Une solution unique issue d’une analyse TURF ne devrait jamais être livrée au client final, mais il faudrait plutôt considérer un ensemble de solutions candidates à analyser avec le client et ses données, ses contraintes internes, en co-construction.
L’analyse TURF (Total Unduplicated Reach and Frequency) est une méthode d’analyse de données qui permet d’identifier la combinaison de produits, de fonctionnalités ou de messages qui maximisent l’impact d’une gamme auprès d’un public cible. Elle est très utilisée pour optimiser des gammes de produits, des plans médias ou des offres marketing, en s’appuyant sur des données issues d’intention de souscription, d’intention d’achat, de questions à choix multiples ou d’analyses conjointes/MaxDiff.
Pratiques habituelles de restitution d’une analyse TURF
La restitution classique d’une analyse TURF consiste à présenter :
- La combinaison optimale pour chaque taille de gamme d’offres (par exemple, le meilleur assortiment de 3, 4, 5 produits … parmi 20 produits à tester).
- Le gain de couverture (reach) apporté par chaque ajout d’élément à la combinaison.
- Un tableau ou un graphique montrant la progression de la performance de la gamme selon sa taille (nombre d’offres inclus dans la gamme).
Cette restitution s’appuie généralement sur un algorithme itératif : on sélectionne d’abord l’élément ayant le plus d’intentions de souscription ou d’achat, puis on ajoute successivement les éléments qui apportent le plus de couverture supplémentaire, jusqu’à atteindre la taille de gamme souhaitée. Ce processus est simple à comprendre et à expliquer, ce qui explique sa popularité auprès des instituts et des clients.
Limite de la restitution classique : le risque d’optimum local
Cependant, cette restitution présente un biais majeur : l’algorithme itératif utilisé ne garantit pas d’atteindre l’optimum global, mais seulement un optimum local. En d’autres termes, la meilleure combinaison trouvée selon cette méthode n’est pas nécessairement la combinaison qui maximise réellement l’impact total de la gamme sur le public cible.
Définition :
Un optimum local est une solution à un problème d’optimisation qui est la meilleure possible dans une région restreinte de l’espace de recherche, c’est-à-dire dans un voisinage donné, mais qui n’est pas nécessairement la meilleure solution globale du problème. Autrement dit, dans ce voisinage, aucune autre solution n’est meilleure, mais il peut exister ailleurs dans l’espace de recherche une solution supérieure, appelée optimum global.
L’optimum local est un concept central en optimisation, car de nombreux algorithmes peuvent s’y retrouver « bloqués », sans atteindre l’optimum global du problème.
Illustration : TURF à l’endroit vs TURF à l’envers
- TURF à l’endroit : on construit la gamme en ajoutant à chaque étape l’élément qui apporte le plus de nouveaux clients. Cette méthode peut rapidement se retrouver bloquée dans une solution sous-optimale, car certains éléments, peu performants individuellement, peuvent créer une synergie forte avec d’autres éléments de la gamme, et offrir une meilleure couverture lorsqu’ils sont combinés ensemble.
- TURF à l’envers : à l’inverse, on retire successivement les éléments ayant le moins d’impact sur la couverture, pour ne garder qu’un nombre limité de produits. Cette approche peut aboutir à une autre combinaison, parfois plus performante, mais elle reste également dépendante de l’ordre de retrait et peut manquer l’optimum global. Bien que cette approche de TURF à l’envers soit techniqment fonctionnelle, nous ne recommandons pas cette méthode car elle est trop influencée dès les premières itérations de l’algorithme TURF par les offres fortement rejetés par les répondants.
Ces 2 approches ne donnent pas forcément les même solutions optimales au final.
Dans les deux cas, la solution trouvée dépend fortement de l’ordre de sélection ou de retrait des éléments, ce qui expose au risque de passer à côté de la combinaison réellement optimale.
La seule solution : explorer toutes les combinaisons
Pour garantir de trouver la ou les solutions idéales, il est nécessaire de calculer l’impact pour toutes les combinaisons possibles d’éléments, pour chaque taille de portefeuille souhaitée. Cette approche exhaustive, bien que plus coûteuse en calcul, est la seule à même d’assurer que les combinaisons retenues sont réellement celles qui maximisent la couverture dans le public cible.
Le temps de calcul : un défi majeur pour l’exhaustivité
Lorsque l’on souhaite calculer toutes les combinaisons possibles dans une analyse TURF, la question du temps de calcul devient rapidement centrale, surtout dès que le nombre de produits augmente. Prenons l’exemple d’un portefeuille de 20 produits : le nombre de combinaisons possibles pour constituer des assortiments de taille (k) s’exprime par la formule des combinaisons : , où (n) est le nombre total de produits.
- Pour un seul assortiment de 10 produits parmi 20, il y a déjà = 184 756 combinaisons à évaluer.
- Si l’on souhaite explorer toutes les tailles d’assortiment (de 1 à 20 produits), le nombre total de combinaisons à tester est de . C’est à dire exactement la taille d’une feuille Excel en incluant les noms des variables des sorties TURF dans les entêtes de colonne.
Ce volume de calcul est considérable : pour chaque combinaison, il faut calculer l’impact de la gamme, ce qui implique de passer en revue toutes les données de la base. Même avec des outils performants, le traitement peut prendre de plusieurs minutes à plusieurs heures selon la taille du jeu de données et la puissance de calcul disponible. Par ailleurs, si le nombre d’items à tester est supérieur à 20, nous ne pouvons pas livrer l’ensemble des résultats dans une feuille de données Excel unique.
« L’analyse TURF, lorsqu’elle est menée de façon exhaustive, nécessite une puissance de calcul qui croît exponentiellement avec le nombre de produits à combiner. »
C’est pourquoi, dans la pratique, il est souvent nécessaire d’optimiser les algorithmes (parallélisation, heuristiques, filtrage préalable des produits peu performants) ou de limiter l’analyse à des tailles de portefeuille réalistes pour le client. Mais il est essentiel de garder à l’esprit que seule une approche exhaustive garantit de ne pas passer à côté de la combinaison réellement optimale.
Vers une restitution enrichie : proposer un ensemble de solutions candidates
Dans la pratique, il est rare qu’une seule solution soit pertinente pour le client. En effet, le choix final doit tenir compte de contraintes internes (marge, capacité de production, cohérence de gamme, etc.) qui ne sont pas intégrées dans l’algorithme TURF. Il est donc préférable de :
- Présenter plusieurs combinaisons candidates aux clients, correspondant aux meilleures gammes pour différentes tailles de gammes.
- Permettre au client d’évaluer ces solutions à l’aune de ses propres critères internes (qualité, rentabilité, faisabilité, stratégie de marque …).
« L’analyse TURF doit livrer plusieurs solutions aux clients, leur permettant de choisir en connaissance de cause la combinaison la plus adaptée à leurs objectifs et contraintes internes. »
L’approche Stat & More pour étudier des gammes avec un large choix d’offres (>20)
Pour traiter une analyse TURF avec plus de 20 offres, Stat & More propose une démarche structurée, combinant robustesse statistique et efficacité computationnelle.
✓ Pré-filtrage des offres : Sélection initiale basée sur des critères objectifs (part de préférence minimale, pertinence stratégique, élimination des offres très peu choisis). Cette réduction du nombre de produits ou services à un sous-ensemble pertinent allège considérablement la charge de calcul tout en conservant la représentativité de l'analyse.✓ Utilisation d'algorithmes heuristiques tel que Méthodes gloutonnes modifiées : Construction progressive des combinaisons en maximisant à chaque étape l'impact incrémentale de la gamme. Cela, tout en testant plusieurs points de départ pour limiter le risque d'optimum local et sur plusieurs profondeurs de gamme.
✓ Calcul exhaustif sur sous-ensembles : Pour les tailles de portefeuille les plus stratégiques (par exemple, 5 à 8 produits), exploration exhaustive de toutes les combinaisons possibles sur le sous-ensemble filtré, afin de garantir l'identification de l'optimum global sur ces tailles critiques. Nous pouvons utiliser des algorithmes de partitionnement pour constituer des groupes homogènes d'offres. A partir de ces groupes, nous extrayons un produit ou service emblématique de chaque groupe. Cet ensemble de produits ou services constitue un ensemble cohérent de produits ou services à tester et injecter dans l'algorithme TURF.
✓ Parallélisation et optimisation logicielle : Développement d'outils internes exploitant la parallélisation (calculs répartis sur plusieurs cœurs ou serveurs) pour accélérer le traitement de grands volumes de combinaisons. Automatisation des calculs et intégration dans des fonctions permettant la reproductibilités des calcules, pour fiabiliser et documenter chaque étape du processus de calcul.
Au final, nous Présentons plusieurs solutions candidates pour chaque taille de gamme, avec les métriques associées (portée, fréquence, cannibalisation le cas échéant).
« Pour des jeux de données volumineux, le recours à des méthodes hybrides (pré-filtrage, heuristiques, calculs exhaustifs ciblés, optimisation logicielle) est indispensable pour garantir une analyse TURF à la fois robuste et opérationnelle. »
Stat & More s’appuie ainsi sur une expertise méthodologique et technique pour offrir à ses clients des analyses TURF adaptées à la complexité de leurs portefeuilles d’offres, même lorsque ceux-ci sont largement supérieurs à 20 offres. Nous accompagnons nos clients finaux dans l’arbitrage final. Nous intégrons leurs contraintes (marge, logistique, image de marque, contraintes de production …) que nous couplons aux résultats statistiques de l’analyse TURF. Nous sommes alors dans l’accomplissement utlime de l’accompagnement client, nous permettant collégialement de prendre la meilleur des décisions quant à la gamme d’offres à mettre en production. C’est une analyse TURF complète, à 360° qui ne souffrira d’aucun débat.
En cela, une analyse TURF est un travail de co-construction, en équipe avec les clients finaux afin d’identifier la ou les solutions optimales dans l’environnement du client final.
Conclusion
Il existe donc bel et bien des méthodes et techniques algorithmiques permettant d’identifier des gammes optimales même lorsque le nombre de produits ou servcies testés est relativement important. L’analyse TURF ne doit pas se limiter à une restitution itérative classique, qui expose au risque d’optimum local. Pour réellement servir les intérêts du commanditaire d’une analyse TURF, il est essentiel de calculer toutes les combinaisons possibles et de livrer un ensemble de solutions candidates, à évaluer selon les données internes (positionnement prix, marge, contrainte logistique, images de marque, stratégie d’entreprise …) de l’entreprise cliente. Ce n’est qu’à ce prix que l’analyse TURF tient sa promesse : aider à construire la gamme ou l’offre la plus performante et adaptée au contexte réel du client.
Pour approfondir la méthodologie TURF et ses applications, retrouvez notre précédent article sur le blog statandmore.
REFERENCES :
✔ (2024, Novembre 24) Stat & More, Benoit Riou : MaxDiff et TURF https://statandmore.com/fr/blog/sam-maxdiff_turf/
✔ (2022, Juillet 25). Contributeurs aux projets Wikipedia : TURF analysis https://en.wikipedia.org/wiki/TURF_analysis
✔ (2025, Mai 15). Contributeurs aux projets Wikipedia : Cannibalization (marketing) https://en.wikipedia.org/wiki/Cannibalization_(marketing)
✔ Laramore, J. & SAS Institute. (n.d.). Optimizing Product Assortment with Total Unduplicated Reach and Frequency Analysis in SAS/OR. Paper SAS2981-2019. https://support.sas.com/resources/papers/proceedings19/2981-2019.pdf
✔ Rossi, A. (2023, Août 11). Chapter 2 TURF | R Tools for Market Research. https://bookdown.org/rossialessio095/R_Market_Research/turf.html
✔ Serra, D. & Department of Economics and Business, UPF. (n.d.). A new model for designing a product line using TURF analysis. In Research Papers in Economics [Journal-article]. https://core.ac.uk/download/pdf/6431385.pdf
✔ (2025, Mai 18) Contributeurs aux projets Wikipedia. Algorithme glouton https://fr.wikipedia.org/wiki/Algorithme_glouton
✔ (2025a, Janvier 2) Contributeurs aux projets Wikipedia. Partitionnement de données https://fr.wikipedia.org/wiki/Partitionnement_de_donn%C3%A9es