Escolar Documentos
Profissional Documentos
Cultura Documentos
Agendadelaprsentationdu26.03.2009
z Concept de Data Mining ou quest-ce que le Data Mining z Droulement dun projet de Data Mining z Place du Data Mining dans le systme dinformation z Principales applications Marketing et techniques de Data Mining z Avantages et rsultats observs z Freins et blocages au dveloppement du Data Mining z Conseil quantitatif : ralit ou vision de lesprit ? z Questions & rponses
IsBigBrotherwatchingyou?
Vous et moi laissons toujours plus de traces permettant de caractriser nos comportements dachats, nos habitudes, nos prfrences,
Cartes dbit/crdit Cartes des grands distributeurs (Cumulus, SuperCard,) Achats par correspondance Internet Les sources officielles (impts,) Les clubs Les tudes de march / sondages
Deplusenplusdedonnesdisponibles
Laqualitdesinformationsdpenddes sources
z Connaissances des experts (expriences, formation) z Donnes oprationnelles sur les clients et leurs comportements transactions) z Sources externes (analyse du march, presse Internet, fournisseurs externes) z Les donnes doivent tre traites, analyses, values et transformes en connaissances utiles la prise de dcision
Rponse:leDataMining
z Le Data Mining:
Ensemble de mthodes et de techniques danalyse de donnes et dextraction dinformations structures en vue daider la prise de dcision.
ConceptdeDataMining
UtilitduDataMiningauniveau commercial
z Mieux connatre ses clients:
Pour mieux les servir Pour augmenter leur degr de satisfaction Et par consquent leur fidlit Et donc leur rentabilit
10
Exercice:lavaleurdunclient
zNombre de client dbut de la priode: 100000 z Taux de rtention:80% z Transaction/client: CHF 200.-/an z Cots variables: 70% z Facteur dactualisation: 10% zExercice: Calculer la valeur client long-terme (CLV) et la valeur du portefeuille actuel.
11
Exercice:lavaleurdunclient Rponse
12
Lesopportunitspouraugmenterlavaleur duprofit(1/2)
z Rduire les cots variables z Augmenter le revenu par client z Prolonger une relation profitable avec le client z Acqurir des clients profitables
13
Lesopportunitspouraugmenterlavaleur duprofit(2/2)
14
Lessolutionscesquestions
z Pour rpondre ces questions = analyse prdictive z Prdiction prcise = expriences pertinentes z Un modle est une expression mathmatique dvnements antrieurs z Exemple: la probabilit dachat dun certain bien ou service augmente avec lge (probabilit dachat = 1.352 * ge)
15
Augmentationvaleurclientlongterme
16
Rentabilitdesactivitsanalytiques
z Augmentation de la valeur du portefeuille = 38840000 z Augmenter le revenu par client de CHF 10.-/an
Rduire les cots variables de CHF 3.50 /client Actions de cross ou up selling) Meilleure rentabilit des actions commerciales
z Conserver les clients rentables 2.6 semaines de + z Possible grce une meilleures connaissance dtaille du client
17
QuelquesexemplesdutilisationduData Miningdansunebanque
z Marketing (gestion de la relation client, ciblage actions commerciales, cross-upselling, analyse des ventes, segmentation ) z Risk-Management (dtection de fraudes, scoring crdit, dtection blanchiment dargent,) z Product Management (tarification produits, politique de packaging) z
18
DataMiningnapasrponsetout
19
DataMining=statistiquesdescriptives
zLe Data Mining permet lanalyse de phnomnes beaucoup plus complexes que les statistiques descriptives zIl traite de combinaisons sous-jacentes et/ou caches zIl permet daller au del du ttonnement des statistiques descriptives conditionne par la pr connaissance ou les strotypes de lintelligence de march . zAvec lui, on passe de lanalyse confirmatoire la vritable exprience exploratoire! zLe Data Mining fait appel des mthodes danalyse bien plus complexes et qui peuvent parfois sembler opaques
20 M.E.S Gestion Srl - Rue Louis-Favre 34 - 2002 Neuchtel - contact@mesgestion.ch - www.mesgestion.ch
DfinitionduDataMining
z Un ensemble de mthodes pour lanalyse et la gestion des donnes z Utilis pour lextraction de connaissances partir de grandes bases de donnes z Permet de reprer les informations essentielles z Reprsente les informations par des modles compacts z Met en correspondance les donnes avec la ralit
21
Lhistoriquedesmthodesdanalyse
22
LesmthodesduDataMining
Objectifs
Analyse exploratoire
Concepts
Visualisation et transformation des donnes
Techniques
Analyse uni et multidimensionnel + statistiques descriptives Rgression linaire Rgression logistique Rseau de neurones Arbres de dcision Clustering ACP / AFC Carte de Kohonen Basket-Analysis
Apprentissage supervis
Apprentissage nonsupervis
23
IntgrationduDataMiningdanslesystme dinformationdelentreprise
24
LeDataMiningrvlelesopportunitsdes donnesdisponibles
25
LeDataMiningsousformedeprocessus LemodleCRISPDM
LesprincipalestapesdunprojetdeDM
z Poser le problme et dfinir les objectifs z La recherche des donnes z Explorer et visualiser les donnes z Slection des donnes / rduction des dimensions z Nettoyage des donnes z Les actions sur les variables z La recherche du modle z valuation des rsultats z Dploiement des rsultats et suivi
27 M.E.S Gestion Srl - Rue Louis-Favre 34 - 2002 Neuchtel - contact@mesgestion.ch - www.mesgestion.ch
DtaildunprojetdeDM SelonlemodleCRISPDM
Modlisation:labaseduDataMining
29
Lephnomnedelapprentissage
30
Exempledemodlisation(1/3) Largressionlinaire
31
Exempledemodlisation(2/3) Largressionlogistique
32
Exempledemodlisation(3/3) Lerseaudeneurones
33
Lesprincipauxobjectifsstratgiquesmarketing
z Acquisition de nouveaux clients ou l'augmentation du rendement des actions de prospection commerciales et Marketing zCroissance de la valeur des clients ou l'augmentation des services qui leur sont fournis zRtention ou fidlisation cible de la clientle zWin-back ou la reconqute de segments de clientle passs la concurrence zExploiter lensemble des donnes clientle pour dgager des avantages concurrentiels dcisifs
34 M.E.S Gestion Srl - Rue Louis-Favre 34 - 2002 Neuchtel - contact@mesgestion.ch - www.mesgestion.ch
PrincipalesapplicationsMarketingduData Mining
z Les rponses du Data Mining:
valuation / profilage clients Segmentation / typologie clients Score dapptence produits / ventes croises, dtection dopportunits de vente Optimisation des actions commerciales (cibles MD,), Recherche dassociations, analyse de proximit, co-dtention produits, basket analysis Analyse CHURN, ractivation clientle -
35
AvantagesetrsultatsattendusduDataMining
z Maximisation de leffort commercial et adaptation aux attentes du march z Amlioration importante des taux de retour des actions commerciales z Baisse significative du cot des actions Marketing z Augmentation importante du ROI des actions z Dcouverte de potentiels inexploits z largissement de la clientle captive zApproche mixte business / quantitatif Probabilit Score!
36
LesprincipaleslimitesduDataMining
z Les anciennes mthodes restent toujours dactualit z Le Data Mining ne dcouvre pas tous les trsors cachs dans vos donnes z Le Data Mining ne dcouvre pas automatiquement les informations dignes dintrt z Des donnes de qualit dcrivant les phnomnes sont indispensables z Le Data Mining ne donne pas de rponses totalement tranches
37
FreinsetblocagesaudveloppementduData Mining(1/2)
z Au niveau Business
Mconnaissance / crainte / scepticisme Manque de soutien du Top Management Engagement de la force de vente Difficult vulgariser certains rsultats (neurones,) Intgration des activits de Data Mining dans lentreprise
38
FreinsetblocagesaudveloppementduData Mining(2/2)
z Au niveau des outils
Complexit des logiciels Spcificits des outils (intgration, fonctionnalits,) Cots lis aux applications de Data Mining
39
Pistesdamliorationspourunemeilleure intgrationduDataMining
z Mise en avant des avantages concrets de la dmarche z Procder par petites tapes successives z Intgrer des cibles test Data Mining aux actions z Encourager lutilisation effective des rsultats par la force de vente (effet dentranement) z Travail de fond au niveau des bases de donnes CRM z Les solutions logiciels en Open Source z Dveloppement de cours / formations spcifiques z Sensibilisation des dcideurs des entreprises
40
ImposerleDataMiningpartapes
z Dbuter par rcolter les fruits mrs z Utilisation des donnes dj disponibles z Dploiement immdiates des rsultats obtenus z Agrandissement par incrment du systme z Intgration de la solution linfrastructure globale z Intgration de sources supplmentaires z Adaptation aux besoins du Business
41
ApplicationsconcrtesduDataMining
z Mailings commerciaux pour la vente de cartes de crdit z Propositions de Cross Selling sur Internet z Dtection des clients prts quitter leur oprateur tlphonique z Optimisation de la rcolte de dons pour des uvres humanitaires z Dtection des futurs Hits musicaux (Hit Song Science model) z
42
LesprincipauxlogicielsdeDataMining
43