La méthode sélectionnée et les résultats obtenus dans
la prévision du comportement de choix dépendent fondamentalement
de l'approche conceptuelle choisie par le modélisateur :
analytique ou systémique. À l'aide d'un plan
factoriel par ensemble de choix et d'un modèle connexionniste, il
est proposé une méthode de recueil et de traitement des
données qui permet de traiter du choix au sein de son contexte, dans le
cadre d'une approche systémique.
AgrawalD.SchorlingC.
(1996), Market Share Forecasting: An Empirical
Comparison of Artificial Neural Networks and Multinomial Logit
Model, Journal of Retailing,
72, 4,
383–407
2.
AinslieA.DrèzeX.
(1996), Le data-mining et l'alternative
modèles classiques / réseaux neuronaux,
Décisions Marketing, 7,
1, 77–86
3.
AurifeilleJ.-M.
(1994), Contribution de l'analyse
neuronale à la modélisation des comportements de
consommation, Actes de l'Association
française du marketing, 10, éd.
B. Pras,
Paris,
791–815
4.
AurifeilleJ.-M.BergmannJ.
(1995), Segmentation des marchés: Une
méthode fondée sur l'optimisation contrainte
d'un réseau de neurones par algorithme
génétique, Actes de
l'Association pour la statistique et ses utilisations (ASU),
27, Jouy-en-Josas,
42–46
5.
AurifeilleJ.-M.Le
GoffH.
(1996), Typologie prédictive des
consommateurs caractérisée par des processus multiples: Une
approche par réseau de neurones et algorithme
génétique, Actes des Approches
connexionnistes en sciences économiques et de gestion,
3, éd. FioleauB.,
Nantes,
125–138
6.
BechtelW.AbrahamsenA.
(1993), Le connexionnisme et l'esprit:
introduction au traitement en parallèle par réseaux,
Paris (trad. ProustJ.),
La Découverte
7.
BentzY.MerunkaD.
(1996), La modélisation du choix des
marques par le modèle multinomial logit et les réseaux de
neurones artificiels: Proposition d'une approche
hybride, Recherche et applications en
marketing, 11, 2,
43–61
8.
BishopC.
M. (1995),
Neural Networks for Pattern Recognition,
Oxford University Press
ChatfieldC.FarawayJ.
(1996), Prévision des ventes avec les
réseaux de neurones: Une étude de cas,
Recherche et applications en marketing,
11, 2,
29–41
11.
CooperL.NakanishiM.
(1988), Market Share Analysis: Evaluating Competitive
Marketing Effectiveness, New York,
Kluwer
12.
CoveneyP.HighfieldR.
(1995), Frontiers of Complexity,
New York, Fawcett
Columbine
13.
DesmetP.
(1996), 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, Recherche et Applications en
Marketing, 11, 2,
17–27
14.
FiratF.VenkateshA.
(1995), Liberatory Postmodernism and the
Reenchantment of Consumption, Journal of Consumer
Research, 22, 4,
239–267
15.
GabrielP.
(1997), Connexionnisme et réseau d'automates:
vers un renouvellement de l'intelligibilité du comportement du
consommateur, Actes du XIIIe Congrès International de
l'AFM, Toulouse, ESUG-ESC,
1271–1298
16.
GalloA.ChalmeauR.
(1994), Éthologie et
simplification, Les défis de la
complexité: vers un nouveau paradigme de la
connaissance?de
BéchillonD.
(dir.), Paris,
L'Harmattan,
101–122
17.
GreenP.
E.SrinivasanV.
(1978), Conjoint Analysis in Consumer Research:
Issues and Outlook, Journal of Consumer
Research, 5, 3,
103–123
18.
GreenP.
E.SrinivasanV.
(1990), Conjoint Analysis in Marketing: New
Developments with Implications for Research and Practice,
Journal of Marketing, 54,
3, 3–19
19.
HéraultJ.JuttenC.
(1994), Réseaux neuronaux et traitement du
signal, Paris,
Hermès, coll. “Traité
de nouvelles technologies”
20.
HillT.MarquezL.O'ConnorM.RemusW.
(1994), Artificial Neural Network Models for
Forecasting and Decision Making, International
Journal of Forecasting, 10, 2,
5–15
21.
KumarA.RaoV.SoniH.
(1995), An Empirical Comparison of Neural
Network and Logistic Regression Models, Marketing
Letters, 6, 4,
251–263
22.
LancasterK.
(1966), A New Approach to Consumer
Theory, Journal of Political Economy,
74, 2,
132–157
23.
LouviereJ.
(1984), Using Discrete Choice Experiments and
Multinomial Logit Choice Models to Forecast Trial in a Competitive Retail
Environment: A Fast Food Restaurant Illustration,
Journal of Retailing, 60,
4, 81–107
24.
LouviereJ.
(1988a), Analyzing Decision Making — Metric
Conjoint Analysis, series: Quantitative Applications in the Social Sciences,
Sage University Papers, Newbury Park,
CA, Sage
25.
LouviereJ.
(1988b), Conjoint Analysis Modelling of Stated
Preferences: A Review of Theory, Method, Recent Developments and External
Validity, Journal of Transport Economics and
Policy, 22, 1,
93–119
26.
LouviereJ.WoodworthG.
(1983), Design and Analysis of Simulated
Consumer Choice or Allocation Experiments: An Approach Based on Aggregate
Data, Journal of Marketing Research,
20, 4,
350–367
27.
McFaddenD.TyeW.TrainK.
(1977), An Application of Diagnostic Tests for
the Irrelevant Alternatives Property of the Multinomial Logit
Model, Transportation Research Record,
637, 3,
39–46
28.
Robert-DemontrondPh.ThielD.
(1996), Du cognitivisme au connexionnisme:
Quelques perspectives de recherche en management,
Revue internationale de systémique,
10, 5,
525–541
29.
SarleW.
S. (1995),
Stopped Training and Other Remedies for
Over-Fitting, Proceedings of the Symposium on the
Interfaces of the Computing Science and Statistics,
27, 352–360
30.
ThompsonC.LocanderW.PollioH.
(1989), Putting Consumer Experience Back into
Consumer Research: The Philosophy and Method of
Existential-Phenomenology, Journal of Consumer
Research, 16, 2,
133–146
31.
TimmermansH.BorgersA.van
der
WeardenP.
(1992), Mother Logit Analysis of Substitution
Effects in Consumer Shopping Destination Choice,
Journal of Business Research, 24,
2, 177–189
32.
VignauxG.
(1991), Les sciences cognitives: une
introduction, Paris,
La Découverte
