Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 février 2007.

download Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 février 2007.

of 25

  • date post

    03-Apr-2015
  • Category

    Documents

  • view

    108
  • download

    0

Embed Size (px)

Transcript of Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 février 2007.

  • Page 1
  • Bookbinders book club case Audrey Hamel Anne-Marie Nadeau 21 fvrier 2007
  • Page 2
  • Mise en Contexte Lindustrie du livre 50 000 nouveaux titres par anne au USA Rapporte 20 M de dollars annuellement 10 % des livres sont vendus par envoi postal Vente de livres 1970 apparition des grandes chanes de librairies 1980 vente de livres dans les grands magasins rayon 2000 vente de livre en ligne
  • Page 3
  • Mise en Contexte Les clubs de livre Historiquement proposaient des contrats dachat de livres aux consommateurs Un lecteur accepte dacheter quelques livres et de recevoir chaque mois 1 ou 2 livres supplmentaires Face laugmentation de la concurrence Utilise des bases de donnes pour retenir de linformation sur leur consommateurs Recherche des modles qui vont les aider mieux cerner les prfrences de leur client
  • Page 4
  • Bookbinders Book Club Fond en 1986 Spcialiste dans la vente de livres spcialiss Rejoint ses clients laide de marketing direct Possde une base de donnes avec de linformation sur 500 000 lecteurs Problmatique: La compagnie se demande si lutilisation dun modle de prdiction serait utile pour cerner les consommateurs cibler lors de lenvoi postal
  • Page 5
  • Bookbinders Book Club Cas: 20 000 consommateurs ont t slectionns partir dune base de donnes Une offre spciale pour un livre dart de Florence a t envoye par la poste 9,03% des consommateurs ont achet le livre
  • Page 6
  • Description des modles de prdiction Rgression linaire multiple On cherche voir le degr dinfluence des diffrentes variables sur la dcision dachat ou non du livre dart. Multinomial logit analysis Mthode qui permet didentifier les variables qui influencent le choix des consommateurs Neural network model Permet de comprendre la relation entre les variables dpendantes et indpendantes en essayant de comprendre le processus de traitement de linformation dans le cerveau des individus dans le but de dvelopper des reprsentations sur ordinateur du mcanisme.
  • Page 7
  • Rgression linaire multiple
  • Page 8
  • Statistiques de la rgression Coefficient de dtermination multiple0,489959505 Coefficient de dtermination R^20,240060317 Coefficient de dtermination R^20,235277814 Erreur-type0,378781047 Observations1600
  • Page 9
  • Statistiques de la rgression CoefficientsErreur-typeStatistique t Constante0,3642284460,0307411511,84823838 Gender-0,130920480,02003031-6,536118556 Amt_purchased0,0002736130,000111042,464058992 Last_purchase-0,00908680,00217906-4,170046646 First_purchase0,0970286020,013558897,156089006 Frequency-0,0020023970,00181601-1,102634906 P_Child-0,1262584210,01640109-7,69817277 P_Youth-0,0963562940,02010972-4,791527829 P_Cook-0,1414907440,01660643-8,520236614 P_DIY-0,1352312530,0197873-6,834245362 P_Art0,1178493970,019442686,061375137
  • Page 10
  • quation 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
  • Page 11
  • Neural net forcasting
  • Page 12
  • +
  • Page 13
  • Nomt-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 %
  • Page 14
  • Choice P_Art
  • Page 15
  • Choice Frequency
  • Page 16
  • Multinomial logit analysis
  • Page 17
  • Page 18
  • Diagnostic 1 Nous indique la variable qui influence le plus la rponse lenvoi postal GenderAmt_purchLast_purchFirst_purchFrequencyP_ChildP_YouthP_CookP_DIYP_Art 0.65872.0e+00212.31383.198822.57630.73940.33750.76000.39130.4250
  • Page 19
  • Diagnostic 2 Cote-t Nomt-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
  • Page 20
  • Diagnostic 3 Hit rate & Choice Share Number of hits = 1289 Number of observations = 1600 The hit rate of the model = 0.8056 Choice Share (Market Share) Forecasts: Response Dummy 25.4771% 74.5229%
  • Page 21
  • Rsum Facteurs (+) Facteurs (-) Rgression linaire multiple P_Art First_ Purch P_DIY P_Cook Neural net forecasting Last_Purch P_Art P_Cook Frequency Multinomial logit analysis P_Art Frequency Gender P_Cook
  • Page 22
  • Conclusions La variable nombre de livre dart achet influence significativement et positivement le choix selon les 3 modles; Lentreprise devrait invitablement cibler ces consommateurs; La variable nombre de livre de recettes achet influence ngativement le choix selon les 3 modles; Lentreprise ne devrait donc pas cibler ces consommateurs;
  • Page 23
  • Conclusions (suite) Le modle le plus fiable semble tre le Multinomial logit analysis ; Selon ce modle, en plus des consommateurs ayant achets des livres dart, lentreprise devrait galement miser sur ceux qui on fait beaucoup dachats (frequency) dans la priode donne; Aussi, en plus des consommateurs ayant achet des livres de recettes, lentreprise ne devrait pas cibler en fonction du sexe (gender).
  • Page 24
  • Avantages et limites Rgression linaire multiple Limites On ne peut pas utiliser de variables binaires Neural network model(17,79 %) Avantages On peut faire des prdictions sans connatre le type de relation entre les variables Offre des fits et des prdictions plus robustes que la rgression linaire multiple lorsquil y a des donnes manquantes Limites Nexplique pas en dtail les prdictions Nouvelle mthode donc peu dinformation est disponible sur le modle et son fonctionnement La performance dpend de plusieurs facteurs Multinomial logit analysis ( 80,56 %) Avantages Offre beaucoup plus dinformations
  • Page 25
  • Questions ? ?