Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie

Transcription

1 Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Découvrir les stratégies ayant fait leurs preuves et les meilleures pratiques Points clés : Planifier et exécuter des projets réussis de data mining à l aide de IBM SPSS Modeler. Comprendre les rôles et les responsabilités des membres de l équipe du projet. Déterminer les données correspondant aux objectifs de votre projet. Développer la portée du data mining pour obtenir des résultats encore meilleurs. Introduction Le data mining est désormais une approche courante. Cette approche, qui permet de découvrir des schémas ou des connexions entre des données auparavant inconnus, a été développée par des universitaires et utilisée pour la première fois par les laboratoires de recherche gouvernementaux. Elle joue désormais un rôle essentiel dans l amélioration de la prise de décisions de quasiment toutes les industries. IBM SPSS Modeler est un outil de data mining efficace qui prend en charge les améliorations de la gestion de la relation client (CRM). Acquisition et fidélisation de la clientèle à moindres coûts, ciblage amélioré des campagnes de marketing, vente croisée et vente incitative plus efficaces pour améliorer la valeur économique du client : ces exemples ne sont que quelques-unes des solutions que le data mining apporte aux grandes entreprises. L outil de data mining IBM SPSS est un composant clé des analyses prédictives. Grâce aux analyses prédictives, votre entreprise peut utiliser les informations obtenues par l analyse des données et diriger, optimiser et automatiser les interactions centrées sur le client, n importe où au sein de votre organisation. SPSS a fait partie des pionniers dans le domaine de l analyse des données ; elle a été la première sur ce créneau et reste l une des applications logicielles les plus populaires et les plus largement utilisées. En tant que nouveau membre de l entreprise IBM, SPSS apporte ses outils d analyse de pointe et permet ainsi à IBM SPSS Modeler de se placer en tête du marché des analyses prédictives. Les offres d IBM SPSS incluent des produits de référence dans le domaine de la collecte de données, des statistiques et du data mining, avec une plateforme unifiée prenant en charge la gestion et le déploiement sécurisés des ressources d analyse. Les outils de data mining d IBM SPSS sont basés sur les normes de l industrie et peuvent facilement s intégrer à votre infrastructure existante pour améliorer l exactitude, réduire la main d œuvre et minimiser les pertes. L effort conjugué d IBM et de SPSS vous offre une flexibilité optimale et s adapte aux types de données que vous explorez et à la façon dont vous déployez les résultats.

2 Récapitulatif : Les entreprises qui ont utilisé la solution de data mining d IBM SPSS pour améliorer leur gestion de la relation client ont une expérience extrêmement intéressante à partager. Ce livre blanc propose dix conseils utiles à votre entreprise si celle-ci recherche des façons de démarrer ou d améliorer ses activités de gestion de la relation client. Si votre entreprise débute dans l utilisation des solutions de data mining d IBM SPSS, vous pouvez profiter de l expérience d entreprises les ayant utilisées. Elles ont découvert un certain nombres de conseils et de tuyaux permettant de maximiser leur retour sur investissement : Ce qui suit est un extrait de cette expérience : Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie. 1. La planification est la clé d un projet de data mining réussi Tout comme pour n importe quel projet important, la planification est la moitié du succès. Il est essentiel que toute organisation ayant un projet de data mining établisse d abord les objectifs de ce projet d un point de vue commercial puis convertisse ces informations en une stratégie de data mining cohérente et un plan de projet bien défini. Planifiez le succès de votre projet de data mining en suivant ces trois étapes : Commencez en gardant la fin à l esprit. Évitez le piège habituel qui consiste à explorer des données sans définir d objectifs commerciaux. Avant de commencer la modélisation, définissez un projet qui prend en charge les objectifs stratégiques de votre organisation. Par exemple, votre objectif commercial peut être d attirer des clients supplémentaires ayant un profil semblable à celui de vos clients les plus importants. Ou il peut être de fidéliser encore plus vos clients les plus rentables. Faites participer toutes les parties prenantes de l entreprise. N oubliez pas d inclure tous ceux qui ont un intérêt dans ce projet. Généralement, les départements Finances, Ventes et Marketing sont concernés par les statégies de gestion de la relation client à coûts réduits. Cependant, les responsables des départements Base de données et Technologie de l information sont également des parties prenantes intéressées car leurs équipes sont souvent appelées en renfort pour aider à l exécution de ces stratégies. Définissez une stratégie de data mining réalisable. Planifiez comment atteindre votre objectif en utilisant au mieux vos ressources. Les ressources techniques et humaines doivent être prises en compte. 2. Définissez des objectifs spécifiques pour votre projet de data mining Avant de débuter un projet de data mining, clarifiez en quoi la solution de data mining d IBM SPSS peut vous aider à atteindre votre objectif. Par exemple, si réduire le départ (ou «churn») des clients est un objectif stratégique, quel niveau d amélioration souhaitez-vous voir? 2

3 Ensuite, utilisez un processus de data mining standard, comme CRISP-DM (CRoss-Industry Standard Process for Data Mining). CRISP-DM est une méthodologie de data mining complète et un modèle de processus qui rend les gros projets de data mining plus rapides, plus efficaces et moins coûteux. IBM SPSS adhère à cette approche optimale du data mining, dont plusieurs autres compagnies de premier plan sont co-auteurs, et la met au service de votre organisation pour vous offrir des résultats exploitables. Le modèle CRISP-DM offre des instructions pas-à-pas, des tâches et des objectifs pour chaque étape du processus, comme la compréhension de l activité, la compréhension des données, la préparation des données, la modélisation, l évaluation et le déploiement. Cette méthodologie peut constituer un excellent point de départ pour vos efforts de data mining en vous aidant à : évaluer et hiérarchiser les problèmes commerciaux élaborer des méthodes de data mining pour les résoudre appliquer des techniques de data mining interpréter les résultats de data mining déployer et tenir à jour les résultats de data mining Pour plus d informations sur CRISP-DM, voir Créez ensuite un plan de projet vous permettant d atteindre vos objectifs, notamment une définition claire de ce que «réussir» signifiera. Enfin, effectuez une analyse coûts-avantages, en n oubliant pas d inclure le coût de toutes les ressources nécessaires. 3. Recrutez une équipe de projet diversifiée Une des erreurs habituelles commises par ceux qui découvrent le data mining est de donner la responsabilité d un projet de data mining à un spécialiste de l exploration de données. Or, parce que le data mining nécessite une bonne compréhension du problème adressé et parce que dans la majorité des organisations, les différents éléments permettant une bonne compréhension de ce problème sont dispersés entre les différentes disciplines et services, il est important de recruter une équipe diversifiée pour votre projet. Par exemple, pour évaluer les facteurs associés à l attrition des clients, il vous faudra peut-être des membres du service client, du service des études de marché ou même du service de la facturation, ainsi que des membres avec des connaissances spécifiques sur vos données et sur le data mining. En fonction de votre objectif, il vous faudra peut-être des représentants de certains ou de tous les rôles suivants : sponsor du projet, responsable du projet expert commercial, spécialiste de l exploration de données, expert en données et sponsor IT. Certains projets peuvent nécessiter deux ou trois personnes, d autres beaucoup plus. 3

4 4. Rassemblez les données appropriées Pour réussir votre projet, vous devez connaître les types de données disponibles et les conditions dans lesquelles ces données se trouvent. Commencez par des données facilement accessibles. Il n est pas nécessaire qu il y en ait une grande quantité ni qu elles soient organisées dans un entrepôt de données. De nombreux projets de data mining pertinents sont effectués sur des ensembles de données de petite taille ou de taille moyenne et certains ne contiennent que quelques centaines ou quelques milliers de fiches. Par exemple, à partir d un échantillon de fiches client, vous pouvez être capable de déterminer les produits de votre entreprise qui sont généralement achetés par des clients correspondant à un certain profil démographique. Cela vous permet de prévoir ce que les autres clients pourraient acheter ou quelle offre pourrait leur plaire le plus. 5. Assurez la participation du service IT Le service IT est un élément important de la réussite de tout projet de data mining. N oubliez pas que l outil de data mining que vous choisissez jouera un rôle important dans la participation de votre service IT. Cet outil de data mining devra intégrer votre infrastructure de données existante (bases de données, entrepôts de données et magasins de données importants) et devra proposer un accès libre aux données ainsi que la possibilité d améliorer les bases de données existantes avec des évaluations et des prévisions générées par le data mining. 6. Sélectionnez la solution de data mining appropriée IBM SPSS Modeler fait gagner du temps aux organisations et améliore le flux des analyses en prenant en charge chaque étape du processus, assurant ainsi l efficacité et le succès du projet de data mining. Une solution intégrée est particulièrement importante lors de l incorporation de types de données supplémentaires, telles que des données textuelles, ou des données provenant d Internet ou d enquêtes. Cela est dû au fait que chaque type de données peut provenir d un système différent et existe sous de nombreux formats différents. L utilisation d une solution intégrée permet à vos analystes de suivre un raisonnement de manière efficace, quel que soit le type de données que comporte l analyse. L intégration est également importante pendant la phase de «gestion des décisions» de l analyse prédictive. La gestion des décisions détermine les actions qui offriront les meilleurs résultats possibles puis transmet ensuite ces actions recommandées aux systèmes et aux personnes qui peuvent correctement les mettre en œuvre. Pour prendre en charge la gestion de décisions, il vous faut une solution qui relie les systèmes opérationnels, tel que votre centre d appels ou votre logiciel d automatisation marketing. Ce genre de solution prend en charge une livraison plus importante et plus rapide (voire en temps réel) des informations prédictives. 4

5 7. Réfléchissez à l exploration d autres types de données pour améliorer le retour sur investissement de votre data mining Lorsque vous combinez des données de texte, Internet ou d enquêtes avec des données structurées utilisées pour la création de modèles, vous enrichissez les informations prédictives disponibles. Même si vous n ajoutez qu un seul type de données supplémentaires, vous assisterez à une amélioration des résultats générés. L incorporation de divers types de données génèrera des améliorations encore plus importantes. Pour déterminer si votre entreprise peut tirer profit de l incorporation de types de données suplémentaires, commencez par vous poser les questions suivantes : Quels genres de problèmes commerciaux essayons-nous de résoudre? Quels genres de données possédons-nous qui pourraient résoudre ces problèmes? Les réponses à ces questions vous aideront à déterminer le genre de données à inclure et pourquoi les inclure. Si vous essayez de savoir pourquoi des clients de longue date s en vont, par exemple, il vous faudra peut-être analyser le texte des notes des centres d appel combiné aux résultats de groupes de clientèle ou d enquêtes de satisfaction client. 8. Développez la portée du data mining pour obtenir des résultats encore meilleurs Une façon d améliorer le retour sur investissement généré par le data mining est d augmenter le nombre de projets entrepris. IBM SPSS Modeler est la solution de data mining qui élimine le besoin de personnel supplémentaire en automatisant les tâches courantes. Améliorez votre investissement sur le data mining en relevant d autres défis commerciaux ou en appliquant le data mining à différents services ou régions géographiques. Si votre entreprise a déjà accompli des progrès dans vos défis les plus importants amélioration du taux de conversion pour les campagnes de vente croisée par exemple demandez-vous s il existe des défis secondaires à relever, comme la diminution du coût des programmes d acquisition de clientèle. 9. Envisagez toutes les options de déploiement disponibles Lorsqu elles explorent des données, les organisations qui déploient leurs résultats de manière efficace obtiennent un meilleur retour sur investissement. Lors des premières mises en œuvre du data mining, le déploiement se bornait à fournir des modèles aux analystes et des rapports aux responsables. Ces modèles et ces rapports devaient être interprétés par des responsables ou du personnel avant que tout plan stratégique ou tactique puisse être développé. Plus tard, de nombreuses entreprises ont utilisé la notation par lot (généralement menée lors des heures creuses) pour incorporer plus efficacement les prévisions mises à jour dans leurs bases de données. Il est même devenu possible d automatiser la planification des mises à jour et d intégrer des moteurs de notation dans les applications existantes. 5

6 Aujourd hui, grâce aux dernières technologies de data mining, il est possible de mettre à jour des ensembles de données gigantesques contenant des milliards d évaluations en quelques heures à peine. Il est également possible de mettre à jour les modèles en temps réel et de déployer les résultats pour les membres du personnel en contact avec les clients pendant qu ils interagissent avec eux. De plus, il est également possible de déployer des modèles ou des évaluations en temps réel sur des systèmes qui génèrent des offres de ventes automatiquement ou de suggérer des produits aux visiteurs de sites Internet, pour ne donner que deux exemples. 10. Améliorez la collaboration et l efficacité avec la gestion de modèles Recherchez des solutions de data mining qui vous permettent de centraliser la gestion des modèles de data mining et qui prennent en charge l automatisation de processus tel que la mise à jour des évaluations des clients. Ces solutions améliorent la collaboration et l efficacité au sein de l entreprise. La gestion de modèles centralisée évite également à votre entreprise les efforts inutiles ou en double tout en garantissant que vos modèles prédictifs les plus efficaces sont appliqués à vos défis commerciaux. La gestion de modèles est également un chemin d accès vers la création, l utilisation et l application de modèles de documents. Conclusion Malgré l incroyable exactitude des informations que fournit le data mining, ce n est pas de la magie. Il s agit d un outil commercial important que les entreprises du monde entier utilisent pour prendre des décisions commerciales critiques sur l acquisition et la fidélisation des clients, sur la gestion de la valeur client, l optimisation du marketing et d autres problèmes associés à la clientèle. De la même façon, les critères permettant d utiliser le data mining de manière efficace ne sont ni secrets ni mystérieux. Si vous comprenez bien les problèmes à adresser, que vous disposez des ressources et du support appropriés ainsi que de la solution adaptée, vous aussi pourrez profiter des bénéfices commerciaux dont d autres entreprises profitent grâce au data mining. Pour des informations supplémentaires sur vos premiers pas dans le domaine du data mining ou sur la façon de développer les bénéfices dont vous profitez déjà grâce à vos efforts de data mining, veuillez contacter votre représentant IBM SPSS. 6

7 À propos d IBM Les logiciels IBM fournissent des informations complètes, cohérentes et précises permettant aux décideurs d améliorer les performances de leur entreprise. Un portefeuille complet de solutions de Business Intelligence, d Analyse Prédictive, de Performance financière & gestion de la stratégie et d Applications Analytiques permettent d avoir une vision claire et précise de la situation actuelle et de prédire les événements futurs. Combinées à de puissantes solutions métiers, les organisations de toute taille peuvent améliorer leur productivité, optimiser leur prise de décisions et délivrer de meilleurs résultats. Dans ce cadre, les logiciels IBM SPSS Predictive Analytics aident les organisations à prévoir les événements futurs pour une meilleure prise de décisions et donc une amélioration de leurs résultats. Nos clients des secteur privé, secteur public et universitaire se fient à la technologie IBM SPSS et considèrent cette technologie comme un avantage concurrentiel pour : fidéliser sa clientèle, attirer de nouveaux clients, maximiser ses ventes, réduire la fraude, minimiser les risques. En intégrant le logiciel IBM SPSS à leurs opérations quotidiennes, les organisations deviennent des entreprises prédictives capables d optimiser leur prise de décision afin d atteindre leurs objectifs et d obtenir un avantage concurrentiel important. Pour plus de renseignements, visitez le site spss/fr. 7

8 Copyright IBM Corporation 2010 IBM Corporation Route 100 Somers, NY Droits restreints pour les utilisateurs du gouvernement américain - l utilisation, la duplication ou la divulgation sont soumises aux restrictions visées dans le contrat GSA ADP Schedule conclu avec IBM Corp. Produit aux États-Unis d Amérique Mai 2010 Tous droits réservés IBM, le logo d IBM, ibm.com, WebSphere, InfoSphere et Cognos sont des marques commerciales ou des marques déposées d International Business Machines Corporation aux États-Unis, dans d autres pays ou les deux. Si ces termes ou si d autres termes déposés d IBM sont représentés pour la première fois dans ce document suivis du symbole de marque déposée ( ou TM), ces symboles indiquent des marques déposées ou de droit commun appartenant à IBM lors de la publication de ce document. Ces marques commerciales doivent également faire l objet d un enregistrement ou doivent être des marques de droit commun dans les autres pays. Une liste des marques commerciales actuelles d IBM est disponible sur Internet sous «Droits d auteur et marques» à l adresse SPSS est une marque commerciale de SPSS, Inc., an IBM Company, déposée dans de nombreuses juridictions dans le monde. Les autres noms d entreprises, de produits ou de services peuvent être des marques commerciales ou des marques de service d autres organisations. Réutilisez s il vous plaît IMW14279-FRFR-02