Souvent pointée comme inefficiente, la grande distribution est tantôt dénoncée comme cause d’inflation, tantôt inculpée pour prise de marge, lésant les petits producteurs tout en grevant les budgets des ménages (Bultez, 2005).
Ce secteur apparaît ainsi comme le cas d’école, par excellence, pour démontrer que compétitivité et rentabilité des firmes marchent de pair avec la satisfaction de leur clientèle. Nous nous y employons par une analyse économétrique des stratégies et résultats des chaînes du commerce d’alimentation générale opérant sur le marché belge.
L
e jeu de mots1que constitue le titre principal de notre article évoque la thèse que nous y défendons.Pragmatiquement nous prouvons en effet que deux acteurs-clés (deux grandes chaînes de distribution: Col- ruyt et Delhaize le Lion) s’affrontant sur un même mar- ché, pourtant très concurrentiel (le commerce de détail ali- mentaire, non spécialisé, en Belgique), peuvent tous deux pleinement réussir en excellant dans la mise en œuvre de stratégies aussi diamétralement opposées que celles contrastées par M. Porter2: d’une part, la maximisation de l’efficience, par la minimisation des coûts; d’autre part, l’amélioration constante de la qualité de l’offre.
M A R K E T I N G
PAR ALAIN BULTEZ, FABIENNE GUERRA*
Différenciation
par excellence
Payante pour les firmes, satisfaisante pour leurs clients
* Les auteurs tiennent à exprimer leur gratitude à D. Vander Schueren, senior Vice-President, Logistic I. T. & Supply Chain, K. Volkaert, Busi- ness Planning Director, et D. Schmedt, Field Research Manager, cadres du groupe Delhaize le Lion, ainsi qu’à S. Kodeck, Finance & Supply Chain Director, et V. Carton, Customer Development Manager, cadres d’Unilever Belgium, pour leurs commentaires éclairants et critiques constructives.
1. Induit par l’omission volontaire de l’article (l’) devant le substantif : excellence.
2. Toutes deux sont sources de valeur ajoutée : « Value is what buyers are willing to pay, and superior value stems from offering lower prices than competitors for equivalent benefits or providing unique benefits that more than offset a higher price. » (Porter, 1985, p. 3).
03/Bultez/157 23/08/05 9:28 Page 27
Les premiers résultats de la recherche dont nous rendons compte dans les deux pre- mières parties (I & II), ont été présentés par le second auteur, au 16e Congrès Flamand de la Qualité, organisé par le Vlaams Cen- trum voor Kwaliteitszorg, tenu à Anvers, le 18 novembre 2003. Le thème de la puis- sance de négociation, traité en troisième partie (III), a été abordé pour la première fois, lors des leçons publiques données par le premier auteur dans le cadre de la Chaire Francqui, qu’il a occupée aux Facultés Uni- versitaires Notre-Dame de la Paix à Namur (6 mars 2003).
I. – ENJEU : SATISFACTION, AU PRIX DE L’EXCELLENCE Cette étude d’une structure oligopolistique servant une demande saturée et globale- ment inélastique3, porte exclusivement sur les indicateurs sectorielsauxquels se réfè- rent régulièrement les sociétés (de distribu- tion) concernées pour établir leur diagnos- tic de compétitivité. Si restreindre notre analyse à l’exploitation de telles données secondaires, en limite la prétention scienti- fique, pouvoir étayer notre vision en nous contentant de statistiques connues de tous les praticiens impliqués (sur lesquelles se fondent leurs rapports d’activités) démontre qu’une approche économétrique formelle est non seulement faisable (parce qu’en phase avec la pratique) mais qu’elle est aussi à la portée de toutes les bourses.
1. Cadre
Notre démarche revient à tester systématique- ment les relations schématisées en figure 1.
Ce modèle explicatif situe et explicite les effets indirects de la satisfaction, que le consommateur tire des achats qu’il peut effec- tuer dans un des magasins de la chaîne, sur la rentabilité de son exploitation. L’articulation de ces liens causaux se justifie comme suit.
En répondant mieux aux attentes de ses clients, le distributeur les fidélise et peut même parvenir à mobiliser leur attachement à son enseigne, au point que ceux-ci, prêchant par l’exemple, se muent en relais de commu- nication contribuant à étendre sa pénétration.
Ainsi, la satisfaction engendrée par (ou atten- due de) la sélection de marchandises opérée (ou opérable) au sein de son assortiment influe, à des degrés divers, sur les deux fac- teurs – fidélité et pénétration – dont le produit définit sa part de marché. Pour déterminer l’utilité nette d’une visite en l’un de ses points de vente, il convient de déduire de la valori- sation de cette satisfaction, les coûts de tran- saction qu’encourent les clients qui s’y ren- dent pour y effectuer leurs emplettes.
À potentiel global stable, la croissance de sa part de marché se traduit en augmentation strictement proportionnelle de son chiffre d’affaires et à taux de marque fixe, en amélio- ration tout aussi proportionnelle de son profit brut. Reste à évaluer l’impact bénéfique du pouvoir de marché détenu par le détaillant sur sa capacité de négocier de meilleures condi- tions tarifaires avec ses fournisseurs4.
3. Rappelons que la propension marginale à consommer des biens de première nécessité pour les ménages décroît avec leurs revenus, ce qui dans les économies développées entraîne la saturation des marchés sur lesquels ils s’échangent. Les ménages belges consacrent en moyenne 18 % de leur budget à l’alimentation, aux boissons et pro- duits d’entretien ; 93 % de cette enveloppe est dépensé en grandes surfaces. En France, suite à la baisse des prix imposée par Sarkozy, on a observé une « chute des volumes » (Aubril et Lecompte, 2004, p. 25).
4. D’autres économies d’échelles, propres au commerce intégré, peuvent être supputées; les estimer correctement demanderait que nous puissions disposer de données internes, confidentielles, que nous ne sommes pas autorisés à traiter.
En résumé, le double impact, positif, de la satisfaction sur la part de marché procure un double gain résultant d’une part, de la progression du chiffre d’affaires et d’autre part, de la réduction des coûts d’approvi- sionnement.
2. Matériaux : du réemploi
Les données habituellement utilisées pour mesurer tant les effets de la part de marché sur la rentabilité que ceux de la satisfaction sur cette même part de marché, ou tout autre critère de performance pertinent (pro- fit, retour sur investissement, etc.), sont de natures fort diverses. Les échantillons ana- lysés peuvent être :
– soit purement transversaux, leur horizon temporel se borne donc à une (voire deux)
période(s), interdisant toute analyse chro- nologique :
a) multientité, monofirme : par exemple, approche statique comparative des varia- tions (de t à t+1) des performances d’un réseau d’agences d’une même banque mise en rapport avec d’éventuels changements dans l’indice de satisfaction de leurs clients (Ittner et Larcker, 1998, p. 16-21).
b) multiconcurrent, monoindustrie : comme la recherche des causes d’insatisfaction ayant poussé certains particuliers résidant dans une zone métropolitaine des États- Unis, à changer de banque (Rust et Zahorik, 1993, p. 201 et sq.).
c) multiconcurrent, plurisectoriel : les pre- mières publications rapportant les travaux des pionniers du projet PIMS (Profit Impact Différenciation par excellence 29
Figure 1
DOUBLE PONTAGE AU CŒUR DU TABLEAU DE BORD
03/Bultez/157 5/08/05 14:14 Page 29
of Market Strategies), qui ont largement ali- menté la polémique sur la relation entre part de marché et rendement des investisse- ments, se fondent sur un amalgame (« pool ») de « businesses » (divisions, gammes ou centres de profit, selon les cas) menés par des firmes opérant sur des mar- chés très divers (Buzzell et al., 1975, p. 105 : « The figures shown are average market shares for the three-year period 1970-1972. ») ;
– soit purement longitudinaux, se focalisant sur l’évolution d’une seule et unique firme, au cas par cas, voire sur un seul de ses seg- ments de marché : cf.par exemple, l’histo- rique du « cost of keeping customers on » (Reinartz et Kumar, 2002, p. 90) ;
– soit mixtes, combinant plusieurs séries chronologiques relatives :
a) aux unités d’activité d’une seule et même firme : l’« ESQi » d’Entreprise-Rent-A-Car (Taylor, 2003) ;
b) ou portant sur diverses sociétés et s’étendant le plus souvent à plusieurs sec- teurs : l’estimation de la réduction du coût moyen attribuable à un accroissement de part de marché tirée d’une étude écono- métrique d’une sélection des données PIMS (Boulding et Staelin, 1993, p. 150 et sq.).
Cette dernière catégorie d’observations, dénommée « panel »5, présente naturelle- ment le triple avantage :
a) d’autoriser l’étude de la dynamique des relations de causalité,
b) de permettre de prendre toutes les pré- cautions méthodologiques nécessaires pour minimiser les risques de biais,
c) et de pouvoir se contenter de spécifica- tions parcimonieuses, centrées sur les fac- teurs principaux.
En effet, lorsqu’on a la chance de disposer d’un tel panel, les interférences de tiers fac- teurs inobservables (« covariantes ») – sources de corrélations parasitaires – peu- vent être (partiellement du moins) neutrali- sées sans que leur incidence ne soit ni expli- citement formalisée ni exactement calibrée.
Le plus souvent, on les approche par l’in- clusion de variables auxiliaires, binaires (« muettes »), distinguant soit les firmes, soit les secteurs, ou les deux, les un(e)s des autres ; mais on peut également se prémunir (sans certitude cependant) des biais, que leur ignorance entraînerait,
a) par recours à des modèles « autorégres- sifs » : la variable expliquée autodépend de ses valeurs passées, qui incluent donc implicitement l’incidence de déterminants, non spécifiés, de son état antérieur ; b) soit encore par transformation des variables en différences premières.
De telles précautions n’ont été clairement recommandées (Lambert, 1998) et soi- gneusement appliquées que par quelques, trop rares, chercheurs (Boulding et Staelin, 1993, p. 156-158 ; Anderson et al., 1997, p. 137 et sq. ; Ngobo, 2000, p. 31 et sq.) ; mais que l’on prenne l’une ou l’autre de ces mesures méthodologiques préventives, il faut néanmoins rester conscient de ce que celles-ci ne prémunissent que contre les différences structurales, chroniques (per- durant entre les sociétés ou industries com- parées). En outre, celles et ceux qui s’en tirent par une monothérapie ne peuvent
5. Au sens économétrique, pur, du terme signifiant : regroupement (« pooling ») de plusieurs séries chronologiques, propre, chacune, à une unité statistique spécifique (une firme, une « business unit », un ménage, etc., observé à de multiples et régulières reprises).
évidemment prétendre à une appréhension correcte de la distribution au fil du temps, des effets des variables les plus critiques sur lesquelles l’attention se centre. La dis- tinction entre court et long termes n’est possible que si le modèle incorpore effecti- vement des décalages temporels (retards échelonnés) et pour autant que la réma- nence constatée ne se confonde pas avec l’inertie latente qu’on s’efforcerait, dans le même temps, de contrôler. Encore faut-il aussi que la périodicité des observations soit adéquate : si une fréquence semes- trielle ou annuelle paraît adaptée pour cerner la dynamique des marchés de biens d’équipement ou de consommation durables, une fréquence mensuelle, voire hebdomadaire, s’avère nécessaire pour la
« traçabilité » des rendements sur les mar- chés où s’échangent biens et services de consommation courante. C’est pourquoi on peut légitimement douter de l’interpréta- tion donnée au coefficient de la variable explicative, endogène, temporellement décalée, quand il est estimé sur base de statistiques intersectorielles portant sur des produits à cycles d’achat de durées très différentes ; d’aucuns n’hésitent toutefois pas à prendre le risque d’en inférer la valeur actualisée nette des effets cumulés d’un point de satisfaction supplémentaire (Anderson et al., 1994, p. 61 et sq.).
Dans les pages qui suivent, nous exploitons exclusivement des données secondaires, principalement transversales, relatives à la concurrence que se livrent, en Belgique, les 17 grandes chaînes du commerce d’alimen-
tation générale, non spécialisé (univers Nielsen), à assortiment complet6. Sur la part de marché et les facteurs dont elle est le produit, nous disposons des 4 observa- tions trimestrielles de l’année 2000, pour chacune des chaînes étudiées (n = 68) : elles découlent de la compilation des tickets de caisse payés par un panel de consomma- teurs. Pour l’appréciation de la qualité de l’offre de produits de chaque concurrent, nous nous appuyons sur le sondage, conduit en toute indépendance par Test-Achats (A. H. et al., 2000) en fin d’année 1999, par voie de questionnaires auto-administrés, remis aux clients fréquentant les points de vente formant l’échantillon, représentatif du libre-service en Belgique, constitué par cette organisation de consommateurs7 (10 000 exemplaires diffusés ; taux de réponse : 32,97 % ; chaque répondant n’a pu juger que les deux enseignes dont il visitait le plus souvent un point de vente). Notons que cette procédure peut induire un biais d’autosélection : nous ne nous en inquiéte- rons pas car il ne risque pas de conduire à une surestimation de la corrélation entre satisfaction et part de marché, mais au contraire, à une sous-estimation de celle-ci :
« a low correlation between measured satis- faction and market share would suggest the presence of such a selection bias » (Griffin et Hauser, 1993, p. 20).
3. Cahier des charges
De facto, les défauts que présente notre base de données nous dispensent de toute recherche à caractère variationnel, d’ajuste- Différenciation par excellence 31
6. Sont donc exclus de notre analyse les « hard discounters », Aldi et Lidl (voir également la note n° 9).
7. Test-Achats a fondé le groupe CONSEUR (Consommateurs européens) et est par ailleurs membre fondateur du BEUC (Bureau européen des unions de consommateurs) et de Consumers International.
03/Bultez/157 25/07/05 16:21 Page 31
ments progressifs, étude qui aurait requis une série d’observations mensuelles par enseigne. Les modèles que nous validons sont par conséquent, purement statiques et censés refléter une situation d’équilibre sta- tionnaire à moyen terme : la performance trimestrielle est supposée résulter du cumul de variations et d’adaptations à beaucoup plus court terme, correspondant au rythme auquel les ménages effectuent leurs courses.
Mais si nous esquivons la complexité d’une analyse économétrique dynamique, nous devons par contre nous soucier de l’interac- tion des covariantes car ces facteurs (infra)structurels concourent, tout autant que la satisfaction de la clientèle, aux résul- tats des distributeurs et les omettre fausse- rait le diagnostic. Plutôt que d’y substituer ces variables « muettes »8, qui ne nous apprennent rien des déterminants basiques de leur état, nous préférons les expliciter.
Ainsi, nous formulons et mesurons spécifi- quement le jeu des facteurs que prennent habituellement en compte, tant les profes- sionnels du secteur que les experts et audi- teurs externes qu’ils consultent, à savoir par ordre décroissant d’importance : le nombre de magasins composant chaque réseau, leur surface de vente et le niveau des prix sur lequel ils s’alignent. Ces trois caractéris- tiques suffisent en outre à cerner les coûts de transaction : coûts des déplacements (la den- sité des points de vente détermine leur proximité ; l’aire couverte par leurs rayons reflète le nombre de besoins que l’on peut
satisfaire en une visite) et somme déboursée à la caisse (prix du « panier » ou du « cad- die »). D’autres variables, telles que : facili- tés de parking, nombre de caisses, personnel occupé, etc. peuvent également être inté- grées mais compte tenu de l’organisation du libre-service, celles-ci s’avèrent redon- dantes car proportionnelles à la taille même des chaînes (déjà traduite dans les deux pre- miers facteurs)9.
Concernant l’infrastructure des chaînes, nous nous fondons sur les statistiques de l’année 2000, extraites des annuaires édités par le Comité belge de la distribution (CBD, FEDIS). Quant au montant facturé pour le panier acheté, nous nous fions à l’indice (« Caddie 1 : marques de produc- teurs ») publié annuellement par Test- Achats ; celui-ci est calculé sur base des relevés effectués systématiquement par les auditeurs qu’il envoie dans près d’un mil- lier de magasins, pour y noter les prix des articles figurant sur la liste de courses du ménage belge moyen10(le prix de chacune de ces références est pondéré par la part du budget allouée aux dépenses dans la caté- gorie à laquelle elle appartient).
Conformément au modèle décrit en figure 1, nous procédons en deux étapes : d’abord, la double contribution de la satisfaction à la part de marché est évaluée dans la deuxième partie ; complémentairement, l’économie réalisable en amont, sur les achats, grâce à un accroissement de puis- sance, est estimée en troisième partie.
8. Option que nous rejetons également faute de degrés de liberté.
9. Nous n’ignorons cependant pas que les « hard discounters “boostent” les ratios de productivité du secteur : ren- dement au m2et par ETP » (selon les termes employés par un industriel impliqué) … Raison supplémentaire pour écarter Aldi et Lidl.
10. Qui en compte près de cent cinquante ; le plus récent classement a été établi à partir des constats enregistrés entre le 13 et le 28 novembre 2003 (Debourse et Van Laere, 2004).
II. – DÉTERMINANTS DE LA PART DE MARCHÉ
Emboîtant le pas de l’approche classique proposée par Parfitt et Collins (1968), nombre de manuels de marketing présen- tent la part de marché d’une marque comme résultant d’un produit de trois, voire quatre, facteurs. S’appuyant pourtant sur la même source, leurs auteurs ne s’entendent toute- fois pas sur une terminologie commune.
Quand Lambin et Chumpitaz distinguent taux d’occupation du marché (oupénétra- tion horizontale), taux d’exclusivité et d’in- tensité (2002, p. 102), Kotler, Dubois et Manceau discernent taux de pénétration et de nourriture, ainsi que coefficients de
sélectivité et d’ajustement de prix (2003, p. 713), alors que Parfitt et Collins avaient originellement défini : « penetration, repeat- purchasing rate and buying rate factor » (1968, p. 144).
Selon notre conception, considérant que la satisfaction conditionne essentiellement l’attachement à l’enseigne, nous nous contentons de désagréger la part de marché, }, en deux éléments : la pénétration pondé- rée, 3, et la fidélité, ^. Ainsi nous préci- sons et justifions au tableau 1, la décompo- sition réduite suivante :
(1) }c= = ϑc • 100 %.
}
^
Cr = 1ϑr 3c?^c
}100
Différenciation par excellence 33
Tableau 1
FORMALISATION DE L’ANALYSE DES TICKETS DE CAISSE
Chaînes, détaillants Ménages, panélistes
r ∈{1, 2, …, c, … C} h ∈{1, 2, …, i, …, H}
Clientèles
• classification du h-ième ménage :
– client de la c-ième chaîne, ayant effectué au moins un achat dans l’un de ses magasins : bh, c= 1 – n’ayant effectué aucun achat, dans aucun des magasins à cette enseigne : bh, c= 0
– nombre de clients de la c-ième chaîne : nc=
^
Hh = 1
bh, c
• achats de ce h-ième ménage, montant dépensé dans les magasins de la r-ième chaîne : xh, r > 0⇔ bh, r = 1 ;
xh, r = 0⇔ bh, r = 0.
• répartition des dépenses de la clientèle de la c-ième chaîne :
– montant des achats effectués dans la r-ième chaîne par les ménages comptant aussi parmi les clients de la c-ième :
xrc=
^
Hh = 1
bh, c?xh, r
– montant total des achats effectués dans toutes les chaînes par les ménages comptant parmi les clients de la c-ième :
xc=
^
Cr = 1
xrc 03/Bultez/157 25/07/05 16:21 Page 33
Mesures des performances
• chiffre d’affaires de la c-ième chaîne : ϑc =
^
Hh = 1
xh, c=
^
Hh = 1
bh, c?xh, c= x
cc
• marché global ou ventes totales réalisées par l’ensemble des chaînes : 9=
^
Cr = 1
ϑr;
Facteurs sous-jacents
• fidélité de la clientèle de la c-ième chaîne, mesurée par le pourcentage des dépenses de cette clientèle, encaissées par cette chaîne :
^c= ?100 % ;
• pénétration pondérée de la c-ième chaîne, qui reflète la fraction du potentiel de ventes que représente sa clientèle :
3c= ?100 %,
• part de marché de la c-ième chaîne :
}c= ?100 % = % = ? ?100 %
Parfitt et Collins détaillent la pénétration pondérée et y substituent la conjonction
• de la pénétration (numérique) : ?100 %,
• et du taux d’achat : , qui indique dans quelle mesure les dépenses de la clientèle de la chaîne considérée s’écartent de la moyenne des achats de tous les ménages.
xc }n
c?(9/H)
nc }H
xcc
}x
c
xc }9 3c?^
}100 c
ϑc }9
xc }9 xcc
}xc
1. Normalisation
La pénétration pondérée correspond chez Lambin et Chumpitaz (ibidem) au produit de leurs taux d’occupation du marché et taux d’intensité; alors que chez Kotler, Dubois et Manceau (ibidem), elle s’obtient par multiplication de leur taux de pénétra- tion(purement numérique) et de leurs coef- ficients de sélectivité et d’ajustement de prix. Telle que nous l’entendons, la péné- tration pondérée, ou encore pénétration valorisée, se concrétise par la part que les dépenses de sa clientèle – quels que soient les détaillants, éventuellement concurrents, qu’elle visite – représentent dans le total des ventes de toutes les chaînes :
3c=
Somme dépensée par la clientèle de la c-ième chaîne en achats dans toutes les chaînes Total des dépenses de tous les ménages dans le commerce d’alimentation non spécialisé
• 100 % , Ainsi spécifiée, tout comme les taux d’occu- pation et de pénétration, cette mesure n’est pas normée naturellement. En effet, puis- qu’un même ménage peut être client de plu- sieurs chaînes (le plus souvent 2 ou 3), la classification des consommateurs en clien- tèles ne réalise pas une partition (
^
Cr = 1
3c >
100 %). C’est pourquoi par souci d’harmo- nisation avec le modèle de synthèse, nous nous intéressons plutôt à la pénétration pondérée relative, 3*, qui ne diffère qu’à une constante près, soit :
(2) 3c*= • 100 % = • 100 %.
Normalisée de la sorte, elle s’interprète per- tinemment comme une mesure d’appro- priation du potentiel ou comme une part conditionnelle d’équilibre, part que se taillerait chaque chaîne si chacune parve- nait à fidéliser exclusivement sa propre clientèle. C’est-à-dire dans le cas où ^
c = 100 %, alors xcc= xc = ϑc pour toute chaîne c (corrélativement, xrc = 0, ∀r≠c) et donc : (3c*^c = 100 %) = }c.
La fidélité – qualifiée d’exclusivité par Lambin et Chumpitaz (ibidem) et de nour- riturepar Kotler, Dubois et Manceau (ibi- dem) – est mesurée par la part des dépenses effectuées par les clients de la chaîne consi- dérée, dans cette même chaîne :
^c=
Achats d’alimentation dans la c-ième chaîne par la clientèle de cette c-ième chaîne Dépenses totales en alimentation dans toutes les chaînes par la clientèle de la c-ième chaîne
• 100 % qui correspond bien à ce qu’on tend main- tenant à appeler « part du porte-monnaie ou du portefeuille » : « customer share of wal- let … share of their customers’ total cate- gory expenditures » (Mägi, 2003, p. 97), que l’on s’accorde à considérer comme la plus idoine : « The ultimate measure of loyalty, of course, is share of purchases… » (Jones et Sasser, 1995, p. 94), car cumulant l’historique des multiples transactions et des multiples visites de magasins, ayant offert au consommateur de multiples occa- sions de remettre ses choix en cause.
Tout comme celle de la pénétration pondé- rée, cette mesure de la fidélité n’est, elle non plus, pas normée. Il s’avère donc nécessaire, pour assurer la cohérence globale de nos spécifications, de la relativiser en un indica- xc
}
^
Cr = 1
xr 3c
}
^
Cr = 1
3r
Différenciation par excellence 35 03/Bultez/157 26/08/05 13:19 Page 35
teur de compétitivité, comparable à (2).
Nous étudions donc la fidélité relative, ^*, définie de façon analogue et toujours selon la notation proposée au tableau 1, par :
^c*= • 100 %
= • 100 %
ou encore :
(3) ^
c*=
• 100 %
= • 100 %.
Sous cette dernière forme, elle peut égale- ment se lire comme une seconde part conditionnelle d’équilibre: la fraction du marché que s’approprierait chaque chaîne si toutes pouvaient tabler sur une pénétra- tion du potentiel identique. Explicitement,
(^c*3c= 3r, ∀c≠r) = }c. 2. Spécification
Telles que calculées en (2) et (3), pénétra- tion et fidélité relatives sont standardisées de la même façon que la part de marché, défi- nie en (1). Tout comme la part de marché, elles s’obtiennent par un ratio d’un numéra- teur, révélateur d’une performance absolue de la chaîne considérée, à un dénominateur commun, correspondant à la somme des numérateurs. Il paraît donc logique d’expli-
quer ce genre de fraction par une autre, construite sur le même moule de façon strictement analogue, de manière à assurer la robustesse de la spécification mathé- matique. Ainsi, nous postulons que pénétra- tion et fidélité relatives résultent de l’attrac- tion relativequ’exerce la chaîne par rapport à l’ensemble des enseignes en concurrence : (4) !c*= • 100 %,
expression dans laquelle l’attraction, !c, apparaît comme un concept latent, inobser- vable, qui doit s’opérationnaliser en fonc- tion des caractéristiques du réseau et de la politique commerciale de chaque chaîne. Sa spécification doit se concrétiser de manière à ce qu’elle
– ne puisse jamais s’avérer négative, même si l’effet d’une variable explicative devait être négatif (exemple : impact du prix), puis-que pénétration, fidélité relatives et part de marché ne peuvent être que posi- tives (voire nulles) ;
– puisse être linéarisée par transformation logarithmique de façon à ce qu’on soit en mesure d’en estimer les paramètres par la méthode des moindres carrés car la nature fractionnaire (donc multiplicative) de l’at- traction relative nous contraint à recourir à la transformation logarithmique pour passer d’une division à une soustraction,
(5) ln (!c*) = ln (!c) – ln
1
r = 1^
C!r
2
.La fonction puissance répond particulière- ment bien à ces conditions. Outre cette rai- son de pure convenance, l’intégration de celle-ci dans la spécification de l’attraction
!c }
^
Cr = 1
!r
ϑc }}
^
Cr = 1ϑr?(3c/3r) xcc
}}
^
Cr = 1
xr|r?(3c/3r) (xc|c/xc) }
^
Cr = 1(xr|r/xr)
^c }
^
Cr = 1
^r
relative conduit à des modèles logistiques généralisés (courbe en S, avec point d’in- flexion variable) qui permettent de refléter des variations qui tantôt s’accentuent, tantôt décélèrent. Plus substantiellement, le recours au modèle d’attraction relative pour appréhender comment les chaînes de distri- bution peuvent gagner en attraction, péné- tration, ou encore en part de marché, peut se comprendre en décrivant comment l’expan- sion d’un réseau de distribution se déroule.
D’abord la multiplication du nombre de ses points de vente rapproche les lieux d’appro- visionnement des endroits de consomma- tion ou d’utilisation. L’accroissement de cette proximité, de cette accessibilité, réduit d’autant les coûts de transaction à charge de
l’acheteur qui veut fréquenter l’un de ces sites. En outre, l’extension de la couverture géographique du marché, par la multiplica- tion des places d’échange, identifiés par l’« enseigne » de leur chaîne, contribue à la visibilité, à la notoriété de celle-ci. La com- binaison de ces effets d’attraction se concrétise par des rendements variables du développement du réseau : d’abord crois- sants, l’attraction moyenne par point de ser- vice augmente à mesure que s’en ouvrent de nouveaux ; ensuite décroissants, lorsque l’espace de marché se sature ; l’attraction moyenne passe donc par un maximum pour diminuer au-delà.
Little (1979, p. 19-20) fait remarquer qu’à tort, on imagine plutôt des rendements Différenciation par excellence 37
Figure 2
HISTORIQUE DU DÉVELOPPEMENT D’UNE CHAÎNE
Couverture 03/Bultez/157 25/07/05 16:21 Page 37
constants, suivis de rendements décrois- sants que l’on attribue à une « cannibalisa- tion » entre points de distribution d’une même enseigne. Il ajoute que l’existence d’externalités positives – telles que celles évoquées ci-dessus – a été prouvée empiri- quement de manière convaincante (Naert et Bultez, 1975, p. 1107 et sq.).
Comme l’illustre la figure 2, la non-mono- tonicité de la relation entre taille du réseau et niveau moyen d’attraction, par magasin, implique que l’attraction totale de la chaîne, cumul des attractions de tous ses magasins, évolue selon une courbe logistique (en S).
Le point d’inflexion que présente celle-ci correspond bien entendu au maximum qu’atteint la moyenne. En réalité, l’étude de réseaux stabilisés ne permet pas d’observer ce changement de régime, puisque les chaînes ont intérêt à poursuivre leur déve- loppement au-delà de cette inflexion.
Une modélisation réaliste des particularités d’une chaîne de distribution, qui en font l’attrait, impose donc un modèle mathéma- tique flexible, qui permette de refléter cor- rectement et fidèlement la variabilité des rendements de son exploitation (et le cas échéant, de s’accommoder de rendements strictement décroissants, sans point d’in- flexion). Tant la maniabilité que la robus- tesse du modèle d’attraction relative a été largement démontrée ; son adaptabilité à d’autres usages l’a rendu extrêmement populaire (Bultez, 1997). C’est pourquoi nous l’avons choisi pour rendre compte des effets des principaux déterminants, tant de la pénétration que de la fidélité aux chaînes.
De tous les facteurs influençant la compé- titivité des chaînes, la satisfaction de leur clientèle nous paraît centrale. Sur base de l’enquête menée par Test-Achats (A. H. et al., 2000), nous distinguons quatre
degrés de réponse des distributeurs, aux attentes des consommateurs, par la qualité de leur offre de produits:
oc,j∈{Insatisfaisante (oc, 0), Suffisante (oc, 1), Satisfaisante (oc, 2), Excellente (oc, 3)}.
Cette catégorisation en quatre classes syn- thétise la conjonction des jugements fondés sur les critères les plus prépondérants dans l’évaluation de la qualité : la fraîcheurdes denrées périssables (rayons fruits et légumes, crémerie, fromagerie, boucherie- charcuterie, surgelés, etc.), la saveur des produits sélectionnés, les labels garantis- sant origines et respect des normes de fabri- cation et de conditionnement (exemple : le label «Contrôle & Origine» de Delhaize), la variétédes articles présentés au choix de l’acheteur ainsi que la régularité des réas- sortiments (fréquence de remise en rayon pour éviter les ruptures de stock). La hié- rarchisation ordinale des 17 chaînes, selon cette échelle catégorielle, a été établie par simple classification, tirée de l’arbo- rescence produite par les diverses combi- naisons des modalités d’appréciation expri- mées en référence à ces aspects.
Aussi nettes que s’avèrent les relations entre d’une part, la satisfaction et d’autre part, la fidélité et la pénétration, les corréla- tions statistiques qui en confirment la force ne suffit pas pour conclure à un enchaîne- ment causal car d’autres facteurs – cova- riant avec l’une, la cause, et les autres, les effets – peuvent biaiser notre perception du rapport de conséquence. Pour nous préser- ver de ce risque, comme prévu au cahier des charges (section I.3), il convient d’as- seoir le pouvoir explicatif de la satisfaction en prouvant qu’il ne peut être confondu avec celui d’autres caractéristiques concou- rant à attirer la clientèle.
Nous concentrant sur les plus essentiels, nous nous bornons aux trois qui détermi- nent le montant du coût de transaction: – la proximité et l’accessibilité, concréti- sées par le nombre de points de ventes à l’enseigne de la chaîne : dc, réduisant temps et frais de déplacement ;
– l’ampleur de l’assortimentet la commo- dité de shopping, approchés par la superfi- cie moyenne des lieux de vente : tc, accrois- sant l’utilité de chaque visite du magasin et en diminuant la nécessité de fréquentation ; – la cherté, estimée par l’indice de prix éta- bli par Test-Achats: pc, se reflétant dans la somme enregistrée par le ticket de caisse.
Combinant ces trois variables quantitatives aux variables auxiliaires, binaires, distin- guant les divers degrés de satisfaction conduit à assimiler l’attraction à la valeur ajoutée, espérée de la fréquentation des magasins de la chaîne considérée :
(6) !c= exp
3
j = 0^
3 αo, j?oc, j4
?dcαd?tcαt?pcαp,où : oc, j= 1, pour toute chaîne, c, dont la qualité de l’offre engendre une satisfaction de niveau : j;
oc, j= 0, pour toute chaîne, c, dont la quali- té de l’offre suscite une satisfaction d’un niveau différent de j.
La substitution de (6) en (4) complète le modèle :
(7) !*
c=
•100 %
Moyennant application de la transforma- tion (5) et ensuite centrage des observations (de façon à éliminer le logarithme du déno- minateur de l’attraction relative), les para- mètres de (7) peuvent être estimés par la méthode des moindres carrés sur base de l’équation de régression :
(8) ln(!
*c)–ln(!*
.)=
^
3j =1
(αo,j–αo, 0)?(oc,j– o
?,j) + αd?
3
ln (dc) – ln(d.)4
+αt?3
ln (tc) – ln(t.)4
+ αp?
3
ln (pc) – ln(p.)4
,expression dans laquelle le symbolisme • dénote le calcul de la moyenne des obser- vations sur les diverses chaînes en concur- rence, par l’application de l’opérateur : ( ?
^
Cr = 1
). On notera que dans l’équation de régression (8), on a substitué: –
^
3j = 1
(oc, j– o
?, j) à (oc, 0– o
?, 0), du fait de la dépendance linéaire entre les variables binaires cen- trées ; en effet, puisque :
^
3j = 0
oc, j = 1 et que
^
3j = 0
o
?, j = ?
^
Cr = 1
(or, 0+or, 1 +or, 2 + or, 3) = 1, alors
^
3j = 0
(oc, j – o
?, j) = 0.
En vertu de la manière dont nous avons levé cette indétermination dans l’équation (8), les coefficients des variables qualita- tives, restantes, reflètent l’incidence sur l’attraction d’une progression de la qualité de l’offre perçue par rapport à son niveau le plus bas (αo,0, correspondant à une offre insatisfaisante).
1 }C 1
}C
exp
3
j = 0^
3 αo, j?oc, j4
?dcαd?tcαt?pcαp}} ^
Cr = 1
exp
3
j = 0^
3 αo, j?or, j4
?drαd?tαrt?prαpDifférenciation par excellence 39 03/Bultez/157 25/07/05 16:21 Page 39
3. Fidélité, perfectible
Les résultats du panel dont nous disposons sont trimestriels. La mise en correspon- dance de ces données avec notre diagnostic de la qualité de l’offre nous permet de com- parer les 17 enseignes principales ; notre échantillon compte donc 68 observations (17 chaînes x 4 trimestres) pour l’année 2000. En figure 3, celles-ci sont synthéti- sées sous la forme de « boîtes à mous- taches », une par cote de satisfaction.
Les distributions des mesures de fidélité sont disposées parallèlement de façon à clarifier l’incidence de la qualité perçue. Les résultats de l’analyse de la variance à laquelle nous avons procédé pour tester statistiquement ses effets, rapportés au tableau 2, confirment ce que la figure 3 dévoile: à une plus grande satisfaction correspond une plus forte loyauté.
La nature non linéaire de cette association y est mise en évidence: le contraste est particu- lièrement marqué entre d’une part, le niveau supérieur et d’autre part, tous les autres niveaux traduisant un moindre contentement.
Plus précisément, la fidélité moyenne aux chaînes dont les clients apprécient l’excel- lenceatteint 27,8 %, alors que l’attachement moyen aux chaînes dans lesquelles l’offre est considérée simplement satisfaisantese situe 11 points au-dessous; ces niveaux, relative- ment faibles, s’expliquent par la structure très concurrentielle du marché.
Mais, comme souligné à la section II.2, nous ne pouvons nous contenter d’un test aussi partiel ; l’effet d’une variable, fût-elle dominante, ne peut se prouver qu’en l’inté- grant dans un modèle aussi complet que possible. C’est pourquoi nous avons pro- Figure 3
FIDÉLITÉ
Loyauté
Qualité de l’offre
cédé à l’estimation des paramètres du modèle, par analyse de l’équation de régression (8), en y substituant : ^
c*à !
c*, ainsi que β à α. Constatant que distinguer les modalités : suffisanteet satisfaisantede l’échelle de satisfaction n’améliorait en rien la qualité statistique de nos résultats, nous n’avons retenu que trois catégories, par fusion des deux intermédiaires (α^o,1≅α^o,2). Désignant alors par [(αo,1= αo,2) – αo, 0] par βset (αo,3– αo,0) par βx, l’équation (8) se réduit à la forme suivante : (9) ln(^c*)–ln(^
?
*
)= βs?
3
(oc,1–o?,0)+(oc,2–o
?,0)
4
+βx?(oc,3 – o?,0) + βd?
3
ln (dc)– lln(d.)
4
+βt?3
ln (tc)– lln(t.)
4
+ βp?
3
ln (pc) – ln(p.)
4
Le tableau 3 synthétise les résultats de l’analyse de régression ainsi menée. Tous les facteurs retenus déterminent effective-
ment bien la fidélité relative : les signes de tous les paramètres correspondent bien aux attentes: β^d, β^t, β^set β^x, positifs; β^p, négatif;
la précision des estimations est concluante:
tout risque d’inférence erronée d’impact est bien nettement inférieur au seuil fatidique de 5 %.
La qualité globale de l’ajustement peut non seulement s’apprécier par le coefficient de détermination (R2) – qui montre que seule une petite fraction des différences consta- tées entre valeurs de la variable dépendante (logarithme de la fidélité relative, centré) reste inexpliquée (moins de 17 % en fait) –, mais tout autant par la corrélation entre esti- mations et observations de la fidélité relati- ve : R( ˆ^*, ^*).
Comme les valeurs estimées des paramètres régulant les effets du nombre de magasins (β^d = 0,327) et de leur taille moyenne (β^t= 0,334) paraissent pratiquement égales, nous avons formellement procédé au test de l’hypothèse nulle d’égalité (*0 : βd – βt = 0), qui ne peut être rejetée (à moins de tolé- Différenciation par excellence 41
Tableau 2
IMPACT DE LA QUALITÉ SUR LA FIDÉLITÉ
Légende Insatisfaisante Suffisante Satisfaisante Excellente Ajustement
Estimation 7,850 11,913 16,017 27,775 R2= 0,629
(écart type) (1,857) (1,313) (0,536) (1,313) R ( ˆ^*, ^*) = 0,793
T de Student 4,226 9,070 29,872 21,148 F(4,64) = 359,92
Risque < 1 ‰ < 1 ‰ < 1 ‰ < 1 ‰ < 1 ‰
CONTRASTES F(1,64) RISQUE
Qualité insatisfaisante < suffisante 3,189 3,943 %
Qualité insatisfaisante < satisfaisante 17,845 < 1 ‰ Qualité insatisfaisante < excellente 76,718 < 1 ‰
Qualité suffisante < satisfaisante 8,370 0,260 %
Qualité suffisante < excellente 72,935 < 1 ‰
Qualité satisfaisante < excellente 68,701 < 1 ‰
03/Bultez/157 5/08/05 14:14 Page 41
rer un risque d’erreur de près de 77 %). Dès lors et par souci de parcimonie, nous avons réestimé une variante contrainte de l’équa- tion de régression (9) en imposant βd = βt = βg, c’est-à-dire :
(10) ln(^c*)–ln(^
?
*
)= βs?
3
(oc,1–o?,0)+(oc,2–o
?,0)
4
+ βx?(oc,3 – o?,0) + βg?
3
ln (dc?tc) – ln(dt?
)
4
+βp?
3
ln (pc) – ln(p.)
4
,(puisque : ln(dt
?
)= ?
^
Cr = 1
ln (dr?tr)
= ?
^
Cr = 1
ln (dr) + ?
^
Cr = 1
ln (tr).
Ce regroupement conduit à substituer en (6), comme en (7), en lieu et place des variables tcet dc, la superficie totale occu- pée par l’ensemble des magasins de la chaîne ; nous qualifions cette variable, gc, de couverture géospatiale globale de la chaîne et réduisons donc l’attraction à :
(11) !
c=exp
1
βs?3
(oc,1– o?,0) +(oc,2– o
?,0)
4
+ βx?(oc,3– o
?,0)
2
?gcβg?pcβp. La seconde partie du tableau 3 prouve l’op- portunité de cette simplification : la fiabilité des estimations s’améliore ; les effets de tous les facteurs se précisent.}C1 }C1
}C1
Tableau 3 FIDÉLITÉ Taille de
Légende Proximité l’assortiment Prix Qualité de l’offre Ajustement
βd βt βp βs βx
Estimation 0,327 0,334 – 3,510 0,439 0,812 R2= 0,833
(écart type) (0,035) (0,036) (0,487) (0,086) (0,112) F(5,63) = 62,84 T de Student 9,259 9,191 – 7,202 5,130 7,262 R (^^*, ^*) = 0,917
Risque < 1 ‰ < 1 ‰ < 1 ‰ < 1 ‰ < 1 ‰ < 1 ‰ Légende Couverture géospatiale Prix Qualité de l’offre
Ajustement
βg βp βs βx
Estimation 0,330 – 3,535 0,445 0,824
R2= 0,833
(écart type) (0,034) (0,477) (0,082) (0,103)
F(4,64) = 79,67
T de Student 9,809 – 7,413 5,412 8,035
Risque < 1 ‰ < 1 ‰ < 1 ‰ < 1 ‰ < 1 ‰
CONTRASTES F(1,63) RISQUE
βd≠βt 0,09 76,98 %
βs<βx 30,96 < 1 ‰
Différenciation par excellence 43
Figure4 EFFETPROPRE DE LACOUVERTURE SPATIALE SUR LAFIDÉLITÉ
03/Bultez/157 25/07/05 16:21 Page 43
Figure5 EFFETPROPRE DU PRIX SUR LAFIDÉLITÉ
Les figures 4 et 5 soulignent l’importance des covariantes ; les données portées sur leur axe vertical concernent la variable dépendante (fidélité relative, log-centrée), préalablement corrigée des effets estimés de toutes les autres variables explicatives (dans le cas de la figure 4, par exemple, déduction des effets estimés, du prix et de la satisfaction, variables log-centrées, elles aussi). Deux chaînes de supermarchés, Champion et Nopri, « dévient » : la pre- mière jouit manifestement d’une fidélité excédant la norme que constitue l’esti- mation tirée du modèle ; à l’inverse, l’atta- chement de la clientèle à la seconde stagne bien au-dessous du niveau auquel on pour- rait s’attendre au vu des spécificités de cette chaîne telles que nous les avons intégrées dans l’évaluation de son efficience relative.
À ces deux exceptions notables près, l’un et l’autre de ces graphiques corroborent la net- teté d’impact des variables retenues.
Cette forte influence de tiers facteurs n’oc- culte pas pour autant, que du contraire, combien il est important de satisfaire la clientèle pour la fidéliser. L’effet de la qua- lité perçue de l’offre se trouve distincte- ment consolidé par les statistiques rassem- blées au tableau 3, à propos de l’estimation des paramètres, βset βx, qui le concrétisent économétriquement. Les risques d’erreur associés aux tests d’incidence des diffé- rences entre niveaux de satisfaction s’avè- rent négligeables et nous pouvons donc affirmer avec quasi-certitude que : βs> 0 et βx> 0. En outre, le test de contraste com- plémentaire : βx > βsest également tout à fait concluant.
4. Pénétration par facilitation des achats Si la satisfaction de la clientèle conditionne bien la régularité de fréquentation d’un
point de vente, on peut légitimement s’in- terroger quant à son incidence sur les pas- sages occasionnels. L’étude de la pénétra- tion pondérée relative apporte réponse à cette question. Comme justifié à la section II.2, nous l’appuyons sur l’adaptation ap- propriée de l’équation (8), c’est-à-dire par substitution de 3
*cà !
c*et de γaux β: (12) ln(3
c
*)–ln(3
?
*
)= γs?
3
(oc,1– o?,0) + (oc,2– o
?,0)
4
+ γx?(oc,3 – o?,0) +γd?
3
ln (dc) –ln(dt?
)
4
+γt?3
ln(tc)–ln(t.)4
+ γp?
3
ln(pc) – ln(p.)4
.Les résultats de cette deuxième analyse de régression, fondée sur (12), sont présentés au tableau 4 dans une forme identique à celle adoptée, au tableau 3, récapitulant ceux rela- tifs à la fidélité. La comparaison des deux est particulièrement éclairante. Dans l’explica- tion de la pénétration, la prépondérance des coûts de transaction saute aux yeux: les paramètres s’y rapportant (γd, γt et γp) pren- nent, tous trois, des valeurs supérieures aux estimations présentées au tableau 3.
La contribution de la satisfaction à l’attrac- tion exercée par une chaîne sur le marché potentiel paraît minorée. Seule, l’excellence s’avère fructueuse : si γ^x ressort bien de manière statistiquement significative, γ^sest à la fois trop faible et imprécis pour que l’on puisse admettre que progresser d’un niveau de qualité faible(jugé insatisfaisant ou juste suffisant), au seuil de satisfaction (qualité satisfaisante, sans plus), soit payant. Néanmoins, la satisfaction éprou- vée par les ménages fréquentant les distri- buteurs qui excellent dans l’exercice de leur Différenciation par excellence 45 03/Bultez/157 26/07/05 11:23 Page 45
métier produit un enchantement(Derbaix et Brée, 2000, p. 517) communicatif. Celui-ci concourt à attirer, par contagion positive, un bouche à oreille favorable, celles et ceux qui s’approvisionnent chez d’autres :
« Loyal customers market the company. » (Reinartz et Kumar, 2002, p. 89-90).
5. Validation globale
En point d’orgue de notre diagnostic écono- métrique, la figure 6 démontre la faculté du modèle (7) – décliné tant pour la pénétra- tion que pour la fidélité – à saisir les réali- tés de l’affrontement concurrentiel étudié.
La qualité globale de l’ajustement produit peut également s’apprécier par la corré-
lation entre estimations11 et observations des parts de marché dont le tableau 5 rend compte :
(13) }^c= ϕ0+ϕ1 ?}c.
Après élimination de l’ordonnée à l’origine qui paraît statistiquement insignifiante, le coefficient (ϕ^1 = 0,97) est suffisamment proche de l’unité pour que l’adéquation du modèle ne laisse guère de doute.
La figure 6 révèle en outre que la part de marché de la chaîne de grands supermar- chés Delhaize se situe au-dessous du niveau qu’elle devrait « normalement » atteindre (sa valeur estimée) selon notre modèle.
Tableau 4
PÉNÉTRATION PONDÉRÉE Taille de
Légende Proximité l’assortiment Prix Qualité de l’offre Ajustement
γd γt γp γs γx
Estimation 0,785 0,888 – 5,546 0,143 0,806 R2= 0,819
(écart type) (0,074) (0,076) (1,014) (0,178) (0,232) F(5,63) = 57,12 T de Student 10,666 11,745 – 5,471 0,804 3,466 R (3^*, 3*) = 0,932
Risque < 1 ‰ < 1 ‰ < 1 ‰ 21,213 % 0,478 ‰ < 1 ‰ Légende Couverture géospatiale Prix Qualité de l’offre
Ajustement
γg γp γs γx
Estimation 0,830 – 5,920 0,239 0,997
R2= 0,806
(écart type) (0,073) (1,027) (0,177) (0,221) F(4,64) = 66,43
T de Student 11,432 – 5,763 1,349 4,514
Risque < 1 ‰ < 1 ‰ 9,102 % 0,014 ‰ < 1 ‰
CONTRASTES F(1,63) RISQUE
βd≠βt 4,67 3,45 %
βs<βx 22,62 < 1 ‰
11. Celles-ci sont calculées sur base de la relation (1) dans laquelle les estimations de la pénétration et de la fidélité (tirées de la double application de (7)) sont substituées.
Différenciation par excellence 47
Figure 6 AJUSTEMENT
Part de marché estimée
Part de marché observée
Tableau 5 PART DE MARCHÉ
Légende Constante Coefficient
Ajustement
ϕ0 ϕ1
Estimation 0,364 0,938 R2= 0,915
(écart type) (0,307) (0,035) F(1,66) = 706,35
T de Student 1,185 26,577 R (}^, }) = 0,956
Risque 24,021 % < 1 ‰ < 1 ‰
TEST F(1,67) RISQUE
(ϕ1≠1ϕ0) =0) 1,66 20,22 %
03/Bultez/157 25/07/05 16:21 Page 47
Cette relative contre-performance peut s’expliquer, et se trouve contrebalancée, par la prouesse de son groupe d’affiliés, les petits supermarchés de proximité, AD Delhaize (dont la part de marché effective dépasse de loin son niveau prévisible)…
donc partiellement au détriment de son réseau de grands supermarchés (cannibali- sation).
Un affinement de la mesure de la couver- ture géospatiale – intégrant la récence et la rénovation des points de vente, le degré de mixité de leurs statuts (franchise versus succursale), leur dispersion/contiguïté territoriale, etc. sur le marché (Cliquet et al., 2002, p. 248-265) – permettrait sans doute de réduire bien des résidus.
6. Efficacité cumulative du contentement de la clientèle
Les estimations des paramètres relatifs aux effets de la satisfaction produite par la qua- lité de l’offre (βset βx, tableau 3 ; mais plus encore γsetγx, tableau 4) renforcent l’image primitive – aussi tronquée, soit-elle – lais- sée par la figure 3. En particulier, le saut d’un γ^s, pratiquement insignifiant, à un γ^x, aussi considérable queβ^x, confirme l’allure non linéaire, convexe, du tracé initial qui matérialise la croissance des rendements de la quête d’excellence.
Pour mettre en évidence cette courbure remarquable, il suffit de se concentrer sur le ratio de la part de marché observée à celle estimée en ne tenant compte que des effets
Figure 7
EFFET PROPRE DE LA SATISFACTION SUR LA PART DE MARCHÉ
