Une étude de régression est une analyse statistique qui estime comment une variable à expliquer, comme les ventes ou la satisfaction, varie en fonction d’une ou de plusieurs variables explicatives, à partir de données observées.
Elle repose sur un modèle qui relie la variable à expliquer aux variables explicatives. L’estimation produit un coefficient par variable, qui mesure l’effet propre de cette variable, les autres variables du modèle restant constantes. Sa lecture dépend du type de régression, lui-même choisi selon la nature de la variable à expliquer. Pour une variable quantitative continue, comme un chiffre d’affaires, la régression linéaire est la forme la plus courante : le coefficient indique de combien la variable à expliquer varie en moyenne quand la variable explicative augmente d’une unité. Pour une variable binaire, comme l’achat ou le non-achat, l’analyse de régression logistique estime la probabilité de l’événement : le coefficient se lit alors à travers un rapport de cotes.
Une étude de régression comprend plusieurs étapes : la formulation de la question, la définition des variables, la constitution du jeu de données, l’estimation du modèle, sa validation sur des données non utilisées pour l’estimation, puis l’interprétation. Elle s’inscrit dans le champ plus large de la modélisation statistique.
Elle se distingue du coefficient de corrélation, qui mesure l’intensité d’une liaison entre deux variables sans désigner de variable à expliquer. Elle se distingue aussi de l’expérimentation, comme le test A/B, où l’on fait varier soi-même un facteur. Sur des données observées, une régression mesure des associations : elle ne démontre pas à elle seule une relation de cause à effet. En marketing, elle sert à hiérarchiser les déterminants de la satisfaction, à estimer la sensibilité des ventes au prix ou à la pression publicitaire, et à prévoir une demande.
Le terme vient de Francis Galton. En 1886, dans l’article « Regression Towards Mediocrity in Hereditary Stature », il constate que les enfants de parents très grands ou très petits ont une taille plus proche de la moyenne que celle de leurs parents (Bland, SAGE Encyclopedia of Communication Research Methods, 2017). Ce phénomène, la régression vers la moyenne, piège encore les équipes marketing. Les magasins les moins performants une année progressent souvent l’année suivante, avec ou sans plan d’action. Attribuer ce rebond au plan revient à confondre un effet statistique et un effet commercial. Nous recommandons de comparer toute population ciblée à un groupe comparable non traité.
Une étude de régression répond à une question précise : parmi les facteurs mesurés, lesquels pèsent le plus sur le résultat, et dans quelle proportion ? Elle éclaire des arbitrages budgétaires, tarifaires ou de qualité de service. Sa limite tient dans la formule « les autres variables restant constantes » : elle ne vaut que pour les variables incluses. Notre point de vue : la qualité d’une étude de régression se joue davantage dans le choix des variables que dans la sophistication de la technique.
À l’échelle de l’ensemble des leviers d’une marque, cette démarche prend la forme du marketing mix modeling.
Trois contrôles suffisent souvent à repérer un modèle fragile. L’erreur de prévision mesurée sur des données non utilisées dit ce que vaut le modèle en usage réel. La stabilité des coefficients d’une période à l’autre indique s’ils décrivent une relation durable. La multicolinéarité, c’est-à-dire la forte corrélation entre variables explicatives, rend les coefficients instables : quand deux médias augmentent toujours ensemble, le modèle ne peut pas séparer leurs effets. Enfin, un coefficient significatif n’est pas forcément important : comparez toujours son ampleur à l’enjeu économique.
Advalians vérifie vos données, mesure quelles actions produisent des contacts ou des ventes et lesquelles n’en produisent pas, et vous indique où déplacer votre budget.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
Choisissez la régression dès que vous voulez isoler l’effet d’un facteur parmi plusieurs. Une corrélation mesure la liaison entre deux variables seulement : elle mélange l’effet du facteur étudié et celui de tout ce qui varie en même temps que lui. La régression estime l’effet de chaque variable, les autres restant constantes.
La corrélation reste utile en amont. Calculez-la entre toutes les variables candidates : deux variables explicatives très corrélées entre elles signalent un risque de coefficients instables dans le modèle.
Partez d’un schéma des causes plausibles du résultat, construit avec les équipes métier, avant de regarder les données. Retenez les leviers que vous pilotez et les facteurs extérieurs qui agissent sur le résultat, comme la saisonnalité ou les prix concurrents.
Écartez les variables qui sont elles-mêmes des conséquences du levier étudié : inclure le trafic en magasin pour mesurer l’effet de la publicité absorbe une partie de cet effet. Enfin, gardez un nombre de variables raisonnable par rapport au nombre d’observations disponibles, et justifiez chaque variable retenue par écrit.
Un modèle fiable prévoit correctement des données qu’il n’a pas servi à estimer. Mettez de côté une période ou une partie de l’échantillon, puis comparez les prévisions aux valeurs réelles.
Complétez par trois vérifications. Les coefficients ont-ils le signe attendu par les équipes métier ? Restent-ils stables si l’on change légèrement la période ? Les résidus, c’est-à-dire les écarts entre valeurs observées et prévues, sont-ils dépourvus de structure visible ? Un R² élevé ne suffit pas : il augmente mécaniquement avec le nombre de variables.
Non, pas à elle seule. Sur des données observées, une régression mesure une association. Les campagnes sont souvent lancées en période de forte demande : le modèle risque d’attribuer à la campagne une hausse que la saison aurait produite de toute façon.
Pour approcher un effet causal, introduisez les facteurs de saisonnalité et de contexte, vérifiez la cohérence avec d’autres sources et, quand c’est possible, prévoyez une zone ou un groupe sans campagne pour comparer. Présentez toujours le résultat comme une estimation, avec sa marge d’incertitude.
Préférez un test contrôlé lorsque vous pouvez faire varier le levier vous-même et que la décision porte sur ce seul levier. Un test A/B sur une page, un message ou un prix établit un effet avec moins d’hypothèses qu’une régression.
La régression reste préférable lorsque l’expérimentation est impossible ou trop coûteuse : effet de la notoriété, arbitrage entre plusieurs médias sur plusieurs années, facteurs que l’entreprise ne contrôle pas. Les deux approches se combinent bien : un test ponctuel permet de vérifier l’ordre de grandeur d’un coefficient estimé par régression.
Modèles, grilles et guides prêts à l’emploi pour vos projets marketing et communication.
