le scoring au marketing Orange France conférence PAPI’s Connect Claude Riwan 21 mai 2015

 vous avez dit « score » ?  les usages du scoring au marketing Orange France  un peu de méthodologie  et demain ? sommaire

vous avez dit « score » ?

un score, à quoi ça sert ?  à prédire l’occurrence d’événements, tels que la souscription d’une offre par un client ou son degré de fragilité.  à estimer des informations manquantes dans le SI pour le client, comme l’âge, la composition familiale, la CSP, la détention d’équipements concurrents ou les centres d’intérêt… notamment pour adresser des messages personnalisés aux clients.  afin d’augmenter l’efficacité des actions tout en réduisant les coûts

un score, comment ça fonctionne ?  détection et combinaison des variables statistiquement explicatives du phénomène étudié (modélisation de la formule de score).  attribution de notes individuelles de score selon la probabilité d’occurrence du phénomène (calcul des notes mensuelles de scores des clients par application des données clients récentes à la formule de score)  le score sert à classer le fichier par probabilité décroissante d’occurrence du phénomène

les usages

les scores au marketing Orange France  413 séries de notes de scores sont produites mensuellement (environ 1,6 milliard de notes).  Ces scores couvrent 7 univers (internet, fibre, 4-play, mobile, fixe, foyers, prospects) exemples :. score d’appétence à une offre concurrente. score de fragilité des clients fibre  500 autres séries de notes de scores de qualification ou d’intérêt sont également calculées semestriellement. exemples :. estimation de la détention d’équipement concurrent. intérêt estimé pour la chaîne TV Eurosport

les usages  ciblage proactif sur les canaux phoning, print, ing, SMS  marquage pour réactif reroutage direct des appels entrants des clients scorés fragiles aux services clients vers le front prevenance exemples de scores Broad Band utilisés lors des campagnes 2014 :  fragilité, appétence aux bouquets TV, appétence aux videos on demand, appétence au parrainage, appétence à la montée en gamme 4-play  70 scores ont été utilisés en proactif (10% des campagnes appuyées sur des scores) 

les usages  push pour clients mobileen services clients, en point de vente, sur l’espace client, aux USSD et SVI (serveur vocal interactif)  push pour clients 4-playsur device mobile  push pour clients Broad Band en service client, en point de vente, sur la TV, sur le portail et la boutique online  marquage pour réactif push d’offres  connaissance client  qualification des bases détention de mobile concurrent, descriptif foyer, intérêts thématiques  scores exploratoires (sans autre vocation qu’analytique) clients injoignables, utilisateurs du service Cineday  inputs pour les autres scores les notes des scores du mois m-1 sont candidates aux modèles du mois m intérêt estimé pour le sport  appétence à une chaîne Sport

un peu de méthodologie

1 On s’appuie sur les données d’avant-hier pour construire une formule de score qui aurait prédit au mieux le churn d’hier données d’apprentissage churn observé modélisation notes de fragilité formule 1 un score, ça vit comment ? exemple d’un score prédictif du churn

données d’apprentissage churn observé modélisation notes de fragilité données de recalcul des notes application formule prévision du churn 2 2 On applique les données d’aujourd’hui pour prédire demain un score, ça vit comment ? exemple d’un score prédictif du churn

données d’apprentissage churn observé modélisation notes de fragilité données de recalcul des notes application formule prévision du churn churn observé suivi 3 3 On rapproche la prévision faite avant–hier pour la période d’hier avec le churn effectif d’hier formule un score, ça vit comment ? exemple d’un score prédictif du churn application

données de recalcul des notes application formule prévision du churn churn observé suivi données de recalcul des notes application formule prévision du churn churn observé suivi 4 5 données d’apprentissage churn observé modélisation notes de fragilité formule 4 Chaque mois, on recalcule les notes et on suit les performances 5 un score, ça vit comment ? exemple d’un score prédictif du churn

pour aller un peu plus loin…  sous-profils des top scores Dans la très grande majorité des cas, les clients top scorés ne présentent pas le profil moyen du modèle, mais sont regroupés en trois ou quatre sous-profils différenciés. Par clusterisation des top scores, on met en évidence ces familles et on peut ainsi adopter une posture commerciale différenciée.  scoring de l’uplift Les clients ciblés par un score d’appétence souscrivent plus que les autres lors d’une campagne, mais le groupe témoin (les appétents non adressés) a souvent également un taux de prise significatif. Pour concentrer les moyens sur les clients appétents qui ne prendraient pas sans la campagne on construit un modèle uplift qui combine un modèle d’apprentissage de la campagne (qui a pris lors de la campagne?) et un modèle d’apprentissage de l’appétence naturelle (qui a pris hors campagne?)  fast learning Actuellement, nos datamarts sont alimentés mensuellement. Nous modélisons donc sur des données froides et recalculons les notes de scores mensuellement. Les évolutions de notre CRM pourront nous permettre d’utiliser des données chaudes (données de contexte) et de recalculer de façon dynamique les messages adressés aux clients.

et demain ?

perspectives… Big Data  Généralement quelques dizaines de variables sont candidates en standard pour un modèle (small data)  Actuellement nous testons agrégats lors d’une modélisation (serveur en mono-cœur) : du Big Data en architecture Small Data  Big Data phase 2 (avec PredicSis) :  agrégats testés (modèle en mode distribué serveur 32 cœurs).  tuning en cours avec objectif de réduire la durée de modélisation  Big Data phase 3 (avec PredicSis) : plusieurs millions d’agrégats multi- tables de type [1 | n] seront testés à la volée pour chaque score. un environnement parallélisé permet d’augmenter efficacement l’espace de recherche : le Big data, consiste à aller dénicher la valeur prédictive des nouveaux gisements de données.

merci de votre attention