Restricted accessResearch articleFirst published online 1996-6
Comparaison de la prédictivité d'un réseau de neurones à rétropropagation avec celles des méthodes de régression linéaire,logistique et AID pour le calcul des scores en marketing direct
Par rapport aux méthodes statistiques classiques (régression linéaire, régression logistique, segmentation, analyse discriminante), les avantages des réseaux de neurones à rétropropagation sont connus et nombreux (effets non linéaires, pas d'hypothèses sur la distribution des variables, résistance aux valeurs manquantes ou aberrantes). Cependant les conditions de mise en œuvre et la supériorité réelle en prédiction ne sont encore que peu documentées. L'article relève les recherches précédentes sur les analyses comparatives effectuées en marketing et présente les résultats obtenus pour la prédiction d'un comportement dans le domaine de la collecte de fonds.
Get full access to this article
View all access options for this article.
References
1.
ArayaR.GigonP. (1992), Segmentation Trees: a New Help Building Expert Systems and Neural Networks, Computational Statistics, 1, DodgeY.WhittakerJ. ed., Physica-Verlag, 119–124.
2.
AurifeilleJ.M. (1994), Réseaux de neurones et analyses de données en marketing: intérêt, limites et perspectives, Actes des premières rencontres de la recherche neuronale en sciences économiques et de gestion, Université de Poitiers, 3–25.
3.
AurifeilleJ.M. (1994), Contribution de l'analyse neuronale à la modélisation des comportements de consommation, Actes du Xe congrès, Pras Ed. Association Française du Marketing, 791–815.
CeleuxG.NakacheJ.-P. (1994), Analyse discriminante sur variables qualitatives, Paris, Polytechnica.
6.
ChabanonC.LechevallierY.MillemanS. (1992), An Efficient Neural Network by a Classification Tree, Computational Statistics, 1, DodgeY.WhittakerJ. ed., Physica-Verlag, 227–232.
7.
ChoffrayJ.M. (1992), Systèmes intelligents de management, Nathan, Paris.
8.
CoatesD.DohertyN.FrenchA. (1994), The New Multivariate Jungle: Computer Intensive Methods in Database Marketing, in Quantitative Methods in Marketing, HowleyG.KusseyM., Academic Press.
9.
DasguptaC.G.DispensaG.S.GhoseS (1994), Comparing the Predictive Performance of a Neural Network Model with Some Traditional Market Response Model, International Journal of Forecasting, 10, 235–244.
10.
FilserM. (1990), Méthodologie d'élaboration d'une typologie clientèle en marketing direct, Revue Française du Marketing, 126, 1, 57–66.
11.
FitzimonsM.KhabazaT.ShearerC. (1993), The Application of Rule Induction and Neural Networks for Television Audience Prediction, Actes Esomar/EMAC /AFM Symposium on Information Based Decision Making in Marketing, Paris, novembre, 69–82.
12.
FurnesP. (1993), New Pattern Analysis Methods for Database Marketing, Journal of Targeting, Measurement and Analysis for Marketing, 1, 3, 220–232.
13.
GallinariP.Fogelman-SouliéF. (1988), Progressive Design of Multi-Layer Perception Architecture, Actes de la conférence Neuro-Nîmes'88′, 171–182.
14.
GorrW.L.NaginD.SzczypulaJ. (1994), Comparative Study of Artificial Neural Network and Statistical Models for Predicting Student Grade Point Averages, International Journal of Forecasting, 10, 17–34.
HruschkaH. (1993), Determining Market Response Functions by Neural Network Modeling: a Comparison to Econometric Techniques, European Journal of Operations Research, 66, 27–35.
17.
JodouinJ.F. (1994), Les réseaux de neurones, Hermès, Paris.
18.
KumarA.RaoV.SoniH. (1994), An Empirical Comparison of Neural Network and Logistic Regression Model, Proceedings of the 23 Annual EMAC Conference, Maastricht, 1365–1367.
19.
McGeeV.KumarA. (1992), Regression and Neural Networks: Time for a Change ?, WP Amos Tuck School of Business Administration, Dartmouth College, Hanover, NH.
20.
NicholsonP. (1994), L'identification d'une cible en marketing direct, Recherche et Applications en Marketing, 9, 3, 65–82.
21.
OpenshawS. (1992), A Review of the Opportunities and Problems in Applying Neurocomputing Methods to Marketing Applications, Journal of Targeting, Measurement and Analysis for Marketing, 1, 2, 170–186.
Ryman-TubbN. (1993), The Use of Neural Networks to Identify the Characteristics of Holiday-Makers, The Journal of Database Marketing, 1, 2, 140–149.
24.
SalchenbergL.M.CinarE.M.LashN.A. (1992), Neural Networks: a New Tool for Predicting Thrift Failures, Decision Science, 23, 899–916.
25.
SaportaG. (1990), Probabilités, Analyse des données et statistiques, Ed. Technip, Paris.
26.
ShepardD. (1990), The New Direct Marketing, Business one IrwinHomewood IL.
27.
SmithM. (1993), Neural Networks for Statistical Modeling, Van Nostrand Reinhold, NY.
28.
TedescoB. (1993), Neural Networks Applied to Single Source and Geodemographic Data, Actes Esomar/EMAC/AFM Symposium on Information Based Decision Making in Marketing, Paris, novembre, 83–93.
29.
TsiknakiC.DuboisP.L.MagnierJ.P., (1994), L'apport des réseaux de neurones dans l'enrichissement des bases de données marketing, Actes des premiéres rencontres de la recherche neuronale en sciences économiques et de gestion, Université de Poitiers, 81–91.
30.
VenugopalV.BaetsW. (1994), Some Potential Applications of Neural Networks in Marketing Management, Marketing Intelligence & Planning, fall (to appear).
31.
WierengaB.KluytmansJ. (1994), Neural Nets versus Marketing Models in Time Series Analysis: a Simulation Studies, Proceedings of the 23 Annual Conference, European Marketing Association, Maastricht, 1139–1153.
32.
YoonY.SwalesG.MargavioT.M. (1993), A Comparison of Discriminant Analysis versus Artificial Neural Networks, Journal of Operational Research Society, 44, 1, 51–60.
