Dernier numéro de Survey Magazine

Strategir France : Intelligence artificielle & tests consommateurs

Strategir France : Intelligence artificielle & tests consommateurs

Les outils de prévision des ventes sont essentiels au développement de nouveaux produits. Pourtant, les trois quarts des innovations sont des échecs l’année de leur lancement, alors que nombre d’entre elles auraient certainement apporté de la valeur ajoutée aux consommateurs ! La condition clé de succès pour des prévisions de ventes robustes est de s’assurer que l’innovation apportera de la valeur ajoutée aux consommateurs et d’intégrer l’impact des actions publi-promotionnelles et marketing (référencement en magasin, communication publicitaire, pression promotionnelle…). Pour mesurer le potentiel d’un nouveau produit, des études quantitatives vont s’attacher à mesurer les freins et les motivations à l’égard de nouveaux mix, et extrapoler les volumes de vente à partir de modules statistiques ou économétriques basés sur les résultats consommateurs et marché.

Par définition, chaque consommateur est unique : fréquence et quantités d’achat de la catégorie, niveau d’implication et critères de décision, appétence pour l’innovation, probabilité d’être exposé aux actions marketing, ou encore sensibilité à la promotion, sont autant de composantes variant d’un consommateur à un autre.

Dans un monde ultra-connecté où l’accès à l’information, l’exposition médiatique et les circuits d’achats sont de plus en plus multiples, générant des comportements individuels de plus en plus variés, les études d’innovation avec prévisions des ventes doivent non seulement intégrer cette contextualisation dans les tests consommateurs, mais aussi s’appuyer sur des micro-modèles et non pas des modèles globaux dits macro-économiques pour mieux tenir compte des caractéristiques individuelles de chaque consommateur.

L’approche micro-Modélisation

L’intelligence artificielle intégrée au test consommateurs consiste à baser l’approche sur une micro-modélisation opérant individu par individu. Il s’agit de créer, à partir des répondants de l’étude quantitative, un panel virtuel de consommateurs calibré individuellement au regard des données du marché de référence. L’intelligence artificielle appliquée au sein de ce panel virtuel permet de simuler pour chacun des membres de ce panel virtuel, la suite des choix entre le(s) produit(s) habituel(s) et le nouveau produit pendant les deux prochaines années ainsi que les actes d’achat qui en résultent. Ceci permet de respecter les différences qui existent entre individus sans chercher à les lisser ce qui serait le cas si on les « moyennisait » – ce que ferait un macro-modèle. La prévision des performances ainsi construite est donc, non pas la moyenne, mais la somme des performances de ventes individuelles projetées pour chaque consommateur, en fonction de leur probabilité d’achat pour le nouveau mix et du contexte de lancement défini par les responsables marketing pour soutenir leur innovation.

Le panel virtuel

Plus précisément au sein du panel virtuel créé, chaque individu interrogé est un « noyau » autour duquel vont s’articuler des « clones virtuels » dont les comportements vont différer selon la nature et l’exposition aux actions marketing envisagées pour le lancement.

Un clone virtuel de « l’individu X » aura une probabilité de trouver le produit en linéaire selon le niveau de distribution en magasin et à un moment donné.

Supposons à titre d’exemple ici que l’on ait 100 clones virtuels de « l’individu X » à un temps T, et que sa probabilité d’acheter le nouveau produit (mesurée dans l’étude ad hoc) soit de 10% en dehors de toute action marketing.

Si le nouveau produit est présent dans 70% des magasins, un clone virtuel aura une probabilité de 70% de trouver le produit. Sachant que la probabilité d’achat est de 10% quand le produit est présent, la probabilité d’achat finale est de 7%. Et si un autre clone virtuel ne rencontre pas le produit en linéaire, sa probabilité d’achat sera de 0%. Pour la période suivante où le taux de référencement en magasin est de 75%, la probabilité d’achat de ce clone virtuel sera de 7.5% s’il rencontre le nouveau produit en magasin sinon elle sera à nouveau de 0%. On va suivre ainsi le comportement de ce clone virtuel période par période pendant 2 ans.

Si un plan de communication (publicité TV par exemple) est mis en place pour soutenir le nouveau produit, l’outil décidera pour chaque clone virtuel de notre individu s’il est exposé ou non à la publicité, et si oui quel est l’effet de cette publicité sur sa probabilité d’achat à l’instant T et les semaines/mois suivants.

Supposons que l’on ait mesuré dans l’étude qu’une communication autour du nouveau produit multiplie par 3 la probabilité d’achat, cette probabilité sera donc de 30% si ce clone rencontre le produit et s’il est exposé à la pub TV.

In fine, il y aura donc des clones virtuels qui seront exposés ou non exposés au plan de communication, et trouveront le produit en magasin ou non. Chaque clone virtuel de chaque «noyau» / individu interrogé, pour chaque période et pour chaque action marketing (DV, pub, promo, prix, etc.) sera ainsi identifié.

Quel que soit le stade de développement de votre innovation, et quels que soient les objectifs de lancement (pénétrer une nouvelle catégorie, étendre votre offre de produits existante, relancer votre produit ou rénover vos packs) la micro-modélisation basée sur l’intelligence artificielle va permettre d’intégrer la façon dont l’innovation performera auprès de chaque consommateur, respectant ainsi la réalité du marché composé d’une multitude de profils et comportements individuels et intégrant le plan de lancement spécifique prévu par les responsables de la marque. Ce, pour aboutir à la décision finale de go/no go via une meilleure intégration de la compréhension des consommateurs et du marché de lancement.