INTRODUCTION AU DATA MINING. Cina MOTAMED
|
|
- Edith Cardinal
- il y a 8 ans
- Total affichages :
Transcription
1 INTRODUCTION AU DATA MINING Cina MOTAMED
2 2 Data Mining : contexte Âge numérique : explosion des volumes de données Transactions commerciales Opérations bancaires Navigation Internet Indicateurs démographiques Variété des données accumulées données numériques Texte Image Son Vidéo
3 3 Data Mining : contexte (2) Idée : il existe peut-être des informations utiles cachées dans ces grands volumes de données
4 4 Exemples Fournisseur d accès à Internet vendant des services additionnels payants (vidéo à la demande, bouquets de chaînes de télévision, etc.) Objectif : augmenter le nombre d abonnement à ces services (taux d abonnement actuel faible) Données disponibles : plusieurs centaines de milliers de clients, des dizaines d attributs Idée : isoler des groupes d individus ayant des caractéristiques communes pour lesquels les taux d abonnement sont élevés Hypothèse : les non-abonnés de ces groupes seront peutêtre sensible à une offre ciblée
5 5 Exemples (2) Chaîne d hypermarchés vendant des milliers de références Objectif : optimiser l agencement des rayons pour encourager l acte d achat mécanique chez ses clients Données disponibles : des millions de tickets de caisse répertoriant quels produits les clients ont acheté Idée : isoler les groupes d articles qui sont fréquemment achetés ensemble dans les mêmes tickets de caisse et agencer les rayons pour placer ces articles ensemble dans les rayonnages Hypothèse : l achat de certains produits déclenche l achat mécanique d autres produits par simple association
6 6 Data Mining : définition Analyse de (vastes) ensembles de données d observation en vue de découvrir des relations inattendues et / ou des façons de résumer les données qui soient à la fois simples, compréhensibles et utiles. (Hand, Mannila & Smyth, 2001)
7 7 Data Mining : définition (2) Processus non-trivial d identification de structures inconnues, valides et potentiellement exploitables dans les bases de données. (Fayyad et al., 1996)
8 8 Data Mining : définition (3) Une démarche plus qu une science à part entière!
9 Découverte de connaissances à partir de données (KDD) 9 Pré-traitement transformation Fouille de données Interprétation / évaluation connaissance Sélection modèles données Donnéescibles Données prétraitées Données transformées (d après Fayyad et al., 1996)
10 10 Les outils de modélisation Les outils de la fouille de données proviennent de domaines divers : Exploration des bases de données (règles d associations, motifs fréquents, ) Statistiques (maximum de vraisemblance, moindres carrés, régression, ) Analyse de données (méthodes géométriques, probabilistes, classification spectrale, ) Informatique (réseaux de neurones, algorithmes génétiques, ) Souvent, ces méthodes tentent d optimiser les mêmes critères, mais avec des approches différentes
11 11 Marketing direct ouvrage de Lefébure et Venturi Data mining Le data mining répond aux besoins de comprendre la relation client, de connaître les comportements des clients, d'optimiser et de rentabiliser les opérations de prospection afin de diminuer les coûts d'acquisition des clients. Les solutions de data mining vont faire des prédictions de comportement indiquer quels types de prospects devront en priorité être contactés par des opérations de marketing direct => d'augmenter le taux de retour. Par exemple, les sociétés de Vente Par Correspondance réalisent à coté de leur catalogue généraliste des catalogues spécialisés. L utilisation du data mining permet de sélectionner parmi les clients principaux, ceux pour lesquels il est utile de leur envoyer un catalogue spécialisé en terme de ciblage. Cela augmente le taux de retour C est en effet grâce à l historique des achats que les vépécistes peuvent déterminer quel client est susceptible d acheter un article sur catalogue spécialisé.
12 12 Centre d'appels revue "Marketing direct Septembre 2002" Un centre d'appel mettant en place une opération de phoning pour relancer les clients / prospects suite à l'envoi d'un mailing peut grâce au data mining déterminer =>vers quel clients / prospects il peut être utile d'effectuer une relance téléphonique en étudiant son comportement face aux relances. => pour un client, une seule relance est suffisante mais pour d'autres, jusqu'à 5 relances. Le tout étant de ne plus généraliser les relances mais de les cibler.
13 Comportement des clients de grandes surfaces spécialisées extrait de la revue "Marketing direct Septembre 2002" 13 Les GSS utilisent les techniques d'associations de produits pour anticiper le comportement futur des ses clients. Un client qui achète une baignoire va probablement envisager l'achat de robinets. Par conséquent, les outils de data mining peuvent permettre de sélectionner selon les achats antérieurs des clients vers qui l'envoi d'un mailing sera efficace.
14 14 Satisfaction de clientèle "Marketing direct Septembre 2002" EDF a mené des études de data mining pour connaître l'impact des micro coupures de courant, Comparer les appréciations des clients avec la fréquence connue des pannes. =>pendant un certain temps ces coupures étaient perçues comme mineures par la clientèle, mais passé un seuil elles devenaient intolérables. L'objet de l'étude menée est alors de déterminer le seuil de fréquence qui va générer l'insatisfaction.
15 15 Comportement d'achat du client de grandes et moyennes surfaces Les premières applications de data mining concernaient l'étude des tickets de caisse des clients de grande surface. Cela a permis de montrer que pour certaines catégories de clients les promotions mises en place pour des produits qu'ils avaient l'habitude d'acheter simultanément n'étaient pas efficaces (n'engendraient pas d'augmentation de chiffre d'affaires).
Spécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailIntroduction 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 détailQU 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 détailAgenda 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 détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailLe 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 détailGestion 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 détailLOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.
Module «Big Data» Extraction de Connaissances à partir de Données Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.fr 14 Janvier 2015 Pourquoi l extraction de connaissances à partir de
Plus en détailFilière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux
Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en détailTravailler 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 détailLe S.I.M. Le S.I.M. Définition a. S.I.M. ou S.I.C. S.I.M. S.I.C. Le S.I.M. Définition a. S.I.M. ou S.I.C. Définition
Le S.I.M. Définition a. S.I.M. ou S.I.C. b. Utilisation commerciale c. Contenu Forme Méthode Sources d information a. S.I.M. ou S.I.C. ou S.I.M. S.I.C. Système d Information Marketing Système d Information
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailQLIKVIEW 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 détailIBM Software Big Data. Plateforme IBM Big Data
IBM Software Big Data 2 Points clés Aide les utilisateurs à explorer de grands volumes de données complexes Permet de rationaliser le processus de développement d'applications impliquant de grands volumes
Plus en détailricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens, logiciels,
Université Lumière Lyon 2 Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens,
Plus en détail" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /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 détailIntroduction à la Fouille de Données (Data Mining) (8)
Introduction à la Fouille de Données (Data Mining) (8) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2008 Introduction à la fouille
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailProcessus de commande en ligne des produits répertoriés sur notre site Web
Processus de commande en ligne des produits répertoriés sur notre site Web Catalogue Choisissez, dans notre catalogue, le ou les produits que vous recherchez Cliquez sur la petite icône «Ajouter à mon
Plus en détail8 bonnes raisons d utiliser un CRM pour une PME
8 bonnes raisons d utiliser un CRM pour une PME Résumé Analytique : En tant que PME, l utilisation d une solution CRM présente de multiples avantages. En premier lieu, elle vous permettra d accroître votre
Plus en détailLes 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 détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailInternet - Liste de diffusion A quoi sert une liste de diffusion
Internet - Liste de diffusion A quoi sert une liste de diffusion Le service de liste de diffusion d'algo DATA répond aux objectifs suivants: Actualisation mai 2008 Communication à des centaines (des milliers)
Plus en détailEXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES
EXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES Bruno Agard (1), Andrew Kusiak (2) (1) Département de Mathématiques et de Génie Industriel, École Polytechnique de Montréal,
Plus en détailIntroduction 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 détailLe 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 détailLe cinquième chapitre
Le cinquième chapitre Objectif : présenter les supports matériels ou immatériels permettant d'étayer cette nouvelle approche de la fonction maintenance. I. Evolution du domaine technique - Différents domaines
Plus en détailAssocier la puissance des nouvelles technologies tout en préservant l environnement
gestco Associer la puissance des nouvelles technologies tout en préservant l environnement A ERP SaaS A propos... GESTCO : Progiciel de gestion d activités en ligne Avantages : - Faciliter la gestion et
Plus en détailDes questions en live? @gregguzzo
Comment Val Thorens, à travers la mise en place d un écosystème numérique & humain, favorise le service et l expérience client? Des questions en live? @gregguzzo 1 _ CRM, késako? Construire avec ses clients
Plus en détailL'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 détaildonnées 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 détailLe DataMining, qu est-ce que c est et comment l appréhender?
Le DataMining, qu est-ce que c est et comment l appréhender? Extrait d une conversation téléphonique (réelle) : «Allô, monsieur Decourt? Je travaille pour X 1 et nous désirons rencontrer tous les habitants
Plus en détailComment faire plus d'argent cet été!
Comment faire plus d'argent cet été! Je vais prendre ça vraiment cool cet été. Le 23 juin, je me retire à la campagne. Je vais prendre de longues vacances. Des vacances au cours desquelles je ferai du
Plus en détail1. Pourquoi? Les avantages d un bon référencement
Table des matières 1. Pourquoi? Les avantages d un bon référencement... 2 2. Pour qui?... 2 3. Quand?... 3 4. Comment?... 3 5. À partir de combien de temps?... 4 6. Pour combien de temps?... 4 7. Mise
Plus en détailAIDE-MÉMOIRE POUR L ÉLABORATION D UN PLAN DE COMMUNICATION
AIDE-MÉMOIRE POUR L ÉLABORATION D UN PLAN DE COMMUNICATION Direction du développement des entreprises et des affaires Préparé par Benoît Tremblay Conseiller en gestion Collaborateurs : MM. Paul Bleau,
Plus en détailLA RELATION CLIENT BOOSTEZ VOTRE DEVELOPPEMENT AVEC RING OUTSOURCING EN FRANCE ET A L INTERNATIONAL
LA RELATION CLIENT BOOSTEZ VOTRE DEVELOPPEMENT AVEC RING OUTSOURCING AGENCE LA SEYNE SUR MER 159 chemin de Bremond 83500 La Seyne Sur Mer 06 25 601 602 09 54 39 03 07 www.ringoutsourcing.fr contact@ringoutsourcing.com
Plus en détailWHS ProRealTime. édition 2008 1.52
WHS ProRealTime édition 2008 1.52 Ce tutoriel est dédié aux fonctions de passage d'ordres sur ProRealTime avec WHSelfinvest. Pour obtenir une aide sur les autres fonctions de ProRealTime, veuillez consulter
Plus en détailData Mining. Master 1 Informatique - Mathématiques UAG
Data Mining Master 1 Informatique - Mathématiques UAG 1.1 - Introduction Data Mining? On parle de Fouille de données Data Mining Extraction de connaissances à partir de données Knowledge Discovery in Data
Plus en détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en détailLIVRE BLANC. Migration de Magento Community Edition MD à Magento Enterprise Edition MD
LIVRE BLANC Migration de Magento Community Edition MD à Magento Enterprise Edition MD INTRODUCTION La plateforme de commerce électronique Magento MD offre aux commerçants une solution complète, souple
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailSérie 1 Série 2 Série 3. Catégorie 4. Catégorie 1. Catégorie 3. Catégorie. 5 avril 2012
6 5 4 3 2 1 Série 1 Série 2 Série 3 0 Catégorie 1 Catégorie 2 Catégorie 3 Catégorie 4 2 Sage dans le Monde et en France 3 Sage Monde au 30 septembre 2011 1,534 milliard d euros de chiffre d'affaires 6,1
Plus en détailCONDITIONS GENERALES D'ABONNEMENT Particuliers V2.0 21 août 2008
CONDITIONS GENERALES D'ABONNEMENT Particuliers V2.0 21 août 2008 PREAMBULE Les conditions générales de vente Particuliers (ci-après dénommées «CGV») s'appliquent à toutes les ventes réalisées par la société
Plus en détailOxybul éveil et jeux
Online Intelligence Solutions Oxybul éveil et jeux Oxybul éveil et jeux exploite avec succès les données AT Internet pour lancer des campagnes de retargeting plus efficaces. Case study Case study INTRODUCTION
Plus en détail37, rue d Amsterdam 75008 - Paris Tél. : 01 42 26 07 54 Fax : 01 42 26 09 88 http://www.lca-performances.com
37, rue d Amsterdam 75008 - Paris Tél. : 01 42 26 07 54 Fax : 01 42 26 09 88 http://www.lca-performances.com Programme de formation Marketing direct Contexte de formation.. 2 Objectifs de formation 2 Programme
Plus en détailw w w. a k m s te c h. m a La gestion de l interaction clients N importe où, en tout temps
w w w. a k m s te c h. m a La gestion de l interaction clients N importe où, en tout temps Votre challenge Les opérateurs télécoms sont confrontés à des défis d envergure : Les clients sont de plus en
Plus en détailChap 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 détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détail1. Le service Commercial
La fonction Commerciale Sommaire 1. Le service Commercial... 1 2. Les enjeux :... 1 3. La technique de vente :... 2 4. La gestion de la force de vente :... 2 5. Les principales fonctions commerciales :...
Plus en détailERP open source une solution pour les entreprises. 17/02/2010 Page: 1
ERP open source une solution pour les entreprises 17/02/2010 Page: 1 Sommaire Définition d'un ERP Les grands modules d'un ERP Retour sur investissement Les avantages d'un ERP open source Ou peut on envisager
Plus en détailles étapes cruciales pour une intégration réussie ;
Quand vous pensez «CRM», pensez- vous d'abord (et souvent seulement) à une solution Par exemple, certaines entreprises utilisent la CRM pour la gestion des ventes et/ou pour mener des campagnes marketing
Plus en détailEtat des lieux du marketing digital
Etat des lieux du marketing digital Décembre 2013 1 Note méthodologique Etude réalisée pour : Bonial Echantillon : Echantillon de 1010 personnes, représentatif de la population française âgée de 18 ans
Plus en détailOFFRE DE SERVICES. MultiMediaCom Cabinet Conseil en Webmarketing POUR LA CONCEPTION ET DIFFUSION DE VOS CAMPAGNES E-MAILING ET VOS NEWSLETTERS
OFFRE DE SERVICES POUR LA CONCEPTION ET DIFFUSION DE VOS CAMPAGNES E-MAILING ET VOS NEWSLETTERS Touchez Une Large Cible Facilement Créez et gérez automatiquement vos listes de contacts Relancez Vos Prospects
Plus en détailMémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi»
Mémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi» 46, rue de la Tour 75116 Paris tél. (33) 01 73 00 55 00 fax (33) 01 73 00 55 01 www.softcomputing.com Sommaire
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailLA STRATÉGIE «BIG DATA» DE ROULARTA MEDIA GROUP PREND DE L AMPLEUR GRÂCE À SELLIGENT TARGET
LA STRATÉGIE «BIG DATA» DE ROULARTA MEDIA GROUP PREND DE L AMPLEUR GRÂCE À SELLIGENT TARGET Le groupe, véritable machine à idées des médias, tire parti de l analyse comportementale pour optimiser son marketing
Plus en détailNégociation Elsevier : un accord est signé
Négociation Elsevier : un accord est signé A la date du 31 janvier 2014, le consortium Couperin en charge de la négociation pour l'abonnement à la Freedom collection, l'agence Bibliographique de l'enseignement
Plus en détailIUT Info-Com 2 ème année LE MARKETING DIRECT. Sandrine Michel. Formation 2012. sandrine.michel@gmail.com
Sandrine Michel 1 LE MARKETING DIRECT Formation 2012 sandrine.michel@gmail.com Objectifs : Comprendre ce qu est le marketing direct Comprendre comment il s inscrit dans le secteur de la communication Connaître
Plus en détailTechniques du mailing
Techniques du mailing A/ Objectifs d un publipostage? Le mailing, nommé publipostage, routage ou encore publicité adressée peut être utilisé pour bien des occasions. Annoncer des soldes Vos clients fidèles
Plus en détailFaits et Preuves. Exemples concrets et chiffrés de réalisations
Faits et Preuves Exemples concrets et chiffrés de réalisations MDP (Mécatronique) : Structuration de la démarche commerciale ELYO Centre Est (Energie) : Prospection de "renfort" commercial DEMCO (Suremballage)
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détail4.Fichiers photos: acquisition et classement
4.Fichiers photos: acquisition et classement Moyens d acquisition: L APN peut être connecté par port USB au PC; les photos peuvent être transférées depuis la carte mémoire vers le disque dur de l ordinateur
Plus en détailCybermarché et analyse comportementale
Cybermarché et analyse comportementale Antoine-Eric Sammartino aesammartino@e-laser.fr Séminaire Data Mining - Educasoft Formations 18 juin 2001-1- MENU Le Groupe LaSer Le processus Data Mining L industrialisation
Plus en détailU N S Y S T È M E D E G E S T I O N D A F F A I R E S I N T É G R É E ( E R P + C R M ) «À L A F I N E P O I N T E D E L A T E C H N O L O G I E».
U N S Y S T È M E D E G E S T I O N D A F F A I R E S I N T É G R É E ( E R P + C R M ) «À L A F I N E P O I N T E D E L A T E C H N O L O G I E». Dans un monde en constante évolution et rempli de défis,
Plus en détailLA RELATION CLIENT BOOSTEZ VOTRE DEVELOPPEMENT AVEC RING OUTSOURCING EN FRANCE ET A L INTERNATIONAL
LA RELATION CLIENT BOOSTEZ VOTRE DEVELOPPEMENT AVEC RING OUTSOURCING AGENCE LA SEYNE SUR MER 159 chemin de Bremond 83500 La Seyne Sur Mer 06 25 601 602 09 54 39 03 07 www.ringoutsourcing.fr contact@ringoutsourcing.com
Plus en détailNF26 Data warehouse et Outils Décisionnels Printemps 2010
NF26 Data warehouse et Outils Décisionnels Printemps 2010 Rapport Modélisation Datamart VU Xuan Truong LAURENS Francis Analyse des données Avant de proposer un modèle dimensionnel, une analyse exhaustive
Plus en détailautres prestations page 5
Nos prestations e-mailing page 2 La plus économique de toutes les solutions du marketing direct Particulièrement adapté aux mailings de masse pour démarcher une large clientèle. fax-mailing page 3 Un taux
Plus en détailAnalyse en temps réel du trafic des Internautes
Analyse en temps réel du trafic des Internautes Toute entreprise doit être en mesure d analyser le trafic de son site web et d obtenir une vue précise de son efficacité en temps réel SOMMAIRE Aperçu p.
Plus en détailIntroduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)
Introduction à lʼinformatique Décisionnelle et la «Business Intelligence» (1) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013
Plus en détailMaster 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 détailBaccalauréat professionnel vente (prospection - négociation - suivi de clientèle) RÉFÉRENTIEL DE CERTIFICATION
RÉFÉRENTIEL DE CERTIFICATION 16 I. COMPÉTENCES C1. PROSPECTER C11. Élaborer un projet de prospection C12. Organiser une opération de prospection C13. Réaliser une opération de prospection C14. Analyser
Plus en détailINTELLIGENCE MARKETING ETUDES DE MARCHE - DATA MINING - CONSEIL EN MARKETING - SYSTEMES D INFORMATION MARKETING
ETUDES DE MARCHE - DATA MINING - CONSEIL EN - SYSTEMES D INFORMATION Notre mission Des études de marché au data mining Cinq sur Cinq est un institut d intelligence marketing. Notre métier : collecter,
Plus en détailPrésentation des Services Storissime aux Utilisateurs
Présentation des Services Storissime aux Utilisateurs Service Utilisateurs A qui s'adresse ce Service? A tous les créateurs et les dirigeants d'entreprise souhaitant disposer des ressources nécessaires
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailLe Virtual PBX et les économies? Table of Contents. Qu est-ce que le Virtual PBX?
Le Virtual PBX et les économies? Table of Contents...1 Le Virtual PBX et les économies?...1 Qu est-ce que le Virtual PBX?...1 Avantages et désavantages...2 Investissement...2 Les fonctionnalités...2 Coûts
Plus en détail!!!!!!! Statistiques & Résultats Par Industrie
Statistiques & Résultats Par Industrie Nous sommes une équipe d'experts qui créent, gèrent et optimisent des campagnes publicitaires internet à performance. Nous aidons nos clients à acquérir et à conserver
Plus en détail[Budgets B2B] Le guide d optimisation financière. (marketing, commercial et digital)
[Budgets B2B] Le guide d optimisation financière. (marketing, commercial et digital) Les tendances en matière de répartition des budgets. sommaire 1. Les budgets marketing sont à la hausse. 2. La part
Plus en détailACTIVITE. principal Animation Fournisseur C54 Participer à une animation fournisseur Mise en rayon et analyse de rayon
Vademecum de toutes les missions 2006-2014 Règle des 70/30 Exemple d'activité «Vendre» ACTIVITES Exemple d'activité «Assurer la qualité de service à la clientèle» OM Exemple d'activité «Mettre en place
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailWe make your. Data Smart. Data Smart
We make your We make your Data Smart Data Smart Une société Une société du du groupe Le groupe NP6 SPECIALISTE LEADER SECTEURS EFFECTIFS SaaS Marketing : 50% Data intelligence : 50% 15 sociétés du CAC
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailCatalogue de formations JK Référencement
Catalogue de formations JK Référencement Le cabinet JK Référencement est le spécialiste des formations dans le domaine du WebMarketing et plus particulièrement des techniques de référencement qu il soit
Plus en détail~AISSE D'EPARGNE D'ALSACE
~AISSE D'EPARGNE D'ALSACE DEFINITION D'EMPLOI: Gestionnaire de Clientèle Patrimoniale Code emploi: Filière d'activité: Métier: Rôle: Ventes et Services -- Gestionnaire de Clientèle Spécialiste Clients
Plus en détailACT! E-marketing. * Informations en Anglais
ACT! E-marketing ACT! E-Marketing vous offre bien plus qu une plateforme d envois et de suivi de campagnes emailings. Ce service apporte une véritable connaissance de vos clients. Ainsi, vous récupérez
Plus en détailLE MARKETING DIRECT, SUPPORT DU MARKETING CLIENT
11 CHAPITRE PREMIER LE MARKETING DIRECT, SUPPORT DU MARKETING CLIENT En moins d un siècle, le marketing direct a profondément évolué. Passant de la commande traditionnelle par courrier à la multiplication
Plus en détailDonnez la possibilité à votre entreprise les moyens de mieux vendre. «Boostez vos ventes»
Donnez la possibilité à votre entreprise les moyens de mieux vendre. «Boostez vos ventes» CRM LS Vip Vous êtes une agence de voyages, vous êtes un réseau et vous souhaitez booster vos ventes. Cette offre
Plus en détailAteliers de formation Internet. epub : netlinking et Adwords
Ateliers de formation Internet epub : netlinking et Adwords Publicité en ligne Objectif de ce module : optimiser la notoriété de son site en maillant son réseau en ligne. Résultats attendus : savoir analyser
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailLa P N L appliquée à la vente
La P N L appliquée à la vente Public concerné : Cadres et cadres supérieurs. Objectifs : Maîtriser les outils de programmation de la démarche commerciale. Programmer les objectifs de la réussite commerciale.
Plus en détailLa démarche commerciale
FICHE DE SYNTHÈSE Module 5 La démarche commerciale - MODULE SEMAINE 5 - SOMMAIRE : I) Organiser la prospection et savoir se mettre en situation de réussite par la mise en place d une stratégie de recherche
Plus en détailPROGRAMME DE FORMATION «Open ERP - utilisateurs»
PROGRAMME DE FORMATION «Open ERP - utilisateurs» Les Artisans du net 1 boulevard Ferdinand de Candau 40000 Mont de Marsan, enregistré sous le n 72 40 00837 40 auprès du Préfet de Région Aquitaine. Type
Plus en détailSYNERGIE 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