1. Corrélations dans SPSS

Les bases

• Corrélation de Pearson :
• Permet de mesurer la force et la direction de la relation linéaire entre deux variables continues.
• Résultat donné sous forme d’un tableau avec deux colonnes :
• Coefficient de corrélation (r2).
• p-valeur pour tester la significativité statistique.

Comment interpréter les résultats ?

1. Étapes dans SPSS :

• Menu : Analyze → Correlate → Bivariate.
• Sélectionne les variables à analyser.
• Coche Pearson et vérifie la case Two-tailed pour obtenir les p-valeurs bilatérales.

1. Réponse aux questions :

• La variable la plus corrélée avec une autre est celle avec la valeur r2
• r la plus proche de -1 ou +1.
• Une corrélation est significative si la p-valeur est inférieure à 0,05 (p<0,05).

3. Analyse en Composantes Principales (ACP) dans SPSS

Les bases

• L’ACP dans SPSS est utilisée pour réduire un ensemble de variables corrélées à quelques dimensions principales.
• Résultat donné sous forme de plusieurs tableaux :

1. KMO et Test de Bartlett :

• KMO : Doit être > 0,5 pour confirmer la pertinence.
• Test de Bartlett : Significatif (p<0,05p < 0,05
• p<0,05) indique que les variables sont corrélées.

1. Valeurs propres (eigenvalues) :

• Indiquent la variance expliquée par chaque dimension.
• Retenir les dimensions avec eigenvalues > 1 (critère de Kaiser).

1. Communalités :

• Proportion de variance expliquée pour chaque variable.

1. Matrice des composantes :

• Montre les charges factorielles, qui indiquent la corrélation entre les variables et les dimensions.

Comment réaliser une ACP ?

1. Étapes dans SPSS :

• Menu : Analyze → Dimension Reduction → Factor.
• Sélectionne les variables à inclure.
• Coche les options pour :
• Extraction (ACP avec critère de Kaiser).
• Rotation (Varimax pour simplifier l’interprétation).

1. Interprétation des résultats :

• Regrouper les variables fortement corrélées avec chaque composante pour nommer les dimensions.
• Par exemple, si une composante regroupe "Pleine d’énergie" et "Pleine d’humour", elle peut être nommée "Dynamisme émotionnel".

4. Segmentation RFM dans SPSS

Les bases

• La segmentation RFM est une méthode utilisée pour classer les clients en fonction de leur comportement.
• Résultat donné sous forme de clusters (groupes homogènes) et d’un dendrogramme.

Comment exécuter une segmentation RFM ?

1. Étapes dans SPSS :

• Calculer les scores RFM (Récence, Fréquence, Montant) pour chaque client :
• Récence : Date du dernier achat.
• Fréquence : Nombre d’achats.
• Montant : Total des dépenses.
• Menu : Analyze → Classify → Hierarchical Cluster.
• Sélectionne les scores RFM comme variables.
• Affiche le dendrogramme pour visualiser les clusters.

1. Interprétation des résultats :

• Les branches les plus courtes dans le dendrogramme représentent les clients les plus similaires.
• Diviser les clients en segments pour adapter les stratégies marketing.

5. Méthodes complémentaires dans SPSS

A. Régression logistique

• Utilisée quand la variable dépendante est catégorique (ex. : réussite/échec, oui/non).

B. Analyse de clusters

• Identifie des groupes homogènes dans un ensemble de données.

C. Analyse de médiation/modération

• Explore les mécanismes sous-jacents ou les interactions entre variables.

Exemple d'application pratique

1. Corrélation :

• Quelle variable est la plus corrélée avec "Performance" ? Regarde le tableau des corrélations dans SPSS.

1. Régression :

• Quels prédicteurs influencent significativement "Perception positive" ? Analyse les p-valeurs des coefficients.

1. ACP :

• Combien de dimensions principales retient-on ? Examine les eigenvalues > 1.

1. Segmentation RFM :

• Quels clusters sont les plus récents et les plus actifs ? Regarde les scores des clusters dans le dendrogramme.