L’analyse conjointe

Contenu adapté de “Etudes marketing”, Malhotra, Décaudin, Bouguerra, Bories, 6ème édition, Pearson.

L’analyse conjointe a pour but de déterminer l’importance relative que les consommateurs attachent aux attributs fondamentaux et aux utilités des niveaux des attributs.

Ces informations sont déduites de leurs évaluations des marques composés de ces attributs et de leurs niveaux.

Des stimuli, combinaisons de niveaux d’attributs, sont présentés aux individus, qui doivent les évaluer selon leur attrait.

Les procédures conjointes ont pour but d’estimer les niveaux de chaque attribut afin que les valeurs résultantes ou les utilités attachées aux stimuli concordent, autant que possible, avec les évaluations de départ fournies par les répondants.

L’hypothèse fondamentale est que tout ensemble de stimuli tel que produits, marques, ou magasins est évalué en tant que groupe d’attributs.

L’analyse conjointe repose sur les évaluations subjectives des personnes interrogées à l’égard de combinaisons de niveaux d’attributs déterminés à l’origine par l’enquêteur. Elle vise à développer les fonctions d’utilité déduites des niveaux de chaque attribut.

Les différentes objectifs de l’analyse conjointe

Déterminer l’importance relative d’attributs dans le processus de choix des consommateurs.

Estimer la part de marché des marques qui différent quant aux niveaux des attributs.

Déterminer la composition des marques les plus appréciées.

Notions statistiques et termes associés à l’analyse conjointe

Les termes importants et les notions statistiques associés à l’analyse conjointe comprennent :

Les fonctions d’utilité : Elles décrivent l’utilité que les consommateurs attachent aux niveaux de chaque attribut.

Les coefficients de pondération de l’importance relative : Estimés, ils indiquent quels attributs sont importants dans l’influence du choix di consommateur.

Les niveaux d’attributs : Ils dénotent les valeurs prises par les attributs.

Les profils complets : Ils sont construits en fonction de tous les attributs en utilisant les niveaux d’attributs spécifiés par le plan.

Les tableaux de paires : Ils servent pour les personnes interrogées, à évaluer deux attributs simultanément et ce, jusqu’à ce que toutes les paires d’attributs aient été considérées.

Les plans en bloc incomplet : Utilisés pour réduire le nombre de comparaisons de paires.

Les plans factoriels fractionnaires : Utilisés pour réduire le nombre de profils de stimulus à évaluer pour la méthode du profil complet.

Les plans en carré latin : Ils forment une classe spéciale de plans factoriels fractionnaires qui permettent une estimation efficace de tous les effets principaux.

La validité interne : Elle implique une corrélation entre les évaluations prédites pour les stimuli de validation et celles obtenues à partir des personnes interrogées.

Méthodologie de l’analyse conjointe

Les différentes étapes de l’analyse conjointe sont :

1. La formulation du problème
2. La construction des stimuli
3. Le choix de la forme des données de départ
4. Le choix d’une méthode d’analyse conjointe
5. L’interprétation des résultats
6. L’évaluation de la fiabilité et de la validité

1. La formulation du problème

2. La construction des stimuli

Deux méthodes générales peuvent être utilisées pour la construction des stimuli : la méthode par paires et la méthode du profil complet.

Dans la méthode par paires, aussi dénommée “évaluations à deux facteurs”, les personnes interrogées évaluent deux attributs en même temps jusqu’à ce que toutes les paires d’attributs possibles aient été évaluées. Pour chaque paire, toutes les combinaisons de niveaux des deux attributs sont évaluées.

Dans la méthode du profil complet, également appelée “évaluations à facteurs multiples”, les profils complets ou entiers de marques sont construits pour tous les attributs. Typiquement, chaque profil est décrit sur une carte séparée.

Il n’est pas nécessaire d’évaluer toutes les combinaisons possibles, et ce n’est pas faisable dans tous les cas. Dans la méthode par paires, il est possible de réduire le nombre de comparaisons par paire en utilisant des plans en bloc incomplet. De même, dans la méthode du profil complet, le nombre de profils de stimulus peut être nettement diminué au moyen de plans factoriels fractionnaires. Une estimation efficace de tous les effets principaux est possible grâce à une classe spéciale de plans fractionnaires, appelés carrés latins. Ils permettent de mesurer tous les effets principaux intéressants sur une base non corrélée et supposent que toutes les interactions sont négligeables. Généralement, deux ensembles de données sont obtenus, l’un, l’ensemble d’estimation, est utilisé pour calculer les fonctions d’utilité pour les niveaux d’attributs, tandis que l’autre, l’ensemble de validation, l’est pour évaluer la fiabilité et la validité.

L’avantage de la méthode par paires est que les personnes interrogées fournissent les réponses facilement. Cependant, son inconvénient relatif est qu’elle nécessite plus d’évaluations que la méthode du profil complet. Par ailleurs, le travail d’évaluation peut être irréaliste lorsque seulement deux attributs sont évalués simultanément. Alors que les deux méthodes présentent des utilités comparables, la méthode du profil complet est plus fréquemment utilisée.

3. Le choix de la forme des données de départ

Les données de départ de l’analyse conjointe peuvent être métriques ou non métriques. Dans ce dernier cas, on demande généralement aux personnes interrogées d’ordonner les évaluations des rangs.

Pour la méthode par paires, les individus classent toutes les cellules de chaque matrice selon leur intérêt.

Pour la méthode du profil complet, ils classent tous les profils de stimulus. Les rangs impliquent des évaluations relatives des niveaux d’attributs. Certains pensent que de telles données reflètent précisément le comportement des consommateurs sur le marché.

Dans la forme métrique, les personnes interrogées fournissent des évaluations plutôt que des rangs. Les jugements sont généralement rendus indépendants. Les défenseurs des données d’évaluation pensent qu’elles sont plus pratiques pour les répondants et plus aisées à analyser que les rangs. Cette méthode est devenue de plus en plus fréquente.

Dans l’analyse conjointe, la variable dépendante est généralement la préférence ou l’intention d’acheter. En d’autres termes, les personnes interrogées fournissent des évaluations ou des rangs selon leur préférence ou leurs intentions d’achat. Cependant, la méthodologie de l’analyse conjointe est flexible et peut s’appliquer à d’autres variables dépendants, y compris l’achat réel ou le choix.

4. Le choix d’une méthode d’analyse conjointe

Le modèle de l’analyse conjointe de base peut être représenté par la formule suivante :

U(x) = Utilité globale d’une alternative

u_i,j=l’utilité associée au j^ème niveau (j,j =1,2,…k_i) du i^ème attribut (i, i=1,2, …m)

k_i = nombre de niveaux de l’attribut i

m = nombre d’attributs

x_i = 1 si le j^ème niveau du i^ème attribut est présent

x_i = 0 autrement

L’importance d’un attribut, I_i, est définie selon l’étendue des utilités, u_i,j, à travers les niveaux de cet attribut :

I_i = { max(u_ij) – min (u_ij) } , pour chaque i

L’importance de l’attribut est réduite afin d’identifier son importance relative par rapport à d’autres attributs, W_i :

Tel que :

L’estimation du modèle de base :

Plusieurs procédures différentes sont disponibles pour l’estimation du modèle de base. La plus simple, et la plus populaire, est la régression avec des variables dichotomiques.

Les variables explicatives sont des variables dichotomiques pour les niveaux d’attributs. Si un attribut a K_i niveaux, il est codé selon K_i-1 variables dichotomiques. Si les données obtenues sont métriques, les estimations, supposées être à intervalles réguliers, forment la variable à expliquer.

Si les données sont non métriques, les rangs peuvent être convertis en 0 ou en 1 en faisant des comparaisons par paire entre les marques. Dans ce cas, les variables explicatives représentent les différences dans les niveaux d’attributs des marques comparées. Il existe d’autres méthodes appropriées pour les données non métriques telles que LINMAP, MONANOVA ou le modèle LOGIT.

Le niveau d’analyse

Les données peuvent être analysées au niveau individuel ou à un niveau agrégé.

Dans le cas de l’analyse au niveau individuel, les données de chaque individu sont analysées séparement.

Dans le cas de l’analyse au niveau agrégé, il faut imaginer des méthodes pour regrouper les individus. Une approche fréquente consiste tout d’abord à estimer au niveau individuel les fonctions d’utilité. Les individus sont ensuite regroupés sur la base de la similitude de leurs utilités. Une analyse d’ensemble est ensuite menée pour chaque groupe. Un modèle approprié pour estimer les paramètres doit enfin être spécifié.

5. L’interprétation des résultats

Pour interpréter les résultats, il est utile de tracer le graphique des fonctions d’utilité.

6. L’évaluation de la fiabilité et de la validité

Il existe plusieurs méthodes pour évaluer la fiabilité et la validité des résultats de l’analyse conjointe :

La qualité d’ajustement du modèle doit être évalué. Si on utilise la régression avec une variable dichotomique, la valeur R² indiquera la mesure dans laquelle le modèle est adapté aux données. Les modèles mal ajustés sont considérés comme “suspects”.

La fiabilité du test/re-test peut être évaluée en utilisant quelques jugements répliqués dans la collecte de données. En d’autres termes, plus tard, dans le questionnaire, on demande aux personnes interrogées d’évaluer une seconde fois certains stimuli choisis. Les deux valeurs sont ensuite corrélées pour évaluer la fiabilité du test/re-test.

Les évaluations pour les stimuli de validation peuvent être prédites par les fonctions d’utilité estimées, puis corrélées avec celles obtenues des personnes interrogées pour déterminer la validité interne.

Si une analyse au niveau de l’ensemble a été menée, l’échantillon d’estimation peut être divisé de différentes façons et une analyse conjointe conduite sur chaque sous-échantillon. Les résultats sont comparés entre les sous-échantillons pour évaluer la stabilité des solutions.