WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Géomarketing : localisation commerciale multiple

( Télécharger le fichier original )
par Jérôme Baray
Université de Rennes I - Doctorat 2002
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Conclusion

Ce chapitre a été l'occasion de montrer l'extrême rapidité de l'algorithme conciliant modèle p- médian et traitement du signal. Cette méthode débouche en quelques minutes sur des résultats probants de localisations optimales avec une précision au niveau du numéro de rue, alors même que la méthode classique du p-médian, utilisant un découpage administratif des zones,

ne débouche que sur des résultats aberrants. Vouloir considérer chaque adresse de client comme un noeud indépendant conduit, d'un autre côté, à un degré trop important de complexité du problème dès que l'on cherche à localiser plus de deux points de vente. L'analyse qualitative des résultats obtenus reste cependant indispensable pour s'assurer de la faisabilité des emplacements sur le plan de l'espace foncier disponible, de l'adéquation de l'environnement avec l'activité prévue et pour s'assurer de l'absence de concurrents notables dans les parages, à moins de vouloir rechercher au contraire leur proximité pour jouer sur une synergie qui augmenterait l'attractivité globale de l'ensemble commercial ou dans un but de concurrence frontale. La zone de chalandise des points de vente est calculée lors du fonctionnement de notre algorithme ce qui constitue un avantage indéniable pour le manager

qui souhaite par la suite effectuer des prévisions de chiffre d'affaires. Ces prévisions peuvent

en l'occurrence être extrapolées à partir du calcul de la surface des aires constitutives de la zone de chalandise fournie par notre méthode.

Un autre avantage indéniable est que le traitement s'effectue directement sur des cartes, les résultats de localisation obtenus étant alors beaucoup plus parlant et démonstratif pour le professionnel. Celui-ci peut, en effet, s'assurer visuellement que grosso modo, les sites préconisés se trouvent bien au plus proche des concentrations de clients potentiels. Un tel résultat aurait été néanmoins difficile, voire impossible, à obtenir avec précision par simple observation ou géométriquement compte tenu des paramètres en jeu (nombre de clients

potentiels, nombre de magasins à localiser). Enfin, même si ces clients ne constituent qu'une

fraction de l'ensemble des clients présents en réalité sur le terrain, le résultat n'est pas faussé puisque notre méthode aborde le problème de localisation en termes de probabilités de présence de clients potentiels. Le processus de filtrage a en effet tendance à lisser les répartitions de clients dans l'espace et la délimitation ultérieure de la zone de chalandise cerne

les aires d'équidensité de clients. La recherche de localisations s'effectue donc dans l'espace des fréquences (la fréquence des clients au niveau de la surface géographique) et non simplement en fonctions des clients de la base de données. D'où, le fait qu'une base incomplète ne gêne pas cette recherche qui l'aborde sous l'aspect d'un échantillon, mais encore faut-il que cet échantillon soit représentatif et non biaisé par des erreurs manifestes d'enquête. Ainsi, la combinaison du modèle p-médian et du traitement du signal est tout indiquée pour la recherche de localisations optimales d'un futur réseau de points de vente ou même pour s'assurer de la bonne localisation de magasins existants. Cet outil est très intéressant pour la gestion marketing quotidienne du réseau. Il permet de s'assurer, jour après jour, de la bonne localisation des points de vente en fonction des frontières de la zone de chalandise qui, on le rappelle, évoluent dans le temps. Une nouvelle simulation de l'algorithme sera effectuée, non plus en prenant la base de données de clients potentiels, mais cette fois en utilisant une base

de données de clients effectifs des magasins. Un calcul de la position optimale des points de vente tenant compte de cette saisonnalité pourrait être facilement effectué en moyennant sur une période les coordonnées géographiques des localisations préconisées par l'algorithme. Encore faut-il accéder aux données décrivant la clientèle sur un laps de temps suffisamment long, information assez facile à obtenir si le réseau a su développer un système de cartes de fidélité. Restent aussi les actions commerciales telles que le publipostage qui peut être beaucoup plus facilement planifié grâce à notre méthode. Si l'on veut renforcer une clientèle existante, on privilégiera ainsi une distribution de prospectus (ou tout autre mode de

promotion commerciale) dans les aires homogènes entourant les points de vente considérés.

Au contraire, si l'on veut conquérir des parts de marché, la distribution s'effectuera plutôt dans

les régions hors de ces aires.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Il ne faut pas de tout pour faire un monde. Il faut du bonheur et rien d'autre"   Paul Eluard