Identification de segments spatiaux pour des marchés internationaux

Le succès des entreprises ayant une stratégie d'expansion à l'international passe par l'identification de marchés cibles géographiquement délimités. Jusqu'à présent, les entreprises utilisaient les frontières des pays pour délimiter ces marchés cibles. Ceci avait pour conséquences l'utilisation de segments facilement accessibles et de stratégies d'entrée efficientes en termes de coût. Pourtant, de telles stratégies de segmentation au niveau des pays pourraient ne plus être appropriées. En effet, la tendance à la globalisation des marchés et la fragmentation des besoins des consommateurs au sein d'un même pays expliquent l'utilisation croissante d'une segmentation transnationale des consommateurs. Dans une telle segmentation, les consommateurs de différents pays sont regroupés en fonction de leurs similarités en termes de besoins, et les frontières des pays sont ignorées. Dans cet article, nous proposons une nouvelle méthodologie qui améliore l'identification de segments spatiaux grâce à l'utilisation de données sur la localisation des consommateurs. Notre méthodologie permet d'identifier des segments spatiaux en fonction des besoins des consommateurs tout en utilisant également des données spatiales au sein des pays. Nous pensons qu'il est probable que les segments de consommateurs suivent une structure spatiale; c'est pourquoi nous avons développé une approche bayésienne hiérarchique en spécifiant différents niveaux de dépendance spatiale. Plutôt que d'assigner les consommateurs aux segments, nous avons identifié des segments spatiaux qui sont composés de régions prédéfinies. Nous avons développé quatre modèles, chacun correspondant à un niveau de dépendance spatiale différent. Deux modèles correspondent aux approches actuelles de segmentation internationale : d'une part les modèles d'indépendance spatiale, et d'autre part les modèles de segmentation au niveau des pays. Les deux autres modèles sont originaux : ce sont les modèles d'association spatiale au sein des segments et de contiguïté spatiale des segments. Ces modèles prennent en compte l'hétérogénéité intra-segment lors d'une segmentation multi-attributs. Ainsi, les applications en termes de segmentation d'un marché à partir des réponses des consommateurs sont nombreuses. Nous montrons que les modèles peuvent être estimés en utilisant un échantillonnage de Gibbs. Pour le modèle de contiguïté spatiale, une procédure d'échantillonnage par rejet est proposée. Afin de déterminer la performance du modèle de segmentation spatial le plus restrictif, nous avons effectué une analyse de données factices. Pour ce faire, nous avons comparé les résultats d'une situation où aucune structure spatiale n'est sous-jacente aux données et ceux d'une situation où une structure spatiale est sous-jacente. Nous avons analysé des données, de propriétés connues, avec les modèles de contiguïté spatiale et d'indépendance spatiale des segments. Les résultats montrent que lorsqu'une structure spatiale est sous-jacente aux données, le modèle de contiguïté spatiale améliore la qualité d'estimation des paramètres. Lorsque ce n'est pas le cas, le modèle d'indépendance spatiale peut fournir de meilleurs résultats. Nous illustrons empiriquement notre approche dans le contexte de la distribution internationale. Pour ce faire, nous utilisons les données d'un sondage effectué auprès des consommateurs de sept pays de l'Union européenne. Nous avons utilisé un instrument de mesure de l'image des magasins. Cet outil est fondé sur le modèle multi-attributs de formation de l'image d'un magasin. L'évaluation globale des magasins est la variable dépendante et les perceptions de l'image des magasins sont les variables explicatives. Les variables de segmentation sont les importances (latentes) données aux différents attributs de l'image d'un magasin, c'est-à-dire la qualité des produits, la qualité du service, l'assortiment, la politique de prix et l'emplacement du magasin. Nous pensons que l'importance accordée à chaque attribut de l'image d'un magasin donné va probablement afficher des variations spatiales. Nous nous attendons à trouver une agrégation spatiale voire une contiguïté spatiale des segments. Nous appliquons les quatre modèles de segmentation spatiale aux données sur l'image des magasins. Le modèle de segmentation au niveau des pays est le moins soutenu par les données. Même le modèle d'indépendance spatiale offre un meilleur ajustement. Ceci confirme que les préférences des consommateurs sont transnationales. Les deux modèles ayant le meilleur ajustement avec les données sont le modèle de contiguïté spatiale et le modèle d'association spatiale. Même si les différences entre les modèles ne sont pas très importantes, celles-ci sont confirmées par deux indices d'ajustement différents. Des résultats détaillés sont présentés pour le modèle de contiguïté spatiale. Nous avons identifié cinq segments spatiaux transnationaux. Ces segments correspondent à des stratégies de positionnement différentes en termes de distribution. De plus, les estimations de l'importance des attributs et de l'emplacement des magasins confirment la validité de construit.