Les bonnes mesures pour les décisions relatives au marketing-mix

Ofer Mintz a,e, Timothy J. Gilbride b, Peter Lenk c, Imran S. Currimd (2019), The right metrics for marketing-mix decisions, International Journal of Research in Marketing, 18, 1 – 18

Mots clés : Prise de décision managériale, efficacité métrique, régression endogène, bayes hiérarchique, attentes rationnelles

Cette étude aborde la question suivante : Pour un cadre de gestion, d’entreprise et d’industrie donné, quels sont les paramètres individuels efficaces pour prendre des décisions en matière de marketing-mix qui améliorent la perception les résultats des performances ? Cette étude permet de définir, les principaux éléments à prendre en compte en matière de gestion sur la base de tests, un cadre comportemental en plusieurs étapes qui relie le contexte décisionnel, la sélection des mesures et les performances résultats.

Le modèle statistique présentée corrige le biais d’endogénéité potentiel dans l’estimation et l’efficacité de la métrique en raison des effets de sélection et se distingue de la littérature antérieure en ce que les gestionnaires peut choisir stratégiquement les mesures en fonction de leur efficacité attendue

  • En premier lieu, nous étudirons l’importance du bon choix des métriques

Développement :

Les principales conclusions de l’analyse  << de 439 managers prenant 1287 décisions >> sont que le marketing orienté vers le client. Les mesures telles que la sensibilisation et la volonté de recommander sont les plus efficaces pour des gestionnaires à employer, tandis que les paramètres financiers tels que le volume cible et la valeur actuelle nette sont le moins efficace.

Cependant, par rapport aux mesures financières, les gestionnaires sont plus incertains quant à l’efficacité existante des mesures de marketing axées sur le client, qui atténue leur utilisation.  Une deuxième étude portant sur 142 managers permet de justifier en détail ces résultats clés. (Ofer Mintz a,e, Timothy J. Gilbride b, Peter Lenk c, Imran S. Currimd, p9). Cependant, les gestionnaires ont rarement une pénurie de
de mesure à utiliser pour prendre une décision concernant le marketing-mix ; ils ont plutôt des difficultés à décider quelle mesure utiliser

Les implications de l’efficacité des mesures pour les tableaux de bord et les systèmes de décision automatisés basée sur des systèmes d’apprentissage machine sont abordés. Le choix des mesures appropriées à utiliser par les responsables pour prendre une décision concernant le marketing-mix est essentiel pour la pratique du marketing (Lehmann, 2004)

Conclusion :

Grâce à cette étude , nous trouvons trois mesures de marketing axées sur l’esprit du client : la sensibilisation, la volonté de recommander  etla satisfaction

Ces axes sont systématiquement efficaces pour les responsables dans la plupart des décisions relatives au marketing-mix. Ces mesures, lorsqu’elles sont utilisées, améliorent de manière significative les résultats des décisions relatives au marketing mix. Inversement, nous constatons que trois mesures financières des marchés financiers et des marchés de produits : le volume cible, la VAN et le ROMI

Des métiques qui sont constamment préjudiciable à l’emploi à travers de telles décisions. Ces résultats suggèrent que les gestionnaires doivent constamment employer des mesures de marketing plus efficaces axées sur le client et non pas seulement sur les marchés financiers et les marchés de produits moins efficaces
dans leurs décisions relatives au marketing-mix.

Références bibliographiques

  • Abramson, C., Currim, I. S., & Sarin, R. (2005), An experimental investigation of the impact of information on competitive decision making, Management Science, 51(2),195–207.
  • Ailawadi, K. L., Lehman, D. R., & Neslin, S. A. (2003), Revenue premium as an outcome measure of brand equity, Journal of Marketing, 67(4), 1–17.
  • Ambler, T. (2003), Marketing and the bottom line: The marketing metrics to pump up cash flow (2nd ed.). London, England: FT Prentice Hall.
  • Bandura, A. (1982), Self-efficacy mechanism in human agency, American Psychologist, 37(2), 122–147.
  • Barnard, J., McCulloch, R., &Meng, X. -L. (2000), Modeling covariance matrices in terms of standard deviations and correlations, with application to shrinkage, Statistica Sinica, 10(4), 1281–1312.
  • Curren, M. T., Folkes, V. S., & Steckel, J. H. (1992), Explanations for successful and unsuccessful marketing decisions: The decision maker’s perspective, Journal of Marketing, 56(2), 18–31.