Bookbinders book club case

Audrey Hamel

Anne-Marie Nadeau

21 février 2007

Mise en Contexte

L’industrie du livre 50 000 nouveaux titres par année au USA Rapporte 20 M de dollars annuellement 10 % des livres sont vendus par envoi postal

Vente de livres 1970 apparition des grandes chaînes de

librairies 1980 vente de livres dans les grands

magasins à rayon 2000 vente de livre en ligne

Mise en Contexte

Les clubs de livre Historiquement proposaient des contrats d’achat

de livres aux consommateurs• Un lecteur accepte d’acheter quelques livres et de

recevoir chaque mois 1 ou 2 livres supplémentaires

Face à l’augmentation de la concurrence• Utilise des bases de données pour retenir de

l’information sur leur consommateurs• Recherche des modèles qui vont les aider à mieux

cerner les préférences de leur client

Bookbinders Book Club

Fondé en 1986Spécialiste dans la vente de livres spécialisés Rejoint ses clients à l’aide de marketing directPossède une base de données avec de

l’information sur 500 000 lecteurs

Problématique:• La compagnie se demande si l’utilisation d’un modèle

de prédiction serait utile pour cerner les consommateurs à cibler lors de l’envoi postal

Bookbinders Book Club

Cas: 20 000 consommateurs ont été sélectionnés

à partir d’une base de donnéesUne offre spéciale pour un livre d’art de

Florence a été envoyée par la poste9,03% des consommateurs ont acheté le

livre

Description des modèles de prédiction

Régression linéaire multiple On cherche à voir le degré d’influence des différentes

variables sur la décision d’achat ou non du livre d’art.

Multinomial logit analysis Méthode qui permet d’identifier les variables qui influencent le

choix des consommateurs

Neural network model Permet de comprendre la relation entre les variables

dépendantes et indépendantes en essayant de comprendre le processus de traitement de l’information dans le cerveau des individus dans le but de développer des représentations sur ordinateur du mécanisme.

Régression linéaire multiple

Statistiques de la régression

Coefficient de détermination multiple 0,489959505

Coefficient de détermination R^2 0,240060317

Coefficient de détermination R^2 0,235277814

Erreur-type 0,378781047

Observations 1600

Statistiques de la régression

  Coefficients Erreur-type Statistique t

Constante 0,364228446 0,03074115 11,84823838

Gender -0,13092048 0,02003031 -6,536118556

Amt_purchased 0,000273613 0,00011104 2,464058992

Last_purchase -0,0090868 0,00217906 -4,170046646

First_purchase 0,097028602 0,01355889 7,156089006

Frequency -0,002002397 0,00181601 -1,102634906

P_Child -0,126258421 0,01640109 -7,69817277

P_Youth -0,096356294 0,02010972 -4,791527829

P_Cook -0,141490744 0,01660643 -8,520236614

P_DIY -0,135231253 0,0197873 -6,834245362

P_Art 0,117849397 0,01944268 6,061375137

Équation…

Y choix = 0.36 - 0.13 x gender + 0.0003 x Amt_purch. – 0.009 x last_purch. + 0.097 x

First_purch. – 0.002 x freq – 0.13 x p_child – 0.096 x p_youth – 0.14 x p_cook – 0.14 p_DIY + 0.1178 x p_art

Neural net forcasting

+

Nom t-stat

Amt_purch 2,8123

First_purch 3,6694

Frequency -16,69

Last_purch 11,53

Gender -8,2594

P_Art 19,13

P_Child -7,9469

P_Cook -10,65

P_DIY -8,5867

P_Youth -3,3114

Model fit : 17,61 %

Test fit : 18,54 %

Overall fit: 17,79 %

Choice

P_Art

Choice

Frequency

Multinomial logit analysis

Diagnostic 1

Nous indique la variable qui influence le plus la réponse à l’envoi postal

Gender Amt_purch Last_purch First_purch Frequency P_Child P_Youth P_Cook P_DIY P_Art

0.6587 2.0e+002 12.3138 3.1988 22.5763 0.7394 0.3375 0.7600 0.3913 0.4250

Diagnostic 2

Cote-t

Nom t-stat

Amt_purch 1,7283

First_purch -0,7318

Frequency 6,3647

Last_purch -6,2699

Gender -7,4511

P_Art 5,3532

P_Child -7,0268

P_Cook -7,797

P_DIY -6,3718

P_Youth -4,5357

Diagnostic 3

Hit rate & Choice Share

Number of hits = 1289Number of observations = 1600The hit rate of the model = 0.8056

Choice Share (Market Share) Forecasts:Response Dummy

25.4771% 74.5229%

Résumé

Facteurs

(+)

Facteurs

(-)

Régression linéaire multiple

P_Art First_ Purch

P_DIY P_Cook

Neural net forecasting

Last_PurchP_Art

P_Cook Frequency

Multinomial logit analysis

P_Art Frequency

Gender P_Cook

Conclusions

La variable « nombre de livre d’art acheté » influence significativement et positivement le choix selon les 3 modèles;

L’entreprise devrait inévitablement cibler ces consommateurs;

La variable « nombre de livre de recettes acheté » influence négativement le choix selon les 3 modèles;

L’entreprise ne devrait donc pas cibler ces consommateurs;

Conclusions (suite)

Le modèle le plus fiable semble être le « Multinomial logit analysis »;

Selon ce modèle, en plus des consommateurs ayant achetés des livres d’art, l’entreprise devrait également miser sur ceux qui on fait beaucoup d’achats (frequency) dans la période donnée;

Aussi, en plus des consommateurs ayant acheté des livres de recettes, l’entreprise ne devrait pas cibler en fonction du sexe (gender).

Avantages et limites

Régression linéaire multiple Limites

• On ne peut pas utiliser de variables binaires Neural network model (17,79 %)

Avantages• On peut faire des prédictions sans connaître le type de relation entre les

variables• Offre des fits et des prédictions plus robustes que la régression linéaire

multiple lorsqu’il y a des données manquantes Limites

• N’explique pas en détail les prédictions• Nouvelle méthode donc peu d’information est disponible sur le modèle et son

fonctionnement• La performance dépend de plusieurs facteurs

Multinomial logit analysis ( 80,56 %) Avantages

• Offre beaucoup plus d’informations

Questions ?

?