Datamining de la Connaissance Client orienté Objectif Taoufik Benkaraache

Plan 1. Qu’est ce que le Datamining ? 2. Solution Datamining pour le Management de la Connaissance Client : Points Clés 3. Solution Datamining pour le Management de la Connaissance Client : Exemples 3.1. Etude de la Fidélité des clients 3.2. Etude de la QS Client au moyen des lettres de réclamations 4. Mise en œuvre de la Solution Datamining de Management de la Connaissance Client

1. Qu’est ce que le Datamining ? Concept,Définitions,Enjeux

Dans Datamining il y a Data Données - Data 1. « Ce qui est donné, connu, déterminé à l’avance dans l’énoncé d’un problème, et qui sert à découvrir ce qui est inconnu » 2. « Ce qui est admis, connu ou reconnu et qui sert de base à un raisonnement de point de départ pour une recherche, une étude » Source: Le Petit Robert Données Client: Tout ce qu’on est en mesure de savoir sur chaque client à priori

Datamining :Concept « It is a process of discovering meaningful new correlations, patterns, trends by sifting through large amounts of data stored in repositories, using pattern recognition technologies, statistical and mathematical techniques » Gartner Group, 1995 Le datamining n’est pas une technologie Le datamining n’est pas un outil informatique

AU CŒUR DE L’INTELLIGENCE ECONOMIQUE (Business intelligence) DATAMINING AU CŒUR DE L’INTELLIGENCE ECONOMIQUE (Business intelligence)

DATAMINING INDISPENSABLE AUX SYSTEMES DE VEILLE : Veille commerciale Veille concurrentielle Veille technologique Veille stratégique Etc.

Enjeu Entreprise du Datamining La maîtrise de l’information et de la connaissance permet de : Tirer parti d’un avantage concurrentiel (décider avant le concurrent) Réaliser des économies d’échelles grâce à la réutilisation des méthodes Déployer les méthodes sur tous les domaines applicatifs Développer les compétences, la capacité et l’autonomie de réflexion et d’action de l’entreprise ( décider en temps reel)

Processus de datamining Processus (ISO 9000-1) : Transformation ajoutant de la valeur et impliquant des personnes et d’autres ressources L’équation fondamentale : Données + Processus = Information

Positionnement du datamining Collecte Datawarehouse Interface S.I. Datamining i Interface métier Management d ’activités Actions

Objet du datamining Un Processus permettant de : Décrire une « situation » à partir de données connues Comprendre la « situation », c’est à dire identifier les faits et relations de causes à effets en relation avec la situation Modéliser la « situation », c’est à dire abstraire la situation en ne retenant que les faits et relations pertinents pour une représentation de la situation Prédire la « situation » à partir des données nouvelles en utilisant le modèle Exploiter la connaissance acquise pour agir

Les composants du processus Datamining Méthodes-Techniques Données quantitatives et qualitatives Sélection par échantillonnage Arbres de décision Modélisation de données Prévision - Prédiction Réseaux neuronaux Analyse linguistique Exploitation linguistique Analyse exploratoire des données, visualisation Détection d’associations ou de déviations Analyses factorielles Classifications Etc. Codification qualitative, puis datamining sur données qualitatives Données en language naturel

Enjeu Entreprise du Datamining «  Knowledge is the only competitive advantage » J. Welsh CEO General Electric

2. Solution Datamining pour le management de la Connaissance Client Points Clés

Enjeux Économiques de la Connaissance Client (C.K.M. ) L’Enjeu de la Connaissance fine et détaillée des clients est de créer, développer, maintenir des relations profitables pour l’entreprise et pour ses clients au moyen de techniques de management de l’information client permettant de : détecter des niches marketing déterminer des profils de clients modéliser le comportement des clients détecter des besoins et services nouveaux détecter des potentiels économiques de clients détecter et expliquer les risques d’infidélité

Enjeux Économiques de la Connaissance Client (C.K.M. ) suite détecter et expliquer les risques d’impayés détecter et expliquer la QS perçue par les clients détecter les tendances des concurrents et des marchés d’améliorer la QS fournie aux clients d’améliorer la satisfaction des clients détecter et expliquer la fraude ...

Le Datamining Client est un Processus de Management de l’Information Client Le datamining n’est pas un outil informatique Le datamining client est un processus de management des données client qui opère à partir des données élémentaires pour produire de l’information, de la connaissance en vue d’une action bien déterminée vis à vis des clients

Exemples de Processus de Management de l’information Client Données = données marketing Processus = datamining client Information = score de fidélité Action = connaître pour fidéliser les clients Données = lettres de réclamations Processus = textmining client Information = thèmes d’insatisfaction notoire Action = connaître pour améliorer la QS client

Exemples de Processus de Management de l’Information Client Données = données client Processus = datamining client Information = score de risque client Action = connaître pour se prévenir des mauvais payeurs Données = données de facturation Information = score de risque de fraude Action =connaître pour se prévenir des fraudeurs

Processus de Management de l’Information Client/Action Client Processus Marketing ou Support Client Objectif Action Client Processus de management de l’information Client Analyser l’information client

La Matière Première de l’Entreprise : Les Données Client L’Information client est un Produit élaboré par un processus de transformation itératif, interactif à partir de données clients élémentaires mise en lumière au cours d’évènements : Evènements Données Information Connaissance Objectifs Décision Plans d’action Actions

Exemple : Etude de la Fidélité des Clients Objectif : Identifier les clients potentiellement infidèles selon leur potentiel économique et de mettre en place des actions marketing adaptées

Objectif du Datamining associé Modéliser le comportement d’infidélité des clients Estimer pour chaque client son risque d’infidélité Re-segmenter les clients au regard des risques encourus

Les données Client : Les données de la connaissance client - Les données de la concurrence Données provenant de différentes sources Données Marketing Données du service client Données de facturation Données de sondages, panels, enquêtes Données de réclamations Données sur les concurrents « Toutes données permettant de connaître les clients un à un ainsi que leur environnement »

Idée Directrice de la Connaissance Résumer l’information client en deux composantes : Un indicateur de risque d’infidélité par client Un indicateur de potentiel économique par client Indicateur de valeur économique t Indice de fidélité

Processus de management de l’information Client étape 1 Situation t Sélectionner les données pertinentes et corrélatives de la fidélisation étape 2 étape 3 Situation t Modélisation des indices de fidélité et de valeur économique étape 4 Situation t Évaluation des modèles, choix d ’un modèle Situation t Calculer un indice de fidélisation et indice de valeur économique par client (scoring) étape 5 Situation t Déterminer les actions en fonction des indices de fidélisation et de valeur des clients étape 6 Situation t Implémenter les actions Évaluer les résultats Passage de la situation à l’instant t à la situation à l’instant (t+1)

Processus de management de l’information Client Six étapes clés: Étape 1 : Détecter les variables déterminantes Étape 2 : Construire les modèles Étape 3 : Évaluer les modèles Étape 4 : Prédire les clients infidèles selon leur valeur économique Étape 5 : Exploiter les modèles Étape 6 : Évaluer les résultats des actions marketing

Exemple 2 : Étude de Cas Telecom Les données 1499 clients ayant résilié leur contrat 4804 clients en cours de contrat Echantillon d ’apprentissage 1000 clients (786 fidèles; 214 infidèles) Echantillon de contrôle : 2000 clients avec 3% d ’infidèles

Objectif : Etude de la Q.S client au moyen des lettres de réclamations *

Textmining = Datamining appliqué à des données textuelles *

QS Client et Textmining La QS Client est un processus de management des clients, itératif, interactif s’appuyant sur un processus de management des lettres de réclamations des clients mettant en œuvre des techniques de textmining client

Objectif du Textmining associé à l’Amélioration de la Q.S Modéliser le comportement de réclamation des clients Détecter les facteurs significatifs des réclamations Estimer pour chaque client son risque de réclamant Agir auprès des clients au regard des risques encourus

Idée Directrice de l’Amélioration de la Q.S. Client Modéliser l’information réclamation client en deux ensembles significatifs : Un ensemble de thèmes significatifs par client Un ensemble de mots clés significatifs par client t thèmes significatifs Mots clés significatifs

Les Données Client de la QS Données provenant de différentes sources Données Marketing Données du service client Données de facturation Données de sondages, panels, enquêtes Données de réclamations Etc. « Toutes données permettant de connaître les clients un à un ainsi que leur environnement »

Processus de management de l’information de la QS client étape 1 Situation t Sélectionner les Thèmes pertinents et corrélatifs de la QS Client étape 2 étape 3 Situation t Modélisation des Thèmes et des Mots clés significatifs des réclamations étape 4 Situation t Évaluation du modèle Situation t Prédire les thèmes en fonction des Mots clés étape 5 Situation t Déterminer les actions en fonction des Thèmes d’insatifaction des clients étape 6 Situation t Implémenter les actions Évaluer les résultats Passage de la situation à l’instant t à la situation à l’instant (t+1)

Processus de management de l’information de la QS Client Six étapes clés: Étape 1 : Détecter les Thèmes et les mots clés significatifs de la QS Client Étape 2 : Construire le modèle de relation entre Thèmes et Mots clés pour la QS Client Étape 3 : Évaluer le modèle de relation Étape 4 : Prédire les Thèmes clients selon leurs Mots clés significatifs Étape 5 : Exploiter le modèle de QS Client Étape 6 : Évaluer les résultats des actions de QS

Processus de Management de l’information orientée décision Univers de la décision et de l’action Univers de la planification Données existantes DECISION - MAKING DATA PLANING Actions Objectifs Plans d’actions ACTION PLAN Conception des données Décision Enjeux Décision initiale Conception des traitements Tableaux de bord Rapports Collecte des données CHECK DO Analyse différée des données Contrôle des données Import Saisie des données Analyse immédiate des données DATA MINING DATAWAREHOUSING Accès aux données Gestion des données Univers de la Connaissance Univers de la Gestion

Objectif du Datamining Client Rappel « Customer Knowledge is the only competitive advantage » FIN