Construire la courbe LIFT. Ricco RAKOTOMALALA. Ricco Rakotomalala Tutoriels Tanagra - 1

Dimension: px
Commencer à balayer dès la page:

Download "Construire la courbe LIFT. Ricco RAKOTOMALALA. Ricco Rakotomalala Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1"

Transcription

1 Construire la courbe LIFT Ricco RAKOTOMALALA Tutoriels Tanagra - 1

2 L exemple du publipostage pour la promotion d un produit Objectif : promouvoir un produit Rôle du ciblage : solliciter les clients les plus réceptifs optimiser un budget limité ne pas agacer les clients «hostiles» Outils : base de données clientèle une variable supplémentaire : clients appétents (+) et non-appétents (-) [totalement inconnue au départ] construire un «score» pour trier la base selon l appétence du client envoyer le courrier en priorité aux clients appétents (la cible) 2 critères (la référence est d envoyer le courrier au hasard) le taux de retour (proportion de + parmi les ciblés) : rendement le rappel (la part des + retrouvés) : part de marché Remarque : la démarche peut être reproduite dans d autres domaines (campagne de dépistage, ) Tutoriels Tanagra - 2

3 Schéma général Title Insurance ChildrenWages Mrs No Mr No Mrs No Mrs Yes 18 Mr No Mr No Mrs Yes Mrs Yes Mrs No Mrs No Mrs Yes Mrs No 862 Mr Yes Mrs No Mrs No Mrs No 892 Mr No Mrs No Mr No Mrs No 1863 Mrs No 1318 Mr Yes 1 18 Mrs No Mrs No 2 29 Mr No 54 Base de données clientèle (22. clients) 2 clients sollicités au hasard 1 clients ont répondu positivement = 1/2 5% 2 clients Title Insurance ChildrenWages Retour Mrs No Mr No Mrs No Mrs Yes 18 + Mr No Mr No Mrs Yes test Title Insurance Children Wages SCORE Mr No Mrs No Mrs No Mr No Mrs No Mrs No Mr No Mrs No Mrs Yes Mr No Mrs No Mrs No Mr No Mrs No Mrs No Mrs No Mrs No Mrs No apprentissage Potentiel de + : 5% de 2 = 1 clients + Courbe LIFT Évaluer la performance du ciblage S ( R ) = Φ ( X ) Fonction score : permet de classer les clients selon l appétence (1) Appliquer la fonction score sur le reste de la base (2) Trier la base selon le score (3) Cibler en priorité les clients à fort score (4) Prévoir les performances à partir de la courbe LIFT Tutoriels Tanagra - 3

4 La démarche de ciblage Construire la courbe LIFT sur un fichier de données Trier les données selon les scores décroissants i Retour Score Taille Cible Rappel (TVP).. 1 positif positif positif positif positif positif négatif positif positif positif positif positif positif positif négatif positif négatif négatif négatif négatif positif négatif négatif Taille (relative) de la cible 24 négatif négatif négatif négatif négatif négatif négatif N 3 N(positif) 15 Taux de vrais positifs (Rappel) Taille relative de la cible cumulée = i / N TVP = N(positifs parmi les i premiers) / N(positifs) Tutoriels Tanagra - 4

5 Lecture de la courbe LIFT sur l échantillon test 1 individus dans l échantillon test 5 (5%) sont positifs Le fichier est trié par score décroissant! >> les plus appétents en premier >> les moins appétents en dernier 1 % des + = 5 individus Proportion de + retrouvés en % Taille de la cible en % Ciblage, envoi en priorité aux appétents [base triée] 5% de ciblés (5 premiers ind. de la base) 8% de + (4 ind. +) Pas de ciblage, envoi au hasard [base non triée] 5% de ciblés (5 premiers ind. de la base) 5% de + (25 ind. +) 1 % de la cible = 1 individus Tutoriels Tanagra - 5

6 Transposer la courbe lift dans la base clientèle 2 individus dans la base 5% de positifs potentiels i.e. 1 ind. Le fichier est trié par score décroissant! >> les plus appétents en premier >> les moins appétents en dernier 1 % des + = 1 individus Proportion de + retrouvés en % Taille de la cible en % Ciblage, envoi en priorité aux appétents (base triée) 5% de ciblés (1 ind.) 8% de + (8 ind. + atteints) Pas de ciblage, envoi au hasard (base non triée) 5% de ciblés (1 ind.) 5% de + (5 ind. + atteints) 1 % de la cible = 2 individus Tutoriels Tanagra - 6

7 Lire la courbe LIFT Budget fixé On fixe un budget de campagne ex. 4 courriers On a gagné 1 8 clients supplémentaires 38% des positifs seront atteints i.e..38 x 1 = 3 8 client + Si envoi au hasard, 2% de + atteints i.e..2 x 1 = 2 client Budget : 4 courriers (2% de la base) Bilan : Taux de retour : 3 8 / 4 = 9,5% à comparer avec le 5% trivial Part de marché : 3 8 / 1 = 38% il reste encore 6 2 clients potentiels dans la nature Tutoriels Tanagra - 7

8 Lire la courbe LIFT Objectif de part de marché On fixe un objectif de campagne ex. récupérer 5 nouveaux clients clients i.e. 5% des clients potentiels = 5 / Il faut envoyer un courrier aux 27% premiers individus de la base i.e..27 x 2 = 54 personnes Sans ciblage, il faudrait envoyer 1 courriers au hasard pour espérer obtenir 5 nouveaux clients Économie de 46 lettres à envoyer Bilan : Taux de retour : 5 / 54 = 9,25% à comparer avec le 5% trivial Part de marché : 5 / 1 = 5% il reste encore 5 clients potentiels dans la nature Tutoriels Tanagra - 8

9 Conclusion Pas de ciblage et ciblage optimal Ciblage parfait i.e. les premiers individus de la base sont tous positifs Ordonnée = 1 Abscisse = N(Positifs)/N 1.9 Taux de vrais positifs (Rappel) Taille (relative) de la cible Pas de ciblage : envoi au hasard i.e. les individus sont triés selon un ordre qui n a rien à voir avec l appétence Tutoriels Tanagra - 9

Spécificités, Applications et Outils

Spécificités, Applications et Outils Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

ENSEIGNEMENT ET MONDE PROFESSIONNEL. Illustration d un lien fort au travers d un cours de scoring. Jean-Philippe KIENNER 7 novembre 2013

ENSEIGNEMENT ET MONDE PROFESSIONNEL. Illustration d un lien fort au travers d un cours de scoring. Jean-Philippe KIENNER 7 novembre 2013 ENSEIGNEMENT ET MONDE PROFESSIONNEL Illustration d un lien fort au travers d un cours de scoring Jean-Philippe KIENNER 7 novembre 2013 CONTEXTE Une bonne insertion professionnelle des étudiants passe par

Plus en détail

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de

Plus en détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe commune aux séries ES, L et S : boîtes et quantiles Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans

Plus en détail

Optimisation du ciblage des opérations de fidélisation

Optimisation du ciblage des opérations de fidélisation Optimisation du ciblage des opérations de fidélisation Fondements de la méthode Uplift avec applications au domaine de la distribution Nicholas J. Radcliffe Adaptation française Paul Archambault, d après

Plus en détail

Build Your Island 2014 Annexe TFR 1

Build Your Island 2014 Annexe TFR 1 Build Your Island 2014 Annexe TFR 1 1 2 1 L importance du TFR... 3 2 Complexité du protocole de calcul... 3 2.1 Les indicateurs... 3 2.2 Les Dynamiques... 4 2.3 Le Taux de Fréquentation Espéré, une hypothèse

Plus en détail

matthieumarce.com - Fiches pratiques - Emailing Emailing

matthieumarce.com - Fiches pratiques - Emailing Emailing Emailing Cette fiche pratique tente de répondre aux questions suivantes : - Qu est-ce qu un emailing? - Comment réaliser une campagne emailing auprès de mes contacts? - Comment fidéliser mes clients? L

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner

Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation

Plus en détail

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes.

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes. SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance Changer la source d'une requête dans SAS Enterprise Guide client, valeur client, CRM, fidélisation,

Plus en détail

SYNTHÈSE DOSSIER 1 Introduction à la prospection

SYNTHÈSE DOSSIER 1 Introduction à la prospection SYNTHÈSE DOSSIER 1 Introduction à la prospection La prospection est une activité indispensable pour développer le nombre de clients, mais aussi pour contrecarrer la perte de clients actuels. Elle coûte

Plus en détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1 Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du baccalauréat ES/L Métropole 20 juin 2014 Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)

Plus en détail

Master Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA

Master Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA Master Exploration Informatique des données Data Mining & Business Intelligence Groupe 5 Piotr BENSALEM Ahmed BENSI Evelyne CHARIFOU Priscillia CASSANDRA Enseignant Françoise FOGELMAN Nicolas DULIAN SOMMAIRE

Plus en détail

E-mail marketing, scoring comportemental & analyse prédictive

E-mail marketing, scoring comportemental & analyse prédictive E-mail marketing, scoring comportemental & analyse prédictive Formation Dolist - Score MD Les 25 & 26 juin 2013 Dolist.net - Tous droits réservés 26/04/2013 Formation E-mail Marketing, scoring & analyse

Plus en détail

ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens, logiciels,

ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens, logiciels, Université Lumière Lyon 2 Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens,

Plus en détail

IBM SPSS Direct Marketing 21

IBM SPSS Direct Marketing 21 IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS

Plus en détail

LE PETIT RELATION CLIENT. Les pratiques clés en 15 fiches. Nathalie Houver

LE PETIT RELATION CLIENT. Les pratiques clés en 15 fiches. Nathalie Houver LE PETIT 2014 RELATION CLIENT Les pratiques clés en 15 fiches Nathalie Houver Dunod, Paris, 2014 ISBN 978-2-10-070826-0 Table des matières LA PRÉPARATION DE LA RELATION COMMERCIALE FICHE 1 Acquérir la

Plus en détail

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr 1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data

Plus en détail

BAROMETRE DE CONJONCTURE DE L HEBERGEMENT D ENTREPRISES

BAROMETRE DE CONJONCTURE DE L HEBERGEMENT D ENTREPRISES 1 er et 2 ème trimestres 2010 Note semestrielle N 1 BAROMETRE DE CONJONCTURE DE L HEBERGEMENT D ENTREPRISES 1. CHIFFRE D AFFAIRES TOTAL DES CENTRES D AFFAIRES Chiffre d affaires total / surface totale

Plus en détail

TECH TE MARKETING Rapidité Eff Ef ic i a c c a i c t i é t Puissance 1

TECH TE MARKETING Rapidité Eff Ef ic i a c c a i c t i é t Puissance 1 TECH MARKETING Rapidité Efficacité Puissance 1 Concevoir un e mailing efficace Qui a déjà tenté l expérience? 2 Historique de le l e mailing Reprise du mailing (substitution de la boîte physique) Apparition

Plus en détail

Vue d'ensemble de la formation

Vue d'ensemble de la formation Vue d'ensemble de la formation Thème 1 : Les notions de marketing Le marketing d études, stratégique et opérationnel Thème 2 : La communication vente L Accueil, la découverte des besoins, l argumentation

Plus en détail

Étude sur les taux de revalorisation des contrats individuels d assurance vie au titre de 2013 n 26 mai 2014

Étude sur les taux de revalorisation des contrats individuels d assurance vie au titre de 2013 n 26 mai 2014 n 26 mai 2014 Étude sur les taux de revalorisation des contrats individuels d assurance vie au titre de 2013 Sommaire 1.INTRODUCTION 4 2.LE MARCHÉ DE L ASSURANCE VIE INDIVIDUELLE 6 2.1.La bancassurance

Plus en détail

Suivi statistique des scores - Document descriptif des solutions retenues

Suivi statistique des scores - Document descriptif des solutions retenues Rapport de mission Suivi statistique des scores - Document descriptif des solutions retenues Mathurin Aché Statisticien cellule Scores TGPF/OPF/DPF/DBIGP/SCORES Suivi statistique des scores Titre Résumé

Plus en détail

Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.

Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel. Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté

Plus en détail

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre

Plus en détail

Didacticiel Études de cas. Description succincte de Pentaho Data Integration Community Edition (Kettle).

Didacticiel Études de cas. Description succincte de Pentaho Data Integration Community Edition (Kettle). 1 Objectif Description succincte de Pentaho Data Integration Community Edition (Kettle). L informatique décisionnelle («Business Intelligence BI» en anglais, ça fait tout de suite plus glamour) fait référence

Plus en détail

L'intelligence d'affaires: la statistique dans nos vies de consommateurs

L'intelligence d'affaires: la statistique dans nos vies de consommateurs L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

CCRRA. Québec, le 4 juillet 2002

CCRRA. Québec, le 4 juillet 2002 CCRRA Canadian Council of Insurance Regulators Conseil canadien des responsables de la réglementation d assurance Copie à: Mr. Michael Grist Chair, CCIR Committee on Streamlining and Harmonization Québec,

Plus en détail

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01

Plus en détail

Introduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)

Introduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS) MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour

Plus en détail

TANAGRA : un logiciel gratuit pour l enseignement et la recherche

TANAGRA : un logiciel gratuit pour l enseignement et la recherche TANAGRA : un logiciel gratuit pour l enseignement et la recherche Ricco Rakotomalala ERIC Université Lumière Lyon 2 5, av Mendès France 69676 Bron rakotoma@univ-lyon2.fr http://eric.univ-lyon2.fr/~ricco

Plus en détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités

Plus en détail

Consolidation de jeux de données pour la prospective : la génération d une population synthétique pour les communes de Belgique

Consolidation de jeux de données pour la prospective : la génération d une population synthétique pour les communes de Belgique Consolidation de jeux de données pour la prospective : la génération d une population synthétique pour les communes de Belgique Philippe Toint (with J. Barthélemy) Centre de Recherche en Systèmes Complexes

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 Interfaces Intelligentes INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie

Plus en détail

Apllication au calcul financier

Apllication au calcul financier Apllication au calcul financier Hervé Hocquard Université de Bordeaux, France 1 er novembre 2011 Intérêts Généralités L intérêt est la rémunération du placement d argent. Il dépend : du taux d intérêts

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Pratique des options Grecs et stratégies de trading. F. Wellers

Pratique des options Grecs et stratégies de trading. F. Wellers Pratique des options Grecs et stratégies de trading F. Wellers Plan de la conférence 0 Philosophie et structure du cours 1 Définitions des grecs 2 Propriétés des grecs 3 Qu est ce que la volatilité? 4

Plus en détail

Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.

Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée. ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle

Plus en détail

Un outil développé par

Un outil développé par Un outil développé par 1 SOMMAIRE Calendrier de campagne... 3 Identification... 4 Paramétrage... 5 Page d accueil... 5 Tableau de bord de la campagne... 6 Ciblage des clients... 7 Choix du format... 13

Plus en détail

Statistique : Résumé de cours et méthodes

Statistique : Résumé de cours et méthodes Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère

Plus en détail

La collaboration avec les prestataires de soins non réglementés

La collaboration avec les prestataires de soins non réglementés DIRECTIVE PROFESSIONNELLE La collaboration avec les prestataires de soins non réglementés Mise à jour : 2013 Table des matières Introduction 3 Responsabilités générales des infirmières qui collaborent

Plus en détail

OUTLOOK GÉRER EFFICACEMENT SON BUSINESS D INGÉNIERIE OU DE CONSEIL AVEC OUTLOOK

OUTLOOK GÉRER EFFICACEMENT SON BUSINESS D INGÉNIERIE OU DE CONSEIL AVEC OUTLOOK GÉRER EFFICACEMENT SON BUSINESS D INGÉNIERIE OU DE CONSEIL AVEC OUTLOOK OBJECTIF GENERAL Mettre à profit les qualités d Outlook pour gérer efficacement l information, la communication, la gestion du temps,

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Impression Données Variables. www.variodata.com

Impression Données Variables. www.variodata.com à Donner de la VALEUR aux imprimés Impression Données Variables www.variodata.com CROSS MEDIA & Impression à Données Variables VarioData est une marque du Groupe CAR regroupant toutes les activités liées

Plus en détail

Comme cet outil est un des outils majeurs professionnels, Facebook vous propose également une Aide.

Comme cet outil est un des outils majeurs professionnels, Facebook vous propose également une Aide. Gérer les publicités Il est possible de réaliser des campagnes de publicité sur Facebook. Que ce soit pour un groupe, une page ou un site internet, vous pouvez faire une publicité très ciblée qui paraîtra

Plus en détail

EBOW DESCRIPTION APPLICATIVE

EBOW DESCRIPTION APPLICATIVE EBOW GESTION COMMERCIALE DEDIEE A LA VPC/VAD ET A L E COMMERCE DESCRIPTION APPLICATIVE Pour toute question, contactez Jean François HOLLNER au 03.88.77.76.00 ou par mail sur jhollner@itl.fr GESTION DES

Plus en détail

POLITIQUE DE DONS DE LA VILLE D AMQUI

POLITIQUE DE DONS DE LA VILLE D AMQUI POLITIQUE DE DONS DE LA VILLE D AMQUI 1. OBJET La présente politique a pour but de définir clairement et d encadrer tout le processus d évaluation des demandes de dons adressées au conseil municipal en

Plus en détail

Cours de méthodes de scoring

Cours de méthodes de scoring UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-

Plus en détail

La CRM, outil indispensable de votre performance commerciale. Conférence CCI de Saint Etienne 04/06/13

La CRM, outil indispensable de votre performance commerciale. Conférence CCI de Saint Etienne 04/06/13 La CRM, outil indispensable de votre performance commerciale Conférence CCI de Saint Etienne 04/06/13 La CRM Gestion de la Relation Client, outil indispensable de votre performance commerciale Points clés

Plus en détail

BigData : la connaissance clients au service de votre conversion E-Commerce. Marc Schillaci #ECP14 TOUTES LES FORMULES DU COMMERCE CONNECTÉ

BigData : la connaissance clients au service de votre conversion E-Commerce. Marc Schillaci #ECP14 TOUTES LES FORMULES DU COMMERCE CONNECTÉ BigData : la connaissance clients au service de votre conversion E- Marc Schillaci TOUTES LES FORMULES DU COMMERCE CONNECTÉ 23 > 25 SEPTEMBRE 2014 I PARIS I PORTE DE VERSAILLES I PAVILLON 7-3 #ECP14 LE

Plus en détail

LIVRE BLANC AMÉLIOREZ VOS PERFORMANCES MARKETING ET COMMERCIALES GRÂCE À UNE GESTION DE LEADS OPTIMISÉE

LIVRE BLANC AMÉLIOREZ VOS PERFORMANCES MARKETING ET COMMERCIALES GRÂCE À UNE GESTION DE LEADS OPTIMISÉE AMÉLIOREZ VOS PERFORMANCES MARKETING ET COMMERCIALES GRÂCE À UNE GESTION DE LEADS OPTIMISÉE 2 A PROPOS Pourquoi la gestion des leads (lead management) est-elle devenue si importante de nos jours pour les

Plus en détail

Seconde Généralités sur les fonctions Exercices. Notion de fonction.

Seconde Généralités sur les fonctions Exercices. Notion de fonction. Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et

Plus en détail

L unité commerciale X&Y «Fidéliser la clientèle»

L unité commerciale X&Y «Fidéliser la clientèle» Exemple de dossier de PDUC L unité commerciale X&Y «Fidéliser la clientèle» NB1 : Le dossier doit comporter 10 pages : passer en annexes les documents qui prennent trop de place dans le dossier (ex : Etude

Plus en détail

I. Définition des objectifs :

I. Définition des objectifs : Pour réaliser une bonne enquête de satisfaction, il faut une bonne méthodologie. Pour se faire, je vais, à travers différents points, poser le travail de réflexion qui me permettra de bien conduire l enquête.

Plus en détail

Fonction inverse Fonctions homographiques

Fonction inverse Fonctions homographiques Fonction inverse Fonctions homographiques Année scolaire 203/204 Table des matières Fonction inverse 2. Définition Parité............................................ 2.2 Variations Courbe représentative...................................

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction

Plus en détail

Introduction à la Fouille de Données (Data Mining) (8)

Introduction à la Fouille de Données (Data Mining) (8) Introduction à la Fouille de Données (Data Mining) (8) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2008 Introduction à la fouille

Plus en détail

Leçon 3. Les principaux outils de gestion des stocks

Leçon 3. Les principaux outils de gestion des stocks CANEGE Leçon 3 Les principaux outils de gestion des stocks Objectif : A l'issue de la leçon l'étudiant doit être capable de : s initier à la pratique des outils fondamentaux de gestion des stocks : de

Plus en détail

Marketing comportemental. Guide méthodologique de mise en œuvre

Marketing comportemental. Guide méthodologique de mise en œuvre Marketing comportemental Guide méthodologique de mise en œuvre Sommaire Présentation...3 Les limites du marketing de masse ou du marketing «produit»...5 L idéal marketing : délivrer le bon message au bon

Plus en détail

Terminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1

Plus en détail

MARKETING MIX. Politique Produit. Les composantes d un produit POLITIQUE PRODUIT

MARKETING MIX. Politique Produit. Les composantes d un produit POLITIQUE PRODUIT MARKETING MIX POLITIQUE PRODUIT Sandrine Monfort Politique Produit! Les composantes d un produit! Les classifications produit! Lancement produit! Politique de gamme! Politique de marque Les composantes

Plus en détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI 1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage

Plus en détail

REFORME DU CREDIT A LA CONSOMMATION DECRET SUR LE REMBOURSEMENT MINIMAL DU CAPITAL POUR LES CREDITS RENOUVELABLES

REFORME DU CREDIT A LA CONSOMMATION DECRET SUR LE REMBOURSEMENT MINIMAL DU CAPITAL POUR LES CREDITS RENOUVELABLES REFORME DU CREDIT A LA CONSOMMATION DECRET SUR LE REMBOURSEMENT MINIMAL DU CAPITAL POUR LES CREDITS RENOUVELABLES DOSSIER DE PRESSE FICHE 1 Une réforme pour réduire le coût des crédits renouvelables et

Plus en détail

Date de diffusion publique : 4 septembre, 2012

Date de diffusion publique : 4 septembre, 2012 En règle générale, les Canadiens sont confiants de pouvoir reconnaître les signes d une urgence médicale, mais ils sont moins certains d avoir les compétences nécessaires pour intervenir. Quatre Canadiens

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

Plus en détail

Evolution des risques sur les crédits à l habitat

Evolution des risques sur les crédits à l habitat Evolution des risques sur les crédits à l habitat n 5 février 2012 1/17 SOMMAIRE 1. PRINCIPALES CARACTÉRISTIQUES DE LA PRODUCTION... 4 2. ANALYSE DÉTAILLÉE DES INDICATEURS DE RISQUE... 8 2.1 Montant moyen

Plus en détail

Estimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison

Estimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence

Plus en détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

L analyse boursière avec Scilab

L analyse boursière avec Scilab L analyse boursière avec Scilab Introduction La Bourse est le marché sur lequel se traitent les valeurs mobilières. Afin de protéger leurs investissements et optimiser leurs résultats, les investisseurs

Plus en détail

S8 - INFORMATIQUE COMMERCIALE

S8 - INFORMATIQUE COMMERCIALE S8 - INFORMATIQUE COMMERCIALE Les savoirs de l Informatique Commerciale doivent être abordés en relation avec les autres savoirs (S4 à S7). Les objectifs généraux sont : o de sensibiliser les étudiants

Plus en détail

Principe d un test statistique

Principe d un test statistique Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre

Plus en détail

Étude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France

Étude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France Étude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France Le 13 octobre 2014 Autorité des marchés financiers 17, place de la Bourse 75082 Paris cedex 02 Tél. : 01 53

Plus en détail

FONCTION DE DEMANDE : REVENU ET PRIX

FONCTION DE DEMANDE : REVENU ET PRIX FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie

Plus en détail

VI. Tests non paramétriques sur un échantillon

VI. Tests non paramétriques sur un échantillon VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes

Plus en détail

Kaspersky Lab France Retour d expérience, intégration Marketo

Kaspersky Lab France Retour d expérience, intégration Marketo Kaspersky Lab France Retour d expérience, intégration Marketo Cécile Feroldi Head of Marketing Kaspersky Lab France 16 juin 2015 Agenda 1. Le projet 2. L état des lieux 3. Les outils aux service d une

Plus en détail

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,

Plus en détail

BACCALAUREAT GENERAL MATHÉMATIQUES

BACCALAUREAT GENERAL MATHÉMATIQUES BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la

Plus en détail

Probabilités (méthodes et objectifs)

Probabilités (méthodes et objectifs) Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d

Plus en détail

Une solution personnalisée. Et économique. Guide d introduction aux solutions d informations variables proposées par Xerox.

Une solution personnalisée. Et économique. Guide d introduction aux solutions d informations variables proposées par Xerox. Une solution personnalisée. Et économique. Guide d introduction aux solutions d informations variables proposées par Xerox. Pourquoi personnaliser vos documents? Pour augmenter vos bénéfices et votre taux

Plus en détail

Division Moyennes et Grande Entreprises Les éditions de Sage trésorerie. Sommaire

Division Moyennes et Grande Entreprises Les éditions de Sage trésorerie. Sommaire Les éditions de Sage trésorerie Sommaire 1. Préambule... 4 2. Trésorerie... 6 Paramétrage... 6 Edition des sociétés... 6 Edition des banques.... 7 Edition des natures.... 8 Edition des affectations des

Plus en détail

La salle de classe en ligne de l Apprentissage en ligne :

La salle de classe en ligne de l Apprentissage en ligne : La salle de classe en ligne de l Apprentissage en ligne : 5 les cinq meilleurs outils pour l engagement des apprenantes et apprenants L importance de motiver les étudiantes et étudiants envers leurs cours

Plus en détail

VoIP, Mobile Office & M2M Equipements et projets d équipements

VoIP, Mobile Office & M2M Equipements et projets d équipements VoIP, Mobile Office & M2M Equipements et projets d équipements Etude de marché réalisée par Novatris/Harris Interactive pour le compte de Tarsus Développement et diffusée sur le salon IP Convergence Expo

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

The brand is a story. But it's a story about you, not about the brand.

The brand is a story. But it's a story about you, not about the brand. The brand is a story. But it's a story about you, not about the brand. Seth Godin MARKETING RELATIONNEL NOTRE CONVICTION La marque ne doit pas raconter son histoire mais s inscrire durablement dans l histoire

Plus en détail

Sorties définitives de l emploi. Quels liens avec la santé, le parcours professionnel et les conditions de travail? Nicolas de Riccardis

Sorties définitives de l emploi. Quels liens avec la santé, le parcours professionnel et les conditions de travail? Nicolas de Riccardis Sorties définitives de l emploi avant60ans. Quels liens avec la santé, le parcours professionnel et les conditions de travail? Nicolas de Riccardis Plan I Problématique et champ de l étude II - Les caractéristiques

Plus en détail

Intérêt de l outil. La plateforme dédiée aux Etudes. Etudes Marketing par téléphone, Qualité avant tout, les règles. Michel SOUFIR

Intérêt de l outil. La plateforme dédiée aux Etudes. Etudes Marketing par téléphone, Qualité avant tout, les règles. Michel SOUFIR La plateforme dédiée aux Etudes Marketing par téléphone Intérêt de l outil Michel SOUFIR Directeur général datascopie France et Tunisie Il n'est point besoin de légitimer l'utilisation du téléphone en

Plus en détail

1 Modélisation d être mauvais payeur

1 Modélisation d être mauvais payeur 1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage

Plus en détail

«L impression à données potentiel de croissance?»

«L impression à données potentiel de croissance?» «L impression à données variables, un marché à fort potentiel de croissance?» «Francois Gouverneur Directeur Marketing Xerox France» Page 1 2 2 Des Français attachés au media papierp Si l équipement et

Plus en détail

Etude de cas. Spécialiste du courtage en assurances depuis 45 ans et conseiller en plan média fichiers

Etude de cas. Spécialiste du courtage en assurances depuis 45 ans et conseiller en plan média fichiers Etude de cas Spécialiste du courtage en assurances depuis 45 ans et conseiller en plan média fichiers «L avantage de LaMég@baseB2B? Des critères de sélection plus nombreux et plus précis, qui nous permettent

Plus en détail

Offices de tourisme et bonnes pratiques Internet. Evaluation comparative de sites Internet

Offices de tourisme et bonnes pratiques Internet. Evaluation comparative de sites Internet Offices de tourisme et bonnes pratiques Internet Evaluation comparative de sites Internet Quoi? Ce document est un résumé des résultats de l étude menée sur une quinzaine de sites Internet dans le domaine

Plus en détail

REGLEMENT INTERIEUR DE LA CAISSE AUTONOME DES RETRAITES

REGLEMENT INTERIEUR DE LA CAISSE AUTONOME DES RETRAITES REGLEMENT INTERIEUR DE LA CAISSE AUTONOME DES RETRAITES REGLEMENT INTERIEUR DE LA CAISSE AUTONOME DES RETRAITES ARTICLE 1 er : AFFILIATION DES EMPLOYEURS - IMMATRICULATION DES SALARIÉS - OBLIGATIONS RESPECTIVES

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

PHILIPPE PAR JEAN-P EN PARTENARIAT AVEC ACCESS. (détails pages suivantes) -

PHILIPPE PAR JEAN-P EN PARTENARIAT AVEC ACCESS. (détails pages suivantes) - Faire de vos outils informatique les alliés de votre développement site http://jphd-conseil.com blog www.efficacitic.fr PAR JEAN-P PHILIPPE DÉRANLOT EN PARTENARIAT AVEC ACCESS ETOILEE Formation sur 2 x

Plus en détail

Connaissance Client et Digital : quels enjeux pour quelles valeurs? Non à la personnalisation bidon! Vente Privée Orange Gan Assurances

Connaissance Client et Digital : quels enjeux pour quelles valeurs? Non à la personnalisation bidon! Vente Privée Orange Gan Assurances Connaissance Client et Digital : quels enjeux pour quelles valeurs? Non à la personnalisation bidon! WIDE COFFEE Vente Privée Orange Gan Assurances 1 Serge Hauser Nathalie Patrat Chrystel Galissié A G

Plus en détail