Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

COURS EXPERTISE STATISTIQUE EN MARKETING 1. Objectifs pédagogiques  Identifier

COURS EXPERTISE STATISTIQUE EN MARKETING 1. Objectifs pédagogiques  Identifier le bon test statistique à réaliser compte tenu de la problématique managériale marketing  Opérer des tests statistiques sur le logiciel JAMOVI  Savoir interpréter les outputs des tests statistiques  Proposer la bonne décision managériale à prendre suite aux résultats des tests statistiques 2. Contenu du cours ESM 1) Manipulation de JAMOVI et préparation des données 2) Test de Khi-deux 3) Test de Pearson 4) Test de Spearman 5) Test de comparaison de moyennes sur échantillons indépendants 6) Test de comparaison de moyennes sur échantillons appariés 7) Test d’ANOVA un facteur 8) Test de régression linéaire simple 9) Test de linéaire multiple 10) Test de régression logistique  Volume horaire : 20h  Agenda du cours : fin en principe le 17 mars  Évaluation : Examen final classique -> partiel Pour les variables qualitatives, je ne peux calculer que les fréquences. Variable nominale -> on ne peut pas calculer la moyenne, la médiane etc mais juste les fréquences I- Manipulation de JAMOVI et préparation des données  Importer base « open »  Faire ajustement notamment sur types de variables dans onglet « variables ». Double cliquer sur chaque variable pour changer type ou autre ( voir questionnaire de base). « Description » c’est pour écrire la question mais pas obligatoire  Traitement données -> onglet « analyses » , « exploration », « descriptives » On choisit les variables auxquelles on s’intéresse pour les décrire . Exemple : on s’intéresse à la variable âge Descriptives « variables across columns » Interprétation : 25% des répondants ont moins de 20 ans Plus l’écart type est élevé, plus les variables sont hétérogènes : standard deviation 7,48 Pour avoir graphique -> plots « histogram » C’était pour les variables quanti Pour les variables quali -> faut tout découcher, écart type, médiane, moyenne -> pas de sens de le calculer pour variables quali. Par contre on peut cocher « frequency tables » La majorité des valeurs s’approchent de la moyenne. On peut utiliser la moyenne comme indicateur de comparaison. La moyenne n’est pas toujours un indicateur de comparaison ! La distribution suit-elle un loi normale ? Oui Les premiers indicateurs peuvent êtres représentes graphiquement sous forme de boite à moustache. C’est un graphique très intéressant qui synthétise ces informations. Plot < Box plot (boite à moustache) 3. Analyses préliminaires sur les données  Boites à moustaches : représenter plusieurs indicateurs sur un seul graphique – min et max de la série - 3e quartile - médiane - 1er quartile - valeurs extrêmes Obj : capacité a combiner plusieurs variables La ligne inférieure c’est le 1er quartile La ligne supérieure de la boite est le 3e quartile = Boîte qui vient décrire de manière statistique et visuelle l’ensemble des variables descriptives VOIR SLIDE On peut modifier les titres de la boite à moustache en allant dans Edit Pour les variables qualitatives (nominales et ordinales) Cliquer sur « frequency tables » pour avoir les % Les 3 points verticaux en haut à droite pour changer couleur par ex Pour rajouter les packages, il faut aller dans « module » < manage installed Quand on croise 3, 4 ou 5 variables et qu’on s’intéresse à une variable quanti, je pourrai utiliser les boîtes à moustache. Comment faire un score moyen par ex Data < compute Tests statistiques Transformation de variables Data < transform Using transform < Add recode condition puis changer type de variable à nominale Filtrage Data < filters Peut être activé ou désactivé, et même supprimé et caché Erreur dans le 2e point « 18 à 24 ans » 1) 2) 3) <= car « non satisfait » Puis je cherche dans Analyse < exploration < descriptive < montant de la commande Rattraper 3 cours ! 7. Test de régression linéaire simple  Ce test vise à examiner l’existence d’une relation de cause à effet entre une variable indépendante quantitative et une variable dépendante quantitative  Ce test permet de modéliser une relation linéaire entre deux variables à l’aide d’une équation mathématique : Y=a x+b  Elle indique si la variable indépendante explique une partie de la variable dépendante Exemples :  La satisfaction des clients a-t-elle un effet positif sur la part de marché ? Si oui, de combien la part de marché peut augmenter lorsque le niveau de satisfaction augmente de 1 point ? Exemple : la satisfaction globale influence-t-elle l’intention de revenir au restaurant ? La satisfaction La part de marché Étape 1 :  D’abord, il faut analyser s’il y a un effet de la variable indépendante sur la variable dépendante. Pour cela, il faut interpréter les résultats du test F  Nous constatons dans le tableau ci-dessus qu’il y a une relation statistiquement significative entre la variable dépendante (l’intention de revenir) et la variable indépendante (satisfaction). La satisfaction explique significativement l’intention de revenir au restaurant Exemple : la satisfaction globale influence-t-elle l’intention de revenir au restaurant ? Étape 2 :  R² (R-deux) indique la proportion de variance totale de l’intention de revenir expliquée par la satisfaction globale  La satisfaction explique 1,69% de la variabilité de l’intention de revenir au restaurant  Il est compris entre 0 et 1  R² = 0 : la variable indépendante n’explique rien  R2 = 1 : la variable indépendante explique complètement Y Exemple : la satisfaction globale influence-t-elle l’intention de revenir au restaurant ? Étape 3 :  La satisfaction a un effet significatif et positif sur l’intention de revenir au restaurant  Y = a X + b avec a = coeff non standardisé 0,2  L’intention de revenir = 0,200 (coeff non standardisé) satisfaction + 3,913  Si la satisfaction augmente de 1 point, l’intention de revenir augmente 0,2 point 8. Test de régression linéaire multiple  Ce test vise à expliquer la variance d’une variable dépendante à l’aide d’une combinaison de plusieurs facteurs explicatifs (variables indépendantes)  Ce test permet de modéliser cette relation linéaire à l’aide d’une équation mathématique : Y=a1x1+a2x2+an xn+...b Exemple :  Est-ce que la part de marché varie en fonction du niveau de satisfaction des clients, du nombre …… Exemple : Dans quelle mesure, la satisfaction vis-à-vis des prix pratiqués, de l’efficacité du personnel, de la facilité à trouver de l’information influencent-ils l’intention de revenir au restaurant ? Premier tableau à analyser : Model Étape 1 :  Nous constatons ci-dessus qu’il y a une relation statistiquement significative entre intention de revenir et les variables indépendantes (satisfaction vis-à-vis des prix pratiqués, de l’efficacité du personnel, de la facilité à trouver de l’information). Étape 2 :  8% de l’intention de revenir au restaurant est expliquée par la combinaison de trois variables : la satisfaction vis-à-vis des prix pratiqués, l’efficacité du personnel et la facilité à trouver de l’information Étape 3 : Regarder la sig de chaque variable Regarder si c’est posi ou nega On voit que  La satisfaction de l’efficacité du personnel a un effet significatif ET positif sur l’intention de revenir au restaurant  La satisfaction de facilité de trouver l’information a un effet significatif MAIS négatif sur l’intention de revenir au restaurant => plus gens ont facilité de trouver infos moins ils auront intention de revenir au resto  La satisfaction de prix a PAS un effet significatif, aucun impact sur l’intention de revenir au restaurant DONC : combi de 3 facteurs est significatif mais la satisfaction du prix à elle seule n’a pas un effet significatif sur intention  Quelle est la variable qui explique le plus l’intention de revenir au resto ? Regarder la valeur de Beta la plus élevée ici │Bêta│ = │0,2547│ > │-0,1701│ => efficacité du personnel est celle qui explique le plus intention de revenir au resto Pour améliorer modèle : on sort la variable qui n’est pas significative : ici c’est la satisfaction prix 9. Test de régression logistique  Ce test vise à tester un modèle de régression dont la variable dépendante est nominale (dichotomique) et dont le(s) variable(s) peuvent être quantitative(s) ou qualitative(s).  Ce test permet de prédire la probabilité qu’un événement survienne ou non en fonction de(s) variable(s) explicative(s)/prédictive(s) Exemples :  Est-ce que la note de techniques d’enquête en management, la note de marketing, l’âge de l’étudiant permettent de prédire la réussite ou l’échec à l’examen d’expertise statistique en marketing ?  Est-ce que le revenu, le lieu d’habitation et la taille du foyer permettent de prédire le défaut de remboursement ? Ces variables permettent-elles de distinguer les mauvais des bons emprunteurs ?  Est-ce que la CSP, le lieu d’habitation, l’âge et le degré de respect des gestes barrières permettent-ils de prédire la probabilité de contracter la Covid-19 ? Exemple : Est-ce que l’âge du client et le montant de la commande permettent-ils de prédire la probabilité d’insatisfaction ou de satisfaction envers le restaurant ?  Nous pouvons dire que le modèle permet de prédire significativement la probabilité d’insatisfaction ou de satisfaction envers le uploads/Management/cours-esm.pdf