En tant que spécialistes du marketing et chercheurs en études de marché, nous cherchons constamment à comprendre le comportement des consommateurs afin de mieux adapter nos produits et services à leurs besoins. Il est donc essentiel de bien comprendre comment les gens font leurs choix pour devancer la concurrence. Une façon de comprendre comment les consommateurs font leurs choix consiste à reproduire la complexité de la prise de décision humaine à l'aide d'un modèle qui capture les principaux facteurs déterminants du choix.
Le modèle d'utilité aléatoire (RUM) est le modèle conjoint le plus couramment utilisé, dans lequel les consommateurs sélectionnent le produit qui leur offre la meilleure valeur (c'est-à-dire l'utilité) en fonction d'une combinaison de caractéristiques du produit.
Un autre modèle moins connu est celui de la modélisation aléatoire du regret (RRM), qui part du principe que, plutôt que de rechercher le produit optimal, les consommateurs cherchent à minimiser le regret potentiel de passer à côté d'une ou plusieurs caractéristiques du produit.
Les deux approches ont leurs avantages et leurs inconvénients, et chacune est plus ou moins adaptée à différentes situations de marché. Afin d'améliorer la validité prédictive des résultats conjoints, nos chercheurs ont comparé et combiné le modèle d'utilité et le modèle de regret à l'aide d'une étude de cas sur l'achat de tablettes électroniques et ont posé la question suivante : un modèle hybride permettrait-il d'obtenir des résultats plus réalistes ? Cet article a ensuite été publié dans le magazine Asia Research.
« Pour répondre à cette question, les chercheurs du SKIM une étude dans laquelle ils ont examiné le comportement des consommateurs lors de l'achat de tablettes. Les modèles d'utilité, de regret et hybrides ont été appliqués à ce même ensemble de données afin de déterminer quel modèle correspondait le mieux aux données et quel modèle avait le « taux de réussite » le plus élevé, une mesure de la précision prédictive.
En examinant les résultats des trois modèles différents, nous avons constaté que la différence entre le modèle hybride et le modèle utilitaire était plutôt faible, tant en termes d'ajustement des données que de validité prédictive. Seul le modèle de regret pur s'est révélé moins efficace. De plus, la corrélation moyenne entre les trois méthodes était de 0,95. En d'autres termes, aucun des modèles ne surpassait clairement les autres à cet égard.
Même si la précision des prévisions était similaire, les parts prévues pour les scénarios hypothétiques dans les modèles de simulation basés sur chaque approche ne l'étaient pas. Un examen plus approfondi révèle qu'il existe de grandes différences dans les parts prévues.
Dans l'exemple ci-dessous, les trois méthodes prédisent des parts de marché limitées pour le produit 2. Cependant, selon le modèle d'utilité, le produit 1 obtient clairement de meilleurs résultats que le produit 3. Selon le modèle de regret, c'est le produit 3 qui obtient les meilleurs résultats. L'approche hybride prédit que les produits 1 et 3 obtiendront des résultats similaires. Par conséquent, les mêmes données peuvent potentiellement conduire à des recommandations différentes.
En termes de validité prédictive statistique, le modèle utilitaire le plus souvent utilisé reste performant.
En tant que modèle simplifié du comportement complexe en matière de choix, il reste un outil très fiable. Cela dit, le modèle d'utilité est plus susceptible de surestimer le comportement décisionnel « rationnel » des consommateurs visant à maximiser l'utilité, ce qui peut conduire à des conclusions biaisées.
Dans la mesure du possible, une approche hybride est plus susceptible de prendre correctement en compte à la fois le comportement de choix visant à maximiser l'utilité et celui visant à minimiser les regrets, afin d'obtenir des prévisions plus fiables en matière de choix. Après tout, l'objectif de la modélisation est de reproduire plus fidèlement le processus complexe de la prise de décision dans le monde réel.
Découvrez comment une marque de bière bien établie a affiné ses stratégies de tarification et de distribution pour générer une croissance à deux chiffres sur un marché africain.
Comment les données relatives aux préférences des patients ont permis de mettre en évidence l'intérêt de la prévention des maladies infectieuses au-delà des résultats cliniques.
Un modèle de prévision dynamique a permis à un client du secteur de la santé de prendre des décisions en matière de lancement, de tarification et d'accès avec davantage d'assurance.
Découvrez comment E.ON Next s'est appuyé sur les connaissances en sciences comportementales pour mettre en avant une différenciation de marque plus forte, au-delà du prix.