Pourquoi il est dangereux de ne regarder qu’une seule solution optimale issue d’une analyse TURF, et comment l’approche Stat & More vous permet de choisir en conscience les portefeuilles vraiment pertinents.
Aller au-delà de la “meilleure” solution TURF
L’analyse TURF (Total Unduplicated Reach and Frequency) est un outil puissant pour optimiser une gamme de produits, de services ou de messages, en identifiant les combinaisons qui maximisent la couverture de la cible tout en limitant les recouvrements. Pourtant, se contenter de la seule solution “optimale” proposée par l’algorithme est souvent insuffisant – voire risqué – pour prendre une bonne décision business.
Dans cet article, nous expliquons pourquoi il est essentiel de considérer un ensemble de solutions candidates plutôt qu’une unique combinaison gagnante, et comment l’outil de démonstration développé par Stat & More aide les équipes marketing et études à arbitrer en connaissance de cause.
Rappel : à quoi sert une analyse TURF ?
Une analyse TURF vise à répondre à une question simple en apparence : “Quelle combinaison d’items (produits, services, fonctionnalités, messages…) couvre le plus grand nombre de personnes au sein de la cible, en évitant de proposer des offres qui se cannibalisent entre elles ?”.
Concrètement, l’algorithme teste de nombreuses combinaisons possibles et calcule, pour chacune d’elles :
- La portée (reach, souvent notée rchX) : part de la population qui trouve au moins un élément attrayant dans la combinaison.
- La fréquence (frqX) : nombre moyen d’éléments choisis par personne dans la combinaison (utile pour comprendre la richesse ou la densité de l’offre).
L’objectif classique consiste alors à identifier, pour une taille de gamme donnée (par exemple 4, 5 ou 6 produits), la combinaison qui maximise le reach.
La limite de la solution “optimale” unique
Dans la pratique, la plupart des restitutions TURF se concentrent sur une seule solution par taille de gamme : la “meilleure” combinaison de 3 produits, puis de 4, de 5, etc. Cette restitution est simple et rassurante, mais elle pose plusieurs problèmes.
1. Un risque d’optimum local
Beaucoup de mises en œuvre opérationnelles s’appuient sur des algorithmes itératifs “gloutons”, qui ajoutent à chaque étape l’item apportant le plus de nouveaux clients, ou au contraire retirent successivement les moins performants (“TURF à l’endroit” ou “TURF à l’envers”). Or, ces stratégies ne garantissent pas l’optimum global : elles peuvent conduire à des combinaisons sous-optimales simplement parce que certaines synergies entre items ne sont jamais explorées.
Une solution peut ainsi apparaître “meilleure” dans le voisinage des combinaisons testées, alors qu’une autre combinaison, plus éloignée dans l’espace de recherche, couvrirait davantage de personnes. C’est tout le sujet de la distinction entre optimum local et optimum global en optimisation combinatoire.
2. Une vision uniquement “étude” des performances
Même lorsque l’algorithme est exhaustif (c’est-à-dire qu’il évalue toutes les combinaisons possibles pour une taille de gamme donnée), la solution qui maximise le reach n’est pas toujours la meilleure pour l’entreprise. En effet, l’algorithme ne connaît pas :
- Les marges par produit ou par service.
- Les contraintes de production, logistiques ou d’approvisionnement.
- Les enjeux d’image de marque ou de positionnement stratégique.
Deux combinaisons peuvent obtenir une couverture quasi équivalente (par exemple 95,4 % de la cible chacune), mais avoir des implications économiques très différentes : dans l’un des scénarios, la marge globale peut être nettement plus élevée ou la gamme plus simple à produire. Se focaliser sur la seule solution “top reach” revient donc à négliger des leviers de rentabilité et de faisabilité essentiels.
3. Une fausse impression de vérité unique
Présenter une unique combinaison “optimale” peut donner au commanditaire l’illusion qu’il existe une seule bonne réponse, alors que les données d’étude, par construction, n’intègrent qu’une partie de la réalité du métier. Dans de nombreux cas, plusieurs solutions sont statistiquement équivalentes en termes de reach et de fréquence, et doivent être départagées à l’aune de critères internes.
Pourquoi explorer toutes les meilleures solutions ?
Pour réellement tenir sa promesse, une analyse TURF doit mettre en lumière un ensemble de solutions candidates, plutôt que d’imposer un scénario unique.
1. Identifier les solutions statistiques vraiment équivalentes
En calculant, lorsque c’est possible, l’ensemble des combinaisons pour une taille de gamme donnée, on observe souvent :
- Un petit groupe de combinaisons en tête de classement, très proches en portée et en fréquence.
- Des combinaisons légèrement moins performantes en termes de reach, mais qui restent très compétitives.
Par exemple, une solution A peut atteindre 95,4 % de reach et 2,1 items moyens sélectionnés, tandis qu’une solution B atteint également 95,4 % de reach avec 2,0 items moyens, en remplaçant un seul item. Du point de vue de l’étude, ces deux solutions sont statistiquement équivalentes et doivent être considérées comme deux scénarios sérieux.
2. Mettre en regard performances étude et contraintes internes
Une fois ce panel de solutions gagnantes identifié, tout l’enjeu consiste à le confronter :
- Aux données de marge et de coûts internes.
- Aux seuils de capacité industrielle ou logistique.
- Aux priorités de marque et de différenciation concurrentielle.
Dans certains cas, accepter une légère baisse de reach (par exemple passer de 95,4 % à 94,8 %) permet de gagner significativement en marge, en simplicité industrielle ou en cohérence stratégique. C’est précisément dans cet espace d’arbitrage que TURF devient un véritable outil d’aide à la décision, et non un simple exercice académique.
3. Co-construire la décision avec le client
Chez Stat & More, nous considérons que la restitution TURF doit être un travail de co-construction avec le client final. Plutôt que de livrer une unique gamme “idéale”, nous présentons :
- Plusieurs solutions candidates pour chaque taille de portefeuille jugée pertinente.
- Les métriques associées (reach, fréquence, éventuelle cannibalisation, etc.).
- Un cadre de discussion pour intégrer les données internes (prix, marges, contraintes, stratégie).
La “meilleure” solution n’est plus celle qui sort en premier de l’algorithme, mais celle que l’entreprise choisit en pleine conscience, en ayant compris les compromis statistiques et économiques associés.
Un démonstrateur TURF pour explorer les scénarios
Pour rendre ces arbitrages plus concrets et accessibles aux équipes non spécialistes, Stat & More a développé un site de démonstration TURF permettant de manipuler directement les solutions candidates et de visualiser leurs impacts potentiels.
Intégration du démonstrateur dans l’article
Ci-dessous, vous pouvez directement interagir avec la démonstration en ligne hébergée par Stat & More :
Ce démonstrateur illustre comment passer d’une simple “meilleure combinaison” à une exploration raisonnée de plusieurs scénarios, chacun pouvant être évalué à la lumière de vos propres données internes.
Un support pour une décision éclairée
Concrètement, ce type d’outil permet aux équipes :
- De visualiser rapidement comment évoluent reach et fréquence lorsqu’on modifie légèrement la composition de la gamme.
- D’identifier des combinaisons quasi équivalentes en performance étude, mais plus intéressantes en marge ou en simplicité de portefeuille.
- De nourrir des ateliers d’arbitrage réunissant marketing, finance, production et direction générale, sur la base de scénarios chiffrés et comparables.
Plutôt que de subir la solution proposée par l’algorithme, les décideurs peuvent tester, questionner, comparer – et donc prendre une décision véritablement informée.
L’approche Stat & More : une restitution TURF enrichie
L’approche Stat & More s’inscrit dans la continuité des articles détaillant notre méthodologie sur le TURF et la combinaison MaxDiff + TURF, disponibles sur notre blog.
1. De la robustesse statistique…
Sur le plan statistique et computationnel, nous mettons en œuvre :
- Des pré‑filtrages pour concentrer l’analyse sur les offres pertinentes et limiter le bruit.
- Des algorithmes heuristiques maîtrisés lorsque le nombre d’items dépasse les limites pratiques d’un calcul exhaustif, en multipliant les points de départ pour limiter le risque d’optimum local.
- Des calculs exhaustifs ciblés sur les tailles de portefeuille les plus stratégiques, notamment lorsque les enjeux métiers sont élevés.
L’objectif est de proposer un ensemble de solutions candidates qui soit à la fois statistiquement solide et opérationnellement exploitable.
2. …à l’intégration des contraintes métiers
Au moment de la restitution, nous allons au‑delà des rapports classiques en croisant systématiquement les résultats TURF avec :
- Les informations de coût et de marge fournies par nos clients.
- Les contraintes de production (capacité, complexité industrielle, supply chain).
- Les enjeux de positionnement de marque et de différenciation.
Nous présentons plusieurs solutions gagnantes par taille de gamme avec leurs indicateurs d’étude, puis nous aidons les équipes à scorer ces scénarios au regard de leurs propres critères internes. C’est cette approche 360°, combinant excellence statistique et compréhension des enjeux métiers, qui fait de nos analyses TURF un véritable outil de pilotage stratégique, et non un simple “résultat de modèle”.
Envie d’aller plus loin avec vos propres données ?
Si vous utilisez déjà des études MaxDiff, des questions multi‑choix ou des données internes d’intention de souscription ou d’achat, vous disposez probablement de la matière nécessaire pour tirer un vrai bénéfice d’une analyse TURF avancée.
Chez Stat & More, nous accompagnons nos clients de bout en bout :
- De la structuration des données à la mise en place des algorithmes TURF adaptés à la taille et à la complexité de votre portefeuille.
- De la production de rapports détaillés à la mise à disposition d’outils interactifs, comme notre démonstrateur TURF, pour faciliter les arbitrages internes.
- De l’analyse des performances étude aux recommandations opérationnelles intégrant vos contraintes de marge, de capacité de production et de stratégie de marque.
Pour découvrir comment cette approche peut s’appliquer à vos propres produits, services ou plans médias, nous vous invitons à consulter notre site et à nous contacter :
- Site Stat & More : https://statandmore.com
- Présentation de Stat & More : https://statandmore.com/fr/blog/sam-presentation/
- Article “TURF et Digression” : https://statandmore.com/fr/blog/sam-turf_discussion/
- Article “MaxDiff et TURF” : https://statandmore.com/fr/blog/sam-maxdiff_turf/
Vous souhaitez discuter d’un cas concret, tester différentes solutions de gamme ou déployer un outil de simulation adapté à vos équipes ? Contactez-nous dès aujourd’hui pour échanger sur vos enjeux et construire ensemble la ou les solutions optimales pour votre entreprise.
Pour approfondir la méthodologie TURF et ses applications, retrouvez notre précédent article sur le blog Sstat & More.
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://www.researchgate.net/publication/46468284_A_New_Model_for_Designing_a_Product_Line_Using_TURF_Analysis
✔ (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