COVID-19 a forcé les gens à faire face à des interdictions de voyager, à des ordonnances de maintien à domicile et à la fermeture d’entreprises non essentielles. Une nouvelle étude dans le Journal de recherche commerciale révèle comment cet événement significatif a affecté la mobilité et les habitudes d’achat des consommateurs. Et les résultats ne sont guère ceux que l’on pourrait prévoir.
« Tout d’abord, les consommateurs réagissent différemment à différentes choses en fonction de leur emplacement », a déclaré Michael Lash, professeur adjoint de commerce à l’Université du Kansas.
« De plus, ce à quoi nous pourrions supposer que les gens réagiraient logiquement, ils ne réagissent pas toujours – ils réagissent parfois de manière opposée. »
Son article « Prédire la mobilité à l’aide de données limitées pendant les premiers stades d’une pandémie » explore la mobilité des consommateurs dans plusieurs régions métropolitaines, capturant comment les mesures de santé pandémiques stimulent la perception des risques des consommateurs et affectent par la suite la mobilité du commerce de détail. Lash a co-écrit l’article avec S. Sajeesh et Özgür Araz de l’Université du Nebraska-Lincoln.
Le trio a analysé ces questions clés : les indicateurs de perception du risque (tels que les données de recherche Google Trends) sont-ils affectés par la sensibilité au risque ? La mobilité des consommateurs est-elle affectée par les perceptions du risque de susceptibilité et de gravité ? Un modèle peut-il prédire la mobilité commerciale ? Comment les dimensions de perception du risque affectent-elles les différentes activités de mobilité dans les différentes aires métropolitaines ?
Leur étude a porté sur trois régions : le Nord-Est, le Sud et le Midwest.
« Les facteurs qui stimulent la mobilité dans ces lieux, du moins en ce qui concerne le COVID-19, sont hétérogènes. Ils sont différents en termes à la fois de ce à quoi les gens réagissent et de la façon dont ils y réagissent. Il existe différentes perceptions et tolérances au risque, et d’autres différences dans la façon dont ceux-ci jouent sur la mobilité », a-t-il déclaré.
Dans certains endroits, les recherches d’articles de santé liés à la pandémie ont été associées à une diminution de la mobilité des détaillants, mais divers endroits ont répondu à différentes recherches – désinfectant à Houston et masques à Omaha, par exemple.
Lash a également constaté qu’à Houston, plus le nombre de cas locaux de COVID-19 était élevé, plus la mobilité du commerce de détail augmentait.
« Ici, les facteurs de risque ont eu l’effet inverse sur la mobilité. C’était parmi de nombreuses volte-face logiques », a-t-il déclaré.
Pourquoi était-ce le cas ?
Lash a déclaré: « La pandémie a été une telle source de division. Et tant de gens ont décidé: » Je vais faire tout ce qui est mauvais pour moi … et pour vous. « »
Parmi les contributions notables de son équipe figurait la création d’un algorithme qui a généré des modèles prédictifs linéaires des modèles de mobilité des consommateurs. Leur modèle a géré la multicolinéarité – c’est-à-dire lorsque les variables incluses dans un modèle sont toutes corrélées lorsqu’elles sont mises les unes avec les autres – et a sélectionné des variables à inclure qui étaient strictement statistiquement significatives et ne contenaient aucune multicolinéarité.
« Nous incluons ces mesures de gravité et de sensibilité au risque, et nous laissons le modèle déterminer ce qui est statistiquement important », a déclaré Lash.
« Au fond de moi, pendant que nous faisions cela, j’ai pensé: » Peut-être qu’après avoir construit ces modèles, nous devrons revenir en arrière et trouver des données supplémentaires afin d’en créer des plus précises. Mais, en fait, les prédictions sont étonnamment bonnes avec seulement ces mesures. Nous utilisons d’autres mesures comme les données de transport en commun pour prédire la mobilité des détaillants, des épiceries et des pharmacies, mais j’ai été surpris de voir à quel point ces variables que nous avons incluses étaient capables de prédire avec précision les choses en masse. »
Il note également que son article fait une distinction claire entre la mobilité du commerce de détail (définie comme des achats de loisirs) et la mobilité de l’épicerie ou de la pharmacie (qui est davantage motivée par les besoins).
« Vous devez toujours manger et prendre vos médicaments, qu’il y ait ou non une pandémie », a-t-il déclaré.
Originaire de l’Iowa, Lash a commencé à travailler chez KU en 2019, juste avant le début de la pandémie. Son expertise comprend l’analyse commerciale, l’apprentissage automatique et la modélisation prédictive.
Lash pense que cette recherche et son précieux algorithme pourraient également être appliqués à d’autres sujets.
« Lorsqu’une pandémie ou quelque chose se produit qui affecte considérablement nos vies, disposer d’un outil comme celui-ci peut aider les détaillants à avoir une meilleure idée de ce à quoi s’attendre d’un consommateur », a-t-il déclaré.
« L’une des grandes motivations pour ce type de travail était que les gens ne savaient pas vraiment ce qui allait se passer en ce qui concerne leurs entreprises. Certaines entreprises ont des stocks qu’elles peuvent garder sous la main pendant des mois et des mois. Mais d’autres, comme les restaurants, ont des denrées périssables. Si vous avez une meilleure façon d’évaluer ce que le consommateur va faire, alors vous pouvez mieux préparer votre inventaire, par exemple. Donc, espérons-le, nous ne verrions pas autant d’établissements sortir de Entreprise. »
Plus d’information:
Michael T. Lash et al, Prédire la mobilité à l’aide de données limitées pendant les premiers stades d’une pandémie, Journal de recherche commerciale (2023). DOI : 10.1016/j.jbusres.2022.113413