Académique Documents
Professionnel Documents
Culture Documents
comportements d'achat
Conclusion...............................................................................................................................23
L'Analyse des Correspondances Multiples (ACM) est une technique d'analyse de données
multivariées utilisée pour explorer et analyser des tableaux de données catégorielles, fournir
une représentation visuelle des relations entre les individus et les variables d'un tableau de
données catégorielles, détecter des structures et des associations, et d'aider à l'interprétation
des résultats pour une meilleure compréhension des données.L'objectif principal de l'ACM est
de mettre en évidence les relations et les associations entre les individus et les variables d'un
tableau de données catégorielles.
Ce rapport présente notre travail sur l'Analyse des Correspondances Multiples (ACM) dans le
cadre de l'étude et d’analyse des tableaux de données catégorielles. Nous avons utilisé le
logiciel R et l'environnement de développement RStudio pour effectuer notre analyse.
L'objectif de notre travail était d'explorer les données avant d'appliquer l'ACM afin d'extraire
l'information pertinente qu'elles contiennent et de détecter de structures et de similarités. Nous
avons utilisé différentes techniques d'ACM pour représenter fidèlement les individus d'une
population ainsi que les variables, et extraire le maximum d'information possible.
Sur un échantillon de 3076 clients. Nous sommes intéressées à l'étude des trois
variables suivantes :
hommes, Accessoires).
Objectif
L'objectif principal de cette problématique est de segmenter les clients en groupes
homogènes, également appelés segments, en fonction de leurs préférences et
comportements d'achat. Cela permet de mieux comprendre les différents profils de
clients et d'adapter les actions marketing en conséquence.
Pour réaliser la segmentation des clients, on peut utiliser l'Analyse des
Correspondances Multiples (ACM) sur le tableau de données. L'ACM permet de
visualiser les relations entre les clients et les variables dans un espace de
dimensions réduites. Il permet également d'identifier les variables et les modalités
qui contribuent le plus à la variation observée parmi les clients.
Et ainsi, une fois les segments de clients identifiés, les entreprises peuvent
développer des stratégies de marketing ciblées pour chaque segment. Par exemple,
elles peuvent personnaliser les offres promotionnelles, les messages publicitaires ou
les canaux de communication en fonction des préférences et des comportements
Choix de méthode
L'Analyse des Correspondances Multiples (ACM) est une technique d'analyse de
données multivariées utilisée pour explorer et analyser des tableaux de données
catégorielles, fournir une représentation visuelle des relations entre les individus et
les variables d'un tableau de données catégorielles, de détecter des structures et des
associations, et d'aider à l'interprétation des résultats pour une meilleure
compréhension des données.L'objectif principal de l'ACM est de mettre en évidence
les relations et les associations entre les individus et les variables d'un tableau de
données catégorielles.
Magasin
Client 1 Oui Oui Non Élevée
physique
Magasin
Client 3 Oui Non Oui Moyenne
physique
Magasin
Client 8 Non Oui Oui Élevée
physique
Résultat:
Figure 2:DataSet
Explication:
● La fonction “ MCA() ” de FactoMineR est utilisée pour appliquer l’analyse des
Correspondances Multiples (ACM) sur le tableau de données .
🙗 Commande :
> resmca$eig
🙗 Résultat :
Explication:
● La fonction “ fviz_eig() “ de factoextra est utilisée pour visualiser l'inertie expliquée
par chaque axe.
● L'argument addlabels = TRUE permet d'ajouter les labels des axes sur le graphique.
🙗 Résultat :
Explication:
Ce graphique affiche les valeurs propres des axes de l'ACM. Chaque barre du graphique
représente la contribution de l'axe correspondant à l'inertie totale des variables. Les axes
sont ordonnés de gauche à droite en fonction de leur importance, avec l'axe le plus
important à gauche.
🙗 Commande :
> fviz_mca(resmca, repel =T)
🙗 Résultat :
Explication:
Ce graphique représente les individus et les variables dans l'espace factoriel de l'ACM. Les
individus sont représentés par des points et les variables par des flèches. La position des
points et des flèches dans le graphique dépend de leurs contributions respectives aux
différents axes de l'ACM.
🙗 Commande :
> fviz_mca_ind(resmca,repel=T)
🙗 Résultat :
Explication:
Ce graphique permet d'identifier les individus qui sont proches les uns des autres dans
l'espace factoriel, ce qui indique qu'ils ont des profils similaires en termes de comportements
d'achat. Il permet également d'observer la contribution de chaque individu à la formation
🙗 Commande :
> fviz_mca_var(resmca,repel=T)
🙗 Résultat :
🙗 Commande :
> binaries.actives <- acm.disjonctif(subset(canimes,select=1:5))
>colnames(binaries.actives)<-unlist(sapply(canimes[1:3],function(
x){levels(x)}))
> binaries.actives
🙗 Résultat :
🙗 Commande :
> plot(coord[,1],coord[,2] ,main="Modalités",xlab="Axe1",ylab="Axe2")
> abline(h=0,v=0)
🙗 Résultat :
🙗 Commande :
> eval.acm <- inertia.dudi(acm.canimes,col.inertia = T)
> eval.acm
🙗 Résultat :
🙗 Commande :
> contrib <- eval.acm$col.abs/100
> rownames(contrib) <- colnames(binaries.actives)
> contrib
Explication:
Sur le premier axe principal, les modalités qui contribuent le plus à l'inertie expliqués sont :
● Vêtements.pour.femmes_Oui
● Vêtements.pour.hommes_Oui
● Fréquence.d.achat_Moyenne
Sur le 2ème axe principal, les modalités qui contribuent le plus à l'inertie expliqués sont :
● Fréquence.d.achat_Elevée
● Fréquence.d.achat_Faible
● Magasin physique
🙗 Commande :
Explication:
Les modalités les biens représentés (qualité ~ 1) sont :
● Fréquence.d.achat_Moyenne
● Vêtements.pour.femmes_Non
● Vêtements.pour.hommes_Oui