoireVin_rank$x_Millessime/MemoireVin_rank$x

En voici les résultats réalisé avec la commande plotMeans du package Rcmdr (la fonction x11() permet d’ajouter les graphiques), on s’apercevra que ceux qui se sentent experts donne un poids plus important au caractère bio et au prix, tandis que les novices accordent plus d’attention à la médaille, au millésime et à l’origine, alors que ceux qui se sentent un degré modéré d’expertise favorisent l’enseigne et le type de vin. Sans aller plus loin dans l’analyse on obtient un résultat général clair : on n’utilise pas les mêmes critères selon le niveau d’expertise, ce qui est assez logique. On laissera au lecteur le soin d’aller plus loin.


x11()
plotMeans(MemoireVin_rank$x_type, MemoireVin_rank$EXPERTISE_PERCUE, error.bars= »none »,xlab= »Connaissance »,main= »Type »,cex.lab=1)
x11()
plotMeans(MemoireVin_rank$x_Origine, MemoireVin_rank$EXPERTISE_PERCUE, error.bars= »none »,xlab= »Connaissance « ,main= »Origine »,cex.lab=1)
x(11)
plotMeans(MemoireVin_rank$x_Enseigne, MemoireVin_rank$EXPERTISE_PERCUE, error.bars= »none »,xlab= »Connaissances « ,main= »ENseigneG »,cex.lab=1)
x11()
plotMeans(MemoireVin_rank$x_Medaille, MemoireVin_rank$EXPERTISE_PERCUE, error.bars= »none »,xlab= »Connaissances « ,main= »Medaille »,cex.lab=1)
x11()
plotMeans(MemoireVin_rank$x_Bio, MemoireVin_rank$EXPERTISE_PERCUE, error.bars= »none »,xlab= »Connaissances « ,main= »BIO »,cex.lab=1)
x11()
plotMeans(MemoireVin_rank$x_Millessime, MemoireVin_rank$EXPERTISE_PERCUE, error.bars= »none »,xlab= »Connaissances « ,main= »Millessime »,cex.lab=1)
x11()
plotMeans(MemoireVin_rank$x_Prix, MemoireVin_rank$EXPERTISE_PERCUE, error.bars= »none »,xlab= »Connaissances « ,main= »Prix »,cex.lab=1)

Généralement on cherchera à segmenter notamment pour identifier les groupes de consommateurs qui partagent les mêmes attentes. Ici on emploie les fonctions d’analyse hierarchique ( méthode de ward) fourni par l’interface graphique Rcmdr qui a déja été appelée, en choisissant la solution à trois groupes et en l’illustrant par le biplot. le code correspondant est le suivant ( mais en fait on s’est contenté d’utiliser le menu)


HClust.1 <- hclust(dist(model.matrix(~-1 + x_Bio+x_Enseigne+x_Medaille+x_Millessime+x_Origine+x_Prix+x_type, MemoireVin_rank)) , method= "ward") plot(HClust.1, main= "Cluster Dendrogram for Solution HClust.1", xlab= "Observation Number in Data Set MemoireVin_rank", sub="Method=ward; Distance=euclidian") summary(as.factor(cutree(HClust.1, k = 3))) # Cluster Sizes by(model.matrix(~-1 + x_Bio + x_Enseigne + x_Medaille + x_Millessime + x_Origine + x_Prix + x_type, MemoireVin_rank), as.factor(cutree(HClust.1, k = 3)), colMeans) # Cluster Centroids biplot(princomp(model.matrix(~-1 + x_Bio + x_Enseigne + x_Medaille + x_Millessime + x_Origine + x_Prix + x_type, MemoireVin_rank)), xlabs = as.character(cutree(HClust.1, k = 3)))

les profils apparaissent dans le tableau : le groupe 1 donne plus de poids à l’origine et au type, le groupe 2 à l’enseigne et au caractère bio, le groupe 3 au prix et au millesime. O peux penser que le premier favorise les goûts de l’individu, le second le style d’achat, et le troisième un certain rapport qualité/prix. On retrouve ainsi ce grand classique des avantages recherchés!


INDICES: 1
x_Bio x_Enseigne x_Medaille x_Millessime x_Origine x_Prix
0.07147493 0.10822056 0.09169431 0.11697915 0.22503436 0.19621573
x_type
0.19038097
————————————————————
INDICES: 2
x_Bio x_Enseigne x_Medaille x_Millessime x_Origine x_Prix
0.17373411 0.19015292 0.15400115 0.05344901 0.07003827 0.16861833
x_type
0.19000620
————————————————————
INDICES: 3
x_Bio x_Enseigne x_Medaille x_Millessime x_Origine x_Prix
0.07657425 0.13635953 0.12456815 0.29134291 0.04337232 0.25255357
x_type
0.07522927

 

 

 

Mobile In Store : ça dépend du shopping style

14930205588_38c71f399f_oLes enquêtes se succèdent et semblent confirmer l’intérêt des consommateurs pour l’utilisation en magasin du digital et avant tout de leur smartphone. Une de nos étudiantes du master Marketing de Paris Ouest, Joanna Stroz, s’est intéressée à la question dans un mémoire qu’elle soutiendra bientôt au travers d’une enquête (n=330) dans le domaine de la parfumerie. On trouvera son questionnaire ici (n’hésitez pas à y répondre!).

UsageMobileLes questions principales sont relatives à l’intérêt accordé à une dizaine de services ( recevoir des informations sur les évènements en magasins, recevoir des conseils personnalisé via le smartphone etc…). Les résultats enregistrés par une échelle d’intérêt allant de 1 à 7, sont résumés dans le graphique ci-contre.  Recevoir un conseil personnalisé recueille un score d’intérêt très moyen (3,5), l’échange de point de fidélité et l’obtention de coupon entraine une forte adhésion.

Au fond le digital ne change pas grand chose : les consommateurs veulent d’abord des avantages pécuniaires et si c’est plus facile par le mobile tant mieux. Si l’on compare les hommes et les femmes, quelques petites différences apparaissent : les femmes cherchent les avantages monétaire plus que les hommes, tandis que ceux-ci expriment un intérêt plus fort pour le paiement via le smartphone ou être mieux orientés par la géolocalisation.

Mais dans cette étude le plus important n’est pas là, il réside dans les causes probables qui rendent chacune de ces applications intéressantes. Parmi ces causes un petit nombre a été étudié de plus prêt. D’abord des variables générales telles que la tendance à adopter la nouveauté ( innovativité), le degré d’implication dans la catégorie de produit, l’inquiétude que l’on témoigne à l’égard de ce qu’on fait de nos données ( Privacy Concern) et enfin le degré d’expérience digitale.

Ensuite des variables qui décrivent les  orientations d’achat des consommateur : faire des économie en profitant des promos et bonnes affaires, la tendance à planifier ses achats, le plaisir tiré à découvrir et à fouiner dans les rayon ( hédonisme), le fait de s’appuyer sur les marque et la fidélité au magasin, et la reconnaissance souhaitée dans le point de vente. Pour évaluer l’importance de ces variables on a simplement chercher à expliquer l’influence de ces dernières sur le score d’intérêt, par des régressions multiples ( une par application). Les résultats détaillés apparaissent dans le tableau suivant que nous analysons ensuite.

regressions2

Les faits principaux que l’on peut identifier sont les suivants :

  1. l’expérience en matière digitale n’ aucun impact, aucun des coefficients de régression n’est significatif, sauf pour les conseils personnels : conseiller les clients via le smartphone n’a d’intérêt que pour les geek!
  2. L’implication pour la parfumerie est un déterminant très significatif pour la plupart des applications, sauf pour le paiement. Le web In store concerne donc d’abord les fans de la cosmétiques.
  3. La tendance à adopter de nouveaux produits, ou de nouvelles manières d’acheter a un effet contrasté : il joue pour le conseil, le paiment, les QR code et la geolocalisation. On retrouve le côté geek, et c’est à se demander si ce n’est pas le fait d’hommes qui s’ennuient dans ce type de magasin, l’usage du smartphone palliant le désintérêt pour la boutique.
  4. La privacy a aussi un effet contrasté et négatif comme attendu. Il joue sur les aspects qui implique le plus d’intimité
  5. Quand aux orientation d’achat c’est un tableau très nuancé qui apparait et démontre que l’usage du smartphone est étroitement liés aux stratégies de consommation.
    • La recherche d’économie n’a quasiment aucun impact sur l’usage d’appli In store, sauf recevoir des coupons.
    • La recherche de variété et le plaisir de la découverte (hédonisme) est le facteur qui a un impact sur la plus grande variété d’applications, ce qui est peu étonnant : ceux qui cherche du divertissement dans l’acte d’achat en cherche autant dans les produits que dans le shopping lui-même. Le smartphone est un jouet.
    • La tendance à planifier les achats a peu d’impact ou alors négatif : c’est le cas des jeux et concours et celui des alertes sur la disponibilité des produits. L’acheteur organisé n’aime pas les prothèses numériques!
    • Quant à ceux qui sont attachés aux marques et vont toujours dans le même point de ventes, ce qui traduit une sorte d’achat ritualisé ( plus que de la fidélité), vont être plus intéressés aux applis qui leurs procurent des avantages consistant. Le smartphone optimiserait leur rituel!
    • Pour finir, plus on tend à souhaiter être reconnu plus on sera intéressé par les alertes produits où les évènements, l’impact étant nul pour les autres orientations.

Les enseignements sont assez clairs. Le premier est que la notion d’intérêt pour le « Web In store » n’a pas de sens en général. L’intérêt pour les applications digitales dépend d’abord de la manière dont on fait ses courses, et de comment les appareils fournis permettent au consommateurs d’atteindre les buts qu’il se fixe.

Le second est que le driver principal de l’adoption de béquille digitale pour le shopping dépend principalement de l’intérêt que l’on a dans la catégorie de produit, et non pas de la familiarité que l’on a avec les outils. Cela conduit à la réflexion suivante : le digital n’est pas une solution pour le consommateur, mais d’abord un cout. Les consommateurs le supporte dans la mesure où il est un investissement qui rapporte en lui permettant d’atteindre ses buts et qu’il est suffisamment motiver pour les atteindre.

Le troisième est une idée récurrente : la question des données est finalement assez secondaire pour les consommateurs, sauf s’il ne sont pas impliqués dans la catégorie de produit.

Et s’il fallait conclure sur quelques recommandations, la principale est de rappeler que l’expérience du consommateur n’est pas dans les objets techniques et leur usage, mais dans ce qu’ils recherchent lorsqu’il font leur courses (économie, rituel, divertissement, reconnaissance ou optimisation) . Ceux qui s’équiperont sont ceux qui se sentent concernés par la catégorie de produit, et ils le feront en piquant parmi les applis celles qui leurs permettent d’atteindre leur but. L’ expérience est définie par ces buts et non par la technologie.

MAJ 18 novembre 2015 : Joanna Stroz a remporté le Trophée des Etudes dans la catégorie du Meilleur mémoire de M2. On peut le lire en intégralité ici.

 

 

Atelier doctoral EOS : introduction à r pour la recherche en sciences sociales

8632719561_1f29ac3359_zL’objectif de l’atelier est la prise en main de r au travers de l’interface graphique Rcmdr et de Rstudio. Découverte de la communauté R et de ses ressources en 4 séances de 3 heures et 4 problématiques.
Public visé et pré requis : doctorants et autres chercheurs. Connaissance des tests statistiques et autres statistiques élémentaires.
Calendrier de la formation (période de l’année): mardi  5 juillet 14h 18h et mercredi 6 juillet 9h-13h 14h-18h
Lieu : UPOND (bât .A 3ème étage 304)
Inscription : envoyer un CV à Christophe Benavent avant le  28 juin 2016
Programme et durée : 12 heures
S1 : l’environnement r: communauté, packages, langage et prise en main. Vers une recherche reproductible.
S2 : régression avec r: des MCOs au modèle linéaire généralisé (logit, poisson, et autres régression ordinales)
S3 : analyses factorielles, échelles et équations structurelles avec PSYCH et LAVAAN
S4 :analyse lexicale avec R.Temis.
Modalité(s) d’évaluation envisagée(s): étude de cas
PS : un cours similaire est donné dans le cadre du Master Management de l’innovation GDO/MOPP.