iii. Futures recherches

Si nous nous sommes ici intéressés à des choix binaires et aux probabilités qui leur sont liées, c’est parce qu’il s’agit d’une problématique traditionnelle en modélisation marketing. Mais les applications des deuxième et troisième parties de notre méthodologie consistant à catégoriser les individus suivant les valeurs d’une fonction et à appliquer une FANOVA pour mesurer des effets locaux de différents critères sur cette fonction, pourraient s’appliquer à

d’autres cas de figure. Du moment que la fonction à analyser localement, prend des valeurs entre 0 et 1, tout le procédé peut être directement réutilisé. Par exemple si l’on cherche à comprendre la part de capital d’une entreprise dans une filière à l’étranger. Ou encore le taux de déchets triés par un ménage, ou bien son taux d’équipement en électroménager.

Par contre l’idée de cas marginaux ne peut être directement transposée, mais on aura tout de même une décomposition des fonctions de choix pour plusieurs sous-populations définies par rapport à la variable que l’on étudie et dont on obtiendra alors une meilleure compréhension. Ces nouvelles sous-populations constituent donc une nouvelle catégorisation qu’il serait intéressant d’analyser suivant les actions que l’on souhaite mener. Les applications de l’analyse locale sont donc nombreuses et ne se limitent pas aux choix binaires.

Il serait aussi intéressant d’appliquer cette méthodologie plusieurs fois d’affilée à l’aide de données de panels. Ainsi nous pourrions voir si l’activation de certains critères de décision à la marge permet de constater effectivement les transitions.

En réitérant encore plusieurs fois cette analyse sur une série de choix pour les mêmes individus, nous pourrions, au-delà de simples transitions, étudier d’éventuels phénomènes de migrations progressives d’individus en position de cas marginaux, vers des positions de cas extrêmes, et comprendre sous quelles conditions de telles migrations sont possibles. Ces compléments de recherche permettraient enfin de recouper nos résultats avec ceux des recherches antérieures fondées elles, la plupart du temps, sur l’observation de choix individuels répétés dans le temps, comme nous l’avons exposé dans la section B.1.

Conclusion sur la méthode AEL

Malgré l’importance potentielle de l’étude des critères de choix des switchers ou des indécis, peu d’articles avaient jusqu’à présent abordé cette question encore sous-étudiée, peut-être en partie du fait que cette population était considérée comme potentiellement moins rentable que les populations plus stables, dont on cherche à consolider la rétention. Pourtant, ces populations à la marge sont les premières cibles à viser dans une stratégie d’extension de part de marché, et aussi les premières susceptibles d’être conquises par la concurrence.

Dans un article fondateur, souvent réédité, Politz et Deming (1953) expliquent que parmi la multiplicité des causes pouvant mener à une décision de consommation, la modélisation doit se fixer comme objectif de révéler les causes les plus pertinentes en fonction de l’objectif visé:

« The function of marketing research is not to find merely causes of people behavior, nor to measure the effetct of just any cause, but to discover the relevant causes, and to predict what effects on sales will result from possible actions (decisions) under certain conditions. »

Dans les conditions précises d’une stratégie d’action (offensive ou défensive) à la marge de la part de marché, nous pensons que l’analyse locale des critères de décision peut permettre de découvrir ces « relevant causes » et d’en mesurer l’impact à partir de la mesure des effets locaux. Cette motivation nous a conduit à développer cette méthode d’analyse.

L’idée sous-tendant toute cette approche est que dans beaucoup de cas, l’impact des critères de choix dépend de la prédictibilité de ce choix: on ne peut avoir le même discours pour une personne quasi-convaincue que pour une personne qui doute. Alors plutôt que de regarder l’impact global des critères de choix, nous avons proposé une méthodologie en trois temps nous permettant de mesurer les effets locaux. Par rapport aux méthodes précédentes, l’Analyse des Effets Locaux ne se focalise pas seulement sur les switchers et peut être appliquée sur un choix unique, sans nécessiter de données de panels. Enfin, à travers nos applications, nous avons illustré sa flexibilité et son efficacité, et elle nous a permis de mettre en évidence plusieurs types de critères de choix.

Du point de vue méthodologique, un certain nombre d’éléments, dont l’analyse FANOVA d’une fonction pour la mesure d’effets locaux, pourraient être utilisés dans des cadres plus larges que l’analyse de choix binaires. De même, les SVMs, présentés ici d’une manière duale par rapport aux présentations existantes en marketing, pourrait être choisis plus fréquemment, d’autant que des techniques récentes présentées dans cette étude permettent d’améliorer l’interprétabilité des résultats fournis. Nous pensons à l’avenir réutiliser ces éléments dans de nouveaux projets de recherche en modélisation.

Plus généralement, nous espérons que cette approche d’analyse locale des critères de choix, bien qu’encore naissante, ouvrira de nouvelles perspectives de recherche et aura de fructueuses implications managériales.

Transition entre la Partie 1 et la Partie 2

Dans la Partie 2 qui va suivre, nous allons mettre en évidence un autre type d’effets jusqu’alors souvent masqués en modélisation. Il s’agit des effets de cohorte, souvent masqués par les effets d’âge au cours des analyses temporelles des comportements de consommation.

A cette fin, nous avons traité le cas des comportements de fidélité à la marque et démontré que ce comportement est à la fois lié à l’âge et à la génération. En effet, si les personnes âgées sont plus fidèles aux marques automobiles lors du ré-achat d’un véhicule, ce comportement est aussi générationnel, dans le sens où les générations les plus anciennes ont été tout au long de leur vie (c’est-à-dire à tout âge) plus fidèles aux marques automobiles que les générations les plus récentes. Il co-existe donc deux raisons pour lesquelles les personnes aujourd’hui plus âgés sont plus fidèles que les jeunes : leur âge et leur génération.

Pour pouvoir mesurer simultanément les effets d’âge et de génération, tout en contrôlant les effets de période, le praticien est confronté à une multicolinéarité parfaite. Ce défi technique peut en partie expliquer pourquoi les effets de génération sont moins systématiquement pris en compte que les effets d’âge.

Cette multicolinéarité parfaite a en effet pour conséquence deux problèmes de modélisation :

- le problème de l’estimation, car les moindres carrés ne peuvent pas gérer la multicolinéarité parfaite ;

- le problème de l’intégration d’une information dite « a priori » c’est-à-dire une

information exogène, car les modes d’estimation utilisés pour contourner les moindres carrés, comme la méthode PACE, ne permettent pas d’introduire d’information

complémentaire sur le phénomène de consommation étudié.

Notre méthodologie, nommée APC-PLS, propose deux innovations afin d’aider le praticien à gérer ces problèmes.

La première innovation consiste à utiliser la régression PLS afin de directement pouvoir estimer les effets, sans avoir à modifier les données initiales. La seconde innovation propose un moyen d’intégrer de l’information exogène sur les effets après la phase d’estimation, par une méthode dite de « report des écarts successifs » spécialement développée et démontrée dans le cadre de cette étude.

Par son double positionnement en modélisation marketing (méthodologie APC-PLS) et en étude du comportement client (nouveaux résultats sur la composante générationnelle de la fidélité à la marque), cette étude vise à révéler le potentiel des effets de génération pour expliquer les évolutions de comportement d’achat cours du temps ; et à proposer de nouveaux moyens de mesurer ces effets de génération.

Seconde Partie: Méthode APC-PLS d’estimation des effets d’âge-période-cohorte (APC) appliquée à l’analyse de la fidélité à une marque automobile