L`identification des modèles VAR - Association Française du Marketing

0
Evaluation des performances du marketing par le modèle VAR structurel
Mouloud TENSAOUT
MCF
Université du Maine, Avenue O. Messiaen, GAINS-ARGUMANS
E-mail : [email protected]
Tel : [phone]

0
Evaluation des performances du marketing par le modèle VAR structurel
Résumé
L’objectif de cet article est de montrer les potentialités de la représentation vectorielle
autorégressive structurelle (VARS) à modéliser les mécanismes d’interactions dynamiques entre
les décisions marketing et leurs effets sur les performances du marketing (ventes, part de marché,
capital marque, rentabilité, etc.). Une application empirique illustrera nos recommandations.
Mots Clés : Identification, Graphes causaux orientés, Performance du marketing, VAR structurel
Assessing marketing performance by the structural VAR model
Abstract
The aim of this article is to show the potentialities of the structural VAR model (SVAR) to
capture the dynamic interactions between marketing innovations. We propose an identifiaction
scheme for these innovations based on both the econometric methods and the causal graphs.
Application to marketing data illustrate our recommendations
Key words : Directed causal graph, Identification, Marketing performance, Structural VAR

1
INTRODUCTION
La recherche marketing a reconnu très tôt l’importance d’identifier les mécanismes de
transmission des décisions marketing pour comprendre la structure compétitive d’un marché
(Gatignon et Hanssens, 1987). Le marché du téléphone mobile illustre parfaitement ce postulat.
Il est maintenant de notoriété que l’arrivée en janvier 2012 de l’opérateur Free Mobile avec une
offre commerciale agressive et d’importants investissements de communication a impacté
significativement les parts de marché et les performances financières des opérateurs historiques.
Mais l’histoire n’est pas finie, cette évolution rapide et profonde du marché du mobile à inciter à
leurs tours les opérateurs historiques à mettre en place de nouvelles stratégies marketing pour
contrecarrer l’offensive de Free Mobile
1
. Nous constatons à travers cette exemple et bien d’autres
que l’évaluation des performances du marketing nécessite au préalable de déterminer avec
précision par quels mécanismes les actions marketing affectent les réactions des concurrents et in
fine les préférences des consommateurs (Chintagunta et alii, 2006 ; Currim et alii, 2005 ;
Bronneberg et alii, 2005 ; Dekimpe et Hanssens, 2000 ; Pauwels et alii, 2002 ; Fok et alii, 2006 ;
Frances, 2005a ; Leeflang et alii, 2009 ; Wittink, 2005).
Jusqu’à récemment, l’identification de ces mécanismes d’interaction sur des données agrégées
2
est conduite avec des modèles de régression log-linéaires, l’analyse de la variance et des modèles
logistiques (cf. Gatignon et Hanssens, 1987 ; Dekimpe et Hanssens, 1999 ; Dekimpe et al., 2000).
Cependant, ces procédures comportent deux principales faiblesses liées a) aux problèmes de
simultanéité des décisions marketing en raison des interdépendances des variables du mix ce qui
limite le recours aux méthodes d’estimation standards (p.e. maximum de vraisemblance) des
paramètres (endogénéité) b) à l’invariance des paramètres estimés aux changements des
1
Voir le journal Le Monde daté du 31 aout.
2
Par manque de place, nous n’aborderons pas les modèles structurels dédiés aux données individuelles dont le
prototype est le modèle des choix discrets. Ces derniers connaissent un développement méthodologique important
(Cf. Chintagunta et alii, 2006 ; Rossi et al., 2009)

2
comportements des agents car souvent ces modèles ne sont que des formes réduites n’explicitant
pas les comportements des parties prenantes (fabricants, consommateurs, distributeurs,
environnement) (Frances, 2005). C’est pourquoi la recherche empirique marketing s’est retournée
progressivement vers la modélisation autorégressive vectorielle VAR développée par Sims
(1980). Cette modélisation permet en partie de dépasser les limites soulignées en imposant des
contraintes minimales sur l’endogénéité des variables en exprimant simultanément chacune
d’elles en fonction de ses propres valeurs passées et de celles des autres variables retardées.
Cette représentation vectorielle autorégressive VAR
3
peu contraignante s’est enrichie des
nouvelles méthodes avancées des séries temporelles tels que les tests de stationnarité,
cointégration, modèle à correction d’erreur, (Fok et al., 2006). Elle est devenue récemment un
important outil d’évaluation des performances du marketing. Par exemple, Dekimpe et alii (1999)
ont utilisé le modèle VAR pour examiner les effets de court terme et de long terme des offres
promotionnelles sur la demande d’une catégorie de produit (voir aussi Nijs et alii, 2001). Tandis
que Srinivasan et alii (2004) ont examiné la question de la profitabilité des investissements
promotionnels réalisés par les fabricants et les distributeurs. Steenkamp et alii (2001) se sont
intéressés aux effets des interactions dynamiques des réactions des concurrents sur les parts de
marché (voir aussi Leeflang et alii, 2005). D’autres applications du VAR concernent l’impact des
investissements marketing sur la valeur financière d’une entreprise (Silva-Risso et alii, 2004 ;
Srinivasan et Hanssens, 2009), sur le capital marque ou la valeur actuelle nette d’un client (Yoo
et Hanssens, 2005), sur les stratégies concurrentielles (Pauwels et Srinivasan, 2004), sur l’impact
de l’introduction d’un nouveau produit sur les performances de l’entreprise (Pauwels et alii,
2004b), et sur les déterminants des élasticités prix, etc. Ces diverses applications empiriques du
VAR montrent, à l’évidence, que cette représentation est l’un des principaux outils de
3
Pour une revue du modèle dynamique des probabilités des choix discrets voir Bronnenberg et alii, (2005).

3
modélisation des effets dynamiques des décisions marketing sur les ventes, le capital marque, les
performances financières, etc.
Néanmoins, le modèle VAR comporte aussi des faiblesses conséquentes à sa spécification qui
n’est que la forme réduite sous-jacente d’un modèle VAR structurel (VARS). Autrement dit, les
paramètres du VAR ne sont pas directement interprétables car ils ne sont que des combinaisons
complexes des paramètres des relations structurelles décrivant les réactions des parties prenantes.
Cette représentation ne permet pas en fait d’accéder directement aux mécanismes de transmission
contemporains
4
des efforts marketing (Frances, 2005b ; Shugan, 2004 ; Van Heerde et alii, 2005).
D’où la nécessite de contourner cette difficulté pour identifier ces mécanismes d’intérêt.
Dans la pratique, les applications marketing du VAR n’abordent que rarement cette faiblesse du
VAR. Elles se limitent à spécifier a priori un mécanisme de transmission récursif entre les efforts
marketing contemporains le plus souvent par le biais de la décomposition de Choleski de la
variance des résidus du modèle VAR (Sims, 1980). Cette procédure est loin d’être satisfaisante
car elle dépend du choix de l’ordre des variables dans le système d’équations retenu pour
spécifier le modèle VAR. Parfois, pour contourner cette difficulté, les auteurs choisissent un
schéma d’identification invariant à l’ordre causal des variables (Dekimpe et alii, 2001). Ces
solutions sont très critiquées car elles sont d’abord a-théorique et donc non structurelles et, de
surcroit, elles produisent plusieurs mécanismes de transmission observationnellement équivalents
mais contradictoires (Lutkepohl, 2007).
Les faiblesses de ces schémas d’identification ont donné lieu récemment à des développements
d’autres procédures d’identification qualifiées de structurelles car reposant cette fois sur des
fondements théoriques sur les interdépendances dynamiques entre les variables. En marketing, les
modèles des choix dynamiques des consommateurs (souvent par le biais de la maximisation
4
Ce terme signifie qu’une variation du prix dans une période impacte les ventes dans la même période. Dans un
schéma d’identification une telle relation entre deux variables est qualifiée de contrainte de simultanéité ou de très
court terme.