Le CRM analytique Les outils d analyse OLAP et le Data Mining

Dimension: px
Commencer à balayer dès la page:

Download "Le CRM analytique Les outils d analyse OLAP et le Data Mining"

Transcription

1 Faculté des Sciences économiques et sociales Université de Fribourg Le CRM analytique Les outils d analyse OLAP et le Data Mining Dans le cadre du séminaire «Customer Relationship Management» Professeur Dr. Andreas Meier Assistant Darius Zumstein Rédigé et présenté par Géraldine Graf Case postale Oron-la-Ville Julien Stern Edouard Payot Lausanne Fribourg, le 26 avril 2008

2 TABLE DES MATIÈRES Introduction 1.1 Définition du CRM 1.1 Le CRM : une culture d entreprise 1.2 Les trois phases du CRM 2. Les trois dimensions du Customer Relationship Management 2.1 Le CRM opérationnel 2.2 Le CRM collaboratif 2.3 Le CRM analytique 3. Le data warehouse, une définition 3.1 Le data warehouse à la croisée des trois CRM 3.2 Le stockage des données dans l entrepôt de données 4. Des systèmes d information OLTP au data warehouse 4.1 L analyse des données : le data warehouse et les outils OLAP 4.2 Le cube OLAP, Drill Down Roll Up et Slicing 4.3 Exemples d application des outils d analyse OLAP 5. Définition du data mining 5.1 Les facteurs de succès du data mining 5.2 La préparation des données 5.3 Les tâches effectuées par le data mining La description L estimation La segmentation La classification La prévision L association 6. La Poste et le CRM 6.1 La fin annoncée d un monopole 6.2 L importance de l émotion dans la relation client 6.3 La qualité et la mise à jour constante des données 6.4 Siebel et le CRM analytique, un exemple concret Conclusion Bibliographie 2

3 Introduction Ce travail porte sur le Customer Relationship Management (CRM), soit la gestion de la relation client. Nous avons abordé ce concept en nous focalisant sur sa dimension analytique, orientation justifiée par le choix de notre sujet de séminaire, à savoir les outils d analyse OLAP et le data mining. Comme nous le verrons par la suite, le CRM analytique repose en grande partie sur l informatique. Que ce soit au niveau de la production des données, de leur stockage ou enfin de l analyse, utile en outre à l optimisation des processus et à la prise de décision, l informatique est omniprésente. En tant qu étudiants en gestion d entreprise, nous avons donc choisi de laisser parfois de côté certains aspects particulièrement techniques. Ceci étant, ce travail espère offrir une vision la plus large possible des principaux enjeux liés au CRM analytique en particulier, ainsi qu à la gestion de la relation client en général. Notre travail se divise en six parties. Après une brève introduction présentant le CRM de manière générale, nous présentons les trois dimensions, que l on retrouve régulièrement citées dans la littérature pour le définir. La partie suivante définit le concept de data warehouse, en français l entrepôt de données, qui joue un rôle primordial dans le processus d analyse. Les parties quatre et cinq traitent respectivement des outils OLAP et du data mining. Nous terminons avec un exemple concret de l'application du CRM au sein d une entreprise, en l occurrence «La Poste». La conclusion sera enfin l occasion d apporter un regard critique sur notre travail, sur l application du CRM analytique dans la réalité ainsi que sur la définition voire la promotion de la gestion de la relation client dans les livres comme sur Internet. 3

4 1. Définition du CRM De nos jours, l évolution des technologies, la mondialisation des marchés et le raccourcissement du cycle de vie des produits rendent la concurrence toujours plus rude. Il devient très difficile pour une entreprise de conserver sa part de marché en se basant uniquement sur les prix et les produits. Le fort déclin de la publicité de masse illustre cette difficulté à gagner et à conserver des parts de marché en se focalisant uniquement sur le produit. Dès les années 80, les techniques de marketing de masse n apportant guère de résultats positifs pour les entreprises, elles cèdent leurs places à un marketing direct, orienté vers le client, qu il faut comprendre, satisfaire et avec qui il faut communiquer «directement» afin d optimiser le succès futur de l entreprise. Le CRM s inscrit clairement dans cette évolution et représente, d une certaine manière, le dernier marketing direct. Afin de construire une relation avec le client dans le but d aboutir à une fidélité de ce dernier, les entreprises s orientent donc actuellement et de plus en plus vers la gestion de la relation client. Le CRM est un processus qui consiste à gagner, à conserver, à élargir et à fidéliser une clientèle. Sa stratégie est de placer le client au centre des préoccupations de l entreprise en instaurant un dialogue, une relation de confiance et un respect mutuel avec les clients. La communication bidirectionnelle ainsi que la circulation de l information sont des données primordiales pour élaborer une stratégie CRM. Il est effectivement indispensable pour l entreprise de comprendre ce que veut le client, ce dernier étant placé au centre des préoccupations. Les connaissances que l entreprise se doit d avoir du marché sur lequel elle se trouve ainsi que l acquisition des informations récoltées sur le client à chaque contact avec celui-ci, vont permettre à l entreprise, pour autant qu elles soient utilisées à bon escient, d optimiser la satisfaction de sa clientèle. Comme nous le verrons plus tard dans le travail, la technologie revêt un rôle essentiel dans le CRM. Elle va permettre d extraire des connaissances à partir de données stockées et gérées dans un entrepôt de données, puis analysées grâce aux outils OLAP et au data mining. 1.1 Le CRM : une culture d entreprise Le succès du CRM nécessite un engagement réel qui ne concerne pas seulement un département de vente ou de marketing mais nécessite l engagement de l ensemble du personnel concerné. La culture d entreprise est ainsi un facteur de réussite déterminant dans la gestion de la relation client. L entreprise se doit ainsi d évoluer dans une atmosphère et un climat favorable afin que le client se sente en confiance, à l aise et apprécié. Le développement de la culture d entreprise passe par le bien être et la motivation des employés. L identification de l employé envers son entreprise amène celui-ci à rester fidèle à son employeur. Ceci étant, l employé pourra construire une relation à long terme et personnelle avec le client, ce qui conduira à la compréhension des 4

5 besoins du client par l employé. Si la communication entre les différents départements de l entreprise est réalisée, l employé va se transformer en vecteur de communication et va ainsi permettre à l entreprise entière de comprendre les besoins de la clientèle. 1.2 Les trois phases du CRM Dans «La gestion de la relation client», Stanley Brown divise la stratégie CRM en trois phases qu il nous paraît important de citer. En effet, elles résument à elles seules les enjeux et fondements du Customer Relationship Management : - La conquête permanente de nouveaux clients. - La fidélisation de ces derniers. - La gestion stratégique du service client : l entreprise doit identifier ses clients les plus prometteurs et ainsi, tout en conservant un service de bonne qualité à l ensemble de ses clients, leurs offrir des services de qualité encore plus élevés. Le concept de fidélisation est central. Son but est l optimisation de la relation client et il représente la clé de l augmentation des recettes au sein d une entreprise. A l instar de son importance dans le CRM, il sera en outre le fil conducteur de notre travail. Pour ce faire, l entreprise devra faire évoluer sa relation avec le client comme une relation amoureuse, en construisant progressivement les valeurs de loyauté et de confiance et ce, afin de se démarquer de ses concurrents. En se montrant à l écoute, l entreprise va faire évoluer ces valeurs afin d installer une alliance entre les deux parties. Les intérêts des clients étant compris, il sera alors possible pour l entreprise d adresser des messages ainsi que des services ciblés au client, services pouvant être des avantages offerts par l entreprise. Dès lors que le client devient un réel partisan de l entreprise, la fidélité est établie et ce dernier va véhiculer une image positive de l entreprise en la recommandant à d autres personnes. 2. Les trois dimensions du Customer Relationship Management Au cours de notre recherche, nous avons fréquemment retrouvé le CRM divisé en trois domaines d activité interdépendants : le CRM opérationnel, le CRM collaboratif et le CRM analytique. La collaboration de ces trois parties a pour finalité de réaliser l objectif ultime de la stratégie CRM de l entreprise, c est-à-dire le développement et l optimisation de la relation client. Le tableau ci-dessous montre de manière schématique les trois éléments du CRM et leur interdépendance. 5

6 Schéma 1: extrait de l article «The designing of CRM based on Data Warehouse» 1 Notre travail se focalisera essentiellement sur l analytique (à droite dans le schéma) et spécifiquement à la fonction du data warehouse (ou entrepôt de données), des outils d analyse OLAP et du data mining. Cependant, afin de mieux comprendre le CRM dans son ensemble et de bien se représenter le rôle et la participation de chacun des ses éléments dans le fonctionnement optimal du tout, il est nécessaire de définir ce que l on entend par CRM opérationnel et collaboratif. 2.1 Le CRM opérationnel Le CRM opérationnel peut être défini comme l automatisation et l amélioration constante des processus de vente, de marketing et de service client. Celles-ci sont rendues possibles grâce à l analyse des données qui sont produites lors des différentes opérations, analyse qui par effet «boomerang» permet d apporter des améliorations à ces mêmes processus. Par exemple, le public cible d une action marketing sera défini plus précisément ou encore le canal de distribution d un produit sera adapté selon les préférences de chaque client. 2.2 Le CRM collaboratif Le CRM collaboratif fait référence aux moyens de communication au travers desquels l entreprise entre directement en contact avec le client. On pense notamment au call center, à Internet ou encore à la correspondance par s. Un des objectifs du CRM collaboratif est de donner une image de l entreprise positive et uniforme au client et d établir une relation de confiance avec lui en proposant un service personnalisé et de qualité. C est également, dans cette même idée, l occasion de récolter de très précieuses informations sur le client, qui seront stockées et permettront de mieux cibler ses besoins et ses attentes. Enfin, un des enjeux principaux du CRM collaboratif est d assurer à chaque employé l accès à une information la plus complète et la plus récente possible sur son interlocuteur, afin que ce dernier se sente suivi et considéré personnellement. 1 Dans le partie opération, relevons les abréviations suivantes: SFA pour Sales Force automation, MA pour Marketing automation, CSS pour Client Support Service. 6

7 2.3 Le CRM analytique Le rôle du CRM analytique est la véritable clé de voûte du système. Nous l aborderons plus dans les détails par la suite mais en résumé, il consiste à stocker et à analyser la très vaste quantité de données générées en bonne partie par le CRM opérationnel et collaboratif. A partir de ces données, les différents outils d analyse se chargent d extraire des connaissances qui servent de support à la prise de décision et permettent d améliorer notamment les processus du CRM opérationnel et collaboratif. 3. Le data warehouse, une définition Lorsque l on pense CRM, parler de data warehouse est incontournable. Il permet le stockage et l analyse de données, et est à la base du partage de l information et de la création des connaissances indispensables à la compréhension des clients et à la prévision de leurs comportements. Avant d aborder ses activités, donner une définition d un entrepôt de données nous donnera des éléments de compréhension utiles pour la suite. Celle-ci comporte quatre points principaux sur lesquels nous allons nous attarder dans ce chapitre. «A Data warehouse is a subject oriented, integrated, non-volatile, and time variant collection of data in support of management s decisions» (Inmon, 1996). «L entrepôt de données est «orienté sujet», c est-à-dire organisé autour des thèmes majeurs qui touchent au métier de l entreprise» (Grenier, C. et Moine, C., 2003). Les données sont à l origine regroupées par processus fonctionnels, alors qu ici elles sont structurées par thème. Ces données se doivent donc d être intégrées à l entrepôt de données. Elles sont de fait mises en forme et réunies à partir de systèmes hétérogènes et de sources externes dans une seule et même base de données. Cette phase du processus est la plus complexes du data warehousing. Troisièmement, l entrepôt de données stocke des données «non-volatiles», ce qui veut dire qu elles ne sont pas mises à jour, ni modifiables. Elles sont comme photographiées, seule leur lecture est possible ce qui n est pas le cas des données contenues dans les systèmes d information opérationnels. Enfin, dans la continuité, les données sont simplement ajoutées les unes après les autres au sein de l entrepôt de manière chronologique. Chaque donnée est ainsi associée à une date à laquelle elle a été créée. 7

8 3.1 Le data warehouse à la croisée des trois CRM Avant d aller plus en avant dans le CRM analytique, dans la définition et l usage des outils de recherche OLAP et du Data mining, il est important de parler du rôle fondamental que tient le data warehouse au sein du CRM. Schéma 3 : extrait de l article «Customer Analytics Making the Difference in CRM : Customer Analytics Amplify the value of integrated CRM Solutions» A l image du tableau ci-dessus, parler de data warehouse ou d entrepôt de données s inscrit dans un concept plus général qui est celui de l intégration de systèmes d information hétérogènes. Le data warehouse fait référence en l occurrence, à l intégration par les données qui sont partagées par des systèmes autonomes. En observant le schéma ci-dessus, on peut constater que l entrepôt de données fait littéralement office de pivot entre chacun des éléments du CRM. Prenons un exemple. Que l on parle de l analyste, du chef de produit, du marqueteur ou encore du collaborateur du centre d appels, chacun a accès, grâce à l entrepôt de données, à la même source de données et aux mêmes informations. L analyste utilise ses outils d analyse pour trouver dans le «Customer Data Warehouse» les résultats de ses requêtes et des nouvelles connaissances qui aideront les managers ou les ingénieurs dans leurs décisions comme dans l optimisation des différents processus opérationnels de l entreprise. Le chef de produit focalisera son attention sur les ventes de son produit, par région, par période et ce, souvent par l intermédiaire d un data mart 2. A l aide de ces même data marts, le marqueteur a la possibilité de voir l efficacité ou non d une campagne de publicité et de la réajuster si besoin est. Et finalement, le collaborateur du centre d appels aura accès à l information la plus complète possible sur chacun des clients avec qui il est amené à communiquer grâce au «Operational Data Stores» 3. 2 Un data mart est une partie du data warehouse. Il permet de faire des requêtes sur une base de données plus petite qui regroupe les données qui correspondent aux besoins de l utilisateur. Le responsable marketing, le chef de vente disposent ainsi chacun d un extrait du data warehouse spécifique à leur domaine d activité. Les données y sont moins nombreuses et permettent des analyses plus rapides et ciblées. 3 Un «Operational Data Stores» est comme un intermédiaire entre l utilisateur et l entrepôt de données. Il est remis à jour tout au long des opérations commerciales et permet des requêtes simples sur une petite quantité de 8

9 3.2 Le stockage des données dans l entrepôt de données Comme on l a vu ci-dessus, le CRM analytique a pour fonction de permettre le stockage et l analyse des données générées notamment par les opérations de marketing, de vente, le service client ainsi que les informations récoltées sur le client lors de contacts téléphoniques, électroniques ou encore grâce à des questionnaires. Comme on peut le voir dans le tableau ci-dessous, l étape qui précède l analyse est celle qui consiste à extraire les données de là où elle se trouve et de les stocker dans un entrepôt de données ou un data warehouse. Cette phase du processus est cruciale et comporte certaines difficultés et des risques qu il est important d énoncer ici. Schéma 2 : extrait de l article «The designing of CRM based on Data Warehouse» On peut constater tout d abord, que les données que l on va intégrer au data warehouse ne proviennent pas seulement des CRM opérationnel et collaboratif. En effet, il existe deux autres sources qui viennent compléter l entrepôt de données et permettre d affiner la qualité des résultats du travail d analyse. Il s agit des données internes à l entreprise contenues dans les progiciels de gestion intégrée (ERP), celles produites par le Supply Chain Management et enfin celles qui proviennent que des sources externes. La diversité des sources desquels vont être extraites les données vers le data warehouse implique une première difficulté technologique. Effectivement, il s agit ici d intégrer ou de regrouper des données de nature différente, provenant de sources et de systèmes d information distincts les uns des autres. Cette tâche est réalisée par un logiciel middleware appelé ici ETL 4. Comme son nom l indique, ce logiciel primordial permet d extraire des données de sources multiples, de les transférer et de les charger dans l entrepôt de données. Un autre aspect à ne pas minimiser dans cette étape du processus est le choix des données que l on va choisir d intégrer à l entrepôt de données. En effet, il s agit ici de définir préalablement les besoins des utilisateurs afin d y répondre le plus données comme définir l état d une commande. C est l équivalent de la mémoire à court terme au contraire de l entrepôt de données qui stockent des données qui peuvent entre cinq et dix ans. 4 Extraction-transfer-Load 9

10 précisément possible mais également pour éviter que l entrepôt de données soit «une prison de données» 5, dans laquelle on ne puisse finalement pas accéder à ce que l on recherche. 4. Des systèmes d information OLTP au data warehouse Comme nous l avons vu, le data warehousing est un élément fondamental du CRM analytique puisqu il permet d extraire et de stocker les données dans un seul endroit afin d y être analysées et d en tirer des connaissances qui serviront de support à la prise de décisions et à l amélioration des processus au sein de l entreprise. La distinction qui fait l objet de ce chapitre entre les systèmes OLTP, soit Online Transactional Processing, et OLAP ou Online Analytical Processing a été à plusieurs reprises abordées plus haut. Nous avons cependant délibérément choisis d attendre avant d évoquer plus spécifiquement ces deux concepts. En effet, bien qu il eut été possible de les énoncer dans la partie sur le data warehousing, il nous a semblé plus simple de ne pas tout mélanger et d en faire un chapitre à part entière. L abréviation OLTP fait référence aux systèmes d information qui facilitent et gèrent les transactions opérationnelles de l entreprise. Comme nous l avons vu précédemment, ce sont justement ces derniers qui produisent de manière indépendante les uns des autres, les données que la tâche du data warehousing va réunir dans une seule et même base de données afin d y être analysées grâce aux outils OLAP et au data mining. En résumé, «l information qu il [le data warehouse] contient provient, pour la majeure partie, de systèmes opérationnels configurés en systèmes transactionnels ou OLTP, conçus à l origine pour traiter et enregistrer un grand nombre de petites transactions. La structure des bases de données OLTP vise au traitement rapide de telles transactions, ce qui réduit autant que possible le délai de réaction d un système opérationnel. L entrepôt de données, quant à lui, consiste en un ou plusieurs systèmes aptes non seulement à répondre rapidement à des questions demandant un important volume de données mais aussi à stocker ces dernières de manière efficace» (Ed Peelen, 2006). 4.1 L analyse des données : le data warehouse et les outils OLAP Nous l avons vu précédemment, les systèmes OLTP s occupent de gérer les processus opérationnels au sein de l entreprise à l inverse du data warehouse qui sert à stocker les données et des outils OLAP qui sont destinés à leur analyse. N ayant pas les connaissances de l informaticien de gestion, nous avons choisis concernant les outils d analyse OLAP, de nous arrêter à la présentation du cube OLAP 6. Ce concept est effectivement souvent utilisé pour représenter les possibilités que les outils d analyse offrent à l utilisateur. 5 Tiré de l article scientifique «Building a Data Warehouse step by step», p. 2 6 Nous n aborderons notamment pas les différentes modèles OLAP, à savoir MOLAP, ROLAP, HOLAP et DOLAP, bien trop techniques et compliqués à comprendre pour nous. 10

11 Avant de poursuivre dans le chapitre suivant sur les usages et le potentiel du cube OLAP, citons encore l extrait d un article qui explique la relation qui lie le data warehouse et les outils OLAP. «Les applications OLAP sont intimement associées aux entrepôts de données - c'est-à-dire les bases qui, au sein d'une plate-forme de business intelligence 7, se chargent de consolider (par le biais d'outils d'intégration de données notamment) l'ensemble des informations métier d'une activité, en vue d'en permettre ensuite l'analyse. En fait, un datawarehouse se résume en une architecture trois tiers : - Une base relationnelle qui stocke et structure les contenus, - La couche d'analyse OLAP en tant que telle (ou serveur OLAP), - Les interfaces client de reporting» (Antoine Crochet-Damais, 2008). 4.2 Le cube OLAP, Drill Down Roll Up et Slicing Comme nous l avons évoqué plus haut, le concept OLAP fait référence à une méthode d analyse qui peut être représentée par un cube. Comme nous pouvons le voir dans le schéma ci-dessous, le cube s organise autour de deux concepts fondamentaux, le fait et les dimensions. Le fait, en principe numérique, est l information que l on veut mesurer puis analyser alors que les dimensions (par exemple la période de temps, la zone géographique ou la gamme de produits), constituées d une hiérarchie d attributs, représentent les axes à partir desquels le fait est calculé. Schéma extrait du cours intitulé «Systèmes d information de l entreprise», dispensé par le Dr. Stefan Huesemann à l Université de Fribourg au semestre d automne Un des grands avantages d une telle organisation des données est la flexibilité et la facilité avec lequel l utilisateur peut adapter ses requêtes selon ses besoins. Le schéma ci-dessus, constitué du chiffre d affaire pour le fait et du temps, du lieu et du produit pour les dimensions (elles peuvent être plus nombreuses), suggère 7 La Business Intelligence, en français informatique décisionnelle, désigne l ensemble des technologies qui permettent de collecter les données d une entreprise et de les analyser dans le but de servir de support à la prise de décisions et à l élaboration de stratégies. 11

12 intuitivement les vastes possibilités offertes par un tel dispositif. A l instar de l image de droite qui montre comment on peut savoir le nombre de vidéo vendue en 2001 à Bern, les alternatives d un tel modèle sont en réalité aussi nombreuses qu il y a d utilisateurs et de besoins spécifiques. Voyons pour illustrer cela les deux schémas suivants : Schéma extrait du cours intitulé «Systèmes d information de l entreprise», dispensé par le Dr. Stefan Huesemann à l Université de Fribourg au semestre d automne Le premier schéma décrit une fonction extrêmement intéressante qui permet de répondre de manière très flexible aux différentes questions que l utilisateur peut se poser. En effet, à l aide des dimensions, elles-mêmes constituées d une hiérarchie d attributs, il est possible de savoir combien de vidéos ont été vendues par jour, par mois ou encore par année en ajustant simplement la dimension en fonction des besoins. De la même manière, en centrant sa requête sur la dimension «lieu», on pourra déterminer combien de vidéos furent vendues dans un canton, dans une ville ou encore pour chaque magasin. Le second dessin, quant à lui, démontre lui aussi la richesse et la flexibilité qu offrent un tel outil d analyse. En effet, on constate que l on peut également littéralement «couper le cube en tranches». Le directeur financier cherchera à savoir combien de produits ont été vendus dans le monde pour une période précise. Le directeur régional des ventes quant à lui, cherchera à connaître le chiffre d affaire total pour la zone dont il est responsable. Enfin, le chef de produit, s intéressant à un produit spécifique, cherchera à connaître le nombre total des ventes dans le monde sans préciser une période particulière. 4.3 Exemples d application des outils d analyse OLAP Pour avoir une vision plus pragmatique de l utilité des outils OLAP, exposons trois cas pratiques dans lesquels ils sont mis à contribution et à quoi ils peuvent concrètement servir. Pour ce faire, nous nous inspirerons en grande partie de l article OLAP applications disponible gratuitement sur le site 12

13 Le marketing de base de données est l application des outils d analyse OLAP, souvent combinés aux technologies de data mining, qui est la plus directement liée à la gestion de la relation client. En effet, il permet par exemple au professionnel de déterminer les meilleurs clients et de fidéliser ces derniers en leur proposant des offres promotionnelles. A l inverse, l utilisateur peut en profiter pour identifier «les mauvais clients» ou encore certains profils de clients auxquels une offre ne correspond pas, afin soit de réajuster celle-ci soit de l abandonner. L analyse des ventes est une autre des fonctions essentielles des outils OLAP. Ces derniers peuvent effectivement apporter des connaissances profitables pour les entreprises, en particulier dans l industrie des biens de consommation et des services financiers ainsi que dans le commerce de détails. Le seul fait d évoquer quelques-unes des questions auxquelles ces outils sont en mesure d apporter une réponse décrit tout l intérêt de ces derniers : - Est-on en mesure d atteindre nos objectifs de ventes par produit et par région dans une période donnée? - L évolution des ventes d un nouveau produit est-elle identique partout? - Est-ce que les actions de promotions ont un effet sur les ventes? - Etc. L analyse des «clic» de l internaute sur un site Internet peut également être d une très grande utilité, en particulier pour les entreprises consacrées au e-business. Pratiquement, les outils OLAP rendent possible par exemple la récolte de données démographiques, parfois personnelles, sur le client, l identification du chemin par lequel il est arrivé sur le site de l entreprise ou encore le calcul du nombre de «clics» que celui-ci a dû faire pour trouver sur le site Internet ce qu il est venu y chercher. 5. Définition du data mining Le data mining signifie littéralement «fouille de données» ou «forage de données». Ce procédé, basé sur une série d algorithmes 8 ou modèles de data mining que nous n allons pas aborder dans ce travail, permet d extraire des informations à partir de données, informations qui, grâce à l analyse, se convertissent en connaissances. «Le data mining est l analyse d un ensemble d observations qui a pour but de trouver des relations insoupçonnées et résumer les données d une nouvelle manière, de façon qu elles soient plus compréhensibles et utiles pour leurs détenteurs» (David Hand, 2001). Autrement dit, il consiste à analyser des informations collectées dans des entrepôts de données afin d y détecter des relations qu il serait a priori impossible d identifier sans cet outil. C est un élément essentiel dans la relation client et de système d aide à la décision. Partant de là, on comprend mieux pourquoi le data mining est annoncé comme étant «un des développements technologiques les plus révolutionnaires des dix 8 Par exemple : les arbres de décisions, les réseaux de neurones, les réseaux de Kohonen ou encore les algorithmes de la méthode de classification hiérarchique. Voir les chapitres 5, 6, 7, 8 et 9 de «Des données à la Connaissance, une introduction au Data mining» de Daniel T. Larose. 13

14 prochaines décennies» selon le magasine en ligne ZDNET News. (Rachel Konrad, février 2001). En effet, cette technologie est perçue comme étant réellement indispensable de nos jours à l analyse de la quantité toujours plus vaste d informations produites par tous les systèmes d information de l entreprise. Enfin, comme nous l avons dit, en tant que processus, il est pertinent de souligner ici que le data mining ne se réfère pas seulement à des outils et à une technologie informatique très développée. Effectivement, il faut également relever le rôle fondamental de l humain dont l implication se doit d être totale dans chaque phase du processus. Il est erroné de penser que le data mining est une entité qui fonctionne de manière autonome. 5.1 Les facteurs de succès du data mining Lorsque nous passons à la caisse d un supermarché, il est difficile de ne pas entendre les «bip, bip» des scanners lisant les codes barres sur les produits. Mais à quoi servent ces données enregistrées? Chacune d entre elles, c est-à-dire chaque «bip» représente une nouvelle «observation», une nouvelle information concernant nos habitudes d achat. Toutes ces informations sont collectées et stockées dans des bases de données destinées à l analyse et vont permettre ensuite à l entreprise d identifier, par exemple, les mauvais clients ou alors, au contraire, de lancer une campagne de fidélisation en offrant des produits à ses meilleurs clients. A l image des scanners des caisses qui enregistrent quotidiennement des milliers et des milliers de transactions, l augmentation de la production de données représente un des facteurs déterminants de la montée en puissance du data mining. D autres causes alimentent ce phénomène, comme par exemple, «la pression concurrentielle pour accroître la part de marché dans un marché mondialisé, le développement de logiciels de data mining prêts à l emploi, l énorme croissance de la puissance informatique et de la capacité de stockage» et, enfin, «le stockage des informations dans les entrepôts de données qui permettent à toute l entreprise d accéder à une base de données fiable». («Des données à la connaissance», 2005) 5.2 La préparation des données Il est très important, avant toute opération de data mining, de procéder à un nettoyage des données se trouvant dans le data warehouse. Celles-ci ont besoin d être préparées et transformées afin d être exploitables pour le data mining. En effet, les data warehouse contiennent très souvent des données incomplètes qui peuvent être : - des champs obsolètes ou redondants - des valeurs aberrantes, - Des données manquantes, - Des valeurs dénuées de sens pour la logique, 14

15 - Des données sous une forme non adaptée au modèle de data mining. Il est ainsi très important et même capital de minimiser les déchets afin d optimiser au maximum le travail de data mining. Ce travail de nettoyage est énorme et il représente à lui tout seul 60% du temps de travail lors du processus de data mining. (Selon Daorian Pyle dans son livre Data Preparation for Data Mining). 5.3 Les tâches effectuées par le data mining Après avoir défini ce qu est le data mining, il convient de présenter les tâches que celui-ci peut effectuer. Ces dernières sont au nombre de six, chacune d entre elles revêt une fonction spécifique pour l analyse et est réalisée grâce à des algorithmes différents. Bien qu on retrouve ces six alternatives dans toute la littérature sur le sujet, nous nous sommes à nouveau inspiré pour ce chapitre du livre «Des données à la connaissance» de Daniel T. Larose La description L importance de cette tâche est de permettre à l analyste d interpréter les résultats d un modèle de data mining, soit d un algorithme, de manière la plus transparente et efficace possible. «Ainsi, les résultats du modèle de data mining doivent décrire des caractéristiques claires qui puissent amener à une interprétation et à une explication intuitive. Certaines méthodes de data mining sont plus adaptées que d autres pour une interprétation transparente» (Daniel T. Larose, 2005) L estimation La variable cible 9 est numérique. L estimation permet par exemple d estimer la somme d argent qu un couple va dépenser pour des produits solaires cet été ou encore d estimer le nombre de buts que va marquer l équipe de Suisse lors de l Euro. On pourra également estimer le revenu d une famille en fonction de divers critères (profession, catégorie de voiture...). L intérêt principal de cette tâche est de pouvoir ordonner les résultats afin d avoir la possibilité de retenir seulement les meilleurs valeurs, technique qui sera surtout utilisée en marketing dans le but de pouvoir proposer des offres aux meilleurs clients potentiels de l entreprise. 9 On peut définir ici la variable cible comme étant celle que l on cherche, à l aide des modèles de data mining, à expliquer ou prédire la valeur. 15

16 5.3.3 La segmentation Ici, la variable cible n est pas numérique, mais catégorielle, comme par exemple le revenu, qui peut être divisé en trois catégories : faible revenu, revenu moyen et revenu élevé. «La segmentation consiste à répartir les clients en groupes homogènes, qu il convient ensuite d aborder par des moyens spécifiques et adaptés aux caractéristiques et attentes de chaque groupe. Les membres d un même groupe réagissent de la même manière aux stimuli marketing. Ils ont en commun un mode de communication, des comportements d achat et/ou des besoins spécifiques» (Ed Peelen, 2006) La classification La classification est différente de la segmentation en ce sens qu il n y a pas de variable cible pour segmenter. La classification va s intéresser au regroupement de données ou d observations en groupes d objets similaires. En d autres termes, elle va segmenter l ensemble des données afin de former des sous-groupes homogènes. Ceux-ci s appellent des clusters, à savoir des classes, qui sont des groupes dans lesquels les données sont similaires entre elles et, par définition différente des autres groupes La prévision Les résultats de la prévision portent, comme son nom l indique, sur le futur, ce qui la différencie de l estimation. Pour le reste, elle est similaire à ces deux tâches expliquées précédemment. La prévision permet par exemple de prévoir quels vont être les gagnants du championnat de basket-ball en tenant compte de la comparaison des résultats de chaque équipe ou encore de prévoir quel va être la taux de décroissance des décès sur la route l année suivante en prenant compte de l augmentation des limitations de vitesse et des mesures de réprimande plus strictes adoptées par la police en ce qui concerne l alcool au volant L association Cette fonction du data mining permet de découvrir quelles variables vont ensemble, quelles sont les règles qui vont permettre de quantifier les relations entre deux ou plusieurs variables. Par exemple, si l on s intéresse à 500 clients qui viennent faire leurs courses au supermarché le vendredi soir et que l on constate que sur ces 500 clients, 100 achètent des fruits et que sur ce nombre, 30 achètent du lait, ainsi, la règle d association est «si l on achète des fruits, alors on achète du lait», avec une mesure de support de 100/500 = 20% et un seuil de confiance de 30/100 = 33%. 16

17 6. La Poste et le CRM Dans le cadre de ce travail de séminaire, il était demandé de réaliser une étude de terrain en collaboration avec une entreprise afin d aborder la question de la gestion de la relation client de façon plus pragmatique. Pour ce faire, nous avons choisi de nous adresser à La Poste. Ce choix s est fait relativement par hasard. En effet, en faisant quelques recherches sur Internet, nous sommes «tombés» sur plusieurs documents très intéressants et détaillés sur le marketing direct en général et le CRM en particulier. Après avoir lu les différents dossiers mis à disposition par la Poste sur leur site 10, nous avons décidé d écrire un mail à la société en demandant s il serait possible d obtenir un entretien avec la personne responsable du CRM au sein de l entreprise. Très rapidement, Monsieur Peter Kohler, responsable de la gestion de la relation client au sein de la Poste, nous a répondu et proposé de nous rencontrer. Il est intéressant de relever que ce n était pas la première fois que Monsieur Kohler présentait à des étudiants l intérêt de la Poste pour le CRM. Son enthousiasme et notre intérêt pour le sujet nous ont mené dans un entretien réalisé en allemand de près de 3 heures. Monsieur Kohler nous a exposé la stratégie CRM de la Poste à l aide d une présentation PowerPoint, destinée a priori aux clients plutôt qu à des étudiants. Pendant celle-ci, nous avons retenu plusieurs points importants sur lesquels nous allons revenir ici. 6.1 La fin annoncée d un monopole Depuis le premier janvier 2004, PosteColis, c est-à-dire l envoi de paquets, évolue dans un environnement ouvert à la concurrence. En avril 2006, la limite du monopole pour les lettres est passée à cent grammes et va être baissée à cinquante grammes dès avril Nous constatons de ce fait que le monopole, détenu jusque là par la Poste s estompe petit à petit et qu il va céder sa place à une ouverture totale du marché suisse des télécommunications en C est dans cet environnement qu est né l intérêt de la Poste pour la gestion de la relation client et pour la solution CRM Siebel 11. Sans entrer dans une définition des enjeux d une telle libéralisation (cela pourrait faire l objet d un travail de séminaire à part entière), il est essentiel de comprendre que la Poste se doit, dans cette situation, de réorganiser en conséquence sa stratégie, son organisation et son offre, afin de faire face à la croissance exponentielle de la concurrence. Il s agit désormais de considérer le client comme une ressource sans laquelle l entreprise ne peut pas survivre. C est dans ce contexte que le concept de la gestion de la relation client a pris toute son importance pour la Poste et qu elle va devenir capitale au vu de la libéralisation du marché Siebel est leader mondial sur le marché des solutions de CRM. 17

18 A l image d un des «slides» de la présentation de Monsieur Kohler, La Poste ne peut donc plus se contenter d être un simple livreur de courrier. Avec les concurrents allemands ou français contre lesquels la Poste suisse ne pourra à terme pas lutter, Monsieur Kohler nous a expliqué que la nouvelle stratégie est dans un futur proche de se positionner sur des marchés de niche, en proposant des services personnalisés, de qualité supérieure. Du simple livreur, le but est de devenir un conseiller stratégique, qui anticipe les besoins de ses clients et leur propose des solutions adaptées, un partenaire disponible et compétent sur lequel le client pourra compter en tout temps. 6.2 L importance de l émotion dans la relation client L aspect que nous allons aborder dans cette partie, sur lequel Monsieur Kohler s est beaucoup attardé et qui nous a particulièrement marqué est l importance donnée à la dimension sentimentale dans la gestion de la relation client. En effet, que ce soit le simple individu qui se rend à la Poste faire ses paiements ou l entreprise, comme Nestlé, qui représente une manne financière primordiale, la Poste, par l intermédiaire de notre interlocuteur, montre attacher beaucoup d importance au développement d une relation qui ne se limite pas seulement aux simples transactions mais qui, en plus, les «emballent dans un paquet» de sympathie et de confiance. A l image de sa publicité institutionnelle réalisée pour l année 2008, la Poste se positionne donc comme une entreprise proche et à l écoute de ses clients et de ses besoins, comme en témoigne le slogan : «nous avons la Poste dans le sang». Dans cette même idée, Monsieur Kohler nous a révélé les résultats d une recherche, pas encore publiée, effectuée auprès de ses clients commerciaux, qui démontre que pour plus de 60% d entre eux, l avenir du CRM est dans le face-à-face et non, comme on pourrait le penser, dans l informatique. 6.3 La qualité et la mise à jour constante des données 18

19 Un des points sur lesquels Monsieur Kohler a également beaucoup insisté sur l investissement énorme que requièrent la récolte et surtout la mise à jour des données. Sans parler des conséquences que peuvent avoir des données incomplètes ou fausses dans le travail d analyse par exemple, évoquer seulement la tâche énorme qui découle du seul fait d avoir la bonne adresse de chaque client, qu il soit privé ou commercial, donne une bonne idée de son ampleur. Si l on s intéresse aux clients privés dans un premier temps, nous avons été très surpris d apprendre que 20% d entre eux changent d adresse chaque année. Sur 9.4 millions de clients (une personne peut avoir plusieurs adresses), l investissement en temps et en argent que représente la mise à jour d environ 1.9 millions d adresses par année est considérable. Quant à la clientèle privée, et plus particulièrement les 500 «Top Kunden», qu il s agit de «soigner» tout particulièrement, il est également fondamental que toutes les adresses, ainsi que les personnes de référence soient correctes. En effet, si l on prend l exemple de Nestlé qui possède au moins 50 adresses rien qu à Vevey, nous imaginons facilement le labeur lié au fait d avoir, pour chaque département, l adresse juste et surtout le nom de la bonne personne de contact. 6.4 Siebel et le CRM analytique, un exemple concret Pour des raisons de manque de temps et de connaissances sur les solutions CRM telles que Siebel, mais aussi à cause des limites liées à notre maîtrise relative de la langue allemande, nous ne nous sommes pas attardé avec Monsieur Kohler sur le fonctionnement et toutes les possibilités offertes par la solution CRM de la Poste. Nous avons cependant récoltés quelques informations pertinentes que nous allons évoquer ci-dessous. La Poste a décidé de travailler avec le software Siebel sous sa forme standard. C était effectivement une décision stratégique que de ne pas investir plus que le prix du software, et de ne pas se lancer dans un processus de programmation qui aurait coûté encore bien plus de temps et d argent. En s intéressant plus particulièrement aux fonctions analytiques de ce software (basé sur un moteur OLAP et une architecture data mart), nous avons appris que, sous sa forme standard, il propose pas moins de 48 modèles d analyse permettant notamment d effectuer des segmentation de clientèle ou encore toute une série de mesures très pertinentes, dont nous allons présenter deux exemples. Avant cela, ajoutons encore que la Poste ne fait pas recours aux outils de data mining. Elle limite effectivement son travail d analyse au potentiel de son système CRM. Le premier exemple est la découverte que plus de 80% du chiffre d affaire est dû à seulement 500 clients («Top Kunden»). La conséquence de cette observation fût immédiate. En effet, conscient de l importance que représentaient ces 500 clients, la Poste a décidé de créer des équipes destinées exclusivement à la gestion de la relation avec ces clients privilégiés dont la perte d un seul peut se révéler dangereuse pour l entreprise dans sa globalité. 19

20 La seconde illustration de l utilité d un pareil système d analyse pour la Poste s est révélée en apprenant que seulement trois produits réalisaient 44% du chiffre d affaire total et que 10 produits étaient garants du 83%. Ces connaissances ont eu pour effet d augmenter d une part la promotion de ces produits «phares», et d autre part, d en développer de nouveaux pour tenter de réduire les risques en diversifiant le portefeuille d activité de l entreprise. 20

QU EST-CE QUE LE DECISIONNEL?

QU EST-CE QUE LE DECISIONNEL? La plupart des entreprises disposent d une masse considérable d informations sur leurs clients, leurs produits, leurs ventes Toutefois ces données sont cloisonnées par les applications utilisées ou parce

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

Business & High Technology

Business & High Technology UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 6 : Customer Relationship Management (CRM) Sommaire Introduction... 1 Les enjeux

Plus en détail

L information et la technologie de l informationl

L information et la technologie de l informationl L information et la technologie de l informationl CRM & informatique décisionnelled CRM CRM & informatique décisionnelle. d 1 2 3 Les Les fondements managériaux managériaux du du CRM. CRM. Les Les fondements

Plus en détail

BI = Business Intelligence Master Data-ScienceCours 4 - OLAP

BI = Business Intelligence Master Data-ScienceCours 4 - OLAP BI = Business Intelligence Master Data-Science Cours 4 - OLAP UPMC 15 février 2015 Plan Vision générale ETL Datawarehouse OLAP Reporting Data Mining Entrepôt de données Les entrepôts de données (data warehouse)

Plus en détail

et les Systèmes Multidimensionnels

et les Systèmes Multidimensionnels Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées

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

Chapitre I : Introduction

Chapitre I : Introduction Chapitre I : Introduction 1.1) Problématique A partir des années soixante, l environnement des entreprises a connu une mutation capitale, sans précédant historique dans le climat des affaires. Ces changements

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

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP... Table des matières CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2 Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...6 OPÉRATIONS SUR LES CUBES...7 Exemple

Plus en détail

Introduction à l Informatique Décisionnelle - Business Intelligence (7)

Introduction à l Informatique Décisionnelle - Business Intelligence (7) Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence

Plus en détail

Chapitre 9 : Informatique décisionnelle

Chapitre 9 : Informatique décisionnelle Chapitre 9 : Informatique décisionnelle Sommaire Introduction... 3 Définition... 3 Les domaines d application de l informatique décisionnelle... 4 Architecture d un système décisionnel... 5 L outil Oracle

Plus en détail

BUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise

BUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la

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

Bases de Données Avancées

Bases de Données Avancées 1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,

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

Thibault Denizet. Introduction à SSIS

Thibault Denizet. Introduction à SSIS Thibault Denizet Introduction à SSIS 2 SSIS - Introduction Sommaire 1 Introduction à SQL Server 2008 Integration services... 3 2 Rappel sur la Business Intelligence... 4 2.1 ETL (Extract, Transform, Load)...

Plus en détail

Le terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification

Le terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification Séminaire national Alger 12 Mars 2008 «L Entreprise algérienne face au défi du numérique : État et perspectives» CRM et ERP Impact(s) sur l entreprise en tant qu outils de gestion Historique des ERP Le

Plus en détail

Business Intelligence : Informatique Décisionnelle

Business Intelligence : Informatique Décisionnelle Business Intelligence : Informatique Décisionnelle On appelle «aide à la décision», «décisionnel», ou encore «business intelligence», un ensemble de solutions informatiques permettant l analyse des données

Plus en détail

Notre stratégie de développement porte ses fruits

Notre stratégie de développement porte ses fruits Newsletter 2009/1 Editorial Notre stratégie de développement porte ses fruits Une fois encore, les clients de Win se déclarent particulièrement satisfaits des services offerts par notre entreprise et de

Plus en détail

Intégrer le CRM : quelle utilité, quels profits pour ma PME?

Intégrer le CRM : quelle utilité, quels profits pour ma PME? Conférence Applica - 22 avril 2002 Intégrer le CRM : quelle utilité, quels profits pour ma PME? Stéphanie WAILLIEZ Analyste CRM, CXP swailliez@cxp-international.com CXP en quelques mots et quelques chiffres

Plus en détail

Business & High Technology

Business & High Technology UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...

Plus en détail

GESTION DE LA RELATION CLIENT (CRM) Etat actuel et perspectives du marché suisse en 2002

GESTION DE LA RELATION CLIENT (CRM) Etat actuel et perspectives du marché suisse en 2002 GESTION DE LA RELATION CLIENT (CRM) Etat actuel et perspectives du marché suisse en 2002 CONSULTING KPMG Consulting SA La «gestion de la relation client» (ou, en anglais, Customer Relationship Management,

Plus en détail

Entreposage, analyse en ligne et fouille de données

Entreposage, analyse en ligne et fouille de données Entreposage, analyse en ligne et fouille de données Houssem Jerbi IRIT - SIG/ED jerbi@irit.fr Journée COMPIL " Bases de Données" 14/12/2010 PLAN Introduction Bases de données Entrepôt de données Technologie

Plus en détail

CRM : Le Client au cœur

CRM : Le Client au cœur 3 septembre 2008 1 CRM : Le Client au cœur 3 septembre 2008 Frédéric Leclercq - Cylande 3 septembre 2008 2 Cylande \ Editeur de progiciels dédiés à la distribution GD Grande Distribution Distribution Spécialisée

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

La business intelligence pour une meilleure visibilité sur l activité et des décisions plus avisées

La business intelligence pour une meilleure visibilité sur l activité et des décisions plus avisées La business intelligence pour une meilleure visibilité sur l activité et des décisions plus avisées 3 Sommaire Introduction 3 Introduction 5 Défi à relever : le surplus de données 6 Quatre aspects essentiels

Plus en détail

PLAN. Les systèmes d'information analytiques. Exemples de décisions

PLAN. Les systèmes d'information analytiques. Exemples de décisions Les systèmes d'information analytiques Dr A.R. Baba-ali Maitre de conferences USTHB PLAN Le cycle de decision Les composants analytiques ETL (Extract, Transform and Load) Entrepot de (Data warehouse) Traitement

Plus en détail

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes II - II 1ère génération 13 2ème génération : Entrepôt de données / Magasin de données 15 3ème génération OLAP 16 Références Bibliographiques 18 A. 1ère génération Infocentre Tableur Base de données Infocentre

Plus en détail

BI = Business Intelligence Master Data-ScienceCours 3 - Data

BI = Business Intelligence Master Data-ScienceCours 3 - Data BI = Business Intelligence Master Data-Science Cours 3 - Datawarehouse UPMC 8 février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage

Plus en détail

CRM et GRC, la gestion de la relation client R A LLER PL US L OI

CRM et GRC, la gestion de la relation client R A LLER PL US L OI 3 R A LLER PL US L OI CRM et GRC, la gestion de la relation client Comment exploiter et déployer une solution de relation client dans votre entreprise? Les usages d une CRM Les fonctionnalités d une CRM

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

Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise.

Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Solutions PME VIPDev Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Cette offre est basée sur la mise à disposition de l ensemble de nos compétences techniques et créatives au service

Plus en détail

Urbanisation des SI-NFE107

Urbanisation des SI-NFE107 OLAP Urbanisation des SI-NFE107 Fiche de lecture Karim SEKRI 20/01/2009 OLAP 1 Introduction PLAN OLAP Les différentes technologies OLAP Plate formes et Outils 20/01/2009 OLAP 2 Informatique décisionnelle

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

QLIKVIEW POUR SALESFORCE

QLIKVIEW POUR SALESFORCE QLIKVIEW POUR SALESFORCE Exploiter rapidement et facilement les données issues de votre CRM QlikView simplifie l intégration de la Business Discovery à une Plate-forme PaaS (Platform as a Service) éprouvée

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

Durée ou Modalité: Examen! MOTS CLES : Architecture d application, Internet, Web2, RIA, Service Oriented Architecture, XML

Durée ou Modalité: Examen! MOTS CLES : Architecture d application, Internet, Web2, RIA, Service Oriented Architecture, XML DEPARTEMENT INFORMATIQUE ET GESTION S 9 PIGUE9.1 ARCHITECTURE DES SYSTEMES D INFORMATION & INTERNET! COORDINATEUR : Christophe FIORIO! EQUIPE PEDAGOGIQUE : Christophe FIORIO, Tiberiu STRATULAT! VOLUME

Plus en détail

Le "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique

Le tout fichier Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché

Plus en détail

Les Entrepôts de Données

Les Entrepôts de Données Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations

Plus en détail

Management des Systèmes d Information

Management des Systèmes d Information Spécialité Réseaux (RES) UE: Management des systèmes d'information [mnsi, NI303] M2IRT 2012 1 ère année Management des Systèmes d Information Unité 2 - Les principaux types de SI dans l entreprise Gilles

Plus en détail

Données des SIM. Données signalétiques (nom, adresse), Historique d achat, Réactions passées aux actions de promotion

Données des SIM. Données signalétiques (nom, adresse), Historique d achat, Réactions passées aux actions de promotion Données des SIM Bases de données produits Identification, caractéristiques techniques, caractéristiques commerciales (prix, unités de vente, fournisseurs), état des stocks, ventes réalisées Bases de données

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

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing Bases de données multidimensionnelles OLAP OnLine Analytical Processing OLAP OLAP (On Line Analytical Processing): Ensemble des outils nécessaires pour la mise en place d'un Système d'information décisionnel

Plus en détail

Le Data Mining, Outil d aide à la prise de décision dans l action commerciale

Le Data Mining, Outil d aide à la prise de décision dans l action commerciale Université Ibn Zohr Faculté des Sciences Juridiques, Économiques et Sociales Exposé sous le thème : Le Data Mining, Outil d aide à la prise de décision dans l action commerciale Plan : Introduction : L

Plus en détail

Intelligence Economique - Business Intelligence

Intelligence Economique - Business Intelligence Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit

Plus en détail

LES ENTREPOTS DE DONNEES

LES ENTREPOTS DE DONNEES Module B4 : Projet des Systèmes d information Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des

Plus en détail

RAMOS BELLO Laura Comment la culture de chaque agence PANALPINA va-t-elle influencer les enjeux de la mise en place du CRM?

RAMOS BELLO Laura Comment la culture de chaque agence PANALPINA va-t-elle influencer les enjeux de la mise en place du CRM? Glossaire 178 A Analyses personnalisables : Les fournisseurs des outils de CRM offrent des outils à la fois puissants et conviviaux qui permettent à tout utilisateur d'obtenir, grâce à des rapports standard

Plus en détail

Livre Blanc. ETL Master Data Management Data Quality - Reporting. Comment mieux connaître et maîtriser son réseau de distribution indirect?

Livre Blanc. ETL Master Data Management Data Quality - Reporting. Comment mieux connaître et maîtriser son réseau de distribution indirect? Livre Blanc ETL Master Data Management Data Quality - Reporting Comment mieux connaître et maîtriser son réseau de distribution indirect? Sommaire I. Les 3 principaux canaux de distribution... 3 II. Les

Plus en détail

Généralités sur les bases de données

Généralités sur les bases de données Généralités sur les bases de données Qu est-ce donc qu une base de données? Que peut-on attendre d un système de gestion de bases de données? Que peut-on faire avec une base de données? 1 Des données?

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

Votre laisser-passer pour les. Big Data Guide visuel

Votre laisser-passer pour les. Big Data Guide visuel Votre laisser-passer pour les Big Data Guide visuel Les Big Data ont une immense valeur Apprenez à en libérer tout le potentiel Nul doute aujourd hui que les Big Data entraînent une profonde mutation du

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

FOOTFALL: SÉRIE ACTING ON INSIGHT. Sortir de l ombre et mettre en lumière ce que vous ne savez pas encore à propos de vos clients

FOOTFALL: SÉRIE ACTING ON INSIGHT. Sortir de l ombre et mettre en lumière ce que vous ne savez pas encore à propos de vos clients www.footfall.com + 33 (1) 55 12 10 00 FOOTFALL: SÉRIE ACTING ON INSIGHT Sortir de l ombre et mettre en lumière ce que vous ne savez pas encore à propos de vos clients Gardez votre visage toujours vers

Plus en détail

(epc) Conformité avec les Global Trade

(epc) Conformité avec les Global Trade Des solutions de gestion des informations produit Pour vous aider à atteindre vos objectifs métier IBM WebSphere Product Center Points forts Offre une solution globale de gestion des informations produit

Plus en détail

IBM Software Business Analytics. IBM Cognos FSR Automatisation du processus de reporting interne

IBM Software Business Analytics. IBM Cognos FSR Automatisation du processus de reporting interne IBM Software Business Analytics IBM Cognos FSR Automatisation du processus de reporting interne 2 IBM Cognos - FSR Automatisation des processus de reporting interne IBM Cognos Financial Statement Reporting

Plus en détail

Vous souhaitez stimuler les ventes de votre entreprise et dynamiser vos forces commerciales?

Vous souhaitez stimuler les ventes de votre entreprise et dynamiser vos forces commerciales? Panorama de l offre Sage CRM Solutions CRM Vous souhaitez stimuler les ventes de votre entreprise et dynamiser vos forces commerciales? Soyez plus proches de vos clients Pour vous garantir une relation

Plus en détail

Notions fondamentales sur les bases de données

Notions fondamentales sur les bases de données 1 Notions fondamentales sur les bases de données Au sommaire de ce chapitre Qu est-ce qu une base de données? Environnements des bases de données Origine d une base de données Eléments constitutifs d une

Plus en détail

Atteindre la flexibilité métier grâce au data center agile

Atteindre la flexibilité métier grâce au data center agile Atteindre la flexibilité métier grâce au data center agile Aperçu : Permettre l agilité du data-center La flexibilité métier est votre objectif primordial Dans le monde d aujourd hui, les clients attendent

Plus en détail

La problématique. La philosophie ' ) * )

La problématique. La philosophie ' ) * ) La problématique!" La philosophie #$ % La philosophie &'( ' ) * ) 1 La philosophie +, -) *. Mise en oeuvre Data warehouse ou Datamart /01-2, / 3 13 4,$ / 5 23, 2 * $3 3 63 3 #, 7 Datawarehouse Data warehouse

Plus en détail

d e l a s s urance g r â ce a u «C u s t omer

d e l a s s urance g r â ce a u «C u s t omer Siège mondial : 5 Speen Street Framingham, MA 01701 États-Unis P.508.620.5533 F.508.988.6761 www.idc-fi.com Créer de la valeur dans le secteur d e l a s s urance g r â ce a u «C u s t omer Analytics» L

Plus en détail

Les entrepôts de données pour les nuls... ou pas!

Les entrepôts de données pour les nuls... ou pas! Atelier aideà la Décision à tous les Etages AIDE@EGC2013 Toulouse Mardi 29 janvier 2013 Cécile Favre Fadila Bentayeb Omar Boussaid Jérôme Darmont Gérald Gavin Nouria Harbi Nadia Kabachi Sabine Loudcher

Plus en détail

LE MARKETING RELATIONNEL ET LA GESTION DE LA RELATION CLIENT

LE MARKETING RELATIONNEL ET LA GESTION DE LA RELATION CLIENT Cycle: Licence professionnelle Filière: Technique banques et assurances LE MARKETING RELATIONNEL ET LA GESTION DE LA RELATION CLIENT Réalisé par: Mlle Asmae AIT RAI Mlle Ghizlane JALIAD Mlle Hafida EL

Plus en détail

Bénéfices pour votre organisation : une solution pouvant supporter vos besoins d affaires

Bénéfices pour votre organisation : une solution pouvant supporter vos besoins d affaires Pivotal CRM 6.0 Quelle que soit la tendance d évolution des marchés, faites de vos clients le moteur de votre réussite avec une meilleure maîtrise et une meilleure flexibilité et un coût de possession

Plus en détail

Plan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation

Plan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation Data WareHouse Plan Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation 2 Présentation Besoin: prise de décisions

Plus en détail

Business & High Technology

Business & High Technology UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 7 : Customer Relationship Management (CRM) Supply Chain Management (SCM) Sommaire

Plus en détail

Qui est concerné par la qualité des données?

Qui est concerné par la qualité des données? INTRODUCTION Qui est concerné par la qualité des données? Plus que jamais, les entreprises sont confrontées à des marchés de plus en plus exigeants, réclamant une réponse immédiate et adaptée à des besoins

Plus en détail

La gestion de la relation client (CRM)

La gestion de la relation client (CRM) La gestion de la relation client (CRM) HISTORIQUE De l ère de la consommation de masse : Produits et services standardisés Consommation indifférenciée Au retour de la consommation personnalisée : Produits

Plus en détail

transformer en avantage compétitif en temps réel vos données Your business technologists. Powering progress

transformer en avantage compétitif en temps réel vos données Your business technologists. Powering progress transformer en temps réel vos données en avantage compétitif Your business technologists. Powering progress Transformer les données en savoir Les données sont au cœur de toute activité, mais seules elles

Plus en détail

Attention : Ce document est un travail d étudiant, il n a pas été relu et vérifié par Marketing-etudiant.fr.

Attention : Ce document est un travail d étudiant, il n a pas été relu et vérifié par Marketing-etudiant.fr. Document mis à disposition par : www.marketing-etudiant.fr Attention : Ce document est un travail d étudiant, il n a pas été relu et vérifié par Marketing-etudiant.fr. En conséquence croisez vos sources

Plus en détail

Le Marketing Relationnel Universitaire : 2010.2011 0

Le Marketing Relationnel Universitaire : 2010.2011 0 Universitaire : 2010.2011 0 Introduction : Chaque jour à travers le monde, des managers déplorent la baisse de fidélité de leurs clients qui sont courtisés plus fébrilement par des concurrents offrant

Plus en détail

Le data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires

Le data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires Le data mining et l assurance Mai 2004 Charles Dugas Président Marianne Lalonde Directrice, développement des affaires AGENDA Qu est-ce que le data mining? Le projet et les facteurs de réussite Les technologies

Plus en détail

Prototype SOLAP appliqué sur des champs continus en mode raster

Prototype SOLAP appliqué sur des champs continus en mode raster Session démos 24 novembre 2014 Prototype SOLAP appliqué sur des champs continus en mode raster Analyse de hot spots de criminalité Jean-Paul Kasprzyk, doctorant Introduction 2 L informatique décisionnelle

Plus en détail

La gestion des données de référence ou comment exploiter toutes vos informations

La gestion des données de référence ou comment exploiter toutes vos informations La gestion des données de référence ou comment exploiter toutes vos informations La tour de Babel numérique La gestion des données de référence (appelée MDM pour Master Data Management) se veut la réponse

Plus en détail

Le tableau de bord de la DSI : un outil pour mieux piloter son informatique.

Le tableau de bord de la DSI : un outil pour mieux piloter son informatique. Le tableau de bord de la DSI : un outil pour mieux piloter son informatique. Introduction Face à l évolution constante des besoins fonctionnels et des outils informatiques, il est devenu essentiel pour

Plus en détail

CRM & architecture centrée client - Page 1 sur 5

CRM & architecture centrée client - Page 1 sur 5 CRM & architecture centrée client - Page 1 sur 5 LES DOSSIERS MADWATCH.net CRM & SIMK CRM et architecture centrée client Novembre 2003 Nb de pages : 5 CRM & architecture centrée client - Page 2 sur 5 Le

Plus en détail

Méthodologie de conceptualisation BI

Méthodologie de conceptualisation BI Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information

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

S84-1 LA GRC ET LE SI (Système d Information) 841 - Qualification des données clientèle. 842 - La segmentation de la clientèle

S84-1 LA GRC ET LE SI (Système d Information) 841 - Qualification des données clientèle. 842 - La segmentation de la clientèle S84-1 LA GRC ET LE SI (Système d Information) 841 - Qualification des données clientèle 842 - La segmentation de la clientèle 843 - Les actions personnalisées utilisation des procédures de consultation

Plus en détail

«Outils de gestion pour TPE CRM / ERP» Club

«Outils de gestion pour TPE CRM / ERP» Club Réunion des membres du 7 juin 2011 «Outils de gestion pour TPE CRM / ERP» Comment faciliter la gestion journalière d un commerce ou d une TPE par l utilisation d outils TIC? L adoption d outils TIC mais

Plus en détail

Séminaire CRM Les directions de recherche et les perspectives du Customer Relationship Management 1

Séminaire CRM Les directions de recherche et les perspectives du Customer Relationship Management 1 Faculté des Sciences économiques et sociales de l Université de Fribourg Séminaire CRM Les directions de recherche et les perspectives du Customer Relationship Management 1 Séminaire présenté auprès de

Plus en détail

Didier MOUNIEN Samantha MOINEAUX

Didier MOUNIEN Samantha MOINEAUX Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?

Plus en détail

LIVRE BLANC DANS LA PEAU D UN AGENT DE CENTRE DE CONTACT

LIVRE BLANC DANS LA PEAU D UN AGENT DE CENTRE DE CONTACT LIVRE BLANC DANS LA PEAU D UN AGENT DE CENTRE DE CONTACT LIVRE BLANC DANS LA PEAU D UN AGENT DE CENTRE DE CONTACT 2 A PROPOS Il existe de nombreux critères afin de devenir une entreprise prospère et compétitive

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

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. 2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle

Plus en détail

Mise en œuvre. Gestion de projet et conduite du changement. Denis MEINGAN Gilles BALMISSE. Préface de Alain CROZIER, Président de Microsoft France

Mise en œuvre. Gestion de projet et conduite du changement. Denis MEINGAN Gilles BALMISSE. Préface de Alain CROZIER, Président de Microsoft France Mise en œuvre d Office 365 Gestion de projet et conduite du changement Préface de Alain CROZIER, Président de Microsoft France Denis MEINGAN Gilles BALMISSE Table des matières 1 Préface Avant-propos Partie

Plus en détail

Evry - M2 MIAGE Entrepôt de données

Evry - M2 MIAGE Entrepôt de données Evry - M2 MIAGE Entrepôt de données Introduction D. Ploix - M2 Miage - EDD - Introduction 1 Plan Positionnement du BI dans l entreprise Déclinaison fonctionnelle du décisionnel dans l entreprise Intégration

Plus en détail

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1 JASPERSOFT ET LE PAYSAGE ANALYTIQUE Jaspersoft et le paysage analytique 1 Ce texte est un résumé du Livre Blanc complet. N hésitez pas à vous inscrire sur Jaspersoft (http://www.jaspersoft.com/fr/analyticslandscape-jaspersoft)

Plus en détail

Introduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours

Introduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP

Plus en détail

Satisfaire les Clients au-delà de leurs attentes

Satisfaire les Clients au-delà de leurs attentes Satisfaire les Clients au-delà de leurs attentes Your Life. Our Enthusiasm 01 La bonne offre au bon client. La gestion de la relation client ou CRM (Customer Relationship Management) signifie interagir

Plus en détail

2 Business Intelligence avec SQL Server 2008

2 Business Intelligence avec SQL Server 2008 Introduction «Voudriez-vous me dire, s il vous plaît, quel chemin je dois prendre pour m en aller d ici? Cela dépend beaucoup de l endroit où tu veux aller, répondit le chat. Peu m importe l endroit...

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

Business & High Technology

Business & High Technology UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 7 : Customer Relationship Management (CRM) Sommaire I. Partie 1 : CRM : Customer

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

CRM MANAGER LES SOLUTIONS POUR BOOSTER VOTRE RELATION CLIENT

CRM MANAGER LES SOLUTIONS POUR BOOSTER VOTRE RELATION CLIENT CRM MANAGER S SOLUTIONS POUR BOOSTER VOTRE RELATION CLIENT CRM MANAGER plus que jamais, un outil d actualité et de conquête Votre connaissance du et de vos clients est fondamentale pour assurer vos succès.

Plus en détail

Personnalisez vos pages web et facebook. Boostez votre taux de conversion en personnalisant le parcours d achat des internautes anonymes

Personnalisez vos pages web et facebook. Boostez votre taux de conversion en personnalisant le parcours d achat des internautes anonymes Personnalisez vos pages web et facebook Boostez votre taux de conversion en personnalisant le parcours d achat des internautes anonymes Sommaire Présentation...3 Le cycle d achat des internautes et des

Plus en détail

Chapitre IX. L intégration de données. Les entrepôts de données (Data Warehouses) Motivation. Le problème

Chapitre IX. L intégration de données. Les entrepôts de données (Data Warehouses) Motivation. Le problème Chapitre IX L intégration de données Le problème De façon très générale, le problème de l intégration de données (data integration) est de permettre un accès cohérent à des données d origine, de structuration

Plus en détail