Le positionnement par l’analyse de données

1. Le positionnement par l’analyse de données P. Legrand - 2014

2. Introduction Master en Management en Temps Partagé - 2014

3. Introduction Lepositionnement est le choix d'attributs procurant à des offres (produits, marques ou enseignes) une position crédible, différente et attrayante au sein d’un marché et dans l’esprit des clients. Un positionnement est un choix et à ce titre, c’est l’inverse d’une approche « attrape-tout » qui est peu performante dans un marché concurrentiel. (Mercator, 8ème édition) Master en Management en Temps Partagé - 2014

4. Introduction Lepositionnementpermet donc d’identifier le produit / la marque dans la perception du consommateur en mettant en évidence ses différences par rapport aux concurrents. C’est la place occupée dans l’esprit du consommateur ; il faut donc se distinguer des concurrents tout en correspondant aux attentes de la cible visée. Master en Management en Temps Partagé - 2014

5. Introduction Décider du positionnement : enquête clients • Perception des clients du produitet de ses « concurrents » • via différentes dimensions • Image du produit • Usage du produit • Prix du produit • …. • Des données sur le client (genre, âge, …) Master en Management en Temps Partagé - 2014

6. Introduction Objectif du positionnement : construire une carte perceptuelle (idéalement en 2D) Soit, résumer sur deux dimensions les différentes dimensions d’analyse Etude sur la consommation de denrées de base en fonction de CSP(1972) Master en Management en Temps Partagé - 2014

7. Préliminaires

8. Le flux Master en Management en Temps Partagé - 2014

9. Etapes préliminaires • Codage des données : coder sous forme informatique les réponses données • Nettoyage des données : suppression des données aberrantes • Ajustement statistique des données (centrées, normées, normées et centrées) Master en Management en Temps Partagé - 2014

10. codage des données Comment coder le genre ? Master en Management en Temps Partagé - 2014

11. Classification des techniques quantitatives • Techniques uni-variées • Vérifier la conformité de la distribution d’une variable • Techniques bi-variées • Test de la corrélation : entre deux variable numériques« Le panier moyen est il en lien avec l’âge du client ? » • Test de Khi-deux : entre deux variables catégorielles« Y a-t-il un lien entre l’article acheté et le genre ? » • Test de moyenne : « Le nombre moyen d’achats des femmes diffère-t-il de celui des hommes ? » Master en Management en Temps Partagé - 2014

12. Classification des techniques quantitatives • Techniques multi-variées • Méthodes explicatives: régression… « Le montant d’achat est-il expliqué par l’âge, le salaire le nombre d’enfants, le genre… » • … • Méthodes descriptives: • MDS (analyse multidimensionnelle des similarités) • Analyses factorielles : • AFC • ACP (Analyse en Composantes Principales) • ... Master en Management en Temps Partagé - 2014

13. Taxinomie des traitements de données Source : Stéphane Tuffery, « Data Mining et statistique décisionnelle », ed. Technip Master en Management en Temps Partagé - 2014

14. Techniques d’identification des positions perceptuelles Deux grandes méthodes sont employées : • Analyse des similarités perceptuelles entre les marques du secteur : comparaison de « produits » pour différentes dimensions • Positionnement par les attributsde la marque : appréciation des produits pour différentes dimensions Master en Management en Temps Partagé - 2014

15. Analyse des similarités perceptuelles entre les marques du secteur L’individu compare les marques en terme de différences selon des critères qu’on ne lui demande pas de verbaliser : • non-Metric MDS = paires de marques classées par ordre de similarité décroissante (Mesure ordinale) • Metric MDS = évaluation des paires sur une échelle unipolaire du type Likert ( extrêmement similaires pas du tout similaires) Master en Management en Temps Partagé - 2014

16. Positionnement par les attributs de la marque Identifier un petit nombre de dimensions latentes structurant un ensemble de données mesurées au niveau catégoriel. • ACP : résumer les attributs même avec légère perte d’information (tableau individus X variables) • AFC Simple = tableau de contingence à double entrée (tri-croisés sur 2 variables), après le choix de deux attributs considérés comme essentiels par les consommateurs du ou des segment(s) considérés. • AFC Multiple = tableaux de contingence à plus de 2 variables (cas le plus fréquent) ex : attributs de produits (couleur, matière, vitesse, ….). Master en Management en Temps Partagé - 2014

17. Construction d’une carte perceptuelle Positionnement par SIMILARITÉ

18. Analyse multidimensionnelle des similarités (MDS)Exemple questionnaire et carte perceptuelles MDS Questionnaire MDS simple Questionnaire MDS multiple + Évaluation des marques sur caractéristiques pertinentes : Ex 1 : La C4 est une marque de qualité ( 1 : pas du tout d’accord à 7 : tout à fait d’accord) EX2 : LA C4 a une bonne image (1 à 7 degré d’accord) Master en Management en Temps Partagé - 2014

19. Analyse multidimensionnelle des similarités (MDS) • Objectif : représentation graphique des perceptions et préférences des individus au moyen de dispositifs visuels • Exemple : Positionnement multidimensionnel des produits et critères d’achat Source : http://www.escp-eap.net/conferences/marketing/pdf_2003/fr/arts_chiss_guillon.pdf Master en Management en Temps Partagé - 2014

20. Conclusion • L’analyse des similarités ne montre que les différences perceptuelles entre les marques mais pas la distance concurrentielle entre marques Master en Management en Temps Partagé - 2014

21. Construction d’une carte perceptuelle Positionnement par Attributs

22. Analyse factorielle: Analyse Factorielle des Correspondances (A.F.C.) • Analyse des individus à travers deux variables qualitatives • Représentation graphique des individus • Analyse et représentation de tris croisés • Utilisation du test 2 d’indépendance. Master en Management en Temps Partagé - 2014

23. Analyse factorielle: Analyse Factorielle des Correspondances (A.F.C.) Un exemple : Ce tableau décrit les habitudes de consommation de tabac pour des hommes et femmes mineurs et majeurs départ: tableau croisé de 2 variables issues de l’enquête Master en Management en Temps Partagé - 2014

24. Analyse factorielle: Analyse Factorielle des Correspondances (A.F.C.) L’AFC permet de représenter graphiquement sur un même plan ce tri croisé et ainsi de visualiser les liens entre variables Master en Management en Temps Partagé - 2014

25. Analyse factorielle: Analyse en Composantes Principales Objectifs : • exploration des liaisons existantes entre les variables • sélection des variables les plus pertinentes et réduction du nombre de variables appréhendées • Représentation graphique des données : une visualisation idéalement en deux dimensions (sur deux axes correspondant aux deux FACTEURS PRINCIPAUX) (source: http://www.market-audit.com/pttmarket/pgnew/ab/anl_cp.html) Master en Management en Temps Partagé - 2014

26. Analyse factorielle: Analyse en Composantes Principales Exemple d'utilisation : • Connaître les habitudes alimentaires des différents pays le jour de Noël. On met en évidence l’oppositions entre la Grande Bretagne et la France. (source: http://www.market-audit.com/pttmarket/pgnew/ab/anl_cp.html) Master en Management en Temps Partagé - 2014

27. Analyse en Composantes Principales Master en Management en Temps Partagé - 2014

28. Analyse en Composantes Principalesintuitivement : Quelle photo reflète le mieux la globalité du bâtiment? Master en Management en Temps Partagé - 2014

29. Analyse en Composantes PrincipalesPoint de départ : Analyse graphique : chaque axe représente un attribut … Inconcevable de considérer chaque couple possible d’attributs : si n attributs : n*(n-1)/2 couples Difficilement analysable par l’homme Master en Management en Temps Partagé - 2014

30. Analyse en Composantes PrincipalesObjet de la méthode : ACP vise à résumer l’information (les attributs) : représenter les individus dans un espace à 2 (ou 3) dimensions : • Techniques de projections • Représentation graphique alors possible • Analyse et interprétation facilitées Master en Management en Temps Partagé - 2014

31. Analyse en Composantes PrincipalesDonnées utilisées Une ACP peut être faite : • Sur des données brutes, matrice des données, composée de : • lignes d'individus : des personnes, des entreprises, etc. ; • colonnes de variablesquantitatives : (âge, taille, nombre d'employés, etc.). • Sur des données réduites Master en Management en Temps Partagé - 2014

32. Analyse en Composantes PrincipalesExemple: données brutes Tableau de données brutes : Master en Management en Temps Partagé - 2014

33. Analyse en Composantes PrincipalesExemple: données réduites Tableau réduit : moyenne des notes données Master en Management en Temps Partagé - 2014

34. Analyse en Composantes PrincipalesExemple: données sur le cidre Graphique: Facteurs et attributs Graphique: Facteurs et marques Master en Management en Temps Partagé - 2014

35. 15 Critères de notoriété 10 marques Analyse en Composantes PrincipalesExemples de tableaux de données • Tableau de données groupées • tableau de contingence Les données « facto.sav » Ici 400 consommateurs ont évalués 10 marques sur 15 critères de notoriété; « 5,6 » est la note moyenne en terme de « notoriété » attribuée par les consommateurs au modèle »Série 1 (BMW) » Master en Management en Temps Partagé - 2014

36. Les « 15 Critères de notoriété » seront regroupés en 2 catégories, dits « AXES » 10 marques Analyse en Composantes PrincipalesPrincipe L'ACP, par une réduction des « caractères », permet des représentations géométriques des « marques » et des « groupes de caractères ». Les 10 marques sont représentées sur ces 2 « AXES » L'ACP est une « méthode d'analyse FACTORIELLE » car elle permet la représentation simultanée de plusieurs dimensions à partir de facteurs synthétiques. Master en Management en Temps Partagé - 2014

37. Analyse en Composantes Principales Démarche : Master en Management en Temps Partagé - 2014

38. Traitement des données En pratique! Master en Management en Temps Partagé - 2014

39. Analyse en Composantes PrincipalesApplications : ACP avec SPSS Les données « facto.sav » sont disponibles: « Support de cours » Description: • 400 consommateurs ont évalué 10 marques de voitures sur 15 critères de notoriété ; • le tableau de données « réduites » est fournit. But de l’étude: • Déterminer comment les consommateurs perçoivent les différentes marques, les unes par rapport aux autres Les liens entre variables sont présentés dans la matrice des corrélations Master en Management en Temps Partagé - 2014

40. Les variables (attributs) Les Marques (modèles de voitures) Les « 15 Critères de notoriété » Ici l’onglet “variables” Master en Management en Temps Partagé - 2014

41. Les données Les Marques Les « 15 Critères de notoriété » Ici l’onglet “variables” Master en Management en Temps Partagé - 2014

42. Matrice des corrélations Ouvrez le fichier avec SPSS. Obtenir la Matrice de Corrélation entre les variables étudiées Le coefficient de corrélation traduit la force de la liaison entre deux variables quantitatives : - : Au delà de 0,3 (resp. en dessouc de -0,3) les variables sont considérées comme positivement corrélées (resp. négativement corrélées) Master en Management en Temps Partagé - 2014

43. Matrice des corrélations : interactions Master en Management en Temps Partagé - 2014

44. Matrice des corrélations L’examen des corrélations entre un grand nombre de variables est long et fastidieux voire … impossible. L’analyse factorielle permet d’identifier la “structure simplifiée” des co-variations entre les variables dans la matrice des données. Master en Management en Temps Partagé - 2014

45. Matrice des corrélations L’Analyse en Composantes Principales permet de résumer l’information par des FACTEURS PRINCIPAUX Un Facteur Principal est une combinaison linéaire d’attributs Chaque Facteur Principal traduit donc un ou plusieurs attributs Master en Management en Temps Partagé - 2014

46. Est-ce pertinent de faire une ACP ?le point de vue mathématique • NON : si les variables ne partagent rien en commun ! • Pour vérifier : • Test de Bartlett • H0 = les variables n’ont aucun lien entre elles • C’est un test du Chi2. Si Chi2 calculé > chi2 critique : rejet de H0 • Il faut que la probabilité (significativité) < seuil de rejet (1%, 5% , 10% ) • Indice KMO (Kaiser, Meyer, Olkin) • Etude de la corrélation (partielle) entre 2 variables, qui n’est pas expliquée par l’effet des autres variables • Le KMO doit être le plus grand possible • Acceptable si > 0.5 Master en Management en Temps Partagé - 2014

47. Est-ce pertinent de faire une ACP ?le point de vue pragmatique Si les données sont disponibles : Autant essayer!!! Ce sont des résultats pratiques qui intéressent l’entreprise et non des justifications théoriques ! Master en Management en Temps Partagé - 2014

48. Maintenant : En pratique… Master en Management en Temps Partagé - 2014

49. Application : ACP sur la base de données « facto.sav » sur SPSS • En sélectionnant l’ensemble de 15 attributs, SPPS nous indique que la Matrice de corrélation obtenue (non-positive) ne permet pas d’effectuer les Tests KMO et de Barlett • Ainsi, nous devons choisir parmi les 15 attributs ceux qui permettent d’effectuer ces tests • En effectuant la sélection « manuellement », ce sont les 9 premiers attributs qui permettent d’effectuer les Test KMO et de Barlett Master en Management en Temps Partagé - 2014

50. Application : ACP sur la base de données « facto.sav » sur SPSS Si dans la base « facto.sav » on sélectionne les attributs suivants : H0 est rejetée ! Conclusion : il est possible de faire une ACP Master en Management en Temps Partagé - 2014