Les exercices de sizing échouent souvent lorsque les budgets ménages et les coûts de mobilité ne sont pas alignés entre zones. Un ratio jugé “contraignant” à Paris peut sembler “abordable” à Oslo. Sans harmonisation, les comparaisons trompent et les décisions se bloquent.
Ce jeu de données normalise revenus, coûts et usages en ratios comparables. Vous pouvez dimensionner vos marchés, tester des scénarios et prioriser vos régions en confiance.
Sélectionnez villes, régions ou pays à comparer
Normalisation des revenus et coûts en devise commune
Définitions cohérentes des revenus et dépenses
Ratios calculés comparables entre géographies
Commentaire synthétique d’accessibilité pour lecture rapide
Ce segment est activé grâce à un mélange de sources fiables et de vos propres données.
AI reasoning
Web intelligence
Open Datasets
Ratios comparables d’accessibilité à la mobilité
Revenus et coûts standardisés à votre taxonomie
Scores de confiance sur chaque champ enrichi
Jeu exportable pour sizing, stratégie et GTM
Des ratios clairs, comparables entre zones — intégrables directement dans vos modèles.
Les réponses à vos questions sur ce segment
Les réponses à vos questions sur ce segment
Quelles alternatives existent si je n’utilise pas un dataset structuré ?
Vous pouvez recourir à des statistiques publiques ou à des rapports ponctuels, mais ils manquent de comparabilité et de mises à jour. Le bricolage interne est possible mais chronophage. Un dataset structuré garantit à la fois rapidité et cohérence.
À quelle fréquence faut-il rafraîchir ces indicateurs, et peut-on les connecter à un CRM ou un BI ?
La mise à jour peut se faire en quelques minutes à quelques heures selon le volume. Le dataset est structuré pour s’exporter directement vers CRM, BI ou tableaux de prospective. Ainsi, vos analyses reposent sur des données vivantes.
Ces données peuvent-elles aider à anticiper l’adoption de nouveaux modèles comme le MaaS ou les véhicules électriques ?
Oui. Des indicateurs comme le taux d’usage du MaaS ou les ratios de coûts permettent de projeter la maturité des marchés. Ils révèlent où les budgets et comportements sont déjà compatibles avec ces modèles.
Comment les scores de confiance sont-ils calculés et garantissent-ils la comparabilité entre géographies ?
Ils traduisent la disponibilité des sources, leur actualité et la méthode appliquée. Le score distingue les valeurs solides de celles issues de modélisation. Cela assure des comparaisons fiables entre villes ou pays.
En quoi le dataset Starzdata diffère-t-il des enquêtes publiques ou rapports de cabinets ?
Il s’appuie sur une taxonomie homogène entre zones, et non sur des enquêtes dispersées. Chaque indicateur est accompagné d’un score de fiabilité et d’une méthode claire. Les données sont prêtes à l’usage, pas figées dans un rapport.
Comment les entreprises peuvent-elles utiliser ces indicateurs pour estimer leur TAM et prioriser leurs marchés ?
En comparant les ratios entre villes ou pays, on identifie où les ménages ont une marge réelle pour de nouvelles offres. Le TAM se base alors sur la contrainte budgétaire, pas sur des hypothèses théoriques. Cela permet de prioriser les zones où le pouvoir de dépense est présent.
Qu’est-ce qu’un ratio d’accessibilité à la mobilité et pourquoi est-il clé pour le sizing marché ?
C’est la part du revenu des ménages consacrée aux dépenses de mobilité. Ce ratio indique si le transport est supportable ou au contraire contraignant. Pour le sizing, il permet d’évaluer la capacité réelle d’adoption et de dépense.
{ "_meta": { "dictionaryColumns": ["Variable", "Data_Type", "Sample_Value", "Description"] }, "data": [ { "Variable": "geo_name", "Description": "Geographic unit analyzed (city, state/region, or country)", "Business_Rules": "Provided by client; standardized to official naming", "Source_System": "Client Data", "Data_Type": "VARCHAR", "Sample_Value": "Paris" }, { "Variable": "geo_level", "Description": "Granularity of the geographic unit", "Business_Rules": "ENUM: city|state|region|country", "Source_System": "Client Data", "Data_Type": "ENUM", "Sample_Value": "city" }, { "Variable": "currency_standard", "Description": "Currency used for monetary fields", "Business_Rules": "ENUM: EUR|USD|GBP|PLN|NOK|INR|BRL; FX normalized", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "ENUM", "Sample_Value": "EUR" }, { "Variable": "income_definition", "Description": "Income basis for ratios", "Business_Rules": "ENUM: disposable|net|gross", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "ENUM", "Sample_Value": "disposable" }, { "Variable": "median_disposable_income_monthly", "Description": "Median monthly disposable household income", "Business_Rules": "Currency standardized to currency_standard", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": "2800.0" }, { "Variable": "vehicle_tco_monthly", "Description": "Monthly total cost of car ownership", "Business_Rules": "Includes depreciation, fuel/energy, insurance, taxes, parking, maintenance", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": "620.0" }, { "Variable": "public_transit_monthly", "Description": "Average monthly household spend on public transit", "Business_Rules": "Pass or estimated observed spend", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": "75.0" }, { "Variable": "maas_penetration_rate", "Description": "Share of population using MaaS apps at least monthly", "Business_Rules": "Percentage 0–100", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": "40.0" }, { "Variable": "household_mobility_cost_ratio", "Description": "Share of income spent on mobility", "Business_Rules": "(vehicle_tco_monthly + public_transit_monthly) / median_disposable_income_monthly", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": "0.25" }, { "Variable": "low_income_burden_ratio", "Description": "Mobility cost ratio for lowest income quintile", "Business_Rules": "Income proxy = Q1; costs same as average", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": "0.38" }, { "Variable": "methodology_flag", "Description": "Derivation method", "Business_Rules": "ENUM: modeled|survey|operator|hybrid", "Source_System": "Web Intelligence + AI Reasoning", "Data_Type": "ENUM", "Sample_Value": "hybrid" }, { "Variable": "affordability_comment", "Description": "One-line interpretation of affordability", "Business_Rules": "Reference ratios and income definition", "Source_System": "AI Reasoning", "Data_Type": "VARCHAR", "Sample_Value": "Mobility costs near 25% of disposable income; borderline." } ] }