CRM. Agenda. CRM Customer Relationship Management. Le CRM c est. Les bénéfices attendus du CRM. Décrire. Comprendre. Agir. Agenda

Transcription

1 Agenda CRM Customer Relationship Management Qu est ce que le CRM Les composants du CRM Le CRM analytique Le CRM opérationnel Quelques exemples de projets Applications au Marketing Applications au Risque Crédit Françoise Soulié Fogelman Data Warehouse et outils décisionnels vendredi 4 mai 7 Université de Technologie de Compiègne Le CRM c est Une relation entre le Client et les différents acteurs de l entreprise Client Entreprise Vue 36 Connaître Améliorer les du client le client campagnes Réaliser des Qu on me Qu on me scores Augmenter la comprenne réponde satisfaction client Mettre en Acheter au place un meilleur progiciel CRM Améliorer la prix performance du Service client Intégrer les canaux Etre mieux Qu on tienne Mieux informée compte de vendre mes Intégrer le demandes SI Partout! C est long, c est à la Piloter Augmenter Facilement! mode, c est très cher l activité la valeur A toute heure! Et pas très utile Les bénéfices attendus du CRM Le CRM vise à animer la relation clients au travers d actions multicanal La connaissance clients, élaborée à partir des données clients, permet de lancer des actions efficaces Relation Client Agir CRM Décrire Comprendre Base de Données Clients Connaissance Client 3 4 Le CRM c est Agenda Des objectifs pour l entreprise : Identifier, attirer et retenir les clients de valeur Segmenter les clients à fort potentiel Gérer la relation clients à travers tous les points de contact Intégrer / partager les solutions dans toutes les business units Créer de la valeur qui doivent prendre en compte ceux du client Facilité Liberté Sens Satisfaction Qualité Qu est ce que le CRM Les composants du CRM Le CRM analytique Le CRM opérationnel Quelques exemples de projets Applications au Marketing Applications au Risque Crédit Le client a toujours raison Un projet de CRM est inutile s il ne répond pas aux attentes réelles des clients. 5 6

2 Le CRM dans le SI de l Entreprise Les données client CRM = Customer Relationship Management GRC = Gestion de la Relation Client Les entreprises ont créé des datawarehouses client En collectant l ensemble des données disponibles En back-office A travers l ensemble des canaux de contact client mises en cohérence et intégrées dans le datawarehouse 7 8 Les données client Les données client Les datawarehouses client La taille (jusqu à s TO) croit vite (X3 tous les ans) Investissements de s M$ Millions de clients & milliers de variables Le datawarehouse permet de : Produire les tableaux de bord & les statistiques En passant éventuellement par des data marts dédiés Réaliser des modèles descriptifs & prédictifs Ce qui peut nécessiter de constituer un fichier spécifique (ADS) Enrichir les modules CRM opérationnel Taille de la Base (TO) Nb de lignes, enregistrements ou 3 objets (Millions) Top Ten Top Ten D après 9 Agenda Le CRM Analytique Qu est ce que le CRM Trois fonctions Les composants du CRM Le CRM analytique Le CRM opérationnel Quelques exemples de projets Applications au Marketing Applications au Risque Crédit Tableaux de Bord Statistiques descriptives Décrire Modèles prédictifs Agir Comprendre Modèles descriptifs Modèles prédictifs

3 But Analysis Often Remains a Well-Kept Secret Insights Are Built on Types of Analyses 75 Terabytes of Data 5 5 Knowledge Gap Execution Gap Available Customer Data Analytic Capability Execution Capability Estimation of likely outcomes based on prior similar instances. Predictive Data Mining Relevance to Planning Descriptive Data Mining Identification and description of underlying patterns and characteristics. Duplication of expected behaviors and outcomes based upon initial data and assumptions. What-If Analysis. Simulation Identification of necessary actions based upon predefined set of behavioral assumptions and constraints. Optimization Events/alerts Creation and monitoring of business activity for thresholds and exceptions. Scheduled creation and distribution of data and pre-defined data transformations. Display of relevant sub set of data according to user role and preferences. Reporting/Dashboards Relevance to Reporting Visualization Non-numerical display of data to enable rapid comprehension and flexible investigation Time Forecasting Ad Hoc Query Estimation of likely outcomes Ability of end user to create based upon current Statistics and execute custom circumstances. Mathematical transformation queries as required. of a data set into a summary descriptions of its properties 3 4 Les Tableaux de bord Les Tableaux de bord Mettre en œuvre des Best Practices et améliorer les KPI Définir les KPI, indicateurs significatifs pour le marché, Se benchmarker par rapport à la concurrence Travailler sur ses processus pour améliorer les KPI Exemple : les Télécommunications Churn % 4% 6% % % Best Practice Moyenne du Secteur Win-Back 3% 8% 5% 33% 5% Share of Wallet Best Practice Moyenne du Secteur 5% 35% 45% 6% % Pénétration des Partenaires % Moyenne du Secteur % Moyenne du Secteur 5% 35% Best Practice Best Practice 5% Prospection 5% 8% 7% 45% 5% Moyenne du Secteur Taux d augmentation du.5% 3.5% % prix Moyenne du Secteur Best Practice % Best Practice 5% 5 6 Les bénéfices attendus des analyses data mining Cibler et conquérir les clients profitables Augmenter la valeur et la durée de vie des clients existants Diminuer les départs vers la concurrence Concentrer les efforts sur les segments de clientèle les plus rentables Surveiller les clients à risque Comprendre les comportements des clients Augmenter l'efficacité des campagnes marketing en améliorant le ciblage Recommander les bons produits à l internaute Les bénéfices attendus des analyses data mining Connaître le client Quelques questions Pourquoi dois-je faire cette offre personnalisée à ce client? Pourquoi ce client répond-il bien à cette campagne? A qui dois-je envoyer ce mailing pour maximiser le taux de retour? Puis-je prévoir si ce client va passer à la concurrence et quand? Quelle est la «valeur» de ce client? Puis-je déterminer les facteurs caractéristiques de la fraude? Dont les réponses permettent d être : Plus efficace, plus réactif, plus rapide À moindre coût Avec de meilleurs retours Le data mining permet de répondre à ces questions 7 8 3

4 The Emergence of the Data-Mining Factory Data mining Construire l Analytical Data Set Number of Models /Month "Factory" Analysis Generations of Modeling "Craftsman" Analysis Latent Demand for data-mining Analysis Préparation des données Sélection des variables Choisir les variables utiles Définition de la cible Les transformations métier Champs calculés : produire de nouvelles variables à partir de variables existantes Nb de jours entre l émission de la facture et le paiement Profit : prix d achat coût de fabrication Codage : les transformations statistiques nécessaires pour un certain modèle Changer les types de continu à nominal ou ordinal (binning ou regroupement de catégories) Eclater une variable en plusieurs ou Regrouper plusieurs variables en une seule Représentation d une variable multi-catégorie Évaluer la qualité des données pour déterminer Les valeurs manquantes (blancs, espaces, nuls) Les outliers Les corrélations 9 Data mining Construire l Analytical Data Set Agenda L Analytical Data Set ou Customer Analytic Record Peut être virtuel Qu est ce que le CRM Les composants du CRM Le CRM analytique Le CRM opérationnel Quelques exemples de projets Applications au Marketing Applications au Risque Crédit Marketing Marketing Les fonctionnalités du marketing Définir les campagnes Gérer l exécution Le processus Stratégie Marketing Plan Marketing Suivre les retours Analyser les résultats Gestion des campagnes Marketing Plan Marketing Opérationnel Le marketing doit être alimenté par des analyses data mining (segmentation, scoring, ) Planification des Campagnes Définir la Campagne & Insérer au Planning Vérifier la pression de Sollicitation Finaliser le Planning des Campagnes Conception des Campagnes Définition de la Campage Définition de la cible Construction de la cible et précomptage Le marketing doit générer des opportunités de vente Exécution de la Campagne Finaliser la Finaliser la Définition de Définition la Campagne de la Cible Lancer la Campagne Suivi de l Exécution Evaluation des Résultats de la Campagne Collecter les Résultats Produire les Rapports Produire l Analyse finale 3 4 4

5 SFA SFA Le CRM en action Fonctionnalités du composant «Sales Force Automation» Gestion des comptes («Accounts») Gestion des contacts Gestion des activités Agendas partagés Documentations des produits Gestion des devis Workflow Prévision des ventes Gestion de scripts Exemple - Siebel 5 6 SFA Service Clients Fonctionnalités Appels entrants Routage des appels Qualification client Diagnostic Affectation / Planification Commande / livraison de matériel Intervention de techniciens Clôture de l intervention Appels sortants Rappel sur appel entrant Campagnes marketing 7 8 Service Clients Agenda Le routage des appels Le PABX et l ACD (Automatic Call Distribution) permettent de Aiguiller les appels selon des critères prédéfinis mais limités (pas de lien avec le SI) Le SVI (Serveur Vocal Interactif) permet de : Qualifier l appel entrant, Router l appel Le CTI (Couplage Téléphonie Informatique) permet : Le routage automatique intelligent La montée de fiche à l écran La composition automatique des numéros Modes progressif & prédictif Mixage des apples entrants & sortants Le bandeau téléphonique Application informatique cliente pour piloter toutes les fonctions du téléphone réduit à un simple rôle périphérique composition des numéros de téléphone à partir d un annuaire, transfert et renvoi d appel, conférence, messagerie vocale, Qu est ce que le CRM Les composants du CRM Le CRM analytique Le CRM opérationnel Quelques exemples de projets Applications au Marketing Optimisation de campagne Analyses en ligne Web, centre d appels Distribution sur Internet Fraude Utilisation du Texte Applications au Risque Crédit 9 3 5

6 Les bénéfices attendus du CRM Analytique Les bénéfices attendus du CRM Analytique Position du Data Mining dans le processus marketing Stratégie Marketing Gestion des campagnes Marketing Planification des Campagnes Conception des Campagnes Plan Marketing Plan Marketing Opérationnel Définir la Campagne & Insérer au Planning Définition de la Campage Vérifier la pression de Sollicitation Définition de la cible Finaliser le Planning des Campagnes Construction de la cible et précomptage Modèle de ciblage Chaque campagne marketing doit exploiter les données disponibles pour produire un modèle adapté et définir la cible en utilisant ce modèle Le nombre de modèles nécessaires peut être très grand et encore plus pour les utilisations futures Sur le Web Avec des données non structurées (texte, images, videos ) Exécution de la Campagne Finaliser la Finaliser la Définition de Définition la Campagne de la Cible Lancer la Campagne Suivi de l Exécution Evaluation des Résultats de la Campagne Collecter les Résultats Produire les Rapports Produire l Analyse finale 3 3 Starter Starter Starter Opérateur telco US Données financières Sélection du seuil Courbe de Profit Campagnes en appels sortants sur mois Vente d un nouveau téléphone Cible : vente oui / non Détection de «leak variables» Renseignées après coup uniquement pour les ventes réussies Elimination de ces variables et construction du modèle

7 Opérateur telco US Vodafone Campagnes de cross-sell Vente d une connexion ADSL à des clients du mobile Cible : vente oui / non 9% des clients acceptent Données 384 variables clients Comparaison à un modèle existant en interne Résultats Gains à %: % au lieu de % à 5%: 76% au lieu de 73% Un opérateur en forte croissance Vodafone Le problème Une équipe experte mais réduite Des délais de réaction très courts Un environne-ment compétitif évoluant très vite Des données très complexes Un très grand nombre de modèles nécessaires Vodafone Call Details subs_id trans_id peak/off-peak product_id Zero_rated amount duration count Base Teradata 5 variables Data Quality Process Customers subs_id activation date Products product_id description Periods Date week Recharge subs_id channel amount Model Base Cus_id SumVoiceMin #SMS#RechargeMonths Sample, Target Variable Definition Scoring Parameters Scores Demographics subs_id Age Income 39 4 Vodafone Le Crédit Lyonnais Résultats Environnement analytique 7 modèles / an Résultats d analyses disponibles en temps réel Performance accrue Etat des lieux Offre bancaire de LCL : 4 produits Produits et services bancaires, Produits de gestion d actifs et d assurance, Gestion de patrimoine. Campagnes marketing direct : plus de 3 actions Équipement en cartes bancaires, Assurance-vie, Fonds commun de placement... par ings, mailings ou SMS soit millions de contacts sur des clients ou des prospects. Les équipes réalisent leurs campagnes à partir d une dizaine de scores généralistes «Faire fructifier son capital», «Percevoir des Revenus», «S assurer au quotidien»

8 Le Crédit Lyonnais Exploiter les données d un site Le département marketing opérationnel souhaite : Disposer de scores plus précis, facilement évolutifs Spécifiques aux offres intégrées des familles de produits Avec les outils existants Il faut de à 5 jours pour construire les scores La méthode ne permet pas d affiner les scores. Projet pilote sur une opération grandeur réelle (assurance MRH) Deux groupes sont constitués Le premier utilise les scores KXEN, L autre utilise un score généraliste «S assurer au quotidien». Résultats Le taux de retour X,5 fois avec KXEN Score KXEN élaboré en une demi-journée au lieu de plusieurs jours. Données dynamiques Date d entrée Lien cliqué Navigateur URL d origine Temps passé Données dynamiques Type de projet Montant demandé Mensualité Base Clients Données statiques Nom, prénom Adresse Adresse Date de naissance Situation familiale ID Client Date de création Aujourd hui 6 modèles créés par an avec KXEN Base Clients / Prospects En-cours Litiges Exploiter les données d un site Appétence au chat Vente assistée sur le Web Score d appétence Temps réel Proposition Orientation vers l agent compétent Moteur de recommandations Identifiant du client appelant Résultats Taux d acceptation / taux «naturel» Taux d achat 4 Nb visiteurs Business Taux de case conversion sigma - sigma sigma sigma 3 sigma 45% 4% 35% 3% 5% % 5% % 5% % Variables Nb visites / an Exemple Config PC supportée 8% 8 Filtrage 3% 4 Proposition (modèle - 3 déciles) 3% 7 Taux d'acceptation 7% 4 Interaction menée à terme 6% Acheteurs 5% 367 Valeur de transaction Moteur de recommandations Moteur de recommandations Calcul du score du client # 5 Informations mises à jour Produits qui intéressent le client # 5 Produits qui intéressent le client #

9 Distribution sur Internet Distribution sur Internet Netflix : 5 DVD BlockBuster : 3 DVD De la «boutique» à la boutique électronique Brick-and-Mortar Wall Mart, Barnes and Noble, Carrefour, Relay Boutique électronique de produits matériels Amazon, Netflix, fnac.com Boutique électronique de produits immatériels Question Rhapsody, itunes Quel pourcentage de produits est vendu chaque mois? Réponse Tous! (98-99 %) Rhapsody : 735 chansons Wall Mart : 3 chansons Amazon.com :.3 M livres Barnes & Noble : 3 livres From Chris Anderson From Chris Anderson Distribution sur Internet Offrir «tout» Ratings Aider le client à trouver ce qu il recherche Distribution sur Internet 65 films Le système de recommandations Recommandations Distribution sur Internet Le système de recommandations Distribution sur Internet Utiliser les règles d association Sur des milliers / millions de produits! CUST ID ar_ RuleId ar_consequent ar_ki ar_ Rules Left ar_ Length ar_ Support ar_ Confidence Satisfaction Relative Cost Blueberries Raspberries Bounty -Ply Paper Towels Cantaloupe Green Bell Pepper Recs Interest Search NR 547 Scallions Red Bell Pepper

10 Distribution sur Internet Utiliser des données textuelles Faire des milliers / millions de scores d appétence Trouver les niches de produits avec score robuste ki kr. Oil prices rebound to above $67 after fears Hurricane Rita, heading for the Gulf of Mexico, may cause more damage to US oil refineries. One of the refinery. Extraction des mots. Utilisation de stop lists 3. Stemming.9 oil Hurricane Of Rita For The oil Hurricane Rita Refinery oil hurricane rita.8.7 Mexico Gulf Mexico Refinery Heading May May Rebound 67 3 Prices Cause after Fears Us fears Cause refinery mexico may rebound price fear.6.5 Refineries More Damage One to above rebound prices Us Refineries Damage Gulf 67 cause us damage gulf Utiliser des données textuelles Utiliser des données textuelles DataMining Cup 6 Vectorisation Ajout de colonnes Id 8 Title Body I am an aeronautics engineer I am a software engineer Target no yes ebay Germany (Data Mining Cup 6) 8 enchères sur des produits en vente sur ebay Déterminer un modèle pour prévoir, pour chaque nouvelle enchère, si le prix de vente final sera plus grand que le prix moyen de la catégorie du produit proposé Variables (8) auct_id ID An index value Item_leaf_catedory_name Product category (can be considered as textual) listing_title Title of auction (textual field) Vectorisation avec codage booléen listing_subtitle Subtitle of auction(textual field) listing_start_date Start date of auction listing_end_date End date of auction listing_durtn_days Duration of auction listing_type_code Type of auction (normal auction, multi-auction, ) Id Title Body Target KTC_Body_aeronautics KTC_Body_engineer KTC_Body_software feedback_score_at_listing_time Feedback score by the seller at listing time of auction start_price tart price (in EUR) I am an aeronautics engineer no buy_it_now_price Buy-it-now price (In EUR, for buy) buy_it_now_listed_flag Auction listing with buy-it-now option Boolean bold_fee_flag Auction listing with boldface featured_fee_flag Auction listing as homepage top offer category_featured_fee_flag Auction listing as category top offer 8 I am a software engineer yes gallery_fee_flag Auction listing with gallery image gallery_featured_fee_flag Auction listing with gallery (just in gallery view) gms Achieved sales revenue (In EUR) [CANNOT BE USED] category_avg_gms Average sales revenue (In EUR) of product category 57 gms_greater_avg if gms <= category_avg_gm else Target 58 Utiliser des données textuelles DataMining Cup 6 Score crédit Critère nombre de Bonnes Classifications nombre de Fausses Classifications participants de 77 universités de 4 pays Expérience Score Rang Le Score crédit est un instrument pour gérer un portefeuille de risques crédit Il fournit la probabilité de défaut (PD) futur KR 3 39 On l utilise Dès qu un client entre en base : note de score KR données supplémentaires 34 3 Quand un client demande un crédit (par ex.) : score d octroi Pendant la durée du remboursement : score comportemental KTC German KTC DMC DMC winner Les risques individuels sont ensuite agrégés pour fournir le risque du portefeuille clients KTC DMC KR ordre

11 Le score de crédit est un nombre qui mesure, à partir des données fournies par le client dans son dossier de demande de crédit, le risque qu il fasse «défaut» ultérieurement Exemple d une carte de score crédit MODELE DOSSIER CLIENT AGE AGE NOTE Pour établir la note de score, on peut utiliser Une méthode «manuelle» : la carte de score Une méthode basée sur un modèle de score V A L E U R 8 ans 5 ans 6 ans 4 ans 4 et plus N O T E NOMBRE D ENFANTS V A L E U R N O T E 3 ans NOMBRE D ENFANTS 38 + Dossier de demande de crédit Modèle de Score Note Décision d octroi Accepté Rejeté et plus V A L E U R Propriétaire Locataire Autre HABITAT N O T E enfant HABITAT Locataire = NOTE DE SCORE Pour chaque dossier client, on observe k caractéristiques : x = ( x,..., x k ) Client Le «résultat» est y {, } Caractéristiques x x x3... x k La décision est y = y = d = d = si le client fait défaut si le client ne fait pas défaut si le crédit est accepté si le crédit est rejeté Les données sont manquantes pour Remarque y d {, } d = Les échelles de temps : x d t t + y t d y M a n q u a n t Défaut Client à rejeter : celui qui fera défaut dans le remboursement La définition du défaut Nb de mois impayés Définir un modèle de score : proba de non-défaut Fixer un seuil Décision Accepté Rejeté d = Évidemment : s si S x S S ( x) = Pˆ ( y =/ x) ( x) s ( x) s d = si S < Défaut / Non Défaut est connu seulement pour les Acceptés, pas pour les Rejetés 4 Nb de Clients 8 ( x) 6 Défaut estimation de la Non défaut Score Identifiant du client appelant Caractéristiques du client # 35 Calcul de la classe de risque du client # 35 La PD du client # 35 est faible 65 66

12 Le compte du client # 35 vient de passer en découvert La PD du client # 35 augmente Le client # 35 veut demander un crédit Renseigner es caractéristiques du crédit Ce crédit est accordé Les caractéristiques d un autre crédit Ce crédit est refusé Puis calculer le score 69 7