|
M2-102 Modèles d’aide à la décision en marketing
|
| Master Recherche et Conseil en Marketing & Stratégie |
La spécialité master recherche du Master MARKETING & STRATEGIE
Objectif du séminaire
Dans ce séminaire, par les présentations et les conférences mais aussi par les lectures et les cas d’application, les étudiants auront un aperçu concret des différents modèles utilisés en marketing qu’ils concernent une aide à la décision sur données agrégées ou l’analyse des comportements individuels en vue de la prévision des ventes d’un nouveau produit ou l’évaluation de la valeur d’un client.
Animation
La pédagogie sera "active" : il s’agira de démonstrations d’application et de mise en oeuvre par les étudiants de modèles avec le logiciel SAS. Pour cela il est INDISPENSABLE que les lectures préparatoires à chaque séance soient effectuées avec sérieux. Ce point pourra éventuellement faire l’objet d’un contrôle en cours.
Contrôle
La notation sera basée sur un mémoire reposant sur un modèle à construire par groupe de 2 étudiants (à rendre en séance 7). Une présentation orale du modèle sera faite en séance 7.
Format du mémoire :
— 25 pages maximum sans les annexes (numéroter toutes les pages)
— Annexes pour le programme et les sorties SAS
— Sommaire, synthèse managériale
Proposition de plan :
— Introduction
— I – Description de la catégorie étudiée
— > Le marché, les marques, les variables à expliquer et explicatives
— II – Modélisation des ventes d’une marque
— > En fonction de son mix et de ses concurrents
— > Marque B identifiée dans la base par le n°3 / Année 1999 / Circuit = HM
— III – Simulations
— > Proposition de scénarii pour la marque étudiée
— Conclusion
Data et programme
— Data : dans la partie privée du site
— Programme SAS de démarrage
Lecture obligatoire
Lilien G. et Rangaswamy A. (1998), Marketing Engineering, Addison-Wesley
— Le livre sera prêté et distribué lors de la première séance
Programme 2013
| 1 | 7/1 | 8h30-11h45 | Introduction | |
| 2 | 14/1 | 8h30-11h45 | Modèles agrégés 1 | |
| 3 | 21/1 | 8h30-11h45 | Modèles agrégés 2 | |
| 4 | 28/1 | 8h30-11h45 | Modèles individuels | |
| 5 | 4/2 | 8h30-11h45 | Modèles intégrés | |
| 6 | 11/2 | 8h30-11h45 | Modèles stochastiques | |
| 7 | 18/2 | 8h30-11h45 | Présentations |
| Séance 1 : Introduction |
Plan de la séance
Introduction sur les modèles
Etapes de construction d’un modèle (exemple de la décision de prix)
Initiation au solveur d’excel
Fonctions de réponses
Support de cours
PPT Introduction
Cas en séance
Cas DBM
Outils excel
— Premier modèle basique
— Courbes
— Lois continueset discrètes
A préparer pour la séance 2
Lecture : [ME] Chapitre 1, 2 et 7 (pp.195-203)
PPT Introduction
— Lire : article de Bass à télécharger dans la partie privée du site
| Séance 2 : Modèles sur données agrégées 1 |
Plan de la séance
Application du modèle linéaire sur une fonction de demande
Modèles de diffusion
— Modèle de Parfitt & Collins (Modèle TeSi(c) de GfK)
— Modèle de Fourt & Woodlock
— Modèle de BASS Présentation simplifié, Background & Overview (MkgTool)
Cas
Cas Shamp
Outils excel
— Transformations
— Exercice Bass
A préparer pour la séance 3
Lecture : [ME] Chapitres 2 et 8
Support de cours PPT
Lire : article de Palda à télécharger dans la partie privée du site
| Séance 3 : Modèles sur données agrégées 2 |
Plan de la séance
Modélisation des effets dynamiques (application à la publicité)
— Modèle de Koyck
Modélisation des effets concurrentiels (application aux décisions de distribution)
— Modèle d’attraction
Cas
Lydia PINKHAM : Données (xls)
Lecture :
[ME] Chapitre 5
Modèle d’attraction
A préparer pour la séance 4
Lecture : [ME] Chapitres 3, 7 (184-194) et 10
PPT Introduction
| Séance 4 : Modèles sur données individuelles |
Plan de la séance
Modélisation des préférences
— Analyse conjointe (utilité déterministe)
Modélisation des choix (utilité aléatoire)
— Logit/Probit, Logit multinomial, Logit ordonné, HEV, GEV, Nested Logit
Cas
Cas Mass
Lecture complémentaire :
Test de l’hypothèse IIA pour un logit
Codes SAS
Proc MDC
Outils excel
— Exercice BPTO
A préparer pour la séance 5
Lecture : [ME] Chapitres 4 et 7 (204-211)
Support de cours PPT
PERCEPTOR : Présentation
ASSESSOR : Présentation
| Séance 5 : Modèles intégrés (Prévision des ventes d’un nouveau produit) |
Plan de la séance
Analyses factorielles (ACP, AFACO)
Similarités et perceptions : Analyses multidimensionnelles (MDS)
Perceptor
Assessor
Outils excel
Exercice ASSESSOR
Modèles commerciaux
Price Challenger, GfK
BASES, Nielsen
— site Nielsen
DEFENDER
A préparer pour la séance 6
Support de cours PPT
Capital client (Managing marketing by the customer equity test)
Markus Wübben & Florian v.Wangenheim, Instant Customer Base Analysis : Managerial Heuristics Often “Get It Right”, Journal of Marketing
Vol. 72 (May 2008), 82–93
| Séance 6 : Modèles stochastiques sur données individuelles |
Plan de la séance
Capital et Valeur client
Modèle sans mémoire : achat, attrition,
Modèles avec mémoire : apprentissage & markovien
Modèles stochastiques combinés (niveau marque) :
— Modèle de Hendry Corp.
— Modèle Dirichlet
— Autres modèles combinés (BB / NBD / BBD / BG NBD, Pareto NBD)
Outils excel
Plan commercial
LTV sur un abonnement téléphonique
Markov
NBD negative binomiale
BG NBD Beta géométrique
Modèle de Hendry
Cas
— Cas Don
— Cas Fleur de Beauté
Exercice Customer Equity test
— Simulation excel xls
CD-Now (Fader & Hardie)
— Fader et Hardie, 2004, Value of simple models
— note on implementing
— données xls
— Article Interfaces http://interfaces.journal.informs.org/cgi/content/abstract/31/3_supplement/S94
— Fader, Pattern in online shopping behavior
— BG NBD B. Hardie
— Pareto NBD Fader, Hardie, Lee, "counting your customers the easy way"
Lectures complémentaires
article de fond : Repeat Buying, Ehrenberg
Peter C. Verhoef, Jenny van Doorn and Matilda Dorotic (2007) Customer Value Management : An Overview and Research Agenda, MARKETING · JRM, 2 , pp. 51–68
Svinil Gupta et Valarie Zeitham, Customer Metrics and Their Impact on Financial Performance, Marketing Science, Vol. 25, No. 6, November-December 2006, pp. 718-739
| Séance 7 : Présentations |
Autres ressources
— Modèles multi-niveaux (hiérarchiques) Multilevel Statistical Models, Goldstein, 1995
— Gerard J. Tellis, Philip Hans Franses, 2006, Optimal Data Interval for Estimating Advertising Response , Marketing Science 25, 3, May–June, pp. 217–229
— Feichtinger, Hartl, Sethi, 1994, Dynamic optimal control in advertising models : recent development, Management Science, 40, 3, 193-226
— Yoo, Mandhachitara, 2003, Estimating advertising effects on sales in a competitive setting , Journal of Advertising Research.
— Dekimpe, Hanssens, 1995, The persistence of marketing effects on sales, Marketing Science, 14, 1, 1-21
— Rao, Wind, de Sarbo, 1988, A customized market response model : Development, Estimation, and empirical testing , JAMS, 16,1, 128-140.
— Pollay, Siddarth, Siegel, Haddix, Merrit, Giovino, Eriksen, 1996, The last straw... , Journal of Marketing, 60, 2, 1-16.
— Bagwell, 2005, The economic analysis of advertising, WO, Columbia University.
— Chatterjee S., Shudarshan D., 1994, MARKDEF : A methodology for understanding competitive spaces based on consumer perceptions, Behaviourmetrika, 21, 2, 97-119.
— IRI, 2010, Séminaire IREP, Les nouvelles demandes des annonceurs concernant l’efficacité publicitaire, http://www.offremedia.com/media/deliacms/media//1082/108266-35fd5a.pdf
— Exercice Analyse conjointe
— Exercice Mapping
— Exercice Logit