Comprendre pour agir
19/06/2015 Nom du document 1
Pilote optimisation sur données MCA
19 juin 2015
Contacts: Antoine Morea...
La problématique
 ROI marketing propose à ses clients une solution de mesure de l’efficacité des
actions de communication...
19/06/2015 Nom du document 3
Modélisation données Allemagne
BEP au niveau individuel
 Une étape préliminaire à l’estimation du modèle consiste à calculer des BEP
au niveau individue...
Le modèle de base (1/2)
 On modélise le choix de la marque la plus achetée en fonction des BEP
associés à chaque marque.
...
Le modèle de base (2/2)
 Un défaut du modèle précédent est que les coefficients αk sont identiques pour
toutes les marque...
Le modèle de base n’est pas le bon
 Une première condition de validité du modèle estimé est que les coefficients
αki soie...
Modèles de choix séquentiel
 Dans un modèle séquentiel, on suppose que le consommateur fait son choix
en deux étapes:
• E...
Modèles de choix séquentiel
 Les utilités s’écrivent de la même manière:
• Seuls 4 coefficients αki peuvent être différen...
Parts de marché estimées par les modèles
 Comme déjà indiqué, un premier critère de validité du modèle est qu’il n’y ait ...
Tests statistiques entre modèles
 Le critère de bonne prévision des parts de marché ne permet de trancher
statistiquement...
Simulations sur les parts de marché
 L’output principal du modèle est une simulation sur les parts de marché des
marques,...
Simulations Vichy
19/06/2015 Pilote optimisation sur données MCA 13
Sampling offered by pharmacist 0,45% Brochure at POS 0...
Simulations La Roche Posay
19/06/2015 Pilote optimisation sur données MCA 14
Product trial in pharmacy 0,23% Product trial...
Eléments de conclusion
 La modélisation permet de répondre à des questions What If sur les données
MCA, ce qui apporte de...
19/06/2015 Nom du document 16
Annexe: MCA et MMM
Marketing Mix Modelling
 Une analyse de type MMM cherche à mesurer l’impact des actions de
communication sur les ventes d...
MMM vs MCA (1/2)
 Les deux approches se différencient par le type de données utilisées:
• Déclaratif au niveau individuel...
MMM vs MCA (2/2)
19/06/2015 Pilote optimisation sur données MCA 19
 La deuxième partie de ce document donne des pistes po...
Prochain SlideShare
Chargement dans…5
×

Pilote optimisation sur données MCA®

131 vues

Publié le

ROI\marketing and SLPV analytics have developed a pilot to use MCA® (Market Contact Audit) data for modeling purpose.
For more information, contact us.

Publié dans : Marketing
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
131
Sur SlideShare
0
Issues des intégrations
0
Intégrations
12
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Pilote optimisation sur données MCA®

  1. 1. Comprendre pour agir 19/06/2015 Nom du document 1 Pilote optimisation sur données MCA 19 juin 2015 Contacts: Antoine Moreau – 06 19 23 08 70 - antoine.moreau@slpv-analytics.com
  2. 2. La problématique  ROI marketing propose à ses clients une solution de mesure de l’efficacité des actions de communication. Celle-ci, basée sur le déclaratif des répondants, permet de calculer des indicateurs d’efficacité pour chaque point de contact, à un niveau très fin (36 points de contact).  Ces indicateurs sont calculés en termes de BEP (Brand Experience Point). Le BEP combine le fait d’avoir été en contact avec la marque et la capacité d’influenceur du point de contact correspondant. Il s’agit d’une mesure d’efficacité qui peut être utilisée de différentes manières: • Hiérarchisation des points de contact en terme d’influence, • Hiérarchisation des marques en terme d’influence, • Efficacité de la communication, en comparant, pour chaque marque, sa part de marché et sa part d’influence, • Rendement des actions de communication, en divisant le nombre total de BEP par marque par la dépense totale, • …  Les clients de ROI marketing se pose la question du positionnement des données MCA par rapport à une analyse de type Marketing Mix Modelling.  L’objet de ce document est d’entamer la discussion sur la comparaison MCA/MMM 19/06/2015 Pilote optimisation sur données MCA 2
  3. 3. 19/06/2015 Nom du document 3 Modélisation données Allemagne
  4. 4. BEP au niveau individuel  Une étape préliminaire à l’estimation du modèle consiste à calculer des BEP au niveau individuel.  On dispose pour cela des BEP pour un certain nombre de segments: • Age • Marque achetée le plus souvent • CSP • Région  Les BEP individuels sont calculés par redressement: on attribue un BEP à un répondant, comme un poids dans un redressement, en calant le nombre de BEP sur chaque modalité de chaque segment.  Il y a donc 16*36=576 redressements, pour chacune des 16 marques et des 36 points de contact. 19/06/2015 Pilote optimisation sur données MCA 4
  5. 5. Le modèle de base (1/2)  On modélise le choix de la marque la plus achetée en fonction des BEP associés à chaque marque.  Il s’agit d’un modèle logit multinomial classique, équivalent à ceux utilisés pour les trade off.  Le modèle de base est le suivant: • Le répondant associe à chaque marque i une utilité Vi. Vi s’écrit en fonction des contacts de l’individu avec les actions publicitaires de la marque, exprimés en BEP: Vi= constantei + α1 * BEP1 + ….. + αK * BEPK • La marque la plus souvent achetée sera celle dont l’utilité et maximale  Les coefficients αk donnent le poids, toutes choses égales par ailleurs, de chaque point de contact dans le choix de la marque la plus souvent achetée. Ils permettent de calculer l’élasticité des parts de marché à la variation du nombre de BEP et de faire des simulations 19/06/2015 Pilote optimisation sur données MCA 5
  6. 6. Le modèle de base (2/2)  Un défaut du modèle précédent est que les coefficients αk sont identiques pour toutes les marques. Il est possible que l’influence des points de contact sur la préférence de marque dépende du point de contact, par exemple en fonction de la qualité de la création sur chaque point de contact.  Un modèle global serait donc: Vi= constantei + α1i * BEP1 + ….. + αKi * BEPK  Ce modèle ne peut pas être identifié: il n’y a pas suffisamment de variance dans les données. Nous avons estimé le modèle qui permet de différencier le plus de coefficients αki. • 10 points de contact sont modélisés avec un impact différencié selon les marques. • L’hypothèse d’égalité des deux modèles est très significativement rejetée, ce qui valide l’idée du modèle global ci-dessus. 19/06/2015 Pilote optimisation sur données MCA 6
  7. 7. Le modèle de base n’est pas le bon  Une première condition de validité du modèle estimé est que les coefficients αki soient positifs: l’utilité associée à une marque ne peut pas décroître en fonction du BEP.  Dans le modèle de base décrit précédemment, il y a quelques coefficients négatifs significatifs. Ils sont tous associés à la marque Nivéa, qui domine largement toutes les autres, avec une part de marché de 32,8% (sur la question: marque achetée le plus souvent).  Cela veut dire que le modèle n’arrive pas à décrire correctement le marché dans sa globalité et jette un doute sur l’ensemble des résultats.  Une première manière de corriger cet effet est d’estimer un modèle sans constantes. De fait, dans le modèle sans constantes, il n’y a plus de coefficients négatifs significatifs. Mais le modèle sans constantes a deux inconvénients: • Les parts de marché estimé par le modèle ne sont plus calées sur les vraies parts de marché, contrairement au modèle avec constantes. • Il est un cas particulier du modèle avec constantes et un test statistique rejette fortement le fait que les constantes puissent être nulles.  Nous recommandons plutôt d’utiliser un modèle de choix séquentiel (ou emboîté: nested logit model). 19/06/2015 Pilote optimisation sur données MCA 7
  8. 8. Modèles de choix séquentiel  Dans un modèle séquentiel, on suppose que le consommateur fait son choix en deux étapes: • Entre plusieurs groupes de possibilités, • Puis, à l’intérieur du groupe choisi, entre les choix associés à ce groupe.  Un exemple classique de choix séquentiel est celui du mode de transport. On modélise le choix entre (voiture, train, avion) en faisant l’hypothèse que les individus vont d’abord faire le choix entre transports terrestres et transport aérien, et ensuite, faire un choix entre voiture et train.  Dans notre cas, il y a deux manières de donner un cadre théorique au modèle séquentiel: • L’existence d’une marque nationale historique: les consommatrices ferait d’abord le choix (ou non) d’acheter Nivéa, puis, si elles ne l’achètent pas, d’acheter une des marques restantes. • L’existence de trois marchés différents: mass market (Nivéa, Olay, Garnier, L’Oréal Paris, Diadermine), pharmacie (Eucerine, Vichy, Weleda, La Roche Posay, Avène, Olivenoel), Luxe (Shiseido), Calrins, Biotherm, Clinique, Lancôme).  Les deux modèles séquentiels ont été estimés. 19/06/2015 Pilote optimisation sur données MCA 8
  9. 9. Modèles de choix séquentiel  Les utilités s’écrivent de la même manière: • Seuls 4 coefficients αki peuvent être différenciés selon les marques. • Dans le premier modèle séquentiel, la constante correspondant à Nivéa ne peut pas être identifiée/  Le modèle a deux ou trois paramètres supplémentaires, correspondants aux « élasticités » entre les groupes.  Les probabilités de choix des marques s’écrivent d’une manière un peu plus complexe que dans le modèle de base, en fonction des utilités et des élasticités. 19/06/2015 Pilote optimisation sur données MCA 9
  10. 10. Parts de marché estimées par les modèles  Comme déjà indiqué, un premier critère de validité du modèle est qu’il n’y ait pas de coefficient négatif significatif. • C’est le cas pour le modèle sans constantes comme pour les deux modèles séquentiels.  Un deuxième critère de validité consiste à regarder les parts de marché estimées par le modèle 19/06/2015 Pilote optimisation sur données MCA 10  Le modèle sans constantes est beaucoup plus éloigné des vraies parts de marché que le modèle séquentiel. Le modèle en 3 groupes est meilleur que le modèle en 2 groupes. Base Sans Constantes Séquentiel 3 groupes Séquentiel 2 groupes Avène 2,7% 6,0% 2,6% 2,7% Biotherm 1,0% 5,2% 1,0% 1,1% Clarins 1,0% 5,1% 1,0% 0,9% Clinique 1,4% 5,3% 1,6% 1,4% Diadermine 6,8% 6,9% 6,8% 6,4% Eucerin 4,1% 5,9% 4,2% 4,6% Garnier 9,1% 7,1% 9,1% 8,8% L’Oréal Paris 11,5% 9,1% 11,5% 10,9% La Roche Posay 3,7% 6,3% 3,5% 4,0% Lancome 1,0% 5,1% 0,9% 1,0% Nivéa 32,8% 6,9% 32,7% 32,8% Olay 9,3% 7,1% 9,3% 9,3% Olivenoel 5,4% 6,9% 5,3% 5,3% Shiseido 1,0% 5,2% 0,9% 0,9% Vichy 5,8% 6,5% 6,0% 6,1% Weleda 3,4% 5,3% 3,6% 3,6%
  11. 11. Tests statistiques entre modèles  Le critère de bonne prévision des parts de marché ne permet de trancher statistiquement entre le modèle de base et les modèles séquentiels, puisque le modèle de base est par définition calé sur les parts de marché observées.  On dispose cependant d’un test statistique: si les élasticités ne sont pas différentes de 1, le modèle de base ne peut pas être rejeté. Pour les deux modèles, l’hypothèse que les élasticités sont égales à 1 est clairement rejetée: 19/06/2015 Pilote optimisation sur données MCA 11 Modèle 2 groupes Elasticité Ecart-type iv.nivea 0,014 0,322 iv.reste 10,881 1,322 Modèle 2 groupes Elasticité Ecart-type iv.mass 1,057 0,144 iv.pharma 0,338 0,049 iv.luxe 5,402 1,901  On peut donc rejeter le modèle de base.  A ce stade, on n’a pas mis en œuvre de test statistique permettant de comparer les deux modèles séquentiels. La prévision des parts de marché nous indique que le modèle à 3 groupes est meilleur que le modèle à 2 groupes
  12. 12. Simulations sur les parts de marché  L’output principal du modèle est une simulation sur les parts de marché des marques, quand on modifie le nombre de BEP.  Les simulations ont été réalisées pour La Roche Posay et Vichy, selon les principes suivants: • Diminution de 5% du budget TV Ad, soit 288K€, pour Vichy, et augmentation de 10% du nombre de BEP pour les autres médias • Diminution de 5% du budget Dermatologist advice, soit 252K€ pour La Roche Posay, et augmentation de 10% du nombre de BEP pour les autres médias.  Les slides suivantes donnent les résultats des simulations: il s’agit de la variation de la part de marché en pourcentage par rapport à la situation observée.  Les quatre modèles donnent des résultats différents, avec une forte similarité entre modèle de base et modèle sans constantes. • Le modèle séquentiel à 3 groupes ayant les meilleures qualités statistiques, c’est celui que nous recommandons. 19/06/2015 Pilote optimisation sur données MCA 12
  13. 13. Simulations Vichy 19/06/2015 Pilote optimisation sur données MCA 13 Sampling offered by pharmacist 0,45% Brochure at POS 0,58% Sampling offered by pharmacist 0,48% Brand displays at POS 0,30% Brand displays at POS 0,33% Brand displays at POS 0,48% Brochure at POS 0,38% Product trial in pharmacy 0,09% Brochure at POS 0,32% Sampling offered by pharmacist 0,26% Product trial in pharmacy 0,29% Sampling offered by pharmacist -0,02% Product trial in pharmacy 0,30% Sampling at POS 0,23% Friends & family advice 0,29% Promo events at POS -0,02% Dermatologist's advice 0,25% Promo events at POS 0,18% Sampling received by mail 0,24% Brand animation at POS -0,02% Brand website 0,12% Brand's video on Internet 0,16% Brand animation at POS 0,12% Friends & family advice -0,03% Sampling at POS 0,08% Internet Ad 0,11% Window postering at POS 0,12% Brand's video on Internet -0,04% Promo events at POS 0,03% Dermatologist's advice 0,06% Brand's video on Internet 0,09% Sampling at POS -0,09% Friends & family advice 0,01% Advice in blogs and social networks -0,01% Advice in specialized websites 0,06% Dermatologist's advice -0,09% Advice in blogs and social networks -0,02% Friends & family advice -0,01% Outdoor ad 0,05% Packaging -0,12% Internet Ad -0,02% Brand animation at POS -0,03% Sampling at POS 0,04% Daily press Ad -0,12% Brand animation at POS -0,02% Outdoor ad -0,03% Promo events at POS 0,04% Advice in specialized websites -0,13% Pharmacists' advice -0,04% Packaging -0,04% Advice in blogs and social networks 0,01% Health magazine Ad -0,17% Brand found on search engines -0,10% Window postering at POS -0,06% Dermatologist's advice 0,01% Internet Ad -0,17% Brand's video on Internet -0,12% Product trial in pharmacy -0,06% Packaging -0,01% Window postering at POS -0,18% Loyalty card -0,13% Advice of consumer associations -0,06% Brand website -0,02% Advice of consumer associations-0,19% Outdoor ad -0,14% Shelf info at POS -0,07% Daily press Ad -0,03% Outdoor ad -0,19% Packaging -0,15% Brand website -0,09% Pharmacists' advice -0,07% Pharmacists' advice -0,20% Shelf info at POS -0,16% Health magazine Ad -0,10% TV prgrm sponsoring -0,09% Shelf info at POS -0,21% Window postering at POS -0,17% Advice in specialized websites -0,11% Brand found on search engines -0,12% Brochure at POS -0,27% Health magazine Ad -0,18% Loyalty card -0,12% Advice of consumer associations -0,12% Celebrity endorsment -0,28% TV prgrm sponsoring -0,18% Pharmacists' advice -0,14% Internet Ad -0,13% Loyalty card -0,28% Advice of consumer associations -0,20% Beauty magazine Ad -0,15% Loyalty card -0,14% Sampling received by mail -0,28% Daily press Ad -0,21% Sampling received by mail -0,16% Health magazine Ad -0,15% TV prgrm sponsoring -0,28% E mailing / E newsletter -0,22% TV prgrm sponsoring -0,17% Articles about the brand in media -0,15% Brand found on search engines -0,29% Sampling received by mail -0,22% Celebrity endorsment -0,18% Celebrity endorsment -0,15% Advice in blogs and social networks-0,29% Customer service by phone -0,22% Customer service by phone -0,18% Customer service by phone -0,16% Customer service by phone -0,30% Celebrity endorsment -0,23% Sampling in magazines -0,18% E mailing / E newsletter -0,16% Sampling in magazines -0,30% Advice in specialized websites -0,25% Daily press Ad -0,19% Mobile Marketing -0,17% Articles about the brand in media-0,30% Mobile Marketing -0,26% Mobile Marketing -0,19% Magazine inserts -0,17% E mailing / E newsletter -0,31% Brand's magazine at home -0,27% Brand found on search engines -0,21% Brand displays at POS -0,18% Mobile Marketing -0,31% Magazine inserts -0,31% E mailing / E newsletter -0,21% Brand's magazine at home -0,19% Brand's magazine at home -0,33% Articles about the brand in media -0,32% Brand's magazine at home -0,21% Shelf info at POS -0,19% Magazine inserts -0,34% Sampling in magazines -0,33% Magazine inserts -0,23% Beauty magazine Ad -0,20% Beauty magazine Ad -0,35% Beauty magazine Ad -0,40% Articles about the brand in media -0,28% Sampling in magazines -0,23% Brand website -0,51% % variation part de marché - Vichy Séquentiel 3 groupes Séquentiel 2 groupes Sans constantesBase
  14. 14. Simulations La Roche Posay 19/06/2015 Pilote optimisation sur données MCA 14 Product trial in pharmacy 0,23% Product trial in pharmacy 3,25% Brand displays at POS 28,17% Brochure at POS 18,17% TV Ad -0,54% Loyalty card 2,66% Internet Ad 22,18% Internet Ad 13,29% Packaging -0,57% Brand displays at POS 1,50% Friends & family advice 3,16% Sampling offered by pharmacist 4,68% Brand displays at POS -2,06% Brochure at POS 1,48% TV prgrm sponsoring 1,50% Friends & family advice 1,49% Brand website -2,66% TV prgrm sponsoring 0,75% Product trial in pharmacy 1,02% TV prgrm sponsoring 0,95% Brochure at POS -2,67% Advice of consumer associations 0,62% Advice of consumer associations 0,58% Brand displays at POS 0,77% Brand's video on Internet -2,71% Sampling at POS 0,59% Loyalty card 0,43% Advice of consumer associations0,24% Sampling at POS -2,78% Daily press Ad 0,01% Brochure at POS 0,22% Brand's video on Internet 0,10% Advice in blogs and social networks -2,88% Beauty magazine Ad -0,14% Sampling received by mail 0,06% Product trial in pharmacy 0,01% Outdoor ad -2,99% Brand's magazine at home -0,14% Daily press Ad -0,02% Health magazine Ad -0,15% Promo events at POS -3,07% Friends & family advice -0,15% Pharmacists' advice -0,06% Sampling in magazines -0,21% Loyalty card -3,14% Window postering at POS -0,22% Brand's video on Internet -0,08% Advice in specialized websites -0,23% Window postering at POS -3,23% Advice in blogs and social networks -0,26% Brand found on search engines -0,10% Advice in blogs and social networks-0,24% Health magazine Ad -3,23% Promo events at POS -0,26% Brand's magazine at home -0,15% Brand found on search engines -0,24% Advice of consumer associations -3,31% Internet Ad -0,29% TV Ad -0,19% Daily press Ad -0,25% Daily press Ad -3,32% Packaging -0,32% Advice in blogs and social networks -0,22% Window postering at POS -0,34% Shelf info at POS -3,33% Health magazine Ad -0,32% Celebrity endorsment -0,28% Brand's magazine at home -0,34% Brand found on search engines -3,33% Sampling received by mail -0,38% Health magazine Ad -0,29% Celebrity endorsment -0,37% Celebrity endorsment -3,34% Shelf info at POS -0,44% Promo events at POS -0,34% Sampling received by mail -0,41% Magazine inserts -3,35% Celebrity endorsment -0,45% Outdoor ad -0,34% TV Ad -0,42% Sampling received by mail -3,35% Sampling in magazines -0,47% Window postering at POS -0,35% Outdoor ad -0,43% E mailing / E newsletter -3,35% Brand's video on Internet -0,54% Articles about the brand in media -0,35% Shelf info at POS -0,46% Friends & family advice -3,36% Pharmacists' advice -0,54% Brand animation at POS -0,35% Magazine inserts -0,50% Mobile Marketing -3,38% Articles about the brand in media -0,55% E mailing / E newsletter -0,36% Brand animation at POS -0,53% Brand animation at POS -3,38% Brand animation at POS -0,55% Shelf info at POS -0,39% E mailing / E newsletter -0,53% Advice in specialized websites -3,41% Brand found on search engines -0,56% Mobile Marketing -0,43% Articles about the brand in media-0,53% Customer service by phone -3,43% Customer service by phone -0,57% Customer service by phone -0,45% Mobile Marketing -0,54% TV prgrm sponsoring -3,58% Outdoor ad -0,58% Brand website -0,48% Promo events at POS -0,55% Brand's magazine at home -3,60% Mobile Marketing -0,58% Magazine inserts -0,49% Customer service by phone -0,59% Sampling in magazines -3,64% E mailing / E newsletter -0,61% Advice in specialized websites -0,52% Pharmacists' advice -0,59% Articles about the brand in media -3,68% Brand website -0,61% Beauty magazine Ad -0,64% Beauty magazine Ad -0,60% Pharmacists' advice -3,76% Magazine inserts -0,71% Packaging -0,91% Brand website -0,62% Internet Ad -3,81% Advice in specialized websites -0,78% Sampling at POS -1,22% Packaging -1,03% Sampling offered by pharmacist -3,96% TV Ad -0,98% Sampling in magazines -1,57% Sampling at POS -1,04% Beauty magazine Ad -4,43% Sampling offered by pharmacist -1,35% Sampling offered by pharmacist -1,70% Loyalty card -1,99% % variation part de marché - La Roche Posay Séquentiel 3 groupes Séquentiel 2 groupes Base Sans constantes
  15. 15. Eléments de conclusion  La modélisation permet de répondre à des questions What If sur les données MCA, ce qui apporte de la valeur ajoutée aux données.  Touts sortes de scénarios peuvent être testés, avec des sorties possibles sur toutes les marques: il faudra définir un cadre typique de scénario.  Ce pilote a été l’occasion d’automatiser une bonne partie de la modélisation. Il faudra faire de même sur la partie acquisition des données.  Mais la discussion des slides précédentes montre qu’il y aura toujours un temps non compressible à passer sur le choix du bon modèle. 19/06/2015 Pilote optimisation sur données MCA 15
  16. 16. 19/06/2015 Nom du document 16 Annexe: MCA et MMM
  17. 17. Marketing Mix Modelling  Une analyse de type MMM cherche à mesurer l’impact des actions de communication sur les ventes d’un produit. L’output standard de l’analyse est une décomposition de la variation des ventes en fonction des actions de communication: • x% de la variation des ventes vient de l’action de communication 1, y% de la variation des ventes vient de l’action de communication 2,….  Un sous-produit important du MMM est la capacité à faire: • Des analyses de simulation: que se passe-t-il si on fait plus de radio et moins de TV? • Des analyses d’optimisation: quelle est la répartition optimale du budget entre médias?  Les analyses MMM peuvent être purement tactiques et axées sur les campagnes publicitaires produit. Mais elles peuvent aussi intégrer une composante stratégique, en prenant en compte les actions publicitaires sur la marque.  Elles nécessitent des données quantitatives sur longue période (au moins quatre ans de données mensuelles, par exemple). 19/06/2015 Pilote optimisation sur données MCA 17
  18. 18. MMM vs MCA (1/2)  Les deux approches se différencient par le type de données utilisées: • Déclaratif au niveau individuel pour MCA vs données de panel ou de pige pour MMM. • Photographie à l’instant t pour MCA vs évolution temporelle pour MMM,  …et donc par les résultats disponibles pour chaque méthode: • Granularité des résultats jusqu’au point de contact pour MCA vs résumé des actions de communication par canaux agrégés de contact pour MMM. • Possibilité d’avoir des résultats par cible pour MCA vs résultats uniquement agrégés pour MMM.  Il y a donc trois raisons principales pour lesquelles un client MCA pourrait être tenté par une approche MMM: • Le biais possible du déclaratif/Le côté « incontestable » d’une approche basée sur des données objectives, • Disposer d’un outil de simulation What if, • Faire des analyses à fréquence plus rapprochées et plus tactiques. 19/06/2015 Pilote optimisation sur données MCA 18
  19. 19. MMM vs MCA (2/2) 19/06/2015 Pilote optimisation sur données MCA 19  La deuxième partie de ce document donne des pistes pour construire un outil de simulation.  Cet outil de simulation permet aussi de répondre à l’objection sur le déclaratif: on peut agréger les points de contact MCA au même niveau que celui des analyses MMM et vérifier qu’on obtient des élasticités similaires.  L’imbrication de données MCA dans un exercice de type MMM ne peut se concevoir que si on dispose de plusieurs études MCA sur le même marché. Une fois que l’on a vérifié que les élasticités sont similaires et qu’on est donc bien sur des analyses compatibles, les données MCA peuvent être utilisées pour • Donner un éclairage plus fin sur l’efficacité des différents médias. • Répartir l’impact ventes sur les points de contact détaillés. • Répartir l’impact ventes sur les cibles.

×