Exemple d'utilisation de MULTIVAR dans l'étude du marché des petites voiture (Positionnement, Typologie et Scoring)

Dans le tableau sont présentées les notes moyennes pour plusieurs modèles de petites voitures, données par un échantillon de consommateurs, sur six attributs jugés déterminants. Ces notes ou scores expriment la perception des consommateur vis-à-vis des caractéristiques de modèles. Elle peuvent aider un constructeur de voitures à obtenir une image du marché.
Le nombre d'attributs à prendre en considération simultanément peut sembler trop grand, certains attributs peuvent être jugés comme redondants ou corrélés. Un score élevé pour la vitesse correspond souvent à des notes élevés pour la cylindrée, ou pour la consommation.
Peut on trouver un nombre restreint de dimensions qui expriment et remplacent ces attributs pour obtenir une image plus claire du marché voir même une carte sur laquelle on pourrait placer les modèles ? Cela nous amènes à penser aux techniques de positionnement.
En regardant la carte de positionnement des modèles de voitures, notre constructeur est tenté à identifier les modèles perçus comme proches de son modèle et avec les quelle celui-ci se trouve en concurrence directe. Pour identifier des groupes de modèles similaires ont utilise des techniques de typologie ou classification automatique.
Pour lancer un nouveau modèle un constructeur à besoin de savoir quelles valeurs donner aux caractéristiques (quelle cylindrée, consommation, puissance etc.) pour faire en sorte que le nouveau modèle soit perçu comme appartenant au type ou groupe de modèles préférés par les consommateurs. Le scoring est la méthode à appliquer dans de telles situations.

MULTIVAR prend en charge toutes ces analyses et bien d'autre encore. Voyons ce qu'il faut faire:
On sélectionne le tableau des scores des voitures dans la feuil de calcul et on lance l'option Analyse Multivariée du Menu Excel.

Dans la boite de dialogue des options d'Analyse Multivariée on sélectionne la première des trois analyses prévues, le positionnement numérique (ACP).

Dans la boites de dialogue Analyse en Composantes Principales qui apparaît, la zone d'entrées contient l'adresse du tableau des scores et la zone des résultats indique la cellule qui marque le début de cette zone. Les trois tableaux affichés dans la zone des résultats sont dans l'ordre:

Le tableau des vecteurs et valeurs propres qui sert à déduire les autres deux tableaux. Sur les dernières lignes se trouvent en ordre décroissant les valeurs propres de chaque axe factoriel ou dimension qui remplace le variables originales. Elles expriment la partie de l'information totale qui est captée par chaque dimension. On se rend vite compte que dans le cas étudié les deux premières dimensions (axes) arrivent a capter presque 80% de l'information totale, ce qui nous autorise de dresser une cartes uniquement à partir de ces deux dimensions.
Le deuxième tableau et le graphique qui lui correspond nous permet d'interpréter les nouvelle dimensions en fonctions de l'angle qu'elles forment avec les variables originales. En regardant le graphique le premier axe (horizontale) sera interprété comme une dimension technique par ce qu'elle est corrélé avec la puissance, la vitesse, la cylindrée etc. et le deuxième axe sera interprété comme une dimension qui exprime la commodité de la voiture en raison de sa corrélation avec le volume du coffre et la longueur de la voiture.
Le dernier tableau et le graphique qui lui correspond, donne la carte de positionnement ou le "mapping", c-à-d. les coordonnées des voitures dans le plan défini par les axes factoriels.

En analysant le mapping on peut distinguer un certain nombre de groupes. On applique une procédure de classification automatique pour obtenir un tableau de classification et l'arbre de classification appelé dendogramme. Dans la boite de dialogue de l'option Typologie, la zone d'entrée correspond aux données qui expriment la carte de positionnement c-à-d. le dernier tableau mentionné.

A partir du tableau qui enregistre chaque niveau de la hiérarchie de classification nous appelons une des fonctions matricielles ajoutées à Excel par le programme MULTIVAR qui s'appelle NumClust.

Cette fonction nous permet de nous arrêter dans la hiérarchie de classification au nombre de groupes (clusters) désiré. La fonction retourne un tableau avec deux colonnes, la première indique le numéro d'une observation et la deuxième colonne indique le groupe auquel appartient l'observation. En fonction des valeurs des variables qui caractérisent les groupes on peut essayer de leur donner des noms et de les caractériser, par exemple le groupe des voitures classiques, le groupes des économiques, des puissantes etc. Une classification encore plus intéressante aurait put être celle des individus de l'échantillon qui ont notés les voitures. Les groupes qu'on aurait obtenu, ayant des préférence similaire, constituent des segment de marché. Avec leur politique de marketing les entreprises essayent de cibler certains segments de marché.

Pour préparer le lancement d'un nouveau modèle le constructeur veut que ce modèle soit perçu comme appartenant à un groupe pour le quel demande est croissante (par exemple de groupe 3) et d'éviter que le modèle soit perçu proche du groupe 4 ou 1 ou les ventes sont en baisse. Il a intérêt de trouver les coefficients de pondération des variables qui assurent la meilleure discrimination entre les groupes, par l'intermédiaire de l'analyse discriminante, appelé "scoring" dans la pratique du marketing .

Le mapping qui résulte à ici une autre signification que celui du positionnement. Les axes sont des axes discriminants. Les valeurs propres expriment le pouvoir discriminant de chaque axe. On voit bien dans le tableau mais aussi dans le graphique que sur le premier axe (horizontal) qui a le plus grand pouvoir discriminant les groupes sont bien séparés. Les coefficient de la fonction discriminante se trouvent dans le premier tableau de la zone des résultats dans la colonne du premier axe (le plus discriminant). Avec ces coefficient on pondère les caractéristiques qu'on veut donner au nouveau modèle de voiture, pour obtenir sont score sur l'axe discriminant. Si ce score et proche de celui du centre de gravité du groupe ciblé, le modèle aura des bonnes chances de réussite, sinon on peut ajuster certaines caractéristique afin d'arriver à un score favorable.