Retour sur investissement : la contribution des modèles mathématiques
L'UDA vient de mener une étude sur l'optimisation du mix marketing par la modélisation. Qui a donné lieu à un rapport détaillé, dont voici une synthèse.
Je m'abonne
Le retour sur investissement étant une préoccupation majeure des
annonceurs, la commission Recherche de l'UDA s'est interrogée sur la maîtrise
de l'optimisation des actions marketing via les modèles mathématiques. La
modélisation consiste à établir des relations mathématiques entre les données
de marché et les variables marketing. Quand une relation stable est établie
(les courbes de ventes prévues par le modèle s'ajustent au plus près avec les
ventes réelles), le modèle devient opérationnel et permet de prévoir les
réactions du marché aux différentes actions possibles. Les simulations aident à
définir le mix marketing optimum. Pour savoir si la modélisation mathématique,
apparue il y a une bonne vingtaine d'années, offrait aujourd'hui une réponse à
la nécessaire optimisation des moyens marketing, l'UDA a entrepris une étude
auprès des spécialistes de la modélisation et des instituts fournisseurs de
données. Pendant l'été 2004, treize spécialistes des études et de la
modélisation et cinq annonceurs ont été interrogés.
L'état des lieux
On a observé que l'offre de modèles était assez concentrée
entre un petit nombre de cabinets et qu'elle recouvrait des familles de modèles
multiples. Ainsi distingue-t-on les outils qui modélisent l'ensemble du
marketing mix de ceux qui s'attachent à l'étude d'une de ses composantes : la
promotion, le prix… Les instituts et les experts adaptent en fait leurs
produits aux demandes spécifiques exprimées par les annonceurs. L'étude UDA
n'a pas visé à circonscrire les attentes des annonceurs, mais c'est à travers
quelques échanges de vue ponctuels avec des responsables marketing qu'a été
perçu le caractère occasionnel et spécifique de leurs attentes, tout en
relevant que la modélisation n'était envisagée pour l'instant que dans le
secteur de la grande consommation, où les bases de données marketing sont les
plus élaborées.
Qui fabrique des modèles ?
Les
producteurs de modèles se rencontrent dans les instituts d'études, les cabinets
indépendants spécialistes en modélisation, les agences médias et chez certains
annonceurs eux-mêmes. Les cabinets indépendants recherchent la collaboration
avec les annonceurs et développent des produits sur mesure. Parallèlement, les
instituts proposent des modèles standardisés, qui nécessitent un investissement
en temps moindre. La partie documentaire de l'étude comprend l'analyse
détaillée de trois producteurs de modèles : MarketingScan (BrandSimulator), IRI
(les Drivers) et le cabinet Solis Conseil.
Les apports des modèles
La construction d'un modèle permet de bien réfléchir sur
les variables explicatives et leurs pondérations. Les simulations et les
prévisions de retour sur investissement représentent l'étape ultime. On peut
distinguer deux façons d'utiliser les modèles, voire deux philosophies. La
voie la plus aisée est l'utilisation de ces modèles pour répondre de manière
simple à une question. Cependant, les experts la jugent caricaturale. Les
modèles ne doivent jamais, selon eux, donner une décision toute faite. C'est
pourquoi ils leur préfèrent la seconde utilisation possible : pour comprendre
des phénomènes, apporter des idées et des références, car ce sont de précieux
outils d'aide à la décision. A l'ultime échelon de leur utilisation, les
modèles permettent de déterminer le fameux “retour sur investissement” des
actions engagées. La limite actuelle de la modélisation réside sans doute dans
la connaissance théorique comportementale des consommateurs et dans les
investissements réalisés dans la recherche, insuffisants aux dires de la
majorité des experts.
Deux types de modèles et deux méthodes de recueil des données
Il faut distinguer les modèles “économétriques” ad hoc et les modèles “industriels” à noyau prédéfini. L'offre peut aussi être envisagée en fonction du type de données à l'origine du modèle : agrégées ou désagrégées, ces dernières étant reconnues par tous comme les mieux adaptées à une modélisation “moderne”. Quant au recueil des données à des fins de modélisation, deux méthodes s'opposent : le “single source” et le “multi-source”. Les points de vue convergent là aussi assez bien : l'idéal serait le “single source”, mais c'est largement utopique (ou plus exactement limité à un marché-test), c'est pourquoi le “multi-source” est plus réaliste et, somme toute, plus riche d'opportunités.