Association Française du Marketing

Association réseaux de neurones et plan d'expérience par ensemble de choix : vers la

prédiction d'un comportement complexe de choix
Author(s): Patrick Gabriel
Source: Recherche et Applications en Marketing, Vol. 14, No. 2 (1999), pp. 15-28
Published by: Sage Publications, Ltd. on behalf of Association Française du Marketing
Stable URL: https://www.jstor.org/stable/40589181
Accessed: 13-06-2023 12:42 +00:00

REFERENCES
Linked references are available on JSTOR for this article:
https://www.jstor.org/stable/40589181?seq=1&cid=pdf-reference#references_tab_contents
You may need to log in to JSTOR to access the linked references.

JSTOR is a not-for-profit service that helps scholars, researchers, and students discover, use, and build upon a wide
range of content in a trusted digital archive. We use information technology and tools to increase productivity and
facilitate new forms of scholarship. For more information about JSTOR, please contact [email protected].

Your use of the JSTOR archive indicates your acceptance of the Terms & Conditions of Use, available at
https://about.jstor.org/terms

Association Française du Marketing, Sage Publications, Ltd. are collaborating with JSTOR
to digitize, preserve and extend access to Recherche et Applications en Marketing

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
 Recherche et Applications en Marketing, vol. 14, n° 2/99

Association réseaux de neurones

et plan d'expérience par ensemble de choix :

vers la prédiction d'un comportement complexe de choix

Patrick Gabriel *

Maître de conférences, Laboratoire CREREG, Rennes, UMR CNRS 6585

RÉSUMÉ

La méthode sélectionnée et les résultats obtenus dans la prévision du comportement de choix dépendent fondamentale-
ment 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 per-
met de traiter du choix au sein de son contexte, dans le cadre d'une approche systémique.

Mots clés : comportement de choix, plan d'expérience factoriel, réseau de neurones, contexte, complexité.

INTRODUCTION Ce cadre classique est apparu étroit pour expli

quer une différenciation et une frivolité de plus en
plus marquée des comportements individuels (à titr
d'exemple, voir Firat et Venkatesh, 1995 ; Thomson
et ai, 1989). Parallèlement à la simplification d
La pratique classique, pour l'étude et la prévision
comportement par identification de facteurs indépe
du comportement de choix, consiste à mettre en cor-et déterminants, la compréhension et la prév
dants
rélation l'activité de l'individu et les caractéristiques
sion du choix sont à rechercher dans sa complexi
de l'objet de choix. Il s'agit le plus souvent d'utiliser
(Gabriel, 1997).
une méthode réductrice permettant de dissocier et
La de
complexité est un terme général désignant un
distinguer les éléments constitutifs du sujetfaçonde
et de penser un comportement composé de diff
l'objet, éléments expliquant la déterminationrentsduéléments indissociables (Coveney et Highfield
comportement (déterminants endogènes/exogènes).
1995). Autrement dit, elle représente une façon
Cette procédure de simplification incite à terme
penserà un phénomène d'étude considéré comme u
considérer l'état final suivant : les mêmes individus,
système, lui-même ensemble d'éléments qui inte
dans les mêmes états, placés dans les mêmes condi-
agissent entre eux et éventuellement avec le milieu
tions, adoptent les mêmes comportementsextérieur.
(aux Dans ce cadre, l'étude du comporteme
variations individuelles près). de choix n'est autre que celle d'un système intégran

* L'auteur remercie les lecteurs anonymes, qui par leurs remarques, ont contribué à une amélioration significative de l'arti

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
16 Patrick Gabriel

le décideur, et les divers éléments des options riencedetraitant du choix plutôt que du jugement per-
choix ; il s'agit en conséquence de l'étude du sujet
met deet recueillir la complexité du phénomène étudié.
de son contexte de choix. Le comportement est La seconde
alors section se concentre sur les réseaux de
considéré comme une des sorties (la sortie motrice)
neurones (principalement le Perceptron multicouche),
du système (Gallo et Chalmeau, 1994). Un comporte-
et leur utilisation dans un cadre expérimental. La
ment complexe est donc un comportement conçu section illustre pratiquement les différents
troisième
complexe, considéré comme émergeant d'interac-
points abordés dans les sections précédentes, à l'aide
tions nombreuses au sein du système observé, d'une
et dont
étude de cas spécifique ayant pour sujet le
l'évolution n'est pas liée uniquement à la présence
choix de menus alimentaires.
ou à l'absence des éléments dudit système, mais éga-
lement à leurs interrelations.
Dans la mesure où l'on considère ces deux
approches du comportement (appelons-les : analytique
et systémique), deux questions au moins se L'OBJET
posent.DES DIFFÉRENTS TYPES DE PLAN
La première est de nature méthodologique : comment
D'EXPÉRIENCE FACTORIEL
prendre en compte cette complexité du comporte-
ment ? La seconde s'appuie sur les résultats auxquels
conduisent les deux méthodes : est-il pratiquement
Les hypothèses et caractéristiques générales
intéressant de considérer la complexité du comporte-
des plans d'expérience
ment ? Les tentatives de réponse à ces deux questions
constituent l'objectif de la présente recherche.
La question méthodologique fait référence Les
nonplans factoriels sont originellement conçus
seulement au modèle mathématique permettant la
pour évaluer l'influence des facteurs (les attributs de
simulation du système et la prévision du comporte-
l'option de choix, par exemple) sur la variable dépen-
ment, mais également à la qualité des donnéesdante.
inté-Afin de pouvoir mesurer les effets individuels
grées au modèle. Un modèle, aussi performant de soit-il,
chacun des facteurs, l'individu est supposé adop-
ne peut simuler la complexité que dans la mesure
ter unoù traitement de décomposition de l'information.
celle-ci est préalablement admise. Il importe alors de à un résultat (un jugement ou un choix) en
Il arrive
recueillir la diversité des liens entre les éléments du calculant les utilités attachées à chacune des modali-
système observé, ce qui ne paraît possible qu'en tés d'attribut représentant l'option à évaluer, puis
appréhendant « d'un bloc » le système et son organi- en combinant ces utilités partielles à l'aide d'une
sation interne. On s'efforcera de montrer qu'un cer- règle décisionnelle (Lancaster, 1966 ; Cooper et
tain type de plan d'expérience factoriel est adapté à Nakanishi, 1988), règle que doit reproduire par la
cette tâche. Les réseaux de neurones possèdent suite le modèle mis en œuvre par le chercheur.
l'avantage, structurellement, d'appréhender cette L'hypothèse d'un processus décisionnel analy-
complexité recueillie (Aurifeille, 1994). Tirer profittique, inspiré fortement de l'économie classique et de
de la capacité conjointe des plans d'expérience et desla psychologie cognitive, représente donc le fonde-
modèles connexionnistes à prendre en compte ment de tout plan d'expérience factoriel en marketing.
l'ensemble de l'organisation du phénomène étudié Certains types de plan, tels ceux traitant des don-
nécessite, pour ces derniers, quelques adaptations, nées de jugement, exigent une interprétation stricte
que nous examinerons ci-après. de cette hypothèse. Le plan le plus classique dans ce
L'intérêt pratique d'un modèle connexionniste, de domaine emploie une mesure métrique (évaluation
type Perceptron multicouche, est révélé par compa- plutôt que classement, par exemple) (Green et
raison de ses résultats à ceux d'un modèle sélec-
Srinivasan, 1978 et 1990). Les données de jugement
tionné parmi les plus représentatifs de la simulation
représentent les évaluations, à partir d'une échelle de
classique du choix : le modèle multinomial logit. mesure, de chacun des traitements offerts successive-
Afin de satisfaire l'objectif énoncé, l'article ment
est aux répondants. Ces données font classique-
structuré en trois sections. La première tente de souli-
ment référence aux préférences des répondants par
rapport aux options successivement présentées. La
gner les principes à partir desquels un plan d'expé-

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
 Association réseaux de neurones et plan d'expérience par ensemble de choix 1 1

préférence globale est elle-même égale, par hypo- préférences, en fonction de contextes spécifiques. En
thèse, à une combinaison des préférences indépen- second lieu, l'expérimentation peut ne pas être consi-
dantes et constantes pour chaque attribut de cette dérée comme une succession de moments indépen-
option. dants de choix : dans la mesure où, au sein de chaque
Il existe d'autres types de plan factoriel, tels ceux ensemble de choix, une même option - l'option « de
traitant des données de choix, qui autorisent d'une base » - peut être répétée, parmi un contexte - les
façon pratique une interprétation plus large de autres options - dont certaines des caractéristiques
l'hypothèse analytique. Ils représentent une opportu- sont susceptibles de changer, la succession des com-
nité pour le recueil de la complexité attendue dans les portements mesurés fait davantage référence à une
données décisionnelles. dynamique continue qu'à des moments discrets,
indépendants les uns des autres. En d'autres termes,
les plans par ensembles de choix permettent davan-
Les plans d'expérience utilisant des données de choix tage une appréhension de la dynamique des compor-
tements, et ce faisant, une meilleure appréhension
La différence majeure de ce type de plan facto-des éventuels phénomènes complexes qui les régis-
riel, par rapport au précédent, tient à la nature des sent. Autrement dit, et même si leur dimension est
données recueillies : un choix, plutôt qu'une évalua- réduite, l'espace et le temps de l'ensemble du sys-
tion. Ce n'est donc plus un état cognitif qui est tème observé - les éléments propres au comporte-
mesuré, mais directement un comportement. À ment de choix et les variations des contextes de ce
condition, bien sûr, que le chercheur suppose que le choix - sont conservés pendant l'observation. Tirer
comportement de choix des individus soumis auxparti d'un tel mode de recueil de données n'est
conditions de l'expérience est lié fonctionnellement cependant possible que si le modèle exploitant les
au comportement en milieu naturel. données est capable de traiter et de restituer leurs
éventuelles interactions.
Par nature, un choix nécessite au préalable plu-
sieurs possibilités. En conséquence, la tâche du
répondant dans ce type d'expérimentation est de
sélectionner une option parmi plusieurs, offertesL'inadéquation des modèles de choix classiques pour
simultanément au sein d'un ensemble de choix. Au les plans d'expérience par ensemble de choix
cours de l'expérimentation, le sujet se voit ainsi pré-
senter successivement plusieurs ensembles de choix. S'agissant de choix, de nombreux modèles mul-
Chaque option au sein de chaque ensemble de choix tiattributs sont applicables ; néanmoins, et dans le
décrit une combinaison spécifique de modalités cadre des plans d'expérience par ensembles de choix,
d'attributs. Bien que l'hypothèse générale d'un traite- le modèle le plus fréquemment utilisé en marketing
ment analytique et combinatoire de l'information demeure le modèle MNL (Multinomial Logit)
reste le fondement de l'esprit de ce type de plan (Louviere et Woodworth, 1983). Son utilisation
d'expérience, ce dernier peut dans la pratique aider à demande de respecter un certain nombre d'hypo-
mesurer l'évolution du choix en fonction de celle du thèses qui lui sont propres, dont celle de l'indépen-
contexte (les offres concurrentes). L'intérêt manage- dance des options non pertinentes (ou Independence
rial est évident: différents scenarii de concurrence of irrelevant alternatives). Elle se traduit concrète-
peuvent être analysés, afin de préparer le développe- ment par deux hypothèses pratiques, qui rapprochent
ment stratégique de l'entreprise. Par exemple, l'esprit de ce modèle de celui des plans par juge-
l'attraction d'un centre commercial a pu être évaluée, ment : les préférences pour les options de choix peu-
dans différents contextes commerciaux concurren- vent être définies indépendamment de l'ensemble de
tiels (Timmermans et ai, 1992). De même, diffé- choix, et les erreurs dans les mesures d'utilités sont
rentes offres possibles d'un restaurant ont été appré- également indépendantes de cet ensemble (Cooper et
ciées, en fonction des offres promotionnelles des Nakanishi, 1988). Il y a donc à la fois adaptation du
concurrents (Louviere, 1984). plan aux hypothèses du modèle (les probabilités mar-
Une telle évaluation signifie en premier lieu que ginales doivent être indépendantes, donc les effets
le chercheur admet une variation des choix, sinon des principaux doivent être orthogonaux), simplification

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
18 Patrick Gabriel

(les probabilités marginales sont données par ger

les en une valeur unique, puis à transformer cette
fré-
quences observées de choix de chaque option ;valeur en sortie par le biais d'une fonction (dite
T esti-
mation des paramètres est conseillée à und'activation
niveau ou de transfert). Celle-ci peut être
linéaire, ou non linéaire (de type sigmoide, par
agrégé), puis adaptation du modèle au cadre expéri-
exemple).
mental (transformation logarithmique de l'équation
générale du modèle, afín ultérieurement d'estimer les
La spécificité d'un réseau de neurones n'est donc
paramètres à l'aide d'une technique de régression)
pas dans ses calculateurs, qui ne représentent qu'une
(Lou viere et Woodworth, 1983 ; Louviere,série
1988a ;
d'équations. Elle se trouve dans les liens entre
Cooper et Nakanishi, 1988). les calculateurs. Le principe d'apprentissage d'un
L'adoption conjointe d'un plan d'expérience ettype MLP (pour MultiLayer Perceptron, ou
réseau de
du modèle MNL peut soulever une contradiction,Perceptron multicouche) peut être formulé par analo-
lorsque des données de choix sont utilisées. gieQuelle
avec celui du behaviorisme : le renforcement
que soit la complexité voulue et recherchée, explici-
d'une réponse par répétition d'un même stimulus
tement ou non, en adoptant l'un ou l'autre correspond,
type de pour un réseau, à un renforcement de la
plan (jugement ou choix), la même technique connexion
analy- entre l'unité d'entrée et l'unité de sortie.
tique est employée : la méthode de régression,
La afin
propagation de l'activation de l'unité de sortie
d'estimer les paramètres de la (ou des) fonction(s)
vers l'unité d'entrée est d'autant plus forte que la
d'utilité. Le traitement d'un problème possiblement
réponse s'est avérée appropriée au stimulus initial.
complexe est effectué par une technique qui, par
Conceptuellement, cela revient à donner une valeur
nature, permet peu ou mal d'appréhender cette com-
de passage, un poids à la connexion, de sorte que
plexité. La méthode de régression demande aul'activation
cher- de l'unité d'entrée est une fonction de
cheur de définir a priori les relations entre variables,
l'activation libérée par l'unité de sortie, et du poids
donc le plus souvent, de les simplifier. de la connexion entre les deux unités. La figure 1
Il semble qu'en ce point, l'utilisation d'un modèle
schématise ce principe.
permettant, mieux que le MNL classique, d'appré-
Les poids des connexions sont donc au cœur du
hender la complexité sous-jacente dans les données
système neuronal, ils représentent sa mémoire. Ils
recueillies est souhaitable. Les réseaux de neurones,
renforcent ou restreignent le lien entre deux unités,
en raison de leur structure et de leur mode d'appren-
donc contrôlent le résultat final du modèle.
tissage, offrent une solution possible à la modélisa-
Par leur fonctionnement, les réseaux de neurones
tion de cette complexité.
sont plus aptes que les modèles analytiques à simuler
un système complexe (Bechtel et Abrahamsen,
1993) : si le modèle MNL simule en premier lieu
l'importance des éléments individuels du phénomène
observé, le modèle neuronal de type MLP s'appuie
LE PERCEPTRON MULTICOUCHE
d'abord sur l'importance des interactions entre ces
DANS UN CADRE EXPÉRIMENTAL
éléments. La différence dans ces deux méthodes de
simulation est à la mesure des écarts entre les
programmes de recherche issus du cognitivisme, ou
Brève présentation des réseaux de neurones du connexionnisme (Robert-Demontrond et Thiel,
1996 ; Vignaux, 1991).
La technique des réseaux de neurones est mainte-Si la pondération des liens plutôt que les données
nant largement diffusée (pour exemple, le numérolocales des calculateurs identifient un système neuro-
spécial de la revue RAM, n° 11, 2, 1996). Cette nal,
tech-
il lui est dès lors relativement aisé d'adapter lui-
nique est de description simple, bien que de fonction-
même ses réponses à un environnement particulier,
nement original. Un réseau de neurones se présente dans la mesure où il n'est besoin que d'un système
sous la forme d'un ensemble de neurones artificiels d'équations modifiant les poids. Ce système d'équa-
interconnectés. Un neurone artificiel, ou unité, est tions, sous la forme d'un algorithme, est élaboré par
lui-même un calculateur entrée-sortie, dont le rôle se le modélisateur. Dans le cas du Perceptron et de la
limite à réceptionner les valeurs d'entrées, à les agré- règle d'apprentissage delta généralisé, par exemple,

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
 Association réseaux de neurones et plan d 'expérience par ensemble de choix 1 9

Unité de sortie u Unité d 'entrée i

Valeur d'activation en f
- ksPoids connexion Wjj^y- H '- ►
sortie de l'unité u = ou ■

Figure 1. - Principe de propagation de 1' activation entre deux uni

cet algorithme a pour tâche très générale de per-

Les caractéristiques de la méthode de recueil des
mettre la modification automatique
données
de chaque
(le plan parpoids
ensemble de choix) influencent
du réseau de manière à réduire Terreur totale
et contraignent (ou dont un MLP peut être
la manière
l'écart entre le résultat calculé et leoptimisé.
résultat L'optimisation
désiré). a pour objet de définir un
Ces différentes caractéristiques nequi
réseau doivent
approxime aupas
mieux à la fois les données
minimiser les inconvénients possibles qui luidans l'utilisa-
sont présentées en apprentissage, et des don-
tion d'un modèle neuronal. Parmi ces derniers, nées qui, bien que provenant de la même population,
notons la nécessité d'un échantillon important : lesseraient différentes de celles de l'échantillon
capacités de généralisation d'un modèle ne sont éva- d'apprentissage. En d'autres termes, la capacité de
luées qu'en observant les résultats de ce dernier à généralisation du réseau importe. Ce problème est lié
partir de données autres que celles utilisées pour son à la minimisation du biais et de la variance du
apprentissage. Également se pose le problème de modèle, ou de façon similaire, à la réduction autant
l'indétermination des solutions : il arrive le plus sou- que possible du sur-apprentissage et du sous-appren-
vent que la solution obtenue par l'algorithme tissage. De multiples techniques existent pour opti-
d'apprentissage ne soit que localement optimale, ce miser un réseau de neurones. Le cadre d'expérimen-
qui signifie que la valeur des paramètres peut varier tation défini précédemment limite néanmoins
d'un optimum local à l'autre, rendant difficile toute l'application de nombre d'entre elles. Plus précisé-
interprétation. C'est une des raisons pour laquelle ment, deux problèmes interviennent lorsque sont uti-
l'outil neuronal est encore employé dans un but prin- lisées des données en provenance d'un plan factoriel
cipalement prédictif, même si certaines techniques par ensemble de choix.
tentent d'amoindrir le problème de l'indétermination Le premier problème est lié à la tâche du réseau :
des solutions (Aurifeille et Bergman, 1995 ; il s'agit d'évaluer les probabilités de choix de cha-
Aurifeille et Le Goff, 1996). cune des options, pour chacun des ensembles de
choix. Ceci implique que les cas d'apprentissage 1
font référence aux traitements de l'expérimentation,
Adaptation des réseaux de neurones aux caractéris- non au nombre de répondants. En conséquence, et
tiques des plans d'expérience factoriels par ensemble quelle que soit la taille de l'échantillon, le nombre de
de choix données à l'entrée du réseau est particulièrement res-
treint, un plan factoriel favorisant la qualité des
Lorsqu'un modèle de choix de type multinomial réponses dépassant rarement vingt à vingt-cinq traite-
logit est utilisé avec un plan d'expérience factoriel par ments (Carson et ai, 1994). De sorte que, à
ensemble de choix, l'estimation des paramètres de la l'extrême, le nombre de paramètres du modèle peut
fonction d'utilité revient à une technique d'approxi- être égal ou supérieur au nombre de données servant
mation d'une fonction de régression (Louviere et à l'estimation de ces paramètres. Ce déséquilibre
Woodworth, 1983 ; Cooper et Nakanishi, 1988). La
tâche d'approximation de fonction de régression est 1 . Un cas d'apprentissage, ou un exemple, représente une entrée et
la sortie qui lui est liée. Le vecteur entrée est présenté au réseau
tout à fait adaptée à un modèle neuronal, de type pour apprentissage, le vecteur sortie est la sortie-cible, qui est
Perceptron multicouche (Bishop, 1995). comparée à la sortie calculée par le réseau.

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
20 Patrick Gabriel

limite statistiquement le nombre de degrés de

artificielles autour des données réelles, assurant ainsi
liberté ; il incite également à une surexploitation desde la fonction apprise par le réseau. Cette
un lissage
données, au risque d'un sur-apprentissage,procédure
c'est-à-demande au préalable de multiplier par n la
dire d'un ajustement des paramètres à partirbase
égale-
de données originelle. Il s'agit ensuite d'intro-
ment des bruits inclus dans les données. duire dans n - 1 bases un bruit artificiel. Ce bruit est
Le second problème vient directement de la produit par un générateur de nombres aléatoires, avec
nature même des données traitées. S 'agissant de pro- une distribution normale de moyenne 0 et de varian-
babilités représentant les fréquences de choix de ce s ; les bruits pour chacun des cas présentés sont
chaque option, cette dernière étant liée à un ensemble supposés indépendants (Sarle, 1995). L'hypothèse est
de choix spécifique, la base de données originelle ne que, selon les propriétés du réseau, et dans la mesure
peut être scindée en plusieurs autres. Un résultat où le bruit introduit est suffisamment faible, la sortie
agrégé relatif perd de sa signification si l'on occulte désirée ne changera pas suffisamment pour être d'une
une partie des données sur lesquelles il est fondé. Il quelconque conséquence sur le phénomène mesuré.
est pourtant traditionnel en modélisation neuronale De sorte qu'une même valeur cible peut être utilisée
de décomposer l'échantillon initial en une base de pour deux données entrées, dont l'une est légèrement
données d'apprentissage, et au moins une base de test bruitée. L'intérêt de cette procédure est double. En
(Hérault et Jutten, 1994). La première est utilisée multipliant le nombre d'exemples, le sur-apprentis-
pour l'estimation des paramètres du modèle, la sage est limité, du fait d'une plus grande diversité des
seconde pour vérifier ses capacités de généralisation. données entrées, et d'un nombre de paramètres du
L'application d'un réseau de type MLP à des modèle pouvant être inférieur aux données entrées
données issues d'une expérimentation par ensemble dans le réseau. Il est également possible de créer de
de choix a donc toutes les chances d'aboutir à un cette façon plusieurs bases de données, dont l'une
modèle connaissant une variance excessive. Or, (artificiellement bruitée) peut servir à l'apprentissage
l'optimisation du modèle ne paraît pas directement du modèle, et l'autre (non bruitée), à sa validation.
possible avec les méthodes traditionnelles, c'est-à- Néanmoins, les données supplémentaires sont issues
dire celles s'appuyant sur les résultats de l'ensemble d'une même base, et il peut s'avérer souhaitable de
de validation (tels que les critères de complexité de contrôler l'apprentissage du réseau à l'aide d'une pro-
type AIC ou BIC ; Chatfield et Faraway, 1996), ou cédure complémentaire, telle que l'apprentissage
celles dépendantes du nombre d'exemples ou de don- arrêté.
nées (Desmet, 1996, pour une application), puisque La méthode de l'apprentissage arrêté {stopped
les cas d'apprentissage sont le plus souvent en training ou early stopping) consiste à conduire
nombre réduit.
l'apprentissage et le test du réseau de manière simul-
Cette optimisation demande préalablement la tanée, de façon à arrêter l'apprentissage dès qu'une
résolution des deux problèmes initiaux. La conduite meilleure généralisation n'est plus obtenue. Il faut
simultanée de deux techniques est proposée : il s'agit pour ce faire, séparer les données en deux ensembles,
d'une part de limiter la surexploitation des données voire trois : le premier consiste bien sûr en un
originelles, en multipliant la base de données par ensemble d'apprentissage. Le second représente
introduction d'un bruit artificiel ; d'autre part, la l'ensemble de validation, et permet d'aider le déci-
technique de l'apprentissage arrêté permet de tra- deur à choisir le moment d'arrêt de l'apprentissage ;
vailler avec un nombre réduit de cas d'apprentissage, l'erreur de validation est périodiquement calculée,
tout en limitant le sur-apprentissage.
pendant l'apprentissage du réseau. Le troisième
ensemble, l'ensemble de test, autorise la comparai-
son des performances entre différents réseaux. La
Procédure d'optimisation et d'apprentissage règle est d'arrêter l'apprentissage lorsque l'erreur
possible pour un réseau de type MLP dans l'ensemble de validation commence à croître.
Cette méthode possède de nombreux avantages ; en
La procédure d'introduction de bruits artificiels particulier, celui de pouvoir être appliquée même
est avant tout dirigée vers une limitation de la lorsque le nombre de paramètres excède largement
variance du modèle, par multiplication de données celui de la taille de l'échantillon (Sarle, 1995).

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
 Association réseaux de neurones et plan d 'expérience par ensemble de choix 2 1

L'introduction d'un bruit artificiel, couplée à la sibles. Ce sont donc dix-huit combinaisons de menus
méthode d'arrêt de l'apprentissage, permet de dépas- (3*6) qui sont construites. Six situations sont égale-
ser les deux problèmes initiaux, donc de concilier les ment décidées, chacune étant susceptible d'accompa-
plans d'expérience traitant du choix, et les réseaux de gner un menu. La seconde étape consiste dans l'él
neurones de type MLP. La section suivante se pro- boration du plan d'expérience général, c'est-à-dir
pose d'illustrer la procédure méthodologique, à l'aide dans la spécification des ensembles de choix. Dix
d'un cas d'étude.
huit ensembles de choix sont prévus, soit autant que
le nombre de traitements compatibles avec les plans
individuels. Cinq options « fixes » par ensemble d
choix sont décidées, ce qui oblige à répéter cinq fois
le plan factoriel initial (étape 1), et à distribuer d
CAS PRATIQUE : LE CHOIX DE MENUS façon aléatoire les options de chaque plan individuel
ALIMENTAIRES
parmi chacun des dix-huit ensembles de choix
(Louviere, 1984). Une option « de base » est ajouté
à tous les ensembles, de type « choix d'aucun de
Le plan a" expérience factoriel menus présentés ». Au total, le répondant a le choix
au sein de chacun des dix-huit ensembles de choix
Le cas choisi est simple : des menus alimentaires
entre six options possibles. La figure 2 schématise le
sont élaborés, dont le répondant doit en choisirplan
un, en
d'expérience construit. Un exemple d'ensemble
de choix est donné en annexe A ; les modalités de
fonction d'une situation initiale qui lui est présentée.
Le plan d'expérience correspondant est réalisé en y sont également décrites. Les répondants
attributs
deux étapes (Louviere, 1984). La première consiste
(140 questionnaires, dont 136 exploités) sont des étu
dans l'élaboration de plans individuels, correspon-
diants en première année d'université. Les modalités
dant aux menus présentés. Les attributs desdesmenus
attributs (les plats et les desserts) sont adaptées
sont constitués du plat principal et du dessert, les
ces derniers et à leurs activités, une étude préalable
types de plats et les types de desserts représentant
ayantles
cerné leurs habitudes alimentaires dans diffé-
modalités. Il existe six plats, et trois desserts pos-situations courantes pour cette population.
rentes

Ensembles de choix Menus Attribut 1 : plats I Attribut 2 : de

1 Profil(l)dumenu 1
2 Profil du menu 2
Ensemble de choix 1 3 :
4 :
5 Profil du menu 5

1 Profil du menu 1
2 Profil du menu 2
Ensemble de choix 18 : :
5 Profil du menu 5

6 Profil de l'option de base

Figure 2. - Principe du plan d'expérience par ensemble de choix f

(1) Chaque profil d'un menu est représenté par une combinaison spécifique d'une modalité d'un
également l'annexe A).

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
22 Patrick Gabriel

Élaboration et résultats des modèles neuronaux

huit exemples d'apprentissage. En conséquence,
base de données originelle peut n'être reprodu
Deux réseaux neuronaux sont élaborés. (avec bruit) qu'une fois, la base d'apprentissage art
Le pre-
ficiellement
mier (MLP « simple ») tentera d'être le plus similaire bruitée étant identique en nomb
possible au modèle multinomial logit (MNL) d'exemples
utilisé à la base originelle. La figure 3 sché
tise le réseau utilisé.
traditionnellement avec un plan d'expérience par
ensemble de choix. Le second (MLP « contextuel La duplication
») de la base de données originelle
permet
essaiera d'optimiser les possibilités offertes par cel'application de la méthode de l'apprentissage
arrêté. La
type de plan d'expérience, en intégrant l'ensemble duprocédure algorithmique de cette dernière
méthode est la suivante :
contexte (la totalité des options d'un ensemble de
choix) dans le système modélisé. - apprentissage sur un nombre de cycles très
La variable dépendante du réseau MLP réduit
simple,(100), à partir de la base d'apprentissage brui-
donc la sortie du système, spécifie la probabilité de chaque période d'apprentissage, simula-
tée. Après
tion du
choix du menu traité ; les variables explicatives, modèle et calcul de la somme des erreurs au
donc
les entrées dans le système neuronal, sont représen- sur la base de données non artificielle-
carré (SSE),
tées par les caractéristiques de ce menu (unement bruitée. Les paramètres du modèle sont sauve-
combi-
gardés
naison donnée d'un plat principal et d'un dessert), tant que la SSE diminue ;
auxquelles s'ajoute la situation spécifique- apprentissage
dans et simulation sont arrêtés si la
valeur
laquelle l'ensemble de choix est présenté (six minimum de la SSE précédemment atteinte
situa-
par
tions possibles : repas à l'université, en fin dele modèle n'est pas dépassée à un horizon 0. Cet
horizon
semaine, en soirée...), ainsi que l'identification dereprésente le nombre d'apprentissages et de
simulations permis, sans que la valeur minimum de
l'ensemble de choix (de 1 à 18). Un vecteur d'entrée
la SSE soit dépassée. Celle-ci est fixée à dix dans le
de dimension quatre est donc présenté, les éléments
modèle (soit au total 1 000 périodes d'apprentissage).
de ce vecteur étant préalablement centrés et réduits.
Cetlehorizon
Un ensemble de choix offrant six options, plan semble nécessaire, dans la mesure où il
d'expérience concevant dix-huit ensembles de est choix,
possible que le modèle soit enfermé en un point
local
ce sont au total cent huit vecteurs d'entrée (18*6)minimum,
de puis arrive à en sortir après modifi-
cation
dimension quatre qui sont introduits dans le modèle de son taux d'apprentissage ;
-
neuronal. La configuration d' activation du modèle phase de test lorsque l'erreur de généralisation
(SSE) a atteint
intègre trois unités dans la couche cachée : ce réseau son point minimum. Calcul de l'erreur
présentant alors dix-neuf paramètres (poidsdeetvalidation
biais), à partir des paramètres du modèle pré-
l'apprentissage est concevable avec une base de cent sauvegardés.
cédemment

Figure 3. - Structure du modèle MLP « simple » de choix

Les unités, entre chacune des couches, sont entièrement connectées entre elles.
Le modèle utilise la légende suivante : W¡ = Matrice des poids de la /ème couche d'unités ;
B' - Biais correspondant à la /ème couche.

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
 Association réseaux de neurones et plan d'expérience par ensemble de choix 2;

L'apprentissage du réseau utilise la règle de rétro- ties représentent les six probabilités de choix dei
propagation du gradient, avec évolution dynamique menus de cet ensemble. Dans ce cadre, un exemple
du taux d'apprentissage. La fonction de transfert des d'apprentissage est lié à un ensemble de choix, nor
unités cachées est la fonction tangente hyperbolique ; plus à un menu ; il n'existe plus que dix-huii
la fonction de transfert de l'unité de sortie est une exemples d'apprentissage au lieu de cent huit
fonction logistique sigmoide. Afín de prévenir le Néanmoins, la procédure utilisée permet sans diffi-
risque d'une solution locale peu intéressante, le culté excessive d'intégrer cet accroissement de la
réseau fait l'objet de dix apprentissages différents, au configuration d'activité : il suffit de dupliquei
cours desquels les poids de départ sont réinitialisés. d'autant la base de données originelle, en integram
Le tableau 1 résume les cinq meilleurs résultats obte- indépendamment pour chaque base dupliquée un
nus pour le MLP simple. bruit aléatoire. Dans le cas présent, et en fixant le
Sur ce tableau précédent, il apparaît que le nombre d'unités cachées à quatre en raison d'une
modèle 1 du réseau MLP simple ajuste le mieux les complexité vraisemblablement plus forte, le nombre
données, compte tenu d'une contrainte de généralisa- de duplications de la base de données est de cinq. Ce
tion : ses résultats, en termes de minimisation de chiffre permet un nombre de cas d'apprentissage
l'erreur quadratique sur la base de validation et la légèrement supérieur au nombre de paramètres
base de test, sont les plus satisfaisants. (quatre-vingt-dix cas pour quatre-vingts paramètres,
Contrairement aux modèles classiques de choix, sans compter les biais). La multiplication d'exemples
tel le multinomial logit, aucune hypothèse a priori d'apprentissage différents réduit le sur-apprentissage
sur la forme de la fonction d'utilité ni sur la manière possible. Cette méthode est pourtant limitée, dans la
de percevoir les options de choix n'est nécessaire aux mesure où elle traite plusieurs fois de données prove-
modèles neuronaux. Aussi, sans rien changer aux nant de la même base originelle. La méthode de
principes de fonctionnement du système neuronal, il l'apprentissage arrêté s'impose alors d'autant plus
est possible d'intégrer l'influence du contexte (les fortement que, allant dans une direction similaire de
autres menus de l'ensemble de choix traité). Cette réduction du sur-apprentissage, elle est recommandée
intégration constitue la spécificité du second réseau, dans les cas où le nombre de paramètres est très
le MLP contextuel. Ce réseau possède en entrée les important, par rapport au nombre de cas d'entraîne-
caractéristiques du menu traité, le type de situation et ment (Nelson et Illingworth, 1991).
l'identification de l'ensemble de choix, auxquels Ce réseau MLP contextuel est similaire dans sa
s'ajoutent les 2*5 caractéristiques (plat et dessert) procédure d'apprentissage au réseau MLP simple, à
des cinq autres menus de l'ensemble. La dimension cela près que la fonction d'activation des unités de
des vecteurs d'entrée s'élève alors à quatorze, tandis sorties est une fonction softmax (voir par exemple
que la dimension du vecteur de sortie est de six : la Bentz et Merunka, 1996). Cette dernière fonction
totalité d'un ensemble de choix étant traitée, les sor- permet de répondre à l'accroissement du nombre de

Tableau 1 . - Les cinq meilleurs résultats du modèle de choix MLP simple,

sur trois bases de données différentes (1).

N° du modèle SSE (2) en phase d'apprentissage SSE en phase de validation SSE en phase de test
1 1,2301 1,4102 1,4089
2 1,3306 1,4724 1,4924
3 13327 1,4693 1,5244
4 13274 1,4789 1,5810
5 I

[1) : Rappelons que la base

les données originelles.
[2) : SSE = Sum of Square

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
24 Patrick Gabriel

sorties de ce modèle, en conservant leur interpréta-

cause en fonction de l'importance de ce contexte. Ce
tion sous forme de probabilité (Bishop, 1995). Dix
résultat est un premier pas vers une attention accrue
apprentissages différents ont été conduits ; àaula cours
complexité des phénomènes, dans la mesure où il
d'une procédure de sélection similaire à celle souligne
expri- l'importance de liens, du point de vue du
mée précédemment, le modèle présentant le décideur,
meilleurentre l'objet choisi et son contexte. L'inté-
résultat prédictif en généralisation est identifié.
rêt desLes
réseaux de neurones dans la prise en compte
de cette
résultats de ce modèle sont reproduits dans le tableau 2,complexité peut être soulignée, en compa-
comparativement aux résultats du modèle MLP
rant leurs résultats prédictifs à ceux de modèles clas-
« simple ». siques, de type logit. Le tableau 3 tente cette compa-
S 'agissant d'une comparaison de résultats raison,
prédic-avec un modèle de type MNL à fonction
tifs sur la base d'un nombre de données différent d'un d'utilité linéaire, et un modèle logit universel ; ce
modèle à l'autre, la racine carrée de l'erreur moyenne dernier est globalement similaire au précédent, en
(Root Mean Square Error, ou RMSE) est préférée à intégrant en plus les effets croisés des autres options
l'erreur quadratique (SSE) : la première n'est pas de l'ensemble de choix (McFadden et al., 1977 ;
influencée par le nombre de cas d'apprentissage Timmermanseftf/., 1992).
(Bishop, 1995). Quoi qu'il en soit, les deux index Un premier enseignement au moins peut être tiré
des résultats du tableau 3 : la règle de décision
soulignent l'intérêt d'intégrer le contexte de choix
semble intégrer non seulement les attributs de
dans la prévision de celui-ci. L'erreur dans l'ajuste-
ment des données tend à être moindre si le modèle l'option sélectionnée, mais également les attributs
tient compte des options de choix concurrentes. Le des autres options. Cet enseignement renforce le
choix des individus pourrait être relatif. Dans ce cas,constat d'un choix relatif ou contextuel. Plus généra-
l'hypothèse classique, reprise par les plans factoriels lement, il reste à déterminer si la décision est affaire
de jugement, d'une préférence stable à laquelle seraitde calcul, ou de reconnaissance de formes (Robert-
lié le choix, pose pour le moins question. Demon trond et Thiel, 1996) : le choix est-il issu
d'une évaluation d'éléments individuels, ou d'une
perception de l'organisation entre ces éléments ? La
question est loin d'être triviale, puisqu'elle sépare le
paradigme cognitiviste du connexionnisme. La déci-
DISCUSSION ET CONCLUSION sion et le comportement de choix sont au cœur de la
discipline du comportement du consommateur, disci-
pline qui, jusqu'à présent, a rassemblé essentielle-
ment des recherches issues du courant cognitiviste.
Au vu des résultats du cas étudié, il semble que
Au terme de ce cas d'étude, et dans les limites de
l'hypothèse d'une perception holistique, à travers la
ce cadre, il est notable de constater qu'un choix est de complexité, mérite l'intérêt de travaux sub-
notion
d'autant mieux prédit que le contexte de choix est Cette complexité, par ailleurs, paraît nette-
séquents.
pris en compte. Contexte dont l'appréhension mentestmieux simulée par l'outil neuronal.
relativement aisée avec les réseaux de neurones, D'un point de vue managerial, les décisions stra-
aucune hypothèse fondamentale n'étant remise en tégiques (le repositionnement, par exemple) ou les

Tableau 2. - Résultats comparatifs des meilleurs modèles MLP, intégrant ou non le contexte de choix.

Choix simple Choix contextuel

Base de données

Validation 1,4102 0,1616 0,1333 0,1217

Test 1,4089 0,1615 0,1492 0,1284

(1) : RMSE = Root Mean Square Error, ou racine carré

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
 Association réseaux de neurones et plan d'expérience par ensemble de choix 25

Tableau 3. - Résultats comparatifs des ajustements, selon le type de modèle

et la prise en compte (ou non) du contexte de choix.

Types de modèle Index d'ajustement Choix simple Choix contextuel

Perceptron Validation0 } 0,440 0,947

(MLP) RlJV 0,441 0,941
R2 ajusté lcst(2> 0,379 0,934
Analytique R2 0,113 0,679
(MNL) R2 ajusté^ 0,069 0,452
( 1 ) : Le /^validation ainsi Que le Risp représentent des coefficien
ment.

(2) : Le R2 ajusté est un coefficient de détermination pondéré par le nombre de paramètres à estimer, et par la taille de l'échantillon. Cet
index s'avère donc intéressant pour comparer des modèles de même nature (MNL ou MLP), intégrant ou non le contexte de choix.

décisions liées à une modification du marketing mix artificiellement, en générant des données bruitées. La
ou du merchandising comportent une part importante limite de cette procédure vient du fait que les
d'incertitude, liée pour beaucoup à la difficulté données ainsi dupliquées n'apportent pas une réelle
d'appréciation du contexte par le décideur. Il est rela- information supplémentaire sur le phénomène me-
tivement aisé, pour un entrepreneur, de changer et suré, rendant d'autant moins faciles à vérifier les
d'évaluer un prix ou une couleur d'emballage pour capacités de généralisation du modèle. De nouveau,
son produit. Juger du produit « en action », c'est-à- des données de panel, par exemple, permettraient de
dire confronté à d'autres produits concurrents dans dépasser cette limite.
une situation spécifique, est une tout autre affaire. En dépit de ces limites et de la particularité du cas
C'est pourtant dans ce cadre que le consommateur d'étude, notons toutefois que les résultats obtenus
fait le plus souvent son choix. Cet article propose et sont conformes à ceux de recherches précédentes,
illustre une manière d'appréhender les effets de la comparant les résultats prédictifs de modèles de
dynamique perçue du contexte, à l'aide notamment régression et de modèles neuronaux dans le cas de
de techniques récentes, telles que les réseaux de neu-
phénomènes complexes (par exemple, Hill et ai,
rones. Compte tenu de la particularité de l'étude de
1994 ; Kumar et al, 1995 ; Agrawal et Schorling,
cas utilisée, il serait intéressant néanmoins de généra- 1996).
liser les résultats obtenus à partir de données issues
de comportements réels. Des données de panels
pourraient ainsi être utiles. Les réseaux de neurones
sont particulièrement adaptés à l'identification
d'interactions au sein de ce type de données (Ainslie
etDrèze, 1996). RÉFÉRENCES BIBLIOGRAPHIQUES
Le cadre conceptuel choisi oblige en pratique à
quelques adaptations. La procédure d'introduction de
bruits artificiels et celle de l'apprentissage arrêté sont
proposées, dans le cas d'un couplage plan d'expé- Agrawal D. et Schorling C. (1996), Market Share
rience par ensemble de choix fixe, et réseau de neu- Forecasting : an Empirical Comparison of Artificial
rones. Ces procédures ne sont pas sans limites. Neural Networks and Multinomial Logit Model,
Quelle que soit l'importance de l'échantillon initial, Journal of Retailing, 72, 4, 383-407.

le plan d'expérience par ensemble de choix réduit les Ainslie A. et Drèze X. (1996), Le data-mining et l'alterna-
tive modèles classiques / réseaux neuronaux, Décisions
cas d'apprentissage possibles, donc restreint les pos- Marketing, 7, 1,77-86.
sibilités de contrôler la validité de généralisation du Aurifeille J.-M. (1994), Contribution de l'analyse neuro-
modèle neuronal. Ces cas peuvent être multipliés nale à la modélisation des comportements de consom-

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
26 Patrick Gabriel

Green P.E. et Srinivasan V. (1990), Conjoint Analysis in

mation, Actes de l'Association française du marketing,
10, éd. B.Pras, Paris, 791-815. Marketing : New Developments with Implications for
Aurifeille J.-M. et Bergmann J. (1995), SegmentationResearch
des and Practice, Journal of Marketing, 54, 3, 3-19.
marchés : une méthode fondée sur l'optimisation Hérault J. et Jutten C. (1994), Réseaux neuronaux et traite-
contrainte d'un réseau de neurones par algorithme ment du signal, Paris, Hermès, coll. « Traité de nou-
velles
génétique, Actes de l'Association pour la statistique et technologies ».
ses utilisations (ASU). 27. Jouv-en- Josas. 42-46. Hill T., Marquez L., O'Connor M. et Remus W. (1994),
Aurifeille J.-M. et Le Goff H. (1996), Typologie prédictive Artificial Neural Network Models for Forecasting and
des consommateurs caractérisée par des processus mul- Decision Making, International Journal of
tiples : une approche par réseau de neurones et algo- Forecasting, 10, 2, 5-15.
rithme génétique, Actes des Approches connexionnistes Kumar A., Rao V. et Soni H. (1995), An Empirical
en sciences économiques et de gestion, 3, éd. B. Comparison of Neural Network and Logistic
Fioleau, Nantes, 125-138. Regression Models, Marketing Letters, 6, 4, 251-263.
Bechtel W. et Abrahamsen A. (1993), Le connexionnisme Lancaster K. (1966), A New Approach to Consumer
et l'esprit : introduction au traitement en parallèle par Theory, Journal of Political Economy, 74, 2, 132-157.
réseaux, Paris (trad. J. Proust), La Découverte. Louviere J. (1984), Using Discrete Choice Experiments
Bentz Y. et Merunka D. (1996), La modélisation du choix and Multinomial Logit Choice Models to Forecast
des marques par le modèle multinomial logit et les Trial in a Competitive Retail Environment : a Fast
réseaux de neurones artificiels : proposition d'une Food Restaurant Illustration, Journal of Retailing, 60,
approche hybride, Recherche et applications en marke- 4,81-107.
ting, 11,2,43-61. Louviere J. (1988a), Analyzing Decision Making - Metric
Bishop CM. (1995), Neural Networks for Pattern Conjoint Analysis, series : Quantitative Applications in
Recognition, Oxford University Press. the Social Sciences, Sage University Papers, Newbury
Carson R., Louviere J., Anderson D., Arabie P., Bunch D., Park, CA, Sage.
Johnson R., Kuhfeld W., Swait J., Timmermans H., Louviere J. (1988b), Conjoint Analysis Modelling of
Wiley J. (1994), Experimental Analysis of Choice, Stated Preferences : a Review of Theory, Method,
Marketing Letters, 5, 4, 351-368. Recent Developments and External Validity, Journal
Chatfield C. et Faraway J. (1996), Prévision des ventes of Transport Economics and Policy, 22, 1 , 93-1 19.
avec les réseaux de neurones : une étude de cas, Louviere J. et Woodworth G. (1983), Design and Analysis
Recherche et applications en marketing, 11,2, 29-41 . of Simulated Consumer Choice or Allocation
Cooper L. et Nakanishi M. (1988), Market Share Analysis : Experiments : an Approach Based on Aggregate Data
Evaluating Competitive Marketing Effectiveness, New Journal of Marketing Research, 20, 4, 350-367.
York, Kluwer. McFadden D., Tye W. et Train K. (1977), An Applicat
Coveney P. et Highfíeld R. (1995), Frontiers of of Diagnostic Tests for the Irrelevant Alternativ
Complexity, New York, Fawcett Columbine. Property of the Multinomial Logit Model, Transport
Desmet P. (1996), Comparaison de la prédictivité d'un tion Research Record, 637, 3, 39-46.
réseau de neurones à rétropropagation avec celles des Robert-Demontrond Ph. et Thiel D. (1996), Du cognit
méthodes de régression linéaire, logistique et AID pour visme au connexionnisme : quelques perspectives
le calcul des scores en marketing direct, Recherche et recherche en management, Revue internationale de sys
Applications en Marketing, 11,2, 1 7-27. témique, 10, 5, 525-541.
Firat F. et Venkatesh A. (1995), Liberatory PostmodernismSarle W. S. (1995), Stopped Training and Other Remedi
and the Reenchantment of Consumption, Journal of for Over-Fitting, Proceedings of the Symposium on th
Consumer Research, 22, 4, 239-267. Interfaces of the Computing Science and Statistics, 2
Gabriel P. (1997), Connexionnisme et réseau d'automates : 352-360.
vers un renouvellement de l'intelligibilité du comporte- Thompson C, Locander W. et Pollio H. (1989), Putting
ment du consommateur, Actes du xnf Congrès Consumer Experience Back into Consumer Research :
International de l'AFM, Toulouse, ESUG-ESC, 1271- the Philosophy and Method of Existential-Phenom-
1298. enology, Journal of Consumer Research, 1 6, 2, 1 33-
Gallo A. et Chalmeau R. (1994), Ethologie et simplifica- 146.
tion, Les défis de la complexité : vers un nouveau para- Timmermans H., Borgers A. et van der Wearden P. (1992),
digme de la connaissance ? D. de Béchillon (dir.), Mother Logit Analysis of Substitution Effects in
Paris, L'Harmattan, 101-122. Consumer Shopping Destination Choice, Journal of
Green P.E. et Srinivasan V. (1978), Conjoint Analysis in Business Research, 24, 2, 1 77- 1 89.
Consumer Research : Issues and Outlook, Journal of Vignaux G. (1991), Les sciences cognitives : une introduc-
Consumer Research, 5, 3, 103-123. tion, Paris, La Découverte.

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
 Association réseaux de neurones et plan d'expérience par ensemble de choix 27

ANNEXE A

Identification des variables utilisées lors de l'expérimentation

Chaque menu d'un ensemble de choix est composé d'un des plats et d'un des desserts suivants :

Plats principaux Desserts

pâtes glace
pizza crème dessert/yaourt
viande/grillades + accompagnement café
salade composée
crêpe complète
sandwich/hamburger

Chacun des types de plat et de dessert a fait l'objet d'une pré-étude, afin de savoir s'il ét
lation visée (des étudiant(e)s en première année d'université de la région de Bretagne, Franc
situations dans lesquelles ces plats et desserts sont généralement consommés.
Lors de l'expérimentation, ces plats et desserts étaient arrangés sous forme de men
ensemble de choix de la façon suivante (la présentation est ici condensée, pour des raisons d

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms
28 Patrick Gabriel

Situation :

Avec quelques ami(e)s, vous souhaitez aller au cinéma. Avant d'acheter votre billet, vous
tous ensemble d'aller manger quelque chose. Vous avez peu de temps, la séance commenc
trois quarts d'heure.

f Menu A >^ /*" MenuB ^' f Menu C '

Plat principal : Plat principal : Plat principal :
Sandwich ou Pizza Crêpes complètes
hamburger (+ frites)

Dessert : Dessert : Dessert :

Glace Café, thé ou chocolat Yaourt ou crème

(parfums au choix)
V J '

í Menu D ^ f Menu E ^v
Plat principal : Plat principal :
Crêpes complètes Pizza

Dessert : Dessert :

Glace Glace
(parfums au choix) (parfums au choix)
V J V J

Dans la situation décrite précédemment, le menu qui vous conviendrait le mieux est le menu :

Dans la situation décrite précédemment, aucun des menus pré

faction □

This content downloaded from 139.165.31.39 on Tue, 13 Jun 2023 12:42:18 +00:00
All use subject to https://about.jstor.org/terms