Worldlex Wiki L'analyse conjointe est une technique statistique basée sur des enquêtes, utilisée en études de marché , qui permet de déterminer comment les gens évaluent les différents attributs (caractéristiques, fonctions, avantages) qui composent un produit ou un service individuel.
L'objectif de l'analyse conjointe est de déterminer l'influence d'un ensemble d'attributs sur les choix ou les décisions des répondants. Dans une expérience conjointe, un ensemble contrôlé de produits ou services potentiels, classés par attribut, est présenté aux répondants. En analysant leurs choix, on peut déterminer la valeur qu'ils attribuent aux attributs des produits ou services. Ces évaluations implicites ( utilités ou valeurs partielles) permettent de créer des modèles de marché qui estiment les parts de marché, le chiffre d'affaires et même la rentabilité de nouveaux produits.
L'analyse conjointe trouve son origine dans la psychologie mathématique et a été développée par Paul E. Green, professeur de marketing à la Wharton School de l'Université de Pennsylvanie . Parmi les autres pionniers de l'analyse conjointe, on peut citer le professeur V. « Seenu » Srinivasan de l'Université de Stanford, qui a mis au point une procédure de programmation linéaire (LINMAP) pour les données ordonnées ainsi qu'une approche auto-explicative, et Jordan Louviere ( Université de l'Iowa ), qui a inventé et développé des approches d'analyse conjointe basées sur le choix et des techniques connexes telles que l'échelle du meilleur et du pire .
Aujourd'hui, elle est utilisée dans de nombreuses sciences sociales et appliquées, notamment en marketing , en gestion de produits et en recherche opérationnelle . Elle sert fréquemment à tester l'acceptation par les clients de nouveaux modèles de produits , à évaluer l'attrait des publicités et à concevoir des services . Elle a été utilisée pour le positionnement des produits , mais certains remettent en question cette application de l'analyse conjointe.
Les techniques d'analyse conjointe, également appelées modélisation compositionnelle multi-attributs , modélisation de choix discrets ou recherche sur les préférences déclarées , font partie d'un ensemble plus vaste d'outils d'analyse des compromis utilisés pour l'analyse systématique des décisions. Ces outils comprennent Brand Price Trade-off , Simalto et des approches mathématiques telles que AHP [ , PAPRIKA les algorithmes évolutionnaires ou l'expérimentation pour le développement de règles.
un plan factoriel fractionnaire afin de réduire le nombre de profils à évaluer, tout en garantissant la disponibilité de données suffisantes pour l'analyse statistique. Il en résulte un ensemble de « profils » soigneusement contrôlé que le répondant doit prendre en compte.Première forme et inconvénients
Les premières formes d'analyse conjointe, apparues dans les années 1970, étaient ce que l'on appelle les études de profil complet. Elles utilisaient un petit ensemble d'attributs (généralement 4 ou 5) pour créer des profils présentés aux répondants, souvent sur des fiches individuelles. Ces derniers classaient ou évaluaient ensuite ces profils. Grâce à une analyse de régression par variables indicatrices relativement simple , on pouvait calculer les utilités implicites des niveaux qui reproduisaient le mieux les classements ou les évaluations des répondants. Ces premières études présentaient deux inconvénients.
Premièrement, le nombre d'attributs utilisés était fortement limité. Avec un grand nombre d'attributs, la tâche de réflexion des répondants devient trop complexe et, même avec des plans factoriels fractionnaires, le nombre de profils à évaluer peut croître rapidement. Afin d'utiliser davantage d'attributs (jusqu'à 30), des techniques conjointes hybrides ont été développées, combinant une auto-explication (évaluation ou classement des niveaux et des attributs) suivie de tâches conjointes. Les questionnaires papier et les questionnaires informatisés adaptatifs sont devenus des options à partir des années 1980.
Le second inconvénient résidait dans le caractère irréaliste des évaluations ou classements de profils, sans lien direct avec la théorie comportementale. Dans la réalité, les acheteurs choisissent parmi des alternatives plutôt que de les classer ou de les évaluer. Jordan Louviere a été le pionnier d'une approche reposant uniquement sur une tâche de choix, qui est devenue la base de de l'analyse de choix discret . Cette recherche sur les préférences déclarées est liée à la modélisation économétrique et peut être associée aux préférences révélées , les modèles de choix étant alors calibrés à partir de données réelles et non de données d'enquête. Initialement, l'analyse conjointe basée sur le choix ne permettait pas d'estimer les utilités individuelles ; les chercheurs ont donc développé des modèles agrégés pour représenter les préférences du marché. De ce fait, elle était inadaptée aux études de segmentation de marché . Grâce aux nouvelles techniques d'analyse bayésienne hiérarchique , il est désormais possible d'estimer les utilités individuelles, offrant ainsi une meilleure compréhension de l'hétérogénéité des préférences entre les individus et les segments de marché.
Collecte d'informations
Les données nécessaires à l'analyse conjointe sont généralement recueillies par le biais d'une étude de marché, bien que cette analyse puisse également être appliquée à un configurateur soigneusement conçu ou aux données issues d'une étude de marché pilote correctement menée . Les règles empiriques des études de marché s'appliquent en matière de taille et de précision de l'échantillon statistique lors de la conception des entretiens d'analyse conjointe.
The length of the conjoint questionnaire depends on the number of attributes to be assessed and the selected conjoint analysis method. A typical adaptive conjoint questionnaire with 20–25 attributes may take more than 30 minutes to complete. Choice based conjoint analysis, by using a smaller profile set distributed across the sample as a whole, may be completed in less than 15 minutes. Choice exercises may be displayed as a store front type layout or in some other simulated shopping environment.
Analysis
Because conjoint designs are complicated, they usually generate substantial measurement error (as indicated by low intra-respondent reliability), which can induce substantial bias in any direction by any amount; this bias must be corrected in statistical analyses of conjoint data. Depending on the type of model, different econometric and statistical methods can be used to estimate utility functions. These utility functions indicate the perceived value of the feature and how sensitive consumer perceptions and preferences are to changes in product features. The actual estimation procedure will depend on the design of the task and profiles for respondents and the measurement scale used to indicate preferences (interval-scaled, ranking, or discrete choice). For estimating the utilities for each attribute level using ratings-based full profile tasks, linear regression may be appropriate, for choice based tasks, maximum likelihood estimation usually with logistic regression is typically used. The original utility estimation methods were monotonic analysis of variance or linear programming techniques, but contemporary marketing research practice has shifted towards choice-based models using multinomial logit, mixed versions of this model, and other refinements. Bayesian estimators are also very popular. Hierarchical Bayesian procedures are nowadays relatively popular as well.analyse d'affaires, illustrée par l'exemple suivant : un promoteur immobilier souhaite construire un complexe d'appartements de grande hauteur à proximité d'une université prestigieuse. Afin de garantir le succès du projet, il fait appel à un institut d'études de marché pour organiser des groupes de discussion avec des étudiants. Ces derniers sont segmentés selon leur année d'études (première année, deuxième année et plus, études supérieures) et le montant de l'aide financière perçue. Les participants sont confrontés à une série de scénarios de choix, présentant différentes options de logement selon six critères : la proximité du campus, le coût, les forfaits de télécommunications, les services de blanchisserie, les plans d'étage et les dispositifs de sécurité. Le coût estimé de construction est identique pour chaque option. Dans chaque scénario, les participants doivent choisir leur appartement préféré. Cet exercice de choix forcé révèle leurs priorités et leurs préférences. Une régression logistique multinomiale permet d'estimer les scores d'utilité pour chaque niveau des six attributs de l'analyse conjointe. À partir de ces scores, il est possible de prédire les préférences du marché pour toute combinaison de niveaux d'attributs décrivant les options de logement potentielles.
Plus d articles de Worldlex Wiki
Revenez a l index pour explorer davantage de pages sur l histoire, la science, la culture, la geographie et la societe en francais.
Explorer l index