Etudes marketing et connaissance client

Dimension: px
Commencer à balayer dès la page:

Download "Etudes marketing et connaissance client"

Transcription

1 Master deuxième année Mention : Statistique et Traitement de Données Etudes marketing et connaissance client Imane Hammouali Tuteur de stage: M. Sébastien Confesson Stage effectué au Service Etudes Marketing Du 01 Avril au 30 Septembre

2 Remerciements Je tiens à remercier et à témoigner ma reconnaissance à Monsieur Florent Ameilbonne de m avoir accueillie au sein de l unité «Marketing Stratégique et Relationnel» du Crédit Agricole Centre France. Je présente mes remerciements à Sébastien Confesson, responsable d Etudes Marketing, pour m avoir encadrée et guidée tout au long de mon stage, ainsi que pour son aide et sa contribution à la réalisation de ce travail. Mes remerciements vont également à Aurélie Robert, Samuel Goizet, Jérémie Goudergues, pour leur accueil, leur aide, leurs précieux conseils et surtout pour leur bonne humeur quotidienne et leur capacité de travail en équipe exemplaire. Un grand merci à toutes les personnes avec qui j ai eu le plaisir de travailler et que j ai côtoyées durant mon stage, pour leur accueil chaleureux et leur gentillesse, notamment Maryline Lafon, Isabelle Raimon et Caroline Biat. 2

3 Tables des matières Introduction.4 I. Présentation de l organisme : Crédit Agricole Centre France «CACF» Crédit Agricole Historique Crédit Agricole: Banque Mutualiste Crédit Agricole Centre France Historique Les secteurs d activité CACF Les chiffres clés de CACF Direction Marketing et Communication Présentation générale Service Etudes Marketing II. Description des outils et des méthodes statistiques Méthodes de classification K-Means Classification Ascendante Hiérarchique Classification mixte Techniques de prédiction Régression logistique Arbres de décision Logiciels Business Object SAS Entreprise Guide SAS Entreprise Miner Scoring III. Présentation des Etudes Etude 1 : Profil et ciblage des souscripteurs Assurance Tous Mobiles Présentation du produit Assurance Tous Mobiles (AssTM) Objectif Collecte des données Préparation des données Analyse descriptive Typologie Prédiction Etude 2 : Client Moyen de CACF Contexte Objectif Collecte des données

4 2.4 Traitement des données Analyse descriptive Etude 3 : Multi canal Contexte Objectif Problèmes rencontrés L action Assurance Tous Mobiles Propositions Conclusion et perspectives...41 Annexe 42 4

5 Introduction Dans le cadre de ma deuxième année de Master Statistiques et Traitement de Données «STD», j'ai eu l'opportunité d'effectuer un stage de 6 mois du 1 Avril au 30 Septembre au Crédit Agricole Centre France (CACF), plus précisément au sein du service Etudes Marketing. Le service Etude Marketing de CACF est une composante de l unité Marketing Stratégique et Relationnel dédiée aux particuliers. Les activités majeures de cette dernière se concentrent autour du data mining, du géomarketing et de la tarification. Les principales études de l activité data mining portent sur l amélioration de la qualité des services et de la relation client. Dans un environnement de plus en plus concurrentiel, les banques sont obligées, aujourd hui, non plus de réagir au marché mais bien de l anticiper. Offrir un service meilleur et plus rentable, d une part, et atteindre l excellence opérationnelle, d autre part, sont pour la banque deux objectifs pour lesquels la technologie du data mining constitue un atout précieux. Cette activité consiste à extraire et à analyser, par des méthodes statistiques, un large volume d informations stockées dans les entrepôts de données de l entreprise, en vue de découvrir des tendances ou des règles qui s'avéreront utiles pour définir la stratégie marketing et commerciale. On assiste aujourd hui à un véritable développement de ces nouvelles technologies. Le déploiement d'un outil de scoring, comme il en existe beaucoup dans les banques, les organismes de crédit, est alors indispensable pour prédire, soit le risque d'impayé, soit la possibilité de souscrire un contrat ou d'acheter un produit. Le travail qui m a été confié consistait à traiter des dossiers variés ayant pour thème principal la connaissance du client. Passant par la collecte des données, le traitement des données, la réalisation des études descriptives, la mise en place de la méthodologie puis l analyse des résultats obtenus pour chacun des dossiers traités. Dans la première partie de mon rapport, je vous présenterai la banque Crédit Agricole et plus précisément sa caisse régionale Centre France. Dans la deuxième partie, je vous décrirai les méthodes statistiques et les logiciels, qui ont été utilisés durant le stage. Enfin, la dernière partie sera consacrée au traitement des trois études réalisées tout au long de ce stage : 1 er étude : identification des profils des souscripteurs en «Assurance Tous Mobiles» et ciblage des nouveaux clients appètent à ce produit. 2 ème étude : analyse du profil du client moyen de CACF selon deux critères : l équipement (carte bancaire et compte service) et la cotisation annuelle, puis la comparaison par rapport à la concurrence. 3 ème étude : Croissement de l appétence produit et l appétence canal dans le cas de l Assurance Tous Mobiles Nous détaillerons pour chaque étude, le contexte général qui représentera une porte d ouverture de l étude, l objectif que nous voulons atteindre, et ensuite les tâches effectuées afin de mener à bien chaque étude : collecte des données, traitement des données et analyse descriptive. 5

6 I. Présentation de l organisme : Crédit Agricole Centre France «CACF» 1. Crédit Agricole 1.1 Historique L'histoire du Crédit Agricole remonte à la fin du XIX e siècle, l agriculture française peine à trouver des crédit adaptés à ses besoins et toutes les tentatives pour créer des banques de l agriculture ont échoué. En 1884 la loi sur la liberté d association professionnelle et l exemple des banques mutualistes, a permis donc la formation des syndicats agricoles en France. C est ainsi que la société Crédit Agricole est née en 1885 à Salins-les-Bains (Jura). La volonté de la troisième république de s attacher le vote paysan en soutenant les petites exploitations familiales et les efforts du ministre de l agriculture «Jules Méline» aboutissent au vote de la loi du 5 novembre 1894, qui autorise la constitution des caisses locales entre les membres de syndicats agricoles, qui engagent leurs responsabilités selon le principe du mutualisme et forment le premier niveau de la pyramide institutionnelle édifiée par Crédit Agricole. La loi de 1894 ne comportait aucun avantage financier et, assez vite, les caisses locales se trouvent confrontées à des difficultés. En 1897, l état impose à la Banque de France d apporter des ressources au Crédit Agricole sous la forme d une dotation de 40 millions de francs or et d une redevance annuelle de 2 millions. Pour répartir ces avances, la loi du 31 mars 1899 met en place une commission du ministère de l Agriculture et, surtout, institue les caisses régionales de Crédit Agricole Mutuel au deuxième niveau dans le pyramide du Crédit Agricole, encourage la création de nouvelles caisses locales. Pour répondre aux besoins de sa clientèle, le crédit agricole s est engagé dans des nouveaux métiers comme l assurance et l immobilier. L année 1986 a connu la création de Predica (assurance vie), quatre ans plus tard une autre filiale appelée Pacifica (assurance dommage) a vu le jour. En 2004, Crédit Agricole a lancé la filière immobilière. Ces nouveaux métiers ont permis la croissance interne du groupe. 1.2 Crédit Agricole: Banque Mutualiste Le secteur bancaire mutualiste n est pas un secteur marginal en France, il détient 60% des points de vente et 40% des salariés. Le Crédit Agricole met en œuvre un mutualisme fait de réciprocité qui place le client au centre de la vie économique et sociale de sa région et s'appuie sur 3 valeurs essentielles : proximité, responsabilité et solidarité. Tout client de la caisse régionale peut devenir sociétaire de sa caisse locale de manière volontaire. Les sociétaires sont à la base de la structure mutualiste du Crédit Agricole. Ayant acquis une fraction du capital social. Chacun de ces derniers dispose d une voix à l assemblée générale de sa caisse locale, quelque soit le nombre de part qu il détient. 6

7 Grâce aux valeurs du mutualisme le Crédit Agricole occupe une place importante dans le groupe qui représente le secteur bancaire mutualiste en France (Crédit Agricole, Banque populaire, Crédit Mutuel et Caisse d épargne). Il est le leader sur le marché des clients, des salariés et des points de vente et deuxième sur le marché des sociétaires (30%) derrière le Crédit Mutuel (35%). Figure 1 : Part de marché des sociétaires en Crédit Agricole Centre France 2.1 Historique A partir des années 1900, cinq caisses régionales ont été créé sur les deux régions : Auvergne et Limousin. La première caisse régionale implantée était celle du Puy-de-Dôme fondé à Clermont Ferrand le 21 octobre Un an après, la caisse régionale bourbonnaise à Moulins a vu les jours le 1 er Septembre En 1906 deux caisses régionales ont été crées, une au Creuse (Guéret) et l autre en Corrèze (Tulle). La création de la dernière caisse régionale a lieu le 15 Juin 1907 dans le Cantal, plus exactement à Aurillac. Créée en 1991, la caisse régionale du Crédit Agricole Centre France (CACF) regroupe les départements du Puy-de-Dôme, Allier et Creuse. Quelques années plus tard CACF fusionne avec les départements : la Corrèze en 1995 et le Cantal en Figure 2 : Carte des 5 départements de CACF 2.2 Les secteurs d activité CACF D'abord orienté exclusivement vers l'agriculture, l évolution de la réglementation en 1985 a permis au Crédit Agricole Centre France d élargir progressivement ses compétences, de diversifier ses activités en dehors du secteur bancaire et donc de s ouvrir vers des nouveaux clients. Les activités de CACF se composent en : Banque des particuliers Banque des professionnels et des entreprises Assurance (Pacifica, Predica) Immobilier 7

8 Grâce à ses diverses activités Crédit Agricole Centre France occupe une position de leader sur tous les marchés dans les régions : Auvergne et Limousin. Sa capacité d innovation et sa qualité des produits et des services ont permis à CACF de conduire une stratégie de développement et de renforcer dans tous les domaines (banque, assurance, immobilier) son efficacité. Figure 3 : Part du marché de crédit à fin décembre 2009 Figure 4 : Part du marché de collecte à fin décembre Les chiffres clés de CACF Voici quelques chiffres clés sur CACF: 136 caisses locales clients Première banque régionale, prés d un habitant sur 2 est client, 3 entreprises sur 5 clientes, 4 agriculteurs sur 5 clientes et 3 artisans sur administrateurs 340 points verts 367 distributeurs de billets prêts 80% des collectivités publiques 1 er réseau immobilier d Auvergne 2337 salariés Figure 5 : Réseau d agences de proximité de CACF 8

9 3. Direction Marketing et Communication 3.1 Présentation générale Le fort engagement dans le développement et l innovation a permis au Crédit Agricole Centre France de conquérir la place de leader dans le secteur bancaire. Offrir un meilleur service aux clients est au cœur de la stratégie appliquée par le groupe. Pour cela, il investit d importants moyens financiers et humains dans le développement des produits et des services. La Direction Marketing et Communication contribue à la définition des axes stratégiques du développement commercial et met en œuvre la politique de communication externe et interne. Cette direction assure le fonctionnement du marketing opérationnel en identifiant les adaptations et les rectifications dans l objectif d optimiser la vie du produit ou du service sur le marché des particuliers. Elle joue aussi un rôle important dans l amélioration de l écoute et la connaissance des clients. Pour mener à bien ses missions, la Direction Marketing et Communication dispose de trois unités : Marketing stratégique et relationnel (sites 15, 19 et 63) Marché des particuliers (site 63) Communication (sites 15, 19 et 63) Mr Pascal DUPRAT Directeur marketing et communication Membre du comité de Direction Marché Des Particuliers Mr Jean GILIBERT Responsable d unité Marketing Stratégique Mr Florent AMEILBONNE Responsable d unité Communication Mr Laurent ACKERMANN Responsable d unité Etudes Marketing Mr Sebastien CONFESSON Responsable d activité (6 Personnes) Ciblage et Suivi Mr Guy DELMAS Responsable d activité (7 Personnes) Banque accès Multiple Mme Magalie LAVANCIER Responsable d activité (5 Personnes) Service Client Mme Rachel MAZIERE Responsable d activité (6 Personnes) Ecoute et Proximité Client Mr Pierre GERARD Responsable d activité (2 Personnes) Figure 6 : Organisation de la direction marketing et communication 9

10 3.2 Service Etudes Marketing Au cours de la vente, le marketing agit au niveau de la connaissance du comportement des clients, du ciblage de la population souhaitée et de l élaboration de l offre et du produit. Le service Etudes Marketing de CACF est une cellule dont les activités se concentrent autour des clients particuliers. Elle regroupe trois activités : Géomarketing, Tarification et Data Mining. L activité «Géomarketing» porte sur la réalisation de recherches d information sur le territoire, l étude de l implantation de nouvelles agences et de distributeurs de billets. L activité «Tarification» permet d assurer le déroulement de la phase tarification auprès des différents marchés (marché des particuliers, marché des professionnels, ) qui déterminent les nouveaux tarifs. L activité «Data Mining» occupe une place stratégique au sein de CACF, car elle interagit avec l ensemble des autres services (marché des particuliers ou professionnels, écoute et proximité de clients, ) en répondant à leurs diverses questions : à qui vendre ce produit, par quel canal atteindre le client De façon générale, cette activité apporte un soutien considérable au marketing, en réalisant des études qualitatives et quantitatives (typologie, scores, ), suivis de résultats et des ciblages. De plus, elle est employée pour une meilleure compréhension de la clientèle, en vue de l application de la communication et de la stratégie commerciale. L étude typique effectuée par l activité Data Mining dans le cadre de la gestion de la relation client reste le score d appétence qui permet d affiner les ciblages dans les campagnes de marketing. Afin d enrichir l activité Data Mining, CACF a eu l initiative de développer cette dernière auprès des autres caisses régionales composant le système d information AMT. 10

11 II. Description des outils et des méthodes statistiques 1. Méthodes de classification 1.1 K-Means La méthode K-means est une méthode de classification non hiérarchique, qui permet de regrouper des observations. Elle consiste à rechercher une partition unique d un ensemble de «n» observations constituée d un nombre de classes fixé à priori. Cette méthode se base sur l amélioration successive de la partition initiale. A chaque itération, elle modifie le contenu des classes jusqu'à l obtention d une partition finale qui vérifie la condition d optimalité. Étape 0 : définition - L algorithme : n : nombre d observation i : indice désignant les observations p : nombre de variables quantitatives j : indice désignant les variables q : nombre de classe recherché k : indice désignant les classes nbk : nombre d observations appartenant à la classe k Xj : la variable j ( ) ui,j : la valeur de l observation i de la variable j Étape 1 : Choisir un nombre q de classes à priori: à noter que c est un nombre maximum car des classes ne peuvent pas se créer au cours des itérations. Étape 2 : Choisir q centres arbitraires par tirage aléatoire : G11, G12, G1q (l indice supérieur indique le numéro d itération) Étape 3 : Affecter chaque élément au centre le plus proche. Pour cela, il faut calculer la distance euclidienne entre chaque observation et les centres initiaux. Ensuite, on choisit le centre d affectation tel que la distance entre l observation «i» et le centre initial «c» soit la plus petite. Cette étape permet d obtenir une partition initiale en k classes : C11, C12, C1q. Chaque classe C1k est constituée des observations les plus proches du centre G1k. Étape 4 : Déterminer les nouveaux centres de gravité pour chaque classe à l aide de la formule ci-dessous : Gk = (gk1,, gkp) avec gkj = nbk i=1 nb x k ij 11

12 Étape 5 : Réaffecter les observations aux nouveaux centres de gravité de la même façon que dans l étape 3 (Calcul de la distance euclidienne) Étape 6 : Réitérer les étapes 4 et 5 jusqu à la stabilisation des k centres, c'est-à-dire jusqu à ce que nous trouvons à l itération i la même répartition obtenue à l itération i-1. Cela entraine l arrêt de l algorithme car toute itération supplémentaire redonnerait la même partition. Voici un schéma qui récapitule la méthode K-means : Figure 7 : Récapitulatif de la méthode K-means 12

13 1.2 Classification Ascendante Hiérarchique Contrairement aux méthodes non-hiérarchiques, la classification ascendante hiérarchique (CAH) crée des suites de partitions emboitées d hétérogénéités croissantes, entre la première partition composée de n classes où chaque classe représente une observation isolée, et la partition en 1 classe qui regroupe tous les objets. - L algorithme : Etape 1 : On considère initialement toutes les observations comme étant des clusters ne contenant qu'une seule observation (singleton) Etape 2 : On calcule les distances euclidiennes entre les classes Etape 3 : On fusionne les classes les plus proches (distance minimale), ensuite on remplace ces dernières par une seule classe. Etape 4 : On reprend l algorithme à partir de l étape (2) jusqu à n avoir plus qu une seule classe, qui contient toutes les observations de départ. Cette méthode permet de choisir le nombre de classe de façon optimale, grâce à des indicateurs comme t 2 [1] et R 2 Semi-Partial [2], autre avantage de la CAH, elle permet de classer des centres de classes obtenus à partir de l application d un autre algorithme comme K-means. L inconvénient majeur de la classification ascendante hiérarchique est sa complexité algorithmique qui n est pas linéaire. 1.3 Classification mixte L algorithme de cette méthode se déroule en deux étapes : l ensemble des observations à classer subit un partitionnement initial de façon à obtenir quelques dizaines de groupes homogènes, on procède ensuite à une classification hiérarchique sur les centres de ces groupes, dont le dendrogramme suggérera éventuellement le nombre de classes finales. La méthode de classification mixte permet de combiner les points forts des méthodes hiérarchiques (CAH) et les méthodes de partitionnement (k-means), la précision et l optimalité à priori des premières et la rapidité des secondes. 1 t 2 : mesure la séparation entre les deux classes dernièrement agrégées. 2 R 2 semi partial (SPRSQ): mesure la perte d inertie interclasse provoquée en regroupant deux classes. 13

14 2. Techniques de prédiction En parlant des techniques de prédiction, nous distinguons deux grandes opérations : le classement et la prédiction. Ces deux dernières permettent de prédire la valeur d une variable à expliquer (dite variable cible) en fonction de la valeur des autres variables appelées les variables explicatives. Le classement permet de placer chaque individu de la population étudiée dans une classe, parmi les classes prédéfinies, cela en fonction des caractéristiques de l individu. L affectation se fait généralement par une formule ou un ensemble des règles, qui constitue un modèle et qu il faut découvrir. En pratique, il y a souvent deux classes à prédire : client fidèle, infidèle à la banque, client acheteur, non acheteur du produit et le modèle détermine : la probabilité de perdre un client, la probabilité pour un client d acheter un produit, La prédiction est une opération bien connue en analyse de données, elle consiste à estimer une valeur. Parmi les méthodes de prédiction les plus répondues, on trouve la régression logistique et les arbres de décision. 2.1 Régression logistique La régression logistique est une technique statistique, qui permet d étudier la relation entre une variable réponse binaires (Y) et plusieurs variables explicatives (X). Elle a pour objectif de modéliser l espérance conditionnelle E(Y/X=x). On veut déterminer la valeur moyenne de Y pour toute valeur de X. Pour Y valant 0 ou 1, cette valeur moyenne est la probabilité que Y=1. On a donc : E(Y/X=x)= P( Y=1/X=x) La régression logistique est considérée comme l une des méthodes de modélisation les plus performantes, et plusieurs indicateurs statistiques permettent de contrôler facilement cette performance (aire sous la courbe de ROC, ). De plus, ses résultats sont très explicites. En revanche, la généralité, l interprétabilité et la robustesse de la régression logistique sont trois principaux atouts de cette technique. 14

15 2.2 Arbres de décision Les arbres de décision constituent une technique d aide à la décision la plus intuitive dans l univers data mining. Elle représente la situation à laquelle on doit faire face, sous la forme graphique d un arbre. Cette technique est utilisée en classement pour détecter des critères permettant de répartir les individus d une population en n classes prédéfinies. Les arbres de décision conçus pour le classement permettent généralement d effectuer une prédiction. Le succès de cette méthode réside en grande partie à ses caractéristiques : Lisibilité : la méthode des arbres de décision fournit des règles explicites. Cette caractéristique est très importante, car le travail de l analyste consiste à comprendre les résultats afin d emporter l adhésion des décideurs. Capacité : elle supporte bien les données hétérogènes, manquantes et les effets non linéaires. Elle permet également de sélectionner automatiquement les variables discriminantes dans un fichier de données contenant un très grand nombre de variables potentiellement intéressantes. 15

16 3. Logiciels 3.2 Business Object Business Object (BO) est un outil d aide à la décision, permettant l'interrogation, la présentation et l'analyse des données issues du datawarehouse. Ce logiciel s appuie essentiellement sur deux notions : Univers et Objets métiers. Un univers définit un secteur spécifique, par une présentation totale ou partielle de plusieurs bases de données constituées d un ensemble d objets. Par exemple l univers «Base Marketing» contient la table «CC Clients Commerciaux [3]» qui regroupe les éléments relatifs aux besoins utilisateurs par métiers. Les objets métiers correspondent à des informations agrégées ou calculées issues de la base de données. Ces objets existent sous la forme de trois types : Les indicateurs : des données calculées à l aide d une fonction d agrégation, comme la durée d engagement (date de début d engagement- date de fin d engagement). Les dimensions : des données qui représentent les axes d analyse. Les informations : des données complémentaires associées à une dimension. La création d une requête sous BO consiste à combiner des objets qui répondent à une question spécifique. Par exemple : «quelles sont les clients qui ont quitté la banque en mars 2011?». Pour cela on commence par sélectionner les objets correspondant à la question posée (l identifiant des clients) à partir de la zone «classes et objets», on les déplace dans la zone «sélection des champs», puis on construit les conditions (date de fin relation= mars 2011) dans la zone «définition des conditions». Par la suite, l'utilisateur peut créer des documents dans lesquels il présente les résultats de ses requêtes sous forme de tableaux ou graphes. Code SQL Zone de sélection des champs Liste des classes et des objets Zone de définition des conditions Figure 8 : Interface de BO 3 Client commercial (CC): est composé de un ou plusieurs partenaires ayant des liens familiaux ou professionnels. Un partenaire est une personne physique ou morale ou un groupe de personnes que l on désire suivre. 16

17 3.2 SAS Entreprise Guide Le logiciel SAS Entreprise Guide est une application Windows dédiée à l aide à la décision, qui fournit des tâches prêtes à l emploi pour l analyse et la création des rapports. Ces tâches génèrent du code SAS et des résultats formatés. Elles comprennent les procédures du système SAS, allant des simples listes de données aux procédures les plus complexes. Les atouts de cet outil résident dans l interface visuelle intuitive, la possibilité d exporter facilement les données et les résultats vers une autre application ainsi que le choix du mode d utilisation (langage SAS ou tâches) SAS Entreprise Guide affiche trois fenêtres principales par défaut : explorateur du projet, conception du projet et état des tâches. (a) Zone des tâches et des données du projet Zone visuelle du projet La liste des bibliothèques Zone d état des tâches Figure 9 : Interface de SAS Guide L interface de SAS Guide se compose d un ruban (a) (Figure 9) qui comporte les tâches regroupées par fonctionnalité et ensuite par type «Analyse, Graphique,» (Figure 10). Chaque type possède une liste déroulante de fonctionnalités (b). Cette liste contient plusieurs commandes (c). Chacune des commandes représente une tâche. (b) (c) Figure 10 : Les tâches de l onglet Analyse 17

18 3.3 SAS Entreprise Miner SAS Enterprise Miner est l un des modules de la base SAS. Il rationalise le processus de data mining afin de créer une très grande précision prédictive et descriptive des modèles fondés sur l analyse de vastes quantités de données réparties au sein de l entreprise. Cet outil de fouille de données est basé sur une méthodologie spécifique appelée «SEMMA» : Sample (jeu de données) Explore (analyse de données) Modify (modifications de données) Model (apprentissage du modèle sur les données) Access (accès aux performances des modèles, comparaison des modèles) L interface de SAS Miner est composée d une barre de fonctionnalité (a), chacune possédant une barre de module (b). (b) (a) Zone de paramétrage Zone visuelle des modules Figure 11 : Interface de SAS Miner 18

19 4. Scoring Le scoring constitue le cœur de l activité data mining dans le monde de l entreprise. Dans leur quasi totalité, les banques utilisent l analyse statistique pour prédire si un client va acheter un produit ou un emprunteur sera un bon ou un mauvais payeur et prendre ensuite la décision appropriée : proposition du produit, acceptation sans condition, refus. Les principaux scores utilisés dans la banque sont : - score d appétence : mesure la probabilité d un client d être intéressé par un service ou un produit. Le calcul de ce score est effectué sur un client de la banque, sur la base de données caractérisant le fonctionnement de ses comptes et de ses produits, ainsi que ses caractéristiques sociodémographiques. L utilisation de ce score permet d améliorer le taux de retour des campagnes marketing. Par exemple, atteindre plus de clients susceptibles de souscrire à un produit sans augmenter le nombre de clients contactés ou éviter d importuner des clients par des campagnes mal ciblées. L utilisation du score d appétence permet aux commerciaux de réaliser plus de ventes en moins de contacts. - score de comportement : calcule la probabilité d un client détenteur d un compte courant, une carte bancaire, de rencontrer des problèmes de remboursement ou de paiement. Il s agit d un score comportemental de risque. Ce score est utilisable dans le domaine du crédit, il permet d améliorer la satisfaction des clients en optimisant le temps d attente pour obtenir une réponse à leurs demandes de crédit et d adapter la tarification au risque encouru. - score d attrition : mesure la probabilité d un client de quitter la banque. Il est calculé pour un individu client de la banque depuis plusieurs mois, sur la base de données constituée de ses caractéristiques sociodémographique, de ses produits et de sa relation avec la banque. Ce score est beaucoup plus complexe à calculer pour un client que pour un produit, car il est moins fiable si l on veut détecter suffisamment tôt le départ du client. Un client peut «quitter» la banque de différentes manières : en diminuant les avoirs ou en diminuant les flux. Le choix du score dépend des objectifs recherchés par l entreprise et les moyens techniques disponibles. Après la phase de détermination, une série d étapes s impose afin de mettre en place le score : - collecte et préparation des données - constitution de la base d analyse - élaboration d un modèle prédictif - utilisation du score - déploiement du score - suivi des outils mis à disposition 19

20 III. Présentation des Etudes 1. Etude 1 : Profil et ciblage des souscripteurs Assurance Tous Mobiles 1.1 Présentation du produit Assurance Tous Mobiles (AssTM) A l heure actuelle personnes, soit plus d'un Français sur trois, âgé de 11 ans et plus, utilisent des appareils mobiles dédiés à la consommation de contenus médias/ multimédias. Le marché d équipement et du renouvellement des produits nomades ne cesse d exploser, avec des clients multi équipés au sein de la même famille. Voici un récapitulatif du taux de détention des foyers français concernant certains appareils : Face à cette explosion technologique, la filiale d assurance de Crédit Agricole «Pacifica» a lancé en Janvier 2011 un produit appelé «Assurance Tous Mobiles». Ce produit est destiné aux particuliers et permet de protéger des appareils numériques portables de toute la famille avec un seul contrat. Le contrat Assurance Tous Mobiles couvre les quatre familles de produits suivantes : Ordinateur portable : micro ordinateur portable /ultraportable, tablet PC, net-books, palette graphique Image et vidéo : appareil photo numérique, caméscope Appareil de poche : console de jeux portable, baladeur (MP3/Mp4), livre électronique Téléphone portable : téléphone mobile, Smartphone Il garantie le remplacement à neuf de l appareil portable garanti dans le cas des sinistres suivants : Dommage matériel accidentel résulte d un événement extérieur à l assuré. Vol avec agression ou par effraction L utilisation frauduleuse du téléphone portable au vol du téléphone portable Vol d accessoire avec l appareil garanti 20

21 1.2 Objectif Du fait que l Assurance Tous Mobiles est un nouveau produit, le service «marché des particuliers» a mis en place une animation commerciale pour le lancement de cette offre au 1 er trimestre Cette dernière avait comme objectif d assurer tous les appareils mobiles du client et de sa famille. Le service «ciblage et suivi» a identifié clients, âgés de 30 à 50 ans et ayant au moins un enfant, comme cible potentiellement intéressée par ce produit. La communication autour du produit AssTM pour cette compagne se fait en mode multicanal: courrier suivi d une relance SMS (s ils sont opt-in* SMS) courrier suivi d une relance SMS (s ils sont opt-in SMS) Selon le Rapport d Activité Commercial (RAC) d Avril 2011, le produit Assurance Tous Mobiles a été proposé à 4800 clients. 828 clients ont souscrit ce produit. Parmi ces souscripteurs seulement 249 ont été ciblés. Pour améliorer la productivité et pour augmenter le taux de souscription, on réalise une étude sur les 828 détenteurs. Celle-ci a pour objectif d identifier les différents profils des souscripteurs à l aide d une typologie. Ensuite, nous mettons en place un score d appétence afin de fournir une cible de 3000 clients au service téléphonique. 1.3 Collecte des données Méthodologie On effectue la collecte des informations sous BO et sous SAS Guide en fonction de la disponibilité des données. On récupère sous BO les identifiants des souscripteurs sur la période Janvier-Mars, et sous SAS Guide les caractéristiques de cette population (sociodémographique, niveau d équipement, niveau de relation ) disponibles dans la table des clients commerciaux (CC) de fin mars. Résultat A partir de cette collecte, on obtient la table «Asstm» contenant les identifiants des clients commerciaux qui ont souscrit l AssTM et les caractéristiques de chacun d eux, tel que : age, profession, (sociodémographique) montant du crédit consommation, (détention de produit) nombre d opération, nombre de produit, (niveau d équipement) SNP (annexe-i), MIRE (annexe-ii), (informations agrégées) * accord d envoi 21

22 1.4 Préparation des données Méthodologie Pour préparer les données collectées, on utilise le logiciel SAS Guide pour : - discrétisation des variables - création des nouvelles variables a) Discrétisation : On discrétise les variables de deux façons : automatique : à l aide de la «proc rank()» pour les variables : montant d épargne, montant de crédit conso, flux créditeur, nombre de produits et nombre d opérations /*discrétisation automatique*/ proc rank data=table groups=nbrgroup out=tempr(keep=id var rk_var); var var; ranks rk_var; run; manuel : pour les variables : MIRE, âge, profession et SNP b) Création : /*discrétisation à la main pour la MIRE*/ if (mire>=0 and mire<=25)then mire=1;/*très faible*/ if (mire>=25.01 and mire<=50)then mire=2;/*faible*/ if (mire>=50.01 and mire<=75)then mire=3;/*intense*/ if (mire>=75.01 and mire<=100)then mire=4;/*très intense*/ Ensuite, on crée les variables suivantes : - nbradulte : nombre de PP adultes dans le CC - situation_fami : combinaison de la nouvelle variable «nbradulte» et nombre des mineurs dans le CC «nbbrpp3» if (nbradulte=1 and nbbrpp3=0) then situation_fami=1;/*célibataire sans enfant*/ if (nbradulte=1 and nbbrpp3>=1) then situation_fami=2;/*célibataire avec enfant*/ if (nbradulte=2 and nbbrpp3=0) then situation_fami=3;/*couple sans enfant*/ if (nbradulte=2 and nbbrpp3>=1) then situation_fami=4;/*couple avec enfant*/ Résultat Table 1 : Extrait de la table «AssTM» après préparation des données 22

23 1.5 Analyse descriptive Méthodologie Pour établir un profil général des souscripteurs Assurance Tous Mobiles, on réalise une analyse descriptive des caractéristiques de cette population. Puis, nous comparons le profil des détenteurs AssTM donné par l analyse descriptive aux clients de CACF. Cette étape se déroule sous SAS Guide, pour la mise en place des requêtes puis sous Excel pour la réalisation des graphiques. Résultat Nous concluons que les souscripteurs en Assurance Tous Mobiles sont une clientèle grand public jeune ou intermédiaire, selon la segmentation nature de potentiel de CACF. Ils sont majoritairement des ouvriers ou des employés, qui possèdent une épargne faible et des flux importants. Figure 13 : Répartition des souscripteurs par profession Figure 14 : Répartition des CC par profession sur CACF C est une population très active (90% avec une MIRE intense ou très intense). Elle est très bien équipée et réalise beaucoup d opérations. La majorité des souscripteurs sont célibataires avec des enfants ou en couple avec des enfants et sont âgés de 18 à 50 ans. Il s agit de clients Pacifica, 40% sont équipés de A4 (assurance Auto) et 50% de MH (assurance habitation). 66% d entre eux détiennent un crédit conso ou open à montant faible. Figure 15 : Répartition des souscripteurs par MIRE Figure 16 : Répartition des CC par MIRE sur CACF 23

24 L étude descriptive sur les enfants et les âges des souscripteurs, nous a permis de constater que 79% des souscripteurs âgés entre ont au moins un enfant. La moyenne d âge de leurs enfants est de 12 ans Figure 17 : Répartition des clients avec enfant selon leur âge 1.6 Typologie Afin d identifier les profils des souscripteurs, on réalise une typologie sous SAS Guide en utilisant une classification mixte (K-means + CAH). Méthodologie Dans un premier temps, on effectue la méthode K-means sur les 828 observations de la table «Asstm» avec la procédure «proc fastclus», en fixant le nombre de classes à 20. Cette valeur doit être choisie suffisamment grande pour limiter le risque de fusion des classes et pour augmenter l inertie interclasse. Puis, on réalise une classification ascendante hiérarchique sur les centres de ces classes à l aide de la procédure «proc cluster», suivi par un découpage optimal du dendrogramme issu de la CAH qui fournit les classes finales. Ces classes comportent les observations initiales affectées par l intermédiaire de leurs pré-classes obtenues de la méthode K-means. /* etape1: k-means*/ proc fastclus data=asstm maxclusters=20 /*nombre de classes prédéterminées*/ summary out=partitio /*les variables initiales + distance + cluster*/ Drift mean=centres /*le contenu des classes /* on récupére ici 12 classes*/ delete=5 cluster=presegm converge=0.02; var agecc1 segmar ir situation_fami nbopd nbpdt type_commune fluxnp mtmoco5 mtcoll moy_ageenf; run; /* etape2: CAH*/ proc cluster data=centres method=ward outtree=tree /*la table qui permet de dessiner le dendrogramme*/ pseudo ccc; var agecc1 segmar ir situation_fami nbopd nbpdt type_commune fluxnp mtmoco5 mtcoll moy_ageenf; copy presegm;/*permet d'avoir un identifiant pour le tableau*/ run; 24

25 Résultat Suite à la classification, on subdivise la population des souscripteurs Assurances Tous Mobiles en 5 segments. Pour représenter ces segments nous croisons deux critères qui caractérisent le mieux cette population : le niveau de la MIRE et le montant des flux par an. Figure 18 : Représentation graphique des segments Voici la description de chacun des segments: Seniors (13%) : Ce sont des employés ou des retraités, ils n ont pas d enfant mineur et leur âge est supérieur à 50 ans. Ce sont des clients très actifs avec une MIRE très intense, nombre d opérations et produits élevées. La moyenne des flux est de euros. La moitié de ce groupe a plus de euros d épargne et détient un crédit consommation d une moyenne de euros. Il s agit de clients Pacifica car ils possèdent au moins l un de ces produits : A4, MH, GAV. Couples intermédiaires (52%) : Ils sont des employés ou des ouvriers âgés de 41 à 50 ans, l âge moyen de leurs enfants est de 12 ans. Ce sont des clients très actifs (MIRE très intense) et bien équipés (plus de 16 produits). Ils possèdent des flux importants de en moyenne, mais un montant d épargne faible ne dépasse pas La majorité des clients détiennent un crédit open et au moins un produit Pacifica. Jeunes actifs (22%) : représentent 22% des souscripteurs AssTM. Ce groupe est constitué de célibataires sans enfant, âgés entre 18 et 30 ans. Il s agit des clients actifs (MIRE intense), bien équipés (10 produits) et qui possèdent des flux moyens et une faible épargne. Ils sont équipés d un crédit à la consommation (en moyenne de 8000 euros). Etudiants (10%) : L âge de ce segment se situe entre 18 et 24 ans. Ils sont sans activité, célibataires et sans enfant. Le niveau de MIRE et d équipement de cette population est faible. Ils ne sont pas clients Pacifica. Agriculteurs (2%) : Il est constitué dés agriculteurs âgés de 30 à 50 ans, très actifs et très bien équipés. Ils possèdent des flux supérieurs à euros, et sont majoritairement clients Pacifica. Ils détiennent un crédit conso ou open. 25

26 1.7 Prédiction Dans l objectif, de fournir une cible pertinente au «service téléphone» pour la deuxième compagne d AssTM. On réalise une prédiction des clients appètent en AssTM Echantillonnage Méthodologie On construit dans un premier temps une table «score» composée des clients CACF majeurs. Puis, nous créons une variable cible afin d identifier les détenteurs et non détenteurs AssTM. Le nombre des détenteurs est faible ce qui amène à un taux de souscription égal à 0,0016. Afin d augmenter ce taux, on décide donc de réaliser un échantillonnage sur les non souscripteurs en deux phases : 1- On choisit les clients non détenteurs avec une MIRE intense ou très intense ( CC), car 90% des souscripteurs ont une MIRE élevée (voir page 22) 2- On effectue un échantillonnage aléatoire simple de 7000 clients non détenteurs, ce qui donne un taux de souscription de 12% Résultat Enfin, on obtient une table «score» constituée des 828 détenteurs (cible AssTM=1) et 7000 non détenteurs (cibleasstm=0) Méthode 1 : Arbre de décision Méthodologie L étape suivante consiste en un calcul de score d appétence, ou plus généralement d un modèle prédictif, nous avons donc poursuivi l étude sous SAS Miner pour construire un arbre de décision. Résultat Les règles obtenues à partir de ce dernier n ont pas été satisfaisantes (nombre d effectifs dans les feuilles trop faible ). Figure 19 : Arbre de décision 26

27 1.7.3 Scoring construction du score Méthodologie On réalise un score d appétence via une régression logistique. Cette méthode calcule directement la probabilité d apparition du phénomène recherché (souscription en Assurance Tous Mobiles). Pour une meilleure fiabilité et une bonne capacité de généralisation du modèle, on divise la table «score» en deux échantillons : un échantillon d apprentissage : composé de 70% des individus de la table «score», il permet de construire la règle de discrimination un échantillon test : composé de 30 % individus de la table score, il a pour objectif de valider la règle de discrimination. Ensuite on applique la méthode de la régression logistique, avec une sélection du modèle pas à pas (stepwise). Résultat Le modèle obtenu est d un niveau de complexité égal à 8. Les variables qui discriminent au mieux la détention d AssTM sont dans l ordre d importance : Nombre de produits (produit) Montant d épargne (epargne) Age (agecc1) Profession (prof) Flux créditeurs (flux) Situation familiale (situation) Nombre d opérations sur le compte (operation) Montant initial de crédit consommation (mtcredit) Figure 21 : Description du modèle 27

28 Pour visualiser le pouvoir discriminant du score, nous avons choisi: la courbe de ROC. Cette dernière représente (sur l axe Y) la proportion de souscription en Assurance Tous Mobiles, en fonction (sur l axe X) de la proportion de la population totale ciblée par note décroissante.l objectif est de récupérer un maximum de souscripteurs de souscripteurs en ciblant un minimum de clients. Exemple : La courbe de ROC ci-dessous passe par le point x=50 et y=87. Cela veut dire qu en ciblant 50% de la population de nos clients on récupère 87,5% des souscripteurs. Figure 22 : Courbe de Roc de l échantillon validation et apprentissage test du score Méthodologie Par la suite, on réalise un test opérationnel du modèle obtenu sur d autres clients et une autre période que celle qui a servi à construire le modèle. Pour cela, nous choisissons une base constituée des CC non détenteurs AssTM à fin Février. Puis, nous regardons parmi ces clients qui sont devenus des détenteurs AssTM sur les mois de Mars à Avril. Au CACF, la cellule Etudes Marketing a mis en place pour chacun de ces scores 3 types de populations : cœur de cible : les clients avec les scores les plus élevés ciblable : les clients qui ont des score moyens non-appètent : Les clients dont le score est faible Remarque : la sélection des clients dans chaque groupe dépend de la volumétrie et du taux de souscription désiré. 28

29 Résultat Pour vérifier la stabilité du modèle obtenu et déterminer la note minimum à avoir pour nos clients pour être considérer comme appètent AssTM, nous réappliquons le score AssTM sur la base test. Puis, nous divisons notre population en 50 groupes (Tableau 1). Pour chacune des tranches on a le nombre de non-souscripteurs (cibleasstm=0), le nombre des souscripteurs (cible AssTM=1) et le taux de souscription. Comme nous pouvons constater à partir du tableau, la tranche «50» possède le taux de souscription le plus élevée avec une volumétrie de 9939 clients. Nous avons donc décidé de la considérer comme «cœur de cible». La note minimum du score dans cette population est égale à 0,321. Tableau 2 : Taux de souscription par tranche Nous répartissons les clients selon leur note de score en 3 groupes : cœur de cible, ciblable et appètent. /*groupe coeur de cible*/ if score >= then do LIRES="COEUR CIBLE"; end; /*groupe ciblable*/ if score >= and score < then do LIRES="CIBLABLE"; end; /*groupe non-appétent*/ if score < then do LIRES="NON APPETENT"; end; Tableau 3 : Résultat du scoring sur la base test Il ressort que le groupe «cœur de cible» (tranche 50) constitué de 9939 clients (2% de la population) possède un taux de souscription de 0,59 %. Le taux naturel de souscription sur toute la population était de 0,07%. Ce groupe possède 8,45 fois plus de chance de souscrire que si l on prend un individu de la population au hasard. Le groupe «ciblable» représente un gain de 0,32% alors que les «non- appètent» possède un gain de 0,59. (*) : La note du score (ou seuil) est multiplié par

30 Ciblage Méthodologie Pour déterminer la cible de clients appétant à Assurance Tous Mobiles, on réapplique notre score d appétence sur la clientèle à fin d avril non détentrice AssTM. Puis, on sélectionne les clients qui représentent le cœur de cible. période construction Janvier Mars Avril période test Figure 20 : Cheminement de la réalisation du score Résultat Pour définir la cible souhaitée, nous appliquons le score réalisé et testé auparavant, sur les clients de Fin Avril sans AssTM. Pour chaque client on attribut donc une note. Voici un extrait du tableau contenant l identifiant du client ainsi que sa note de score : Tableau 4 : Note du score (Période Fin Avril) A partir de ce tableau, on sélectionne les clients dont la note de score est supérieure ou égale à 0,321, autrement dit les clients appartenant au groupe «cœur de cible» (voir le tableau 3). Suite à cette sélection, on obtient un groupe «cœur de cible» de appétant à Assurance Tous Mobiles. 30

31 Le fichier contenant ces clients (identifiant+note de score) a été envoyé au service «Ciblage et Suivi», qui a sélectionné les clients vérifiant les conditions suivantes : - sans incident - non décédés - non risqués - opt-in - accord des appels sortants Cette étape a permis de déterminer 5366 CC vérifiant les critères précédents, le service «ciblage et suivi» a décidé d extraire les 3600 clients avec les notes les plus élevées. - Conclusion C est de cette cible de 3600 qui a été donnée au service téléphone de CACF. L équipe du marché des particuliers a créé une nouvelle animation commerciale pour Assurance Tous Mobiles. Cette dernière s est déroulée en deux phases. Une première phase concerne l envoi d informatif afin de présenter le produit «AssTM» et une deuxième phase de vente via le service téléphone. En effet, la réglementation oblige l entreprise d informer le client sur le produit pour pouvoir faire de la sollicitation téléphonique. 31

32 2. Etude 2 : Client Moyen de CACF 2.1 Contexte En Février 2011, deux enquêtes sur la tarification bancaire ont été effectuées, une par l organisme de consommation «CLCV» et l autre par le journal «Le Monde». L enquête de «CLCV» a été réalisée au prés de 134 établissements bancaires, y compris ceux en ligne. Elle a étudié trois profils : petit consommateur, couple actif et couple boursicoteur. Cette enquête a conclu que CACF est la banque la moins chère sur le profil de petit consommateur devant BNP et la Banque Postale. Sur le profil de couple actif, elle est le 2 ème établissement bancaire sur la région d Auvergne avec 177,16 de cotisation annuelle derrière la Banque Postale (154,34 ). Concernant le dernier profil «couple boursicoteur», CACF est classé en 2 ème position avec 476,58 derrière LCL (444,62 ). L enquête du journal «Le Monde» s est portée sur 5 profils : Budget serré, client standard, client aisé sans package, client aisé avec package et investisseur sur bourse. Les résultats de cette dernière sont les suivants: - Client à budget serré : CACF est l une des banques les plus chères (33 ème sur 34 établissements) avec une cotisation annuelle de 239,08. - Client standard : , 15ème position sur 38 établissements, en 1 ère position : la Banque Postale. - Client Aisé sans package : , 7 ème position derrière les Banques en ligne et Groupama Banque sur 40 établissements. - Client aisé avec package : 171,80 pour une moyenne de 177,95 (1 ère Axa Banque), 19 ème position sur 38 établissements. - Investisseur en Bourse : 359,90 pour une moyenne de 331,11 (1 ère Fortuneo Banque), 20 ème position sur 41 établissements. Cependant, ces enquêtes donnent l image d une réalité relative car elles utilisent des profils différents ne reflétant pas forcément les besoins des clients. De plus, le compte service n est pas valorisé dans les classements effectués par les deux enquêtes (services à la carte moins intéressants que le Package) vu les profils retenus (pas de besoin de découvert ou d assurance de moyens de paiement) 2.2 Objectif Pour compléter ces enquêtes, et en vue d un éventuel changement dans la tarification de CACF pour l année On réalise une étude sur quatre profils de clients : détenteur d un compte service sans incident détenteur d un compte service avec incidents non détenteur d un compte service sans incident non détenteur d un compte service avec incidents Celle-ci a pour objectif de connaître la cotisation annuelle de ces profils et d établir une comparaison avec celle des mêmes types de clients dans les établissements bancaires suivants : - Caisse d épargne - Crédit Mutuel - Banque Populaire - Banque Postale - LCL - Société Générale - BNP Paribas 32

33 2.3 Collecte des données Méthodologie Sous SAS Guide, on travaille sur la table CC où on sélectionne l identifiant de chaque client et les produits les plus importants de CACF : la carte bancaire (Mozaic, Mastercard, ) et le compte service (Mozaic, Souplesse, ). Sous BO on récupère les clients avec incidents, c est-à-dire ceux qui ont eu au moins un rejet de chèque (inférieur à 50 ou supérieur à 50 ) ou un rejet d avis de prélèvement. Puis, on sélectionne les opérations tarifées réalisées sur une période d un an, à savoir : - commission d intervention - opposition chèque - chèque banque - alerte SMS - virement externe - virement permanent Résultat A partir de l indicateur «compte service», on obtient les deux tables suivantes : - detenteur : contient les clients détenteurs d un compte service et les cartes bancaires possédées par ce client - nndetenteur : représente les clients non-détenteurs d un compte service et les cartes bancaires possédées par ce client La collecte des indicateurs incidents et les opérations tarifiées, permettent d avoir des tables où chaque ligne représente un indicateur (virement permanent, refus de chèque, ) et le client qui l a réalisé. 2.4 Traitement des données Méthodologie Cette étape se déroule sous SAS Guide, pour la mise en place des requêtes entre les deux tables : detenteur et nndetenteur et les autres tables des indicateurs. Afin de créer les profils demandés et étudier les opérations tarifées. Résultat Suite à la réalisation des différentes jointures on obtient quatre tables, chacune correspond à l un des profils demandés. Chaque ligne de la table contient les informations suivantes : - l identifiant du client - les comptes services appartenant à ce client - les cartes bancaires possédant par ce client - le nombre total de chaque opération tarifée 33

34 2.5 Analyse descriptive Méthodologie On utilise SAS Guide pour étudier chaque profil dans sa globalité, en récupérant le type de la carte bancaire ainsi que le type de compte service (seulement pour les détenteurs), et plus en détail avec le nombre d utilisation de chaque opération tarifées par an. Sous Excel, on détermine la cotisation annuelle de chaque profil auprès des huit établissements bancaires (voir page 30 avec CACF inclus). En calculant les indicateurs suivants: - nombre moyen d une opération tarifée= nombretota ld' utilisationdel' opération nombredeclientsayantutiliséscetteopération - prix moyen de chaque opération= nombre moyen d une opération tarifée*prix de l opération Résultat 1 er profil : détenteur sans incident Figure 23 : Répartition des détenteurs sans incident par carte bancaire Les détenteurs de compte service sans incident représentent 57% des clients CACF. Prés de la moitié de ces clients détiennent un compte service «souplesse». La majorité de cette population possède une carte bancaire et il s agit pour 74% d entre eux équipés en «Mastercard» Figure 24 : Répartition des détenteurs sans incident par compte service 34

35 2ème profil : détenteur avec incidents Figure 25 : Répartition des détenteurs avec incidents par carte bancaire 3% des clients CACF sont des détenteurs de compte service avec incidents. 52% de cette population détient un compte service «souplesse». Chacun de ses clients possède au moins une carte bancaire et la moitié d entre eux est équipée d une carte de type«mastercard». Figure 26 : Répartition des détenteurs avec incidents par compte service 3ème profil : non détenteur sans incident Figure 27 : Répartition des non détenteurs sans incident par carte bancaire Seulement 43% de la clientèle non détenteur de compte service et sans incident détient une carte bancaire CACF. Il s agit pour la majorité d entre eux des clients équipés d une «Mastercard». 35

36 4ème profil : non détenteur avec incidents Figure 28 : Répartition des non détenteurs avec incidents par carte bancaire 28% des clients appartenant à ce profil ne possèdent pas de carte bancaire. En revanche, la majorité de la clientèle restante détient une carte de type «autres cartes». Dans le but d approfondir l étude du client moyen de CACF, on divise chacun des deux profils «non détenteurs avec et sans incidents» en deux sous-profils «avec carte ou sans carte». L étude du profil de client moyen s est axée sur le positionnement de CACF par rapport à la concurrence. En collaboration avec Monsieur Antoine Sabatier (stagiaire sur le pôle tarification et géomarketing), nous avons élaboré un tableau résumant le prix des opérations tarifées (commission d intervention, chèque banque ) ainsi que la cotisation mensuelle et annuelle pour chacun des profils. Tableau 6 : Cotisation annuelle du client non détenteur d un compte service avec incidents et carte bancaire en

37 3. Etude 3 : Multi canal 3.1 Contexte L'irruption des nouvelles technologies dans ces dernières années (Internet et téléphonie mobile, Smartphone) a bouleversé les canaux traditionnels comme le téléphone et le courrier, grâce à leur très large diffusion, avec des coûts d'accès réduits. Cette évolution technologique a incité les entreprises à revoir leurs moyens de communication en adaptant une stratégie multi canal. Il s agit pour les entreprises d adapter leurs canaux aux besoins spécifiques des différents segments de clients, en vue de proposer la bonne offre au bon client au bon moment, via le bon canal. Afin d évoluer vers de nouveaux formats de commercialisation de ses services et de ses produits, CACF a orienté sa stratégie depuis 3 ans au développement multi canal. Le premier pas vers cette stratégie s est concrétisé par la réalisation d une étude sur l utilisation des canaux par les clients. Ensuite, par la mise en œuvre d une segmentation multi canal (annexe-iii), qui permet de regrouper les clients en trois segments : clients agence, multi canal ou internet. 3.2 Objectif Pour croiser l appétence univers de besoins (crédit, assurance, épargne ) avec l appétence au canal et du fait que CACF ne possède pas de score canal, il m a été demandé d en créer un. 3.3 Problèmes rencontrés La réalisation du score canal nécessite une recherche des actions commerciales réalisées en multi canal (SMS, , ) pendant les années 2010 et Malheureusement, la seule action multi canal est celle d Assurance Tous Mobile «AssTM» : la réalisation du score n est plus possible. 3.4 L action Assurance Tous Mobiles On oriente donc l étude vers l analyse de la seule animation multi canal trouvée. Afin de dresser un bilan sur les résultats de la segmentation multi canal et ainsi de discuter la rentabilité de l action AssTM d un point de vue canal canal privilégié Méthodologie On s intéresse d abord au canal privilégié par les souscripteurs, c est-à-dire le canal avec lequel on a sollicité les clients et pour lequel on obtient le plus de retour (ou plus d inscription). On doit récupérer le nombre de souscripteurs d AssTM selon les canaux de sollicitation suivants : courrier, courrier et relance sms, , et relance sms. 37

38 Sous SAS Guide, on crée les quatre populations suivantes : 1- souscripteurs sollicités par courrier (AssTM_courrier) : en réalisant une jointure entre la table «AssTM» contenant les souscripteurs en Assurance Tous Mobiles et la table «courrier» qui représente les clients qui ont reçu un courrier pour ce produit. 2- souscripteurs sollicités par (AssTM_ ) : en réalisant une jointure entre la table «AssTM» et la table « » contenant les clients qui ont reçu un de sollicitation pour ce produit. 3- souscripteurs sollicité par courrier suivi d une relance SMS (AssTM_courriersms) : en réalisant une jointure entre la table (1) et la table «sms» contenant les clients qui ont reçu un sms de sollicitation pour ce produit. 4- souscripteurs sollicités par courrier suivi d une relance SMS (AssTM_ sms) : en réalisant une jointure entre la table (2) et la table «sms». Puis, on compte le nombre de clients dans chacune des tables. Sous Excel, on calcule le taux de souscription pour chacun des canaux. Résultat Parmi les deux canaux primaires : Courrier et . Le canal prioritaire est l . Pour ce dernier nous notons un taux de souscription de 0.8% beaucoup plus important que celui du courrier (o.4%). Le SMS représente un bon moyen de relance avec un taux de souscription de 0.95% quelque soit le canal primaire. Nous constatons donc que la relance SMS après envoi du courrier est très importante car elle augmente considérablement le taux de souscription (tableau ci-dessous). Tableau 7 : Taux de souscription par canal Segmentation multi canal Dans cette étape l objectif est de vérifier la validation des règles de la segmentation multi canal (voir annexe-iii). On réalise donc une analyse descriptive des détenteurs par segment : agence, multi canal et internet. Méthodologie Sous SAS Guide, on récupère le segment multi-canal pour chaque détenteur d AssTM. Pour cela,on regroupe les tables : AssTM_courrier, AssTM_ , AssTM_courriersms et AssTM_ sms, en une seule «AssTM_canal». Puis, on réalise une jointure entre cette dernière et la table «segmulticanal» contentant la segmentation multi canal des clients CACF. 38

39 Résultat Voici un extrait de la table obtenue à partir de la jointure entre «AssTM_canal» et «segmulticanal» : Tableau 8 : Résultat de la jointure L envoi du courrier suivi d une relance SMS augmente le taux de souscription dans le segment «agence» par rapport à l envoi du courrier seulement. Cela nous conforte dans l idée de persévérer dans le renseignement d opt in SMS, plus précisément auprès des clients segmentés «agence». Pour les clients «multi canal», nous observons une forte souscription lorsqu on utilise les canaux externes « , SMS». Enfin, sur le dernier segment «internet» le nombre de détenteurs est faible quelque soit le canal : courrier ou , le taux de souscription est similaire pour les deux canaux. Il est difficile de conclure car les taux de souscription pour le segment Internet ne sont pas représentatifs. Tableau 9 : Taux de souscription par segment et par canal L action «Assurance Tous Mobiles» permet de mettre en évidence la pertinence du segment «multi canal», autrement dit si le client appartient à ce segment alors il est consommateur des canaux externes. A l opposé, les segments internet et agence ne semblent pas apporter de plus à cette action. 39

40 3.4.3 Matrice des coûts Méthodologie Pour étudier la rentabilité des canaux, on calcule sous Excel : le coût total de l animation (coût) et le PNB* engendré par les souscriptions (PNB) pour chaque canal. - Exemple : animation courrier Coût = coût d envoi d un courrier * nombre des clients sollicités par courrier PNB = PNB du produit AssTM * nombre des détenteurs ayant été sollicité par courrier Résultat On constitue ce tableau qui résume le PNB du produit «AssTM» collecté suite à la sollicitation pour chaque canal et le coût de l animation réalisé par ce dernier. Tableau 10 : Matrice des Coûts Nous constatons que le PNB total engendré par la vente du produit AssTM à partir de la sollicitation (1066 ) représente trois fois les dépenses réalisées par ce canal (347 ). De même l envoi de l suivi d une relance SMS engendre un PNB deux fois supérieurs aux dépenses liées à ces envois. De ce fait la sollicitation par avec ou sans relance par SMS est rentable. Tableau 11 : Pourcentage du PNB par rapport au coût L envoi du courrier suivi d une relance SMS permet de diminuer le déficit par rapport à l envoi du courrier seulement. Cela confirme notre vision sur l importance de la relance SMS ; d une part, pour augmenter le taux de souscription, et d autre part pour réduire les coûts de la campagne commerciale. (*) Produit net bancaire : chiffre d affaire des produits et des services. 40

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

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

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

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

Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2

Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2 Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2 22 Novembre 2013 - Valérie Rousvoal Direction Etudes Commerciales Sommaire de la rencontre Présentation de la Caisse d épargne Rhône Alpes Présentation

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

Travailler avec les télécommunications

Travailler avec les télécommunications Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

Plus en détail

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009 Le Data Mining Techniques pour exploiter l information Auteur : Dan Noël Date : 24.04.2009 Agenda de la présentation du 26.03.2009 Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un

Plus en détail

Utilisations des mathématiques à des fins opérationnelles

Utilisations des mathématiques à des fins opérationnelles Utilisations des mathématiques à des fins opérationnelles Michael Vandenbossche mvn@softcomputing.com Soft Computing 165 avenue de Bretagne 59000 Lille 1. Présentation 2. Indicateurs statistiques de base

Plus en détail

De la donnée à la décision. Sofian MAABOUT LaBRI. Université Bordeaux 1

De la donnée à la décision. Sofian MAABOUT LaBRI. Université Bordeaux 1 De la donnée à la décision Sofian MAABOUT LaBRI. Université Bordeaux 1 1 Décider c est choisir, parmi plusieurs actes possibles, celui qui apparaît comme le plus pertinent pour atteindre un résultat envisagé,

Plus en détail

Projet Statistiques. - Rapport -

Projet Statistiques. - Rapport - Erich FERRAGUTI Teddy HENNART Projet Statistiques - Rapport - A l attention de Julien JACQUES Le vendredi 15 mai 2009 Sommaire 1. Introduction... 4 1.1. But... 4 1.2. Cadre... 4 1.3. Contenu... 4 2. Sujet...

Plus en détail

S422-1-3 LA CLIENTELE DE L UNITE COMMERCIALE : APPROCHE STRUCTURELLE

S422-1-3 LA CLIENTELE DE L UNITE COMMERCIALE : APPROCHE STRUCTURELLE S422-1-3 LA CLIENTELE DE L UNITE COMMERCIALE : APPROCHE STRUCTURELLE S422 La relation commerciale et son marché S42 La relation commerciale la clientèle de l unité commerciale Définir la notion de zone

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

MÉTHODES DE CLASSIFICATION

MÉTHODES DE CLASSIFICATION MÉTHODES DE CLASSIFICATION Pierre-Louis GONZALEZ MÉTHODES DE CLASSIFICATION Objet Opérer des regroupements en classes homogènes d un ensemble d individus. Données Les données se présentent en général sous

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

LA RECONNAISSANCE DES CLIENTS

LA RECONNAISSANCE DES CLIENTS LA RECONNAISSANCE DES CLIENTS DANS LE MILIEU BANCAIRE ETAT DES LIEUX ET RECOMMANDATIONS Page 1/7 Stanwell Consulting SAS 2015, ne pas diffuser sans autorisation écrite Contexte de l étude Les comportements

Plus en détail

Méthodes de DM pour la GRC dans les banques

Méthodes de DM pour la GRC dans les banques Techniques de DM pour la GRC dans les banques Page 21 III.1 Introduction Avant de chercher des techniques à appliquer dans la gestion des relations avec les clients. Il faut étudier les données des clients

Plus en détail

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail

bpce assurances L ESSENTIEL 2012

bpce assurances L ESSENTIEL 2012 bpce assurances L ESSENTIEL 2012 I ÉDITO Pierre Garcin Président du conseil d administration Paul Kerangueven Directeur général Sommaire Faits marquants ÉDITO p. 1 à propos de BPCE Assurances p. 2 l assurance

Plus en détail

Chap 3 : La connaissance du client. I. Les fondements de la connaissance du client. Les principales évolutions sont résumées dans le tableau suivant :

Chap 3 : La connaissance du client. I. Les fondements de la connaissance du client. Les principales évolutions sont résumées dans le tableau suivant : Chap 3 : La connaissance du client I. Les fondements de la connaissance du client A. D une société de consommation à une société de consommateurs Depuis les années 1980, les mutations sociales ont eu d

Plus en détail

CRM Assurance. Fonctionnalités clés. Vue globale de l assuré. Gestion des échanges en Multicanal

CRM Assurance. Fonctionnalités clés. Vue globale de l assuré. Gestion des échanges en Multicanal CRM Assurance Fonctionnalités clés Vue globale de l assuré Le CRM pour les compagnies d'assurances est une solution spécialement conçue pour mettre en place et soutenir les fondements d une orientation

Plus en détail

L analyse des correspondances et ses applications en recherche marketing. MONSUG mai 2015

L analyse des correspondances et ses applications en recherche marketing. MONSUG mai 2015 L analyse des correspondances et ses applications en recherche marketing MONSUG mai 2015 Contenu Mise en contexte et exemple d application L analyse des correspondances multiples (ACM) L ACM et la segmentation

Plus en détail

Le bootstrap expliqué par l exemple

Le bootstrap expliqué par l exemple Le bootstrap expliqué par l exemple 1 Le bootstrap expliqué par l exemple 1. Les concepts du bootstrap 2. Des variantes adaptées au contexte 3. Comparaison des différentes méthodes 4. Les cas sensibles

Plus en détail

SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44

SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44 SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44 Le CRM (GRC) est la clef de votre succès Les Principes généraux de la Gestion de la Relation Clients Confidentiel

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

SAP Billing and Revenue Innovation Management for High-Volume Business

SAP Billing and Revenue Innovation Management for High-Volume Business SAP Solution Brief SAP Business Suite SAP Billing and Revenue Innovation Management Enjeux SAP Billing and Revenue Innovation Management for High-Volume Business Rationalisation du processus de facturation

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing

Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing Alzennyr Da Silva, Yves Lechevallier Projet AxIS, INRIA Paris-Rocquencourt Domaine de Voluceau,

Plus en détail

Les moments de vérité dans la relation client : quelles opportunités de croissance pour les assureurs?

Les moments de vérité dans la relation client : quelles opportunités de croissance pour les assureurs? Les moments de vérité dans la relation client : quelles opportunités de croissance pour les assureurs? *La haute performance. Réalisée. Méthodologie de l étude Basée sur un questionnaire construit avec

Plus en détail

Groupama Banque : qui, que, quoi?

Groupama Banque : qui, que, quoi? Groupama Banque : qui, que, quoi? - Une seule banque au service de tous les clients du Groupe - Un nouveau modèle bancaire, conçu dès sa création comme multicanal - L une des seules banques en France à

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

CAHIER DES CHARGES POUR APPLICATION MOBILE GRC

CAHIER DES CHARGES POUR APPLICATION MOBILE GRC CAHIER DES CHARGES POUR APPLICATION MOBILE GRC Alexandre CADIC Mathis BAKARY 27/02/2013 Sommaire I. Présentation... 3 1. Contexte... 3 a. Implémentation :... 3 b. Direction Générale :... 3 2. Périmètre

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

Les Français et la banque en ligne

Les Français et la banque en ligne Les Français et la banque en ligne Rapport d étude réalisé pour monabanq. Décembre 2010 CREDOC / 17 mai 2011 1 Synthèse 1 Internet a modifié la relation des Français avec leurs banques en s imposant comme

Plus en détail

ERGONOMIE GESTION DES DONNEES CLIENT. Gestion données client Vue 360 (Obligatoire) Données récupérées. Données calculées

ERGONOMIE GESTION DES DONNEES CLIENT. Gestion données client Vue 360 (Obligatoire) Données récupérées. Données calculées ERGONOMIE Fonctionnalités Standard Dev Spécifique Non-couverte la solution propose une aide en ligne (multilingue, contextuelle, Accès par touche/clic, messages d' erreurs explicites, Accès au manuel utilisateur)

Plus en détail

Un nouveau souffle sur les approches multicanal, les outils d analyse et la segmentation clients

Un nouveau souffle sur les approches multicanal, les outils d analyse et la segmentation clients Un nouveau souffle sur les approches multicanal, les outils d analyse et la segmentation clients Les tendances technologiques dans le secteur de l assurance vie : partie 1. * *La haute performance. Réalisée.

Plus en détail

Apprentissage Statistique. Bureau d étude :

Apprentissage Statistique. Bureau d étude : Apprentissage Statistique Bureau d étude : Score d appétence en GRC Hélène Milhem IUP SID M2 2011/2012 Institut de Mathématiques de Toulouse UMR CNRS C5219 Equipe de Statistique et Probabilités Université

Plus en détail

Gestion de la Relation Client (GRC)

Gestion de la Relation Client (GRC) Techniques de DM pour la GRC dans les banques Page 2 I.1 Introduction La gestion de la relation client est devenue un processus essentiel dans les institutions bancaires. Ils essaient toujours d améliorer

Plus en détail

Accélérer l agilité de votre site de e-commerce. Cas client

Accélérer l agilité de votre site de e-commerce. Cas client Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible

Plus en détail

MÉMO. Des solutions en cas de coup dur ou de coup de cœur SOMMAIRE

MÉMO. Des solutions en cas de coup dur ou de coup de cœur SOMMAIRE Édition : décembre 13 MÉMO Des solutions en cas de coup dur ou de coup de cœur 1. Optimiser l utilisation des livrets défiscalisés 2. Épargner sans plafond 3. Placer une somme importante sur quelques mois

Plus en détail

Département Finance. Contacts TNS Sofres. Département Finance

Département Finance. Contacts TNS Sofres. Département Finance Baromètre Prévoyance 2ème Vague Dépendance Novembre 2008 Contacts TNS Sofres Département Finance Frédéric CHASSAGNE / Michaël PERGAMENT / Marie FAITOT 01.40.92. 45.37 / 46.72 / 44.41 42MV13 Département

Plus en détail

Des données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox

Des données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox Des données à la connaissance client A la découverte de la plateforme de connaissance client knowlbox Livre blanc mai 2013 A l heure du Big Data, les entreprises s interrogent davantage sur leurs données.

Plus en détail

Assurance automobile : défis et perspectives des compagnies d assurances

Assurance automobile : défis et perspectives des compagnies d assurances Assurance automobile : défis et perspectives des compagnies d assurances Une analyse de fond des forces en présence et des impacts en matière de développement pour les compagnies d assurances Un écosystème

Plus en détail

Observatoire 2014 de l image des banques

Observatoire 2014 de l image des banques Observatoire 2014 de l image des banques Contacts BVA Marie-Laurence GUENA Marion LAMBOLEY Contacts FBF Colette COVA Céline MESLIER Méthodologie Méthodologie Cette étude a été menée dans le cadre de l

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 6. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 6. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali LUISS, Libera Università Internazionale degli Studi Sociali Université Paris 13 Laboratoire Analyse, Géométrie et Applications UMR 7539 GOUTTE Analyse Statistique des Données Cours 6 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

Plus en détail

Conférence de Presse Groupama Banque

Conférence de Presse Groupama Banque Conférence de Presse Groupama Banque 22 mai 2014 Intervenants 2 Michel Lungart, Directeur Assurances, Banque et Services de Groupama Bernard Pouy, Directeur général de Groupama Banque Sommaire 3 Introduction

Plus en détail

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

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

Plus en détail

1. Vue rapide des logiciels disponibles

1. Vue rapide des logiciels disponibles Voici une revue rapide des progiciels gratuits accessibles [FREE AND SHAREWARE] dans la section SUITES du site KDNUGGETS (http://www.kdnuggets.com/software/suites.html). L étude sera approfondie pour les

Plus en détail

I. Les entreprises concernées

I. Les entreprises concernées RÉPUBLIQUE FRANÇAISE Décision n 11-DCC-12 du 1 er février 2011 relative à la création d une Union Mutualiste de Groupe par les groupes MGEN, MNH, la MNT, la MGET et la MAEE L Autorité de la concurrence,

Plus en détail

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES SAS 3 DEC 2015 1 sur 9 TRANSAT Un voyagiste international solidement installé au Canada, en France et au Royaume-Uni, qui offre

Plus en détail

INTRODUCTION AU DATA MINING

INTRODUCTION AU DATA MINING INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre

Plus en détail

Introduction à la B.I. Avec SQL Server 2008

Introduction à la B.I. Avec SQL Server 2008 Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide

Plus en détail

Achat immobilier : profil type des acquéreurs en 2012

Achat immobilier : profil type des acquéreurs en 2012 Achat immobilier : profil type des acquéreurs en 2012 1- Profil des acquéreurs, tous dossiers Immoprêt confondus A quel âge achète-t-on, quel est le budget et l apport moyen, seul ou en couple? 2- Profil

Plus en détail

ENQUÊTE SUR LES TAUX DES CRÉDITS AU LOGEMENT ANNÉE 1994

ENQUÊTE SUR LES TAUX DES CRÉDITS AU LOGEMENT ANNÉE 1994 ENQUÊTE SUR LES TAUX DES CRÉDITS AU LOGEMENT ANNÉE 1994 L année 1994 a été marquée par la poursuite de la baisse des taux d intérêt, mais à un rythme plus modéré et de manière moins continue qu en 1993

Plus en détail

ENJEUX ET PERSPECTIVES DU MODÈLE DE BANCASSURANCE NON-VIE À L AUNE DES ANNÉES 2020

ENJEUX ET PERSPECTIVES DU MODÈLE DE BANCASSURANCE NON-VIE À L AUNE DES ANNÉES 2020 Jean-Louis DELPÉRIÉ Directeur ENJEUX ET PERSPECTIVES DU MODÈLE DE BANCASSURANCE NON-VIE À L AUNE DES ANNÉES 2020 Antoine FOURNIER Directeur LES DEUX DERNIÈRES DÉCENNIES ONT VU L ÉMERGENCE EN FRANCE DES

Plus en détail

«LE COMPORTEMENT DE L INVESTISSEUR TUNISIEN»

«LE COMPORTEMENT DE L INVESTISSEUR TUNISIEN» CONSEIL DU MARCHE FINANCIER DEPARTEMENT DES ETUDES ET DES STATISTIQUES «LE COMPORTEMENT DE L INVESTISSEUR TUNISIEN» SONDAGE REALISE AUPRES DES SOUSCRIPTEURS A L OCCASION DE L OPV SOTRAPIL Etude menée par

Plus en détail

Baromètre Prévoyance. 2ème Vague Dépendance Novembre 2008. Département Finance. Contacts TNS Sofres. Département Finance

Baromètre Prévoyance. 2ème Vague Dépendance Novembre 2008. Département Finance. Contacts TNS Sofres. Département Finance Baromètre Prévoyance 2ème Vague Dépendance Novembre 2008 Contacts TNS Sofres Département Finance Frédéric CHASSAGNE / Michaël PERGAMENT / Marie FAITOT 01.40.92. 45.37 / 46.72 / 44.41 42MV13 Département

Plus en détail

La segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM

La segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,

Plus en détail

" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!

 # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! ##$ % &! "# $ %%& ' ( )*+, '()*+,'+''-++.+/0112134+1.50*406 "##$ %& 8CC "#$%& ' ( )* +,-./ 0 123 456+7 3 7-55-89.*/ 0 +3 *+:3 ;< =3 3-3 8 0 23 >-8-3 >5? //*/*0;* @A: *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8

Plus en détail

GRC chap 1 CHAP 1 : LA GESTION DE LA RELATION CLIENT

GRC chap 1 CHAP 1 : LA GESTION DE LA RELATION CLIENT CHAP 1 : LA GESTION DE LA RELATION CLIENT I. Définition Ensemble des dispositifs ou opérations de marketing et de supports ayant pour but d optimiser la qualité de la relation clients de fidéliser et de

Plus en détail

Les clients puissance cube

Les clients puissance cube LETTRE CONVERGENCE Les clients puissance cube L intelligence artificielle au service du marketing des services N 28 To get there. Together. A PROPOS DE BEARINGPOINT BearingPoint est un cabinet de conseil

Plus en détail

Communiqué de presse. Fonds Stratégique de Participations : un nouvel investissement de long terme dans le capital d un fleuron industriel français

Communiqué de presse. Fonds Stratégique de Participations : un nouvel investissement de long terme dans le capital d un fleuron industriel français Communiqué de presse Paris le 1 er juin 2015 Fonds Stratégique de Participations : un nouvel investissement de long terme dans le capital d un fleuron industriel français Le Fonds Stratégique de Participations

Plus en détail

ENRICHIR LES DONNEES DE DETAILS ACCEDEES A TRAVERS UN RAPPORT OLAP

ENRICHIR LES DONNEES DE DETAILS ACCEDEES A TRAVERS UN RAPPORT OLAP ENRICHIR LES DONNEES DE DETAILS ACCEDEES A TRAVERS UN RAPPORT OLAP SAS Web Report Studio offre depuis de nombreuses versions la possibilité de visualiser les observations spécifiques à partir des données

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

Banque de détail. Dynamiser votre réseau de distribution et accroître son efficacité commerciale

Banque de détail. Dynamiser votre réseau de distribution et accroître son efficacité commerciale Banque de détail Dynamiser votre réseau de distribution et accroître son efficacité commerciale L évolution de l environnement et les enjeux dans la Banque de détail CENTRES D'APPELS Intensification du

Plus en détail

«Regroupement de crédits : halte aux idées reçues» C O N F E R E N C E D E P R E S S E, 1 7 d é c e m b r e 2 0 1 3

«Regroupement de crédits : halte aux idées reçues» C O N F E R E N C E D E P R E S S E, 1 7 d é c e m b r e 2 0 1 3 «Regroupement de crédits : halte aux idées reçues» C O N F E R E N C E D E P R E S S E, 1 7 d é c e m b r e 2 0 1 3 INTRODUCTION : RAPPELS SUR LE REGROUPEMENT DE CREDITS 1 LE REGROUPEMENT DE CRÉDITS, QUAND?

Plus en détail

Solutions de communications intelligentes pour les sociétés financières

Solutions de communications intelligentes pour les sociétés financières Solutions de communications intelligentes pour les sociétés financières Les solutions de communication intelligentes d Avaya permettent aux sociétés opérant sur les marchés financiers de doter une nouvelle

Plus en détail

Les solutions SAS pour les Petites et Moyennes Entreprises

Les solutions SAS pour les Petites et Moyennes Entreprises BROCHURE SOLUTION Les solutions SAS pour les Petites et Moyennes Entreprises Sur un marché aussi compétitif que celui des Petites et Moyennes Entreprises, le temps et l efficacité sont deux valeurs prioritaires

Plus en détail

La stratégie du Groupe BPCE

La stratégie du Groupe BPCE La stratégie du Groupe BPCE 2 edito Groupe BPCE est né en juillet 2009 de la volonté des groupes Banque Populaire et Caisse d Epargne de construire ensemble le deuxième groupe bancaire en France, un groupe

Plus en détail

Entrepôt de données 1. Introduction

Entrepôt de données 1. Introduction Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de

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

#BigData Dossier de presse Mai 2014

#BigData Dossier de presse Mai 2014 #BigData Dossier de presse Mai 2014 La valeur du Big Data pour l entreprise Comment permettre l avènement d une culture de la donnée pour tous? Dans un monde porté par la mobilité et le Cloud, non seulement

Plus en détail

La signature électronique en agence une étape clé de la banque numérique Conférence de presse

La signature électronique en agence une étape clé de la banque numérique Conférence de presse 17 Avril 2013 La signature électronique en agence une étape clé de la banque numérique Conférence de presse Jean Yves FOREL, directeur général, membre du directoire de BPCE en charge de la Banque commerciale

Plus en détail

Business Intelligence

Business Intelligence avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................

Plus en détail

Comment ne pas construire un score-titanic

Comment ne pas construire un score-titanic Comment ne pas construire un score-titanic Mon mailing Olivier Decourt ABS Technologies / Educasoft Formations 1- Les principes 2- Un premier exemple : les vins de France 3- Mise en œuvre sous SAS 4- Un

Plus en détail

Process Magasins. Garanties ORDINATEURS PORTABLES

Process Magasins. Garanties ORDINATEURS PORTABLES Process Magasins Garanties ORDINATEURS PORTABLES Septembre 2009 Préambule AUDIM, en partenariat avec CFCA, a développé un programme d assurance pour son réseau VIVRE MOBILE. Ce programme d assurance a

Plus en détail

IBM Content Analytics Libérer l Information

IBM Content Analytics Libérer l Information IBM Content Analytics Libérer l Information Patrick HOFLEITNER patrick_hofleitner@fr.ibm.com Août 2011 TABLE DES MATIERES RESUME...3 INTRODUCTION...4 LA PROBLEMATIQUE...5 1 L EXPLOSION DU CONTENU NON-STRUCTURE...5

Plus en détail

INTRODUCTION AU DATA MINING. Cina MOTAMED

INTRODUCTION AU DATA MINING. Cina MOTAMED INTRODUCTION AU DATA MINING Cina MOTAMED 2 Data Mining : contexte Âge numérique : explosion des volumes de données Transactions commerciales Opérations bancaires Navigation Internet Indicateurs démographiques

Plus en détail

Voulez-vous offrir le service libre-service bancaire ultime?

Voulez-vous offrir le service libre-service bancaire ultime? Voulez-vous offrir le service libre-service bancaire ultime? Logiciel libre-service NCR APTRA La première plateforme logicielle libre-service financière au monde. Experience a new world of interaction

Plus en détail

CREDIT AGRICOLE ASSET MANAGEMENT Les jeunes actifs et la retraite

CREDIT AGRICOLE ASSET MANAGEMENT Les jeunes actifs et la retraite CREDIT AGRICOLE ASSET MANAGEMENT Les jeunes actifs et la retraite 1er juillet 2008 Présentation F. Chassagne Résultats Enquête TNS Sofres FICHE TECHNIQUE Étude réalisée pour CREDIT AGRICOLE ASSET MANAGEMENT

Plus en détail

IBM Cognos TM1. Fiche Produit. Aperçu

IBM Cognos TM1. Fiche Produit. Aperçu Fiche Produit IBM Cognos TM1 Aperçu Cycles de planification raccourcis de 75 % et reporting ramené à quelques minutes au lieu de plusieurs jours Solution entièrement prise en charge et gérée par le département

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

Licence Professionnelle en Statistique et Informatique Décisionnelle (S.I.D.)

Licence Professionnelle en Statistique et Informatique Décisionnelle (S.I.D.) Université de Lille 2 - Droit et Santé Ecole Supérieure des Affaires & Institut Universitaire de Technologie (IUT-C) Département Statistique et Traitement Informatique des Données Licence Professionnelle

Plus en détail

Focus sur les politiques publiques de l épargne en France

Focus sur les politiques publiques de l épargne en France Focus sur les politiques publiques de l épargne en France T. Mosquera Yon Banque de France 1 En France, les pouvoirs publics ont, dès 1818, souhaité mettre en place des dispositifs visant à encourager

Plus en détail

La capacité d achat immobilier en Île-de-France :

La capacité d achat immobilier en Île-de-France : La capacité d achat immobilier en Île-de-France : Évaluation dynamique et disparités géographiques Kevin Beaubrun-Diant Juillet 2010 2 La capacité d achat immobilier en Île-de-France Introduction La compréhension

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac La classification 2012-2013 Fabien Chevalier Jérôme Le Bellac Introduction : Classification : méthode d analyse de données Objectif : Obtenir une représentation schématique simple d'un tableau de données

Plus en détail

Les Français et la banque en ligne

Les Français et la banque en ligne Les Français et la banque en ligne 11 Objectifs et Méthodologie Objectifs : Analyse du profil sociodémographique des clients des banques en ligne Historique et détention de produits financiers dans des

Plus en détail

LES CARTES DE PAIEMENT DANS UN NOUVEL ENVIRONNEMENT MULTICANAL ET CONCURRENTIEL :

LES CARTES DE PAIEMENT DANS UN NOUVEL ENVIRONNEMENT MULTICANAL ET CONCURRENTIEL : LES CARTES DE PAIEMENT DANS UN NOUVEL ENVIRONNEMENT MULTICANAL ET CONCURRENTIEL : Comment adapter les processus de distribution et de services en France? Étude GM Consultants & Associés Document de Présentation

Plus en détail

S424-4 LA MAINTENANCE DE L UC ET LA GESTION DES RISQUE. 1 Les enjeux de la maintenance et de la gestion des risques et incidents

S424-4 LA MAINTENANCE DE L UC ET LA GESTION DES RISQUE. 1 Les enjeux de la maintenance et de la gestion des risques et incidents S424-4 LA MAINTENANCE DE L UC ET LA GESTION DES RISQUE S424 Le contexte organisationnel de la relation commerciale S42 La relation commerciale 1 Les enjeux de la maintenance et de la gestion des risques

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

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

Méthodes d investigation

Méthodes d investigation Méthodes d investigation 1 LE QUESTIONNAIRE LE questionnaire 1. l économie générale du questionnaire : 2. L avant questionnaire 3. la construction du questionnaire 4. Le choix de l échantillon 2 1. Le

Plus en détail

Evolution des prix des services mobiles en France

Evolution des prix des services mobiles en France 28 mai 2014 Evolution des prix des services mobiles en France Résultats pour l année 2013 ISSN : 2258-3106 Sommaire SYNTHESE... 3 I. ELEMENTS DE METHODE... 5 I.1 MODELISATION DES COMPORTEMENTS DE CONSOMMATION...5

Plus en détail