Академический Документы
Профессиональный Документы
Культура Документы
Hervé GUYON
Maître de Conférences
Pesor, Université Paris Sud 11
Email : herve.guyon@u-psud.fr
1
L’analyse conjointe discrète : une illustration pour le marché du pneu.
Résumé : L’analyse conjointe est une approche très utilisée par les professionnels pour inférer
les préférences de consommateurs. Depuis plusieurs années l’analyse conjointe discrète s’est
imposée comme la plus efficace en comparaison à l’analyse conjointe traditionnelle. Ce
travail se propose de faire une revue de l’analyse discrète. Nous illustrons nos propos par une
étude menée aux USA sur le marché des pneus grand touristes.
Mots clés : analyse conjointes, approche discrète, préférences, prévisions, pneus
Abstract: Conjoint analysis is a technique heavily used in industry to infer the consumer’s
preferences. Actually, choice based conjoint analysis seems more reliability than rating based
conjoint analysis. This paper proposes a review of choice based conjoint analysis. We
illustrate this by a study made in US on cars tires.
Key words: conjoint analysis, discrete choice, preferences, predictions, tires.
2
INTRODUCTION
Pour Bradlow1 (2005), l’analyse des mesures conjointes représente une des plus grandes
réussites de l’utilisation managériale des résultats de la recherche académique, même si
d’autres procédures méthodologiques sont parfois préférables (Cases et al., 2006 ; Boutrolle et
al., 2007). Lorsque l’on procède à une analyse conjointe deux choix méthodologiques sont
possibles : l’approche dite « discrète » (« discrete choice » ou « choice based », Allenby et al.,
2005) et l’approche traditionnelle (« rating based ») proposée initialement par Green et Rao
(1971), voir Meyer-Waarden et Zeitoun (2005) pour une revue sur l’analyse traditionnelle. La
première présente l’avantage de demander un choix au consommateur plutôt qu’une
évaluation ou une préférence comme dans l’approche traditionnelle (Haaijer et Wedel, 2003).
L’approche discrète remonte aux travaux de Louviere2 (1988) qui ont permis l’intégration de
l’analyse conjointe dans le cadre général de la Random Utility Theory (RUT), (Swait et
Adamowicz, 2001). Lorsque les critères de décision sont quantifiables ou lorsqu'ils sont
logiques (oui/non), la RUT permet de modéliser le comportement d'individus confrontés à des
choix. Cette théorie a été développée initialement en économie pour modéliser par exemple
les choix de transports (Ben-Akiva et Lerman, 1985). Mc Fadden3 a reçu le prix nobel
d’économie (2000) pour ses travaux à ce sujet. Comme toute modélisation, cette approche
repose sur plusieurs hypothèses fondamentales. Parmi celles-ci, on considère qu'un individu
choisit l'alternative qui possède selon lui la plus grande utilité.
1
Professeur à la Wharton School, université de Pensylvanie, co-directeur de la Wharton Interactive Media
Initiative
2
Directeur du Centre for the Study of Choice (CenSoc), Université de Technologie de Sydney
3
Professeur à l'université de Berkeley (Californie)
3
L’ANALYSE CONJOINTE DISCRETE
L’analyse conjointe a été popularisée en marketing par Green et Rao (1971). L’objectif est de
mesurer conjointement un nombre conséquent d’attributs avec différents niveaux chacun. Ce
qui n’est pas estimable en questionnant directement des consommateurs devient réalisable par
un protocole expérimental intégrant simultanément toutes les variables du protocole dans un
seul plan d’expérience. Dans un protocole avec moins de huit attributs dont chacun a moins
de six modalités, l’analyse conjointe est considérée comme très opérationnelle. Différentes
approches d’analyse conjointe ont été proposées.
L’approche traditionnelle propose de faire noter aux interviewés un ensemble de profils. Les
estimations des utilités allouées aux différentes caractéristiques des profils se fait par
régression linéaire. Cette approche traditionnelle est reconnue comme très performante,
cependant elle a été supplantée depuis une dizaine d’années par les approches dites discrètes,
notamment aux USA. L’approche discrète a bénéficié des progrès effectués en économie dans
la modélisation des choix, initiés par les travaux de Mc Fadden au cours des années 1970. Ces
travaux sur la modélisation des choix ont été transposés au marketing dans les années 1980.
Dans le cadre des Mesures Conjointes discrètes, le plan d'expérience cherche à s’approcher le
plus possible de la réalité. Pour ce faire, on présente aux interviewés des produits (profils)
similaires aux produits réellement commercialisés (Allendy et al., 2005). A la différence de
l’analyse traditionnelle, on ne présente pas les profils qu’une seule fois. On présente des
« jeux de profils », c'est-à-dire quelques profils différents dans chaque jeu. L’interviewé ne
doit choisir qu’un seul profil par jeu. Cette tâche de choisir un profil parmi quelques profils
est répétée un certain nombre de fois. La grande différence entre cette approche et l’approche
traditionnelle est dans l’absence de notation (ou d’ordonnancement) des profils. En analyse
discrète, l’interviewé fait des choix réels (nous donnons en annexe B une partie du
questionnaire qui illustre cela).
L’attraction d’un produit est ainsi modélisée mathématiquement par ce que l’on appelle le
multinomial logit ( MNL) qui a valu à Mc Fadden le prix Nobel d’économie en 2000. Ce
modèle mathématique est utilisé pour estimer les paramètres d’une régression faite avec des
variables explicatives qualitatives (ici les modalités des attributs) sur des variables de choix
non ordonnées (ici les choix successifs d’un profil dans un jeu de profils). Ce modèle calcule
4
la probabilité de choisir le profil « j » lors du jeu « i » à partir d’une fonction d’utilité
linéaire4.
La lacune essentielle de cette approche discrète était encore récemment de ne donner des
estimations des utilités que pour l’ensemble de la population. Depuis quelques années la
régression bayésienne hiérarchique (HB) s’est imposée comme la solution pour contourner
cette limite. Cette méthode utilise le théorème de Bayes. On suppose que la loi « a priori » de
la population est proche d’une loi normale. On peut par un algorithme de simulations
(MCMC) estimer les lois « a postériori » des interviewés et donner des utilités individuelles.
Ainsi, tout en gardant le cadre théorique du multinomial logit model, la régression bayésienne
hiérarchique associée aux Mesures Conjointes discrètes permet aujourd’hui d’estimer pour
chaque individu des utilités individuelles (Allendy et al., 2005).
Comme tout protocole expérimental, le protocole d’une Mesure Conjointe présente des
limites comparativement au processus de choix d’un consommateur (Allenby et al., 2005) : a)
Lors d’une Mesure Conjointe , le choix à faire est clairement posé, ce qui entraîne une
décision plus rationnelle qu’en situation réelle. b) Les critères de choix sont déterminés par
l’expérimentateur. c) La motivation du décideur est faible comparativement à l’achat réel. d)
Le contexte du laboratoire est abstrait.
4
Pour de plus ample explications mathématiques, se référer à l’article de Bentz et Merunka (1996)
5
proposée, le Randomized First Choice (Huber, Orme et Miller, 2003). Les estimations des
utilités se font comme pour une Mesure Conjointe discrète, par le MNL et la régression
bayésienne hiérarchique. Les prévisions des parts de préférences utilisent les estimations ainsi
obtenues, mais en les intégrant dans un algorithme itératif qui tient compte de la proximité des
profils en compétition. La modélisation RFC ne souffre pas de l'hypothèse des alternatives
non pertinentes (Huber, Orme et Miller, 2003). Peu de travaux académiques ont été effectués
sur le RFC. Cependant il semble reconnu comme l’alternative la plus pertinente actuellement
pour effectuer des prévisions (McCullough, 2002 ).
Les Mesures Conjointes discrètes, estimées par la régression bayésienne hiérarchique sont
reconnues unanimement comme très performantes (Allenby et al., 2005). Cependant bien des
questions restent d’actualité pour un manager soucieux d’utiliser une telle approche. Quelles
variables introduire ? Quel plan d’expérience retenir ? Faut-il introduire une non-réponse dans
les choix proposés ?
Les attributs doivent être choisis de façon pertinente par une étude qualitative et un pretest
préalable, par exemple le protocole de détection « d'attributs importants » (Vernette et
Giannelloni, 1997). Allenby et al. (2005) rappellent qu’il faut des attributs simples et factuels
et que l’amplitude d’une modalité doit refléter l’amplitude réelle observée sur le marché visé.
Le plan ne doit pas générer une demande d’information trop importante (6 attributs différents
avec 3-4 modalités sont généralement considérés comme une limite). Les Mesures Conjointes
intègrent le plus souvent la marque et le prix qui sont en général les premiers critères de
choix. Un biais dans les résultats peut apparaitre si les différents attributs ont un nombre de
modalités très différent. Les attributs ayant le plus grand nombre de modalités semblent
artificiellement plus importants pour le répondant et génèrent une sur-évaluation des utilités
associées (connue comme Number Of Level effect). A ce biais méthodologique semble
s’ajouter un biais inverse avec la régression bayésienne hiérarchique. Les attributs avec le
plus grand nombre de modalités peuvent être sous-évalués. Les deux effets ne se contrecarrant
pas forcément, il est recommandé de prendre des attributs avec un nombre si ce n’est
identique, du moins relativement proche, de modalités.
6
Le « non choix »
Les Mesures Conjointes discrètes autorisent l’introduction d’une option « non choix ».
L’avantage du non choix est de permettre de ne pas devoir impérativement choisir un produit
si aucun de ceux proposés dans un jeu de profils n’est attractif pour le répondant. En général,
l’introduction du « non choix » améliore l’estimation des utilités. Le non choix est souvent
introduit comme option après que l’interviewé ait choisi un profil (on parle alors de « choix
emboîtés » ou de « méthode duale »). Les résultats expérimentaux montrent que le processus
de décision semble efficacement inféré par cette méthode duale.
Le plan d’expérience
Le plan expérimental est double en Mesure Conjointe discrète. Le premier est un plan pour
construire les profils qui seront présentés aux répondants. Le second est un plan qui détermine
quels profils seront intégrés aux différents jeux de profils présentés au répondant. Si la
première phase est identique à celle de l’approche traditionnelle, pour la seconde plusieurs
solutions différentes ont été proposées.
Le nombre de profils par jeux doit être le plus élevé possible sans rendre la tâche trop difficile
(trop coûteuse en énergie cérébrale) pour éviter que le répondant choisisse systématiquement
la non réponse. 5 à 6 profils par tâche sont en général retenus. Une solution consiste à utiliser
un nombre de profils identique au nombre d’attributs. Pour construire un plan efficace des
jeux de profils présentés, il existe plusieurs algorithmes, mais aucun n’est supérieur aux autres
sur tous les critères. La recherche actuelle essaye de trouver des plans expérimentaux
interactifs, adaptés à chaque interview (« adaptatif design ») (Toubia et al., 2007). Cette
approche prometteuse ne montre pas de qualités réellement supérieures à l’heure actuelle
(Louviere et al., 2005). Par contre des essais comparatifs tendent à montrer l’efficacité de
l’approche dite « aléatoire ».
Nous proposons d’illustrer l’analyse conjointe discrète par une étude sur des pneumatiques
menée par un industriel du pneu automobile. Cette étude a été réalisée au printemps 2007 aux
USA et les résultats sont confidentiels. Nous ne donnerons que des informations tronquées ou
maquillées.
7
Les objectifs de l’étude
Le plan expérimental
Les variables introduites dans cette étude ont été choisies par un comité d’experts interne. La
marque a été retenue car cette variable est centrale dans le processus de choix du
consommateur, mais l’étude a en fait utilisé une variable marque-produit : un seul produit
type connu des consommateurs impliqués a été retenu pour chaque marque. Le prix a été
retenu afin de mesurer le consentement à payer pour des améliorations techniques avec 5 prix
pour avoir un nombre de niveaux identiques avec celui de la variable « marque ». La durée de
vie a été codifiée en 5 modalités (en miles). Une étude qualitative révèle que les acheteurs
usent de deux grands critères pour juger un pneu : la sécurité et le confort. Ces dimensions ont
été décomposées en deux pour chacun d’entre eux. « Tenue de route sur sol sec » et
« Distance de freinage sur sol mouillé » pour la sécurité. « Absorption des bruits de roulage »
et « Atténuation du relief de la route » pour le confort. La longévité a été introduite sous
forme de valeurs objectives car cette variable semble être intégrée pour l’ensemble des
conducteurs (études antérieures de l’industriel). Par contre les dimensions de confort ou de
sécurité ne sont pas compréhensibles à partir des termes techniques usuels de la profession.
L’objectif étant de mesurer l’attractivité relative de ces critères les uns par rapport aux autres,
ces variables ont été codées sur des échelles de 3 à 5 étoiles (échelles usuelles aux USA).
Différentes études (qualitatives et quantitatives) menées aux USA par l’industriel montrent
que dès qu’un pneu est décrit comme ayant une fiabilité « inférieure au standard » sur un
critère lié à la sécurité routière, il sera rejeté car générant la peur de l’accident (et de la
responsabilité morale de l’acheteur du pneu). Nous n’avons de ce fait pas introduit des
niveaux inférieurs au standard (une étoile ou deux étoiles). Trois étoiles indiquent que le pneu
8
est standard sur ce critère ; quatre étoiles indiquent qu’il est meilleur que le standard ; cinq
étoiles indiquent qu’il est excellent sur ce critère.
Le plan expérimental a été sur la base d’un plan factoriel pour générer les profils, suivi d’un
plan avec tirage aléatoire pour les différents jeux de profils. Pour ne pas rendre la tâche trop
fatigante, 5 pneus étaient présentés à chaque fois (un par marque). Chaque répondant a eu 18
tâches (18 jeux de profils avec un choix à chaque fois), cf annexe B.
Les résultats
Les utilités ont été estimées par régression bayésienne hiérarchique à partir d’un modèle
MNL. Nous ne donnerons que les importances relatives des différentes variables.
Au-delà de la marque et du prix qui sont les premiers critères de préférence, la longévité du
pneu est un enjeu primordial pour ce marché. Une meilleure performance sur ce critère est
souvent antinomique avec celui d’une meilleure tenue de route, un pneu plus tendre
permettant une meilleure adhérence. De même, une amélioration de la dimension confort
nécessite une gomme plus tendre (entrainant entre autre une perte de nuisance sonore), qui
implique une résistance moindre au choc et une longévité moindre. L’objectif pour l’industriel
est d’optimiser son offre produit en fonction des attentes des consommateurs. Des
segmentations ont été effectuées permettant de déceler des niches de consommateurs se
différenciant sur ces critères. Les résultats proposés ici sont légèrement déformés par rapport
aux vrais résultats pour cause de confidentialité.
Au final, une segmentation avec 3 segments différents a été retenue pour son caractère
opérationnel. Les « conforts » qui se focalisent sur les critères liés au confort ; les
« économes » qui ne regardent que les variables qui assurent une économie ; les « prudents »
qui prennent comme critère la marque et la sécurité.
9
Variables Confort (30 %) Economes (45 %) Prudents (25 %)
Marque 30 17 32
Prix 9 32 10
Longévité 10 27 8
Distance de freinage sur sol mouillé 10 6 21
Tenue de route sur sol sec 7 7 16
Bruit de roulage 17 4 8
Absorption du relief de la route 17 7 5
Ces trois segments permettent d’envisager un marketing mix différencié. Une qualification de
ces segments par des variables comportementales ou signalétiques a été effectuée. Les
résultats sont confidentiels et ne sont pas publiés dans cet article.
Les prévisions
Un marché type a été simulé avec 5 produits actuels, un pneu par marque. Le pneu de
l’industriel, pour qui l’analyse est faite, est le produit A. Les 4 concurrents sont notés de B à
E. Nous avons utilisé le modèle de prévision le plus usuellement utilisé, le MNL, et le RFC
afin de comparer les résultats. Nous donnons des résultats légèrement modifiés pour illustrer
l’utilisation du RFC.
A B C D E
MNL 30 15 27 20 8
RFC 28 16 27 21 9
Les résultats sont assez proches entre les deux modèles prévisionnels.
10
n’intègre donc pas la cannibalisation spécifique entre A et A’. Le RFC intègre lui dans ses
calculs cette proximité relative de façon « optimale ».
Produits A A’ B C D E
MNL 15 20 13 24 20 15
RFC-HB 25 18 12 23 16 6
Cet exemple illustre le peu de fiabilité des résultats issus du MNL quand nous effectuons des
simulations sur des produits relativement similaires (introduction d’une innovation dans un
produit par exemple). L’algorithme RFC intègre la similarité des profils et évite ainsi un biais
important. Nous ne donnons par la suite que les parts de marché estimées par le RFC.
Tableau 5 : Scénario 3
Produits A A’ B B’ C D E
MNL 11 18 11 12 21 19 8
Ces résultats montrent la fragilité quant à la capacité d’étendre les parts de marché par
l’innovation proposée par le produit (A’). La marque B en proposant (B’) semble gagner une
grande partie du marché potentiel existant sur la niche ciblée par ces innovations.
Ces résultats ne sont qu’illustratifs de l’outil de simulation lié aux Mesures Conjointes
discrètes utilisant le RFC. Il faudrait analyser par segments, valider les busines modèles liés
aux différents scenarios, pour valider sur le plan industriel les différentes stratégies.
DISCUSSION
Notre travail a pour objet d’illustrer par un exemple l’usage de l’analyse conjointe pour les
professionnels dans le cadre des pneumatiques. L’enjeu pour un industriel de pneumatiques
est d’offrir un pneu « confortable », « sécurisé » et « résistant ». Or la dimension confort
nécessite généralement une gomme plus souple, entrainant entre autre une perte de nuisance
sonore, qui implique une résistance moindre au choc et une longévité moindre. De même, un
pneu plus tendre permet une meilleure adhérence. L’étude effectuée a permis de déterminer
les différentes solutions optimales répondant aux attentes des consommateurs. Au-delà de la
mesure de l’attraction de l’innovation, les Mesures Conjointes permettent de hiérarchiser les
variables importantes, leurs niveaux respectifs. Des segmentations permettent de mieux
11
comprendre les attentes de certaines niches de consommateurs. L’équipe marketing et le
secteur R&D ont qualifié en termes techniques les niveaux retenus comme optimaux. Un
cahier des charges a été donné au secteur R&D pour faire des prototypes de ces pneus. La
réelle solution industrielle est en cours de réalisation.
Si le processus de décision du consommateur n’est que grossièrement estimé par une Mesure
Conjointe discrète, il permet cependant d’apporter certaines réponses clés.. De plus, les
mesures conjointes discrètes permettent d’élaborer des scénarios pour essayer d’anticiper les
conséquences de choix marketing. Cependant, les résultats ne sont pas des réelles prévisions
de parts de marché, mais juste des prévisions de parts de préférence. De la préférence à
l’achat il y a un pas que les Mesures Conjointes ne peuvent prévoir. Sans apporter toutes les
réponses, les Mesures Conjointes discrètes confirment leur efficacité dans une réflexion
marketing. Cet usage des mesures conjointes discrètes est devenu relativement usuel aux USA
et dans un grand nombre d’instituts en France. Ce qui est moins usuel est l’utilisation du
modèle RFC pour effectuer des prévisions. Le RFC semble théoriquement la meilleure voie
actuelle pour effectuer des prévisions, mais il faudrait développer des études comparatives,
tant sur le terrain académique qu’industriel, pour valider définitivement sa pertinence par
rapport aux autres modèles prévisionnels. Notamment, le différentiel de gain de fiabilité
obtenu vis-à-vis du modèle prédictif MNL, très couramment utilisé, mériterait une étude par
simulations (Monte Carlo). Ce travail reste à faire.
12
ANNEXE A : LE PROBLEME DE L’HYPOTHESE DES ALTERNATIVES NON PERTINENTES
Cette hypothèse stipule que les covariances entre profils sont nulles. Ainsi, si une nouvelle
alternative est ajoutée à l'ensemble des profils en compétition, la probabilité de choix de
chaque profil existant sera calculée sans tenir compte du positionnement perceptuel des
alternatives, problème généralement illustré par le cas des « bus rouges et bus bleus » que
nous développerons ultérieurement. Supposons que nous ayons effectué une analyse conjointe
comparant l'utilisation des bus et celle de la voiture. Supposons que l'utilité globale de la
voiture soit 3 et celle des bus 1.
Voiture Bus
Utilités 3 1
Supposons que les bus du parc soient rouges, et que la compagnie décide d'en colorer la
moitié en bleu. Nous devrions retrouver une probabilité globale pour les bus rouges et les bus
bleus pratiquement identique à celle des bus avant l'introduction des bus bleus. Or, de manière
mécanique, les modèles probabilistes vont considérer les bus bleus comme un troisième
moyen de transport complètement indépendant des bus rouges et des voitures. La part de
marché de la voiture va diminuer avec la séparation du profil "Bus" en deux profils "Bus
rouges" et "Bus bleus", ce qui est illogique.
Utilités 3 1 1
13
ANNEXE B : LE QUESTIONNAIRE
Les interviewés ont eu 18 jeux de profils, chaque jeu proposait 5 profils différents et les interviewés
devaient en choisir un par jeu (ou ne pas faire de choix). La méthode était duale ; dans un premier
temps les interviewés désignent le profil préféré puis disent s’ils seraient prêts à l’acheter.
Exemple d’un jeu où les interviewés doivent choisir un seul profil, sachant qu’ils avaient 18 questions
identiques à celle-ci (18 jeux de cinq profils, devant choisir un profil parmi les cinq pour chaque jeux
présentés) :
« a) Parmi les cinq pneus suivant, choisissez celui que vous préférez
14
Références bibliographiques
Allenby G., Fennell G., Huber J., Eagle T., Gilbride T., Horsky D., Kim J., Lenk P., Johnson
R., Ofek E., Orme B., Otter T. et Walker J. (2005) - Adjusting Choice Models to Better
Boutrolle I., Combris P., Abiven F., Arranz D., Danzart M., Delarue J. (2007) - Proposition
Bradlow E. (2005) - Current issues and a ‘wish list’ for conjoint analysis, Applied Stochastic
Cases A.-S., Fournier C., Dubois P.-L. (2006) - Étude de l'influence des caractéristiques d'un
209, 4, p7-23
Haaijer R. (1999) - Modeling conjoint choice experiments with the probit model. Groningen,
Labyrint.
Huber J., Orme B. et Miller R. (2003) - Dealing with product similarity in conjoint
15
Jourdan P. (2008) - le capital marque : en quoi la catégorie de produit influence-t-elle le rôle
de la marque dans le choix du produit ? Revue Française de Marketing, 216, 1/5, p25-42
Karniouchina E.V., Moore W.L., Van der Rhee B. et Verma R. (2009) - Issues in the use of
ratings-based versus choice-based conjoint analysis, European Journal of Operational
Research, 197, 1, p340-348.
Louviere, Jordan J. (1988), Analyzing Decision Making: Metric Conjoint Analysis, Newbury
Louviere J., Train K., Ben-Akiva M., Bhat C. Brownstone D., Cameron T., Carson R.,
Deshazo J., Greene W., Hensher D., Waldman D. (2005) - Recent Progress on
23.
Swait J et Adamowicz W. (2001) - Choice complexity and decision strategy selection, Journal
Toubia O., Hauser J., Garcia R. (2007) - Probabilistic Polyhedral Methods for Adaptive
p596-610.
16
Vernette E. et Giannelloni J.-L. (1997) - Implication et méthode d'identification de critères de
17