Analyse de Données Marketing

Ce document présente un examen d'Analyse de Données Marketing, visant à évaluer les compétences des étudiants en méthodes multivariées, calculs statistiques, interprétation de corrélations, et analyse en composantes principales (ACP) appliquée à des données marketing et alimentaires.

Partie I

Il est demandé d'expliciter, sous forme de graphique récapitulatif, les modalités d’usage des méthodes multivariées d’analyse de données connues.

Cette question vise à synthétiser les différentes méthodes multivariées, telles que l’analyse en composantes principales (ACP), l’analyse factorielle des correspondances, la classification ascendante hiérarchique, ou encore l’analyse discriminante. Chaque méthode a ses modalités d’usage selon le type de données (quantitatives, qualitatives), l’objectif (réduction de dimension, classification, segmentation), et la nature des variables (corrélations, distances).

Réponse : La question demande une représentation graphique, non fournie ici, mais il faut retenir que les méthodes multivariées s’utilisent selon :

• Le type de variables (quantitatives ou qualitatives)
• Le but de l’analyse (exploration, réduction, classification)
• Les relations entre variables (corrélations, distances)
• Les modalités de traitement (centrage, réduction, normalisation)

Par exemple, l’ACP est utilisée pour réduire la dimension de données quantitatives corrélées, tandis que l’analyse des correspondances s’applique aux données qualitatives. La classification regroupe les individus selon leurs similarités.

Partie II

On étudie l’usage mensuel de dérivés de céréales et de légumineuses par 11 ménagères tunisiennes. Les variables sont les consommations de différents produits : C1 à C4 pour céréales, L1 à L4 pour légumineuses. Les questions portent sur le calcul de moyennes, variances, corrélations, et l’interprétation graphique.

Question 1

Calculer la moyenne et la variance des variables C1, C4, L1, L4.

Calculs :

• Moyennes données : C1 = 9.000000 ; C4 = 9.000000 ; L1 = 7.500909 ; L4 = 7.500909
• Variances calculées par la formule variance = moyenne des carrés - carré de la moyenne :
• C1 : 10.00
• C4 : 10.00
• L1 : 3.75239
• L4 : 3.748408

Réponse : Les moyennes des céréales (C1 et C4) sont égales à 9, celles des légumineuses (L1 et L4) sont égales à environ 7.5. Les variances des céréales sont plus élevées (10) que celles des légumineuses (environ 3.75).

Question 2

Calculer les coefficients de corrélation des couples (C1, L1) et (C4, L4). Que constate-t-on ?

Calculs :

• Corrélation C1/L1 = 0.816420516
• Corrélation C4/L4 = 0.816521437

Interprétation : Les coefficients de corrélation sont élevés et très proches, indiquant une forte corrélation linéaire entre les variables céréales et légumineuses correspondantes.

Question 3

Tracer la représentation des couples (C1, L1) et (C4, L4) sur un graphique avec les x en abscisse et les y en ordonnée. Commenter.

Analyse :

• Le couple C1/L1 montre une relation linéaire, à l’exception d’un point, confirmée par un r = 0.81.
• Le couple C4/L4 montre une indépendance apparente entre abscisse et ordonnée, malgré un r fort similaire.

Conclusion : Un coefficient de corrélation élevé ne garantit pas toujours une relation linéaire évidente. Il faut se méfier de l’interprétation des moyennes, variances et corrélations sans visualisation graphique.

Partie III

On étudie les consommations annuelles moyennes (en millions de dinars) de 8 denrées alimentaires selon 8 catégories socio-professionnelles (CSP). Les variables sont PAO, PAA, HUG, HUO, PAT, LEC, ARM, PLP. Les questions portent sur l’analyse en composantes principales (ACP) appliquée à ces données.

Question 1

Quelle est la méthode d'analyse utilisée ici ? Pourquoi utilise-t-on cette méthode ?

Réponse : Il s’agit d’une analyse en composantes principales (ACP). Cette méthode est utilisée pour décrire la structure d’une population à travers plusieurs variables quantitatives, en réduisant la dimensionnalité tout en conservant l’essentiel de l’information.

Question 2

Compte tenu des tableaux présentés, est-on en droit d’utiliser cette méthode ? Justifiez.

Réponse : Oui, car la matrice des corrélations montre que 25 coefficients sur 28 sont supérieurs ou inférieurs à 0.5, indiquant des corrélations suffisantes pour appliquer l’ACP.

Question 3

Comment procède-t-on pour centrer une variable ? Quel est l’intérêt dans ce cadre ?

Réponse : Centrer une variable consiste à soustraire la moyenne de ses valeurs. Cela permet de ramener les variables à une échelle comparable. Ici, ce n’est pas nécessaire car toutes les variables sont de même nature et grandeur.

Question 4

Comment procède-t-on pour réduire une variable ? Quel est l’intérêt dans ce cadre ?

Réponse : Réduire une variable consiste à diviser la variable centrée par son écart-type, normalisant ainsi la variance. Cela est utile pour comparer des variables de nature différente. Ici, ce n’est pas nécessaire car les variables ont la même nature et grandeur.

Question 5

Quelle position (centrage, réduction) devrions-nous adopter dans ce cadre ? Pourquoi ?

Réponse : On peut ne pas centrer ni réduire les variables, car elles sont homogènes en nature et grandeur.

Question 6

Dans le tableau 1, on lit –0,8386 à l'intersection de la colonne « HUG » et de la ligne « LEC ». Que signifie-t-elle ?

Analyse : Une erreur est signalée : la bonne valeur est 0.79 à l’intersection « HUG » et « LEC ».

Trois réponses sont proposées :

• -0,8386 est un coefficient de corrélation fort et négatif entre « HUG » et « LEC », indiquant une forte dépendance inverse.
• 0.79 est un coefficient de corrélation fort et positif entre « HUG » et « LEC », indiquant une forte dépendance directe.
• -0,8386 est un coefficient fort et négatif entre « HUO » et « LEC », indiquant une forte dépendance inverse.

Conclusion : La bonne valeur est 0.79 entre HUG et LEC, donc la deuxième interprétation est correcte : forte corrélation positive entre HUG et LEC.

Question 7

Reproduire le calcul des coordonnées de l’individu « AGRI » sur l’Axe 1, donné comme -3.37158.

Données :

Variable	Valeur centrée-réduite (AGRI)	Poids Axe 1
PAO	1.5276103	-0.391311
PAA	-1.3018776	0.348674
HUG	1.84304239	-0.349193
HUO	-1.2246742	0.373625
PAT	0.32249746	-0.246371
LEC	0.52028214	-0.364822
ARM	-0.9900495	0.373052
PLP	-1.603997	0.361676

Calcul :

Coordonnée AGRI Axe 1 = (1.5276103 × -0.391311) + (-1.3018776 × 0.348674) + (1.84304239 × -0.349193) + (-1.2246742 × 0.373625) + (0.32249746 × -0.246371) + (0.52028214 × -0.364822) + (-0.9900495 × 0.373052) + (-1.603997 × 0.361676)

Calcul détaillé :

• 1.5276103 × -0.391311 = -0.5978
• -1.3018776 × 0.348674 = -0.4539
• 1.84304239 × -0.349193 = -0.6433
• -1.2246742 × 0.373625 = -0.4575
• 0.32249746 × -0.246371 = -0.0795
• 0.52028214 × -0.364822 = -0.1898
• -0.9900495 × 0.373052 = -0.3695
• -1.603997 × 0.361676 = -0.5803

Somme = -0.5978 - 0.4539 - 0.6433 - 0.4575 - 0.0795 - 0.1898 - 0.3695 - 0.5803 = -3.3716 (arrondi)

Réponse : La coordonnée de l’individu AGRI sur l’Axe 1 est bien -3.37158, ce qui correspond au calcul effectué.

Question 8

Commenter globalement les résultats de cette analyse ACP à partir des annexes.

Analyse :

• Nombre d’axes à retenir : Le critère de Kaiser retient un seul axe (valeur propre > 1), qui explique 77% de l’inertie totale. L’axe 2 explique 11% supplémentaire, portant le cumul à 89%, ce qui est très satisfaisant. Il est donc pertinent d’étudier aussi le deuxième axe.
• Interprétation de l’Axe 1 :
  • Variables : oppose la consommation de pain ordinaire, légumes secs, huiles de graines à celle d’huile d’olive, pains spéciaux, agrumes, plats préparés.
  • Individus : oppose agriculteurs (AGRI) aux cadres supérieurs (CSUP).
  • Synthèse : axe reflète l’opposition entre catégories socio-professionnelles modestes consommant des aliments basiques et catégories favorisées consommant des produits plus sophistiqués.
• Interprétation de l’Axe 2 :
  • Variables : essentiellement caractérisé par la consommation de pâtes, céréales et dérivés (PAT).
  • Individus : caractéristique des inactifs (INAC), qui sont fortement associés à cet axe.
  • Synthèse : axe reflète la particularité alimentaire des inactifs, avec une forte consommation de pâtes et céréales.

Conclusion : L’ACP met en lumière les différences alimentaires liées aux catégories socio-professionnelles, avec un axe principal opposant aliments basiques et aliments plus recherchés, et un second axe caractérisant un groupe particulier (inactifs) par leur consommation spécifique.

Méthode

Ce sujet valorise la maîtrise des calculs statistiques élémentaires (moyenne, variance, corrélation), la capacité à interpréter des coefficients statistiques dans un contexte marketing, et la compréhension approfondie de l’analyse en composantes principales (ACP) appliquée à des données réelles.

Les erreurs à éviter incluent :

• Confondre centrage et réduction, ou appliquer ces transformations sans justification selon la nature des variables.
• Interpréter un coefficient de corrélation sans visualiser les données, ce qui peut induire en erreur (fort r ne signifie pas toujours relation linéaire évidente).
• Ne pas vérifier les calculs intermédiaires, notamment dans le calcul des coordonnées sur les axes factoriels.
• Omettre d’expliquer les choix méthodologiques (par exemple, pourquoi utiliser l’ACP, pourquoi retenir un ou deux axes).

La rigueur dans le raisonnement, la clarté des étapes, et la capacité à relier les résultats statistiques à des interprétations concrètes sont essentielles pour réussir ce type d’épreuve.