Approche data mining pour la gestion de la relation client : application à la personnalisation d'un site de e-commerce

Dimension: px
Commencer à balayer dès la page:

Download "Approche data mining pour la gestion de la relation client : application à la personnalisation d'un site de e-commerce"

Transcription

1 SETIT th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Approche data mining pour la gestion de la relation client : application à la personnalisation d'un site de e-commerce h. NECIR *, h. DRIAS ** * Université des Sciences et de la Technologie Houari Boumediene, Laboratoire de Recherche en Intelligence Artificielle (LRIA), Département d informatique, Faculté d Electronique et d informatique. USTHB, El Alia BP 32, Bab Ezzouar, Alger, Algérie ** Université des Sciences et de la Technologie Houari Boumediene, Laboratoire de Recherche en Intelligence Artificielle (LRIA), Département d informatique, Faculté d Electronique et d informatique USTHB, El Alia BP 32, Bab Ezzouar, Alger, Algérie Abstract: Actuellement, avec les nouvelles contraintes liées au développement important d Internet, des services en lignes et de l intensification de la concurrence, il est économiquement moins cher pour une entreprise de conserver et de fidéliser sa clientèle que de chercher à élargir ses parts de marché par une politique conquérante. Cependant, établir une démarche CRM efficace, ne peut être envisagée que sous forme d'un ensemble d'actions coordonnées au service d objectifs précis et concrets à atteindre. Ainsi, face à ce champs de prospection immense, beaucoup de questions restent posées : quelles stratégies doit on adopter dans notre relation avec le e-client et quelles sources de création de valeur peut-on actionner dans une démarche CRM? Dans cet article, on s intéresse à ces problématiques et en particulier à la personnalisation de la relation client comme principal facteur de la fidélité à un site e-commerce. Pour atteindre ces objectif, on adoptera une démarche e-crm, utilisant des techniques data mining. Ceci sera appliqué à la personnalisation d'un site e-commerce dont la teneur et la structure sera dynamiquement réorganisée suivant le comportement d'achat et les centres d intérêt des différents clients. Key words: CRM, Data mining, e-commerce, e-crm, fidélité client, personnalisation. INTRODUCTION Actuellement, une bonne gestion d entreprise ne peut se faire sans une meilleure compréhension de la relation client par le biais d une meilleure connaissance des comportements de ce dernier. Pour atteindre cet objectif, deux atouts existent : le commerce électronique et le Data mining. Le commerce électronique permet d utiliser les transactions électroniques afin de collecter une grande masse d informations. Cette dernière sera exploitée et analysée grâce au data mining afin de y découvrir de l information implicite et utile. Cette capacité permettra à l entreprise une rapidité de prise de décision et un véritable pilotage de la fonction marketing, grâce à une connaissance beaucoup plus étoffée et fine du comportement du client. Dans ce travail, il s agit d intégrer, en plus de la conception du site e-commerce, un module de data mining qui permet d extraire des informations pertinentes à partir de l ensemble des transactions effectuées par les clients. Ces connaissances déduites du gisement de données vont êtres exploités pour personnaliser dynamiquement la teneur et la structure du site de vente qui sera réorganisée suivant le comportement de des différents types de clients

2 Dans cet objectif, notre travail sera organisé comme suit : Après une introduction générale, nous nous intéresserons à définir le CRM et son importance dans la fidélisation du client. Nous établirons, par la suite, les préalables au succès d'une démarche CRM. Ceci nous permettra d'aborder des notions importante tel que : le e- commerce, le data warehouse et le data mining. Nous définirons les différentes étapes d'une démarche CRM et ensuite nous expliciterons la démarche qu'on a adoptée. Nous présenterons quelques interfaces de notre site et enfin, une conclusion et des perspectives d'études clôturent ce travail. 1. CRM et fidélisation du client La gestion de la relation client connue sous le nom de CRM (Customer Relationship Management), est définit [NEW 00] comme "un processus de modification du comportement du client, cherchant à apprendre à partir de chaque interaction avec ce dernier. Le CRM vise également à traiter le client de manière individualisée et à renforcer le lien existant entre celui-ci et l'entreprise". Ce processus interactif a pour objectif de réaliser l équilibre optimum entre les investissements de l entreprise et la satisfaction des besoins des clients afin de générer un maximum de profit [ECC 05]. Les revenus de l'entreprise sont améliorés, d une part, par une réduction des coûts en utilisant des médias plus appropriés et moins chers, et d autre part par un meilleur ciblage des actions marketing qui induisent un retour sur investissement supérieur où encore grâce à la diminution des plaintes des clients qui sont davantage satisfaits. Dans cette stratégie, l entreprise vise à optimiser ces performances commerciales en se concentrant sur le long terme. Elle peut ainsi même sacrifier des avantages de court terme dans l espoir d une permanence sécurisante au sein de la relation [ABI 02]. Le CRM met l accent sur la fidélisation du client afin d augmenter ces parts en s'attachant à satisfaire ces besoins. Cette fidélité étant conçue comme la plus importante sinon la seule source de performance de l entreprise à long terme [HES 94], [JON 95]. Cette fidélisation du client passe par sa satisfaction vis-à-vis des attributs des produits ou services et des informations échangées [SPR 96] et se traduira toujours par une stratégie de valeur bâtie sur une confiance mutuelle [REI 00] qui influencera positivement son engagement pour maintenir une relation durable [DWY 87] ; [MOO 93] ; [MOR94] ; [GAR 99]. Par ailleurs, grâce à la communication personnelle et au dialogue permanent avec le client, la connaissance qu a l entreprise de celui-ci est accru et les besoins en études de marché sont réduits. Au-delà de l augmentation du montant de leurs achats, les clients fidèles recommandent leur fournisseur à d autres clients potentiels, ce qui représente une nouvelle source de profit. Ce phénomène est encore amplifié et accéléré sur Internet grâce aux communautés virtuelles [JAL 97]; [REI 00]. On distingue trois grandes catégories d'outils CRM [CIN 02] : Les outils d'automatisation des forces de ventes, qui permettent le suivi des clients et prospects. Les outils qui définissent les segmentations et typologies des clients et orchestrent les campagnes. Les outils pour le suivi client après vente. Actuellement, on voit l'émergence du e-crm qui est la gestion de la relation client utilisant le canal Internet. Par rapport au CRM classique, cette approche peut offrir des opportunités bien plus diversifiées, et surtout à moindre coût, pour améliorer la commercialisation d'un produit et fidéliser la clientèle. Grâce à Internet, les informations relatives à la clientèle sont désormais accessibles à l'ensemble des structures de l'entreprise avec différents niveaux d'interaction entre l'entreprise et le client. Dans cette étude, nous emploierons le mot CRM et e-crm de façon indifférente puisqu'on considère que les deux concepts sont en somme une même démarche avec seulement des différences relatives aux possibilités, spécificités et exigences de l outil Internet. 2. Les préalables pour un CRM efficace Les projets CRM ont, actuellement, des obligations de rentabilité et de pérennité de plus en plus importantes. Ils doivent s intégrer le plus possible au système d information de l entreprise. Un projet CRM ne peut donc s improviser et doit toujours justifier le budget qui lui est alloué en démontrant sa rentabilité et sa capacité à évoluer tout en gardant sa cohérence. Face à ces enjeux de taille, la définition d objectifs quantifiés précis et étalés dans le temps et auxquels sont associés des indicateurs de performance permettra de lever les doutes et les incompréhensions sur la viabilité et l'utilité de chaque étape de construction. Ceci passe par le respect des principes et objectifs financiers de l entreprise ainsi que par des choix technologiques adéquat. Actuellement, le commerce électroniques, les entrepôts de donnée et le data mining sont les trois technologies qui ont le rôle le plus fondamental dans une démarche CRM

3 2.1. Le commerce électronique Le commerce électronique [KAL 97], [OCD 98], [OCD 99] permet l abondance de l'information concernant les clients, les produits et services. Ceci permet d'entreprendre une démarche CRM efficace en agissant sur les fonctionnalités relatives à la forme de la relation et son contenu [CAD 02] en offrant une flexibilité sans précédent dans la vente. Ainsi la fidélisation des clients s'accroît pour les sites e-commerce où le coût d acquisition d un client est très élevé. «Without the glue of loyalty, even the best-designed e-business model will collapse.» [REI 00] L'entrepôt de données (data warehouse) Un entrepôt de données permet de recueillir et de centraliser les données à analyser sous forme d'une collection orientées sujet, intégrées, non volatiles et historisées, organisées pour le support d'un processus d'aide à la décision [INM 92]. Pour cela, les données qui sont extraites de toutes les sources vont être, au préalable, transformées pour consolider correctement l'entrepôt de données. Les différences qui distinguent un entrepôt de données d'un système opérationnel sont à la fois d'ordre conceptuel, car l'objectif est différent et d'ordre technique, car la structure et les processus sont différents. Ainsi, le modèle entité/association sur lequel repose la conception des bases de donnée est inadapté à la conception d un entrepôt de données. [KIM 97]. Ce dernier est typiquement modélisé par des modèles multidimensionnels (appelés aussi cube de données). Il existe deux approches pour construire ces modèles multidimensionnels. L'approche MOLAP (Multidimensional MOLAP) et l'approche ROLAP Relational OLAP) qui utilise un SGBD relationnel pour stocker le cube de donnée. [BEL 00] 2.3. Le data mining Le data mining est définit comme un processus d aide à la décision où les utilisateurs cherchent des modèles d interprétation dans les données [PAR 96]. Il constitue ainsi le meilleur moyen permettant la mise à jour de nouvelles corrélations, tendances et modèles significatifs formant les connaissances cachées. Les analyses qui découlent du data mining, nous permettent soit de corroborer une analyse prévisible, par des méthodes d'estimations, classifications ou prédictions. Soit elles mettent en évidence des liens à priori sans aucun rapport, en identifiant les formes de données qui pourraient être significatives (cas des achats simultanés dans une grande surface). Dans le cadre de ce travail, on a appliqué deux grandes fonctions du data mining Les règles d'associations Cette technique appelée aussi panier de la ménagère, permet d'étudier ce que les clients achètent de manière à savoir qui ils sont et pourquoi ils font certains achats et quels produits sont le plus souvent achetés ensemble Elle est l'une des techniques data mining les plus utilisée actuellement, du fait de la généricité de la structure des transactions auxquelles elle s'applique et de la grande utilité des règles d'inférence qu'elle découvre. [CHA 98] Les règles générées et qui sont de la forme "Si action1 ou condition alors action2", sont claires et explicites et sont assorties de deux critères d'intérêt : Le support et la confiance de l'association. Le premier critère mesure la représentativité des cas observés en calculant le nombre de fois où l'association est respectée par rapport au pourcentage de la population totale, alors que le second mesure la vérification de la probabilité conditionnelle dans la sous-population concernée par la condition de la règle. Pour la règle par exemple «si les produits 1 et 2 ont été choisis alors achat du produit 3», ", le niveau de confiance est le nombre de fois où la règle «les produits 1 et 2 ont été choisis» est respectée. Le support est par exemple «75% des individus ont choisi les produits 1 et 2». Le but de l'analyse du panier de la ménagère est d'identifier des règles "vraies" dans la population considérée. Une règle est déclarée "vraie" si elle présente à la fois un support et une confiance supérieure à un seuil déterminé. Dans le cas où la mesure d'intérêt choisie par l'utilisateur est la fréquence, relativement à un seuil fixé à priori, alors les connaissances recherchées dans la base de données s'appellent les motifs fréquents Extraction des itemsets fermés fréquents L'approche d'extraction itemsets fermés fréquents [PAS 00], [PAS 99] permet de ne générer qu un sous ensemble réduit de règles associatives du point de vue de la taille tout en évitant toute perte du point de vue de la connaissance [BAS 00], [STU 01], [BEN 03], [GOD 89]. Elle peut être définie par les hypothèses suivantes : Etant donné un ensemble I d'articles, ou item, chaque transaction de la base de données est un sous ensemble de I ou itemset. La structure des transactions peut également être perçue comme un tableau de booléens où chaque case correspond à la présence ou non d'un article dans la transaction. Si la base de données contient des valeurs réelles plutôt que booléennes, il est d'ailleurs possible de se ramener au cas booléen par la détermination automatique d'intervalles de valeurs pour chaque produit [SRI 96]. Chaque valeur de la base de données est associée à un booléen indiquant si la valeur appartient à l'intervalle ou pas. Ainsi, les algorithmes d'extraction d'itemsets fermés cherchent des relations causales entre itemsets

4 I J Une règle d'inférence qui s'écrit pour les itemsets I et J, a pour signification que "la plupart des transactions qui contiennent les articles de I contiennent également les articles de J". [CHA 98] On associe généralement à une règle de ce type un support, correspondant au nombre de transactions qui vérifient cette règle, (c'est à dire les transactions qui contiennent I J ), et une confiance, qui évalue la probabilité qu'une transaction qui contient I contienne aussi J. [CHA 98] sup port( I J) = sup port( I J) = { Card( transactiont BD ( I J) t}) ( ) (1) sup port I J confiancei ( J) = (2) sup port( I) Dans cette étude, nous avons utilisé l algorithme d'extraction des itemsets fermés fréquents close [PAS 99], [PAS 00]. Le fonctionnement de l algorithme débute par la construction d'un contexte d'extraction qui est un tableau de transaction/produits où nous mettons un 1, la où le produit figure dans la transaction, sinon un 0. éléments : le k-générateur candidat, sa fermeture, qui est un itemset fermé candidat, et leur support. À la fin de l'itération k, l'algorithme stocke un ensemble contenant les k-générateurs fréquents, leurs fermetures, qui sont des itemsets fermés fréquents, et leurs supports. Durant chaque itération k, la fermeture de tous les k-générateurs ainsi que leur support sont calculés. La détermination des fermetures des générateurs est basée sur la propriété que la fermeture d'un itemset est égale à l'intersection de tous les objets du contexte le contenant et dont le décompte fournit le support du générateur qui est identique au support de sa fermeture. Tous les k-générateurs fréquents, dont le support est supérieur ou égal à minsup, ainsi que leur fermeture sont sauvegardés, les autres (k-motifs non fréquents et les k-motifs non générateurs) sont supprimés (le produit (Webcam) n est pas pris car son support est < 2/7). L'itemset fermé (Portable, Souris) est contenue dans la fermeture de portable alors on l élimine. Ainsi, l'ensemble des (k+1)-générateurs candidats de l'itération suivante, est construit en joignant les k- générateurs fréquents de l'ensemble des itemsets fermés fréquents identifiés durant l'itération k. Les itérations cessent lorsque aucun nouveau générateur ne peut être créé et l'algorithme s'arrête alors. Figure 1. Contexte d'extraction L'algorithme commence par initialiser l'ensemble des 1-générateurs avec la liste des 1-itemsets du contexte. On calcul le support de chaque 1- générateurs (la fréquence d apparition de chaque 1- générateurs dans le contexte). On supprime les non fréquents (dont le support est strictement inférieur à minsup). On calcul ensuite leurs fermés en effectuant une intersection des «intensions» de toutes les transactions qui possèdent ce motif. Si on considère, le contexte d'extraction donné à la fig1 avec un support minimum minsup=2/7, on obtiendra : Figure 2. Tableau des 1-generateurs et leurs fermés L algorithme exécute ensuite un ensemble d'itérations. Durant chaque itération k de l'algorithme, un ensemble de k-générateurs candidats est considéré. Chaque élément de cet ensemble est constitué de trois Figure 3. Tableau des 2-generateurs et leurs fermés Tous les 2-itemsets dans la fig 5 sont fréquents, donc nous les conservons tous et nous passons à la génération des 3-itemsets fréquents. Les deux 3-itemsets Portable, Clavier, souris et Portable, Clavier, Imprimante sont inclues dans un 2- itemsets fermé fréquent Portable, clavier, souris, imprimante trouvé précédemment. Close s arrête et l ensemble des 3-générateurs est vide. 3. Les étapes d'une démarche CRM La mise en œuvre d'une politique CRM consiste avant tout à modifier les processus opératoires au sein de l'entreprise et à mettre le client au premier rang des priorités. En général, une approche CRM repose, sur un processus en 4 étapes [PEP 99} : 3.1. Identification du client L'identification du client concerne en plus des informations personnelles (nom, age, adresse,.), les relations du client et ces désirs. Ceci englobe l historique du client et ces - 4 -

5 consommations (les produits et les services achetés) ainsi que les caractéristiques des produits achetés. L'identification du client se fait soit de manière transparente grâce aux données collectées, à l'insu de l'internaute, de par sa simple navigation par l'utilisation des informations relatives à l'adresse IP, le clickstream (séquence de clics), les cookies, l'identifiant de session, ; ou bien l'identification se fait de manière explicite et volontaire, et dans se cas il y a nécessité d'avoir l apport volontaire de l utilisateur. Ceci est possible notamment par l'utilisation d'un pseudonyme et d'un mot de passe pour chaque client ainsi que par l'utilisation des différents formulaires que le client remplis sur le site. L'identification du client permet de déduire les centres d intérêt de ce dernier et surtout d éviter de lui proposer des offres inadaptées La différenciation des besoins La différenciation des besoins des clients permet d'adapter les produits ou les services et de les hiérarchiser par ordre de priorité pour chacun d'eux. Elle consiste à distinguer à partir de critères objectifs tels que les caractéristiques d'achat, fréquence de visites sur le site, les préférences affichées,.., les besoins d'une communauté ou segment de clients qui peuvent être prédéfini ou non La segmentation La segmentation est le découpage d un ensemble de clients en un nombre assez réduit de sousensembles homogènes, que l on appelle segments; selon un ou plusieurs critères. Chaque critère doit être pertinent dont le sens où il doit être fortement lié aux comportements et attitudes des clients à l égard des produits auxquels on s intéresse, facilement mesurable, avec une valeur opératoire pour l entreprise pour orienter ses efforts en ce qui concerne sa relation avec le client. [LAC 02] Parmi les critères de segmentation les plus couramment retenus par les entreprises, on peut citer le potentiel d achat, la part de marché, la fidélité et le comportement et la culture. Les segments retenus doivent être suffisamment différents les uns des autres pour justifier des politiques CRM distinctes. Ainsi, on distingue traditionnellement les approches de segmentation suivantes [BRU 02] : Segmentation a priori. Cette approche consiste à diviser les clients en groupes homogènes selon leurs attributs basiques (familles avec enfants, avec voiture,...). Segmentation supervisée. Cette approche de segmentation consiste à déterminer d abord quels sont les groupes auxquels on souhaite aboutir avant de réaliser cette segmentation. Segmentation non supervisée. Cette segmentation part de la recherche de caractéristiques communes entre les clients pour aboutir à des classifications qui ne se sont pas connues au départ L interaction avec le client L'interactivité avec le client est une notion clef dans une démarche CRM car elle permet au client de savoir que l'entreprise s'intéresse à lui et à ses réactions. L'interactivité est une occasion d'apprendre à mieux connaître les valeurs, les besoins, les centres d'intérêts et les priorités du client en établissant un dialogue avec lui. Les centres de contact constituent le meilleur et le plus efficace moyen pour interagir avec le client. Plusieurs formes de communication peuvent être mise en oeuvre : , téléphone, chat,. En fonction de l'entreprise, il convient de déterminer lesquelles privilégier avant et après la vente. Les newsletters constituent aussi un moyen efficace pour tenir au courant le client des dernières nouveautés et possibilités offertes par le site de vente. Un forum de discussion ouvert à tous ou privé (connexion par identifiant et mot de passe) peut rendre le site plus interactif et permet aux visiteurs du site de communiquer et de débattre en eux directement sur le site sur des sujets qui doivent apporter une réelle valeur ajoutée. La mise en place sur le site de jeux promotionnels tel que les loteries ou des concours permet aussi d'augmenter le trafic et d'attirer et de fidéliser les clients. Enfin, un site e-commerce peut proposer des sondages et des enquêtes aux prés de ces visiteurs en leurs posant des questions liées à leurs satisfactions vis-à-vis de l'activité du site et des services offerts. Ceci peut constituer une vraie mine de connaissance supplémentaire La personnalisation R. Kimball et R. Merz1 [KIM 00], définissent la personnalisation pour un site e-commerce comme "la livraison au visiteur du site d'un contenu façonné spécifiquement pour tenter cet individu. La personnalisation désigne aussi la capacité offerte à un visiteur de site Web de définir explicitement des préférences de consultation''. Le Gartner Group définit la personnalisation comme "toute interaction avec le client dans laquelle le message, l'offre ou le contenu a été taillé sur mesure pour un client ou groupe de clients spécifiques". Ainsi, à partir de ces deux définitions, on peut dire que la personnalisation d'un site e-commerce permettra au client d avoir l'impression qu'il peut presque toujours trouver et sans difficulté ce qu'il recherche. Cette personnalisation et réorganisation dynamique de la teneur et de la structure du site et de l offre selon - 5 -

6 les données extraites du comportement des utilisateurs [OSM 01], [TAP 01] constitue le meilleur moyen pour éviter de perdre un client submergé par l'abondance de l'information disponible[ari 00]. Selon une étude réalisée par Intelliquest, 45% des visiteurs reviennent sur un site Web parce que l'information proposée est adaptée à leurs nécessités [GAV 02]. 4. Approche adoptée Notre approche CRM se base sur les 4 étapes citées précédemment. Ces étapes sont précédées par la mise en place d'un data warehouse afin de stocker les donner sous un format approprier pour l'analyse Mise en place du data warehouse Nous avons mis en place un data warehouse afin de disposer d'un système de gestion centralisé qui serve de réservoir pour cumuler les informations des différentes bases de données opérationnelles et dont la capacité peut aller jusqu'à plusieurs téra-octets. Nous avons adopté le modèle ROLAP étant donné son efficacité pour stocker les données multidimensionnelles et la facilité de l'intégrer dans les SGBDs relationnels existants Pour modéliser le système ROLAP, nous avons choisi le schéma en étoile [KIM 96], étant donné qu'il est considéré comme la structure qui offre la meilleure performance et celle qui le plus largement utilisé dans les applications industrielles (les groupes Redbrik et Informix. [BEL 00] Les mesures de notre schéma en étoile, sont représentées par une table des faits vente et chaque dimension par une table de dimension (ici la table produit, client et temps). La table des faits référence les tables de dimensions en utilisant une clé étrangère pour chacune d'elles et stocke les valeurs des mesures pour chaque combinaison de clés. en ligne. Cette option, facilite le traitement des données qui auront le même format et la même structure et limitera le candidat à donner que les informations nécessaires. Le premier formulaire correspond au formulaire d'inscription. Le second formulaire est celui qui est utilisé lors de chaque achat. Les informations du formulaire d'inscription doivent être sujettes à vérification car les internautes n'aiment en général pas fournir des informations sur leur vie privée. Ils sont souvent tentés de fournir des renseignements incorrects pour conserver leur anonymat. Pour les informations du formulaire d'achat, on s'est limité aux seules données indispensables à la transaction et qui sont pratiquement toujours correctes (l'adresse postale de livraison, le nom et le prénom, ). Ceci permet aussi d'éviter que ce recueil des données, ne lasse le client qui risque d abandonner sa démarche en cours particulièrement s'il rencontre un formulaire relativement long. L'identification du client englobe aussi ses actions et qui concerne l historique de ces transactions ainsi que les caractéristiques des produits achetés La différenciation des besoins Pour différencier les besoins, on a eu recours à une segmentation supervisée des clients selon le montant et la régularité ou fréquence d achats du client. On a ainsi établit 3 groupes de clients : 1) Les très bon clients : ils ont la plus grande valeur pour l'entreprise. Notre objectif est de les conserver en les faisant entrer dans une relation plus forte. 2) Les clients moyens : ils représentent la marge de progression de l'entreprise. Ces clients peuvent être encore plus rentables. 3) Les petit clients : Ce sont des clients occasionnels. Notre objectif est de les inciter à augmenter leur fréquence et leur panier d'achat Démarche de segmentation adoptée On a adopté une démarche de segmentation supervisée qui combine les deux approches de segmentation qui sont RFM et par chiffre d'affaire. [BRU 02] Notre approche, exploite les informations stockées dans la table des fait pour calculer, pour chaque client, sa fréquence d'achat notée freq et le montant accumulé de ces achats notée mont et qui représentent respectivement le nombre de fois où le client a effectué des achats et le montant accumulé de ces achats jusqu'à la date de segmentation. Figure 4. Schéma du data warehouse adoptée 4.2. Identification du client Pour notre approche, l'identification du client concerne en plus des informations personnelles (nom, age, adresse,.), les relations du client et ces désirs. L'identification du client se fait par un formulaire Par la suite, on calcule la fréquence moyenne des visites freq _ moy = freq nb _ client (3) Pour chaque client, on calcule le montant moyen d'achat

7 mont _ moy = mont nb _ client (4) On construit une matrice M à deux dimensions où nous mettons dans la première colonne un 1 dans le cas où la fréquence d'achat du client dépasse la freq_moy, sinon on met un 0. Pour la deuxième colonne, nous mettons un 1 dans le cas où le montant d'achat du client dépasse le mont_moy, sinon on met un 0. A la fin, chaque client I, sera classé de la façon suivante : M [ i,1] M [ i,2] Si =1 et =1 alors Client I { Tresbonclient } M [ i,1] M [ i, 2] { clientmoyen} Si =0 ou (exclusif) =0 alors Client I M [ i,1] M [ i,2] Si =0 et =0 alors Client I { petitclient} (5) (6) (7) Cependant, l administrateur reste libre d'introduire lui-même les moyennes et fréquences d'achats L interaction avec le client Pour notre approche, l'interactivité avec le client se fait via les messages reçus ou émis et qui peuvent porter sur plusieurs raisons (intérêt pour un produit, volonté d achat, suivi de commandes, etc.). Ces messages peuvent indiquer aussi le degré de satisfaction ou réclamation vis-à-vis d'un produit ou d'un service. On a préconisé pour l'écriture du message un formulaire de contact qui permet au visiteur ou au client de rédiger directement un message sur l'interface du site. Tous client qui envoie un message est informé par sur ces préoccupations et son message est ensuite automatiquement intégré au niveau de l'entrepôt pour être analysé par la suite pour donner des connaissances concernant le nombre de contacts par jour, par semaine et par mois. On a aussi la possibilité de faire une analyse qualitative des messages pour évaluer la satisfaction des visiteurs et des clients qui vont aider dans notre stratégie e-crm. Nous avons aussi laissé la possibilité au client de s'inscrire dans un newsletter afin de l'informer de toutes les nouveautés et possibilités offertes par la société la personnalisation Pour notre approche, on a préconisé une personnalisation de la présentation et du contenu Personnalisation de l'interface La personnalisation de la présentation consiste à rediriger un client vers une interface spécifique à sa communauté. Pour notre approche, nous avons reparti nos clients selon les trois communautés citées précédemment. Ainsi, au fur et à mesure de ses achats et visites, on proposera au client une interface d accueil différente de telle façon qu'il se sente bien accueilli et privilégié en changeant de communauté. L administrateur se sert de la démarche de segmentation déjà expliquée pour effectuer le travail de détermination (lui affecter une catégorie). Figure 5. Personnalisation de la présentation Etant donné l'importance de l aspect ergonomie dans toute relation sur Internet. nous avons opté pour des interfaces très épurées avec très peu d images animées permettant de renforcer la crédibilité de l'organisation avec un temps d'affichage d'une page très court. On a eu recours à l'usage des couleurs pour personnaliser les divers composants (modification de la couleur du fond de la page, des cadres entourant les éléments, etc.). De plus, on a aussi modifié la localisation, le dimensionnement des différents éléments constitutifs de l'interface du site, comme le catalogue des produits qui n apparaît pas de la même façon pour les trois interfaces. Afin de permettre une grande facilité et liberté de navigation, nous avons utilisé pour nos pages un texte suffisamment aéré avec des éléments d'informations hiérarchisé par niveau d'importance avec la possibilité pour l utilisateur de revenir à la page d'accueil et aux principales rubriques par un simple clic, quelque soit la page sur laquelle il se trouve. Enfin, et afin de permettre au visiteur de mieux assimiler l'information, on a dans certaines étapes (inscription par exemple) présenté l'information par étapes avec des liens hypertexte pour le chaînage des différentes étapes

8 Personnalisation des prix des produits Suivant le segment du client (très bon, moyen ou petit client), on a une réduction des prix de vente des produits. Pour cela, on multiplie le prix réel du produit avec le coefficient de réduction qui est préalablement déterminé. Pour chaque communauté de client, les produits à réduire sont ceux qui sont achetés avec une fréquence d apparition (Qj) et dont la quantité globale achetée dépasse un certain seuil (Q) défini par l administrateur. De plus le rapport entre le montant (Tj) (pour cette quantité Qj) et montant global de cette catégorie dépassent un certain paramètre (T). Cette démarche peut être résumée ainsi : Figure 6. Algorithme pour réduire les prix Personnalisation du contenu La personnalisation du contenu des pages du site se fait suivant les comportements d achats des clients de chaque segment. On a adopté une des méthodes de personnalisation les plus utilisées et qui consiste à déterminer quels produits sont les plus susceptibles d'intéresser le client afin de les lui présenter en premier lieu. On a utilisé la technique d'extraction des itemsets fermés fréquents déjà présentée, puisque elle est considérée comme la meilleure technique pour extraire des connaissances sur les achats groupés des clients. Nous avons appliqué l algorithme Close [PAS 99], [PAS 00] pour sa simplicité et la qualité des résultats qu il délivre. Close permet la détermination efficace des ensembles fermés, tout en réduisant le nombre d accès aux données du contexte étudié. [AOU 05]. Figure 7. Personnalisation du contenu Cette approche de personnalisation permet de simplifier grandement les pages et d'accroître la pertinence des informations présentées à l'écran, sans pour autant réduire la richesse du site Système de classification des clients Afin de mettre à la disposition du service marketing des outils lui permettant de mieux segmenter la clientèle, nous avons implémenté un arbre de décision qui nous permet de voir la répartition de nos clients sur l ensemble de nos 3 segments de client suivant certains critères. L exploration de l arbre de sa racine jusqu aux feuilles nous donne le pourcentage de clients dans chacun des trois segments suivant le chemin parcouru. Les feuilles de notre arbre ne déterminent pas la classe d un client mais permettent d évaluer la classe à laquelle il pourrait appartenir avec une certaine probabilité. On a utilisé les critères suivants : Age : c est un attribut important dans toute étude de population. On a divisé ce critère en trois intervalles qui sont : [0, 16] : les jeunes, [17, 50] : les adultes [51 et plus] : les vieux. Sexe : ce critère est aussi important, il divise la population en deux catégories homme et femme. Montant : comme il s agit d un site de vente, cette composante est prépondérante pour la classification. Cette valeur fixée par l administrateur scindera la population en deux parties. Pays : un site marchant ouvert sur Internet doit permettre à toutes personnes d y accéder. Ce critère nous permettra de voir l'entendue de la popularité de notre site 'nationale, international,..). Un noeud représente une classe d'individus de plus en plus fine depuis la racine. Un arc représente un prédicat de partitionnement de la classe source. A chaque niveau de l arbre, dans l ensemble des attributs (exceptés ceux déjà utilisés), l entropie sélectionne un l attribut à appliquer sur un nœud

9 Donc pour chaque attribut candidat, on va calculer son entropie et on choisit celui qui a l'entropie la plus basse. On a I(S 1,, S m ) correspond à la quantité d'information nécessaire pour classifier l'ensemble des tuples Interface communauté A (petits clients) Interface communauté A Taux de réduction Familles produits communauté A i ( ) = s,..., s = 1 1 m Pi log 2( Pi ) m I (8) Soit A un attribut candidat possédant v valeurs (a 1,, a v ). A permet de partitionner l'ensemble S en v sous-ensembles (S 1,, S v ). S i comprend les tuples ayant la valeur a i pour A. Soit S ij le nombre de tuples du sous-ensemble S j appartenant à C i. Entropie de (A) =E (A) =- j =1 ( S +... S ) S X I ( S ) 1 j + mj / v 1 j S mj (9) La figure ci-dessous donne un aperçu sur une classification possible de nos clients Options d'aide Panier Option de recherche 5.2. Interface communauté B (clients moyens) Interface communauté B taux de réduction communauté B Option de recherche Produits les plus vendus 5.3. communauté C (bons clients) Interface communauté C taux de réduction communauté C Figure 8. Classification des clients 5. Réalisation Notre plateforme fonctionne selon une architecture 3 tiers. Les utilisateurs humains interagissent avec le système par un simple navigateur Web. De cette manière, aucune installation ou configuration particulière n'est nécessaire du coté de l'utilisateur. Nous nous sommes contentés de présenter ici que les interfaces qui définissent notre démarche de personnalisation. Les interface habituel pour un site e- commerce ont été réalisées mais ont a jugé qu'il n'était pas utile de les présentées. Option de recherche Produits les plus vendus - 9 -

10 5.4. Interface consultation d'un produit Détails d'un produit 5.7. Extraction des produits à réduire Nombre de nouveaux produits à afficher Produits associé aux achats du client 5.5. Segmentations des clients Segmentation des clients Fréquence seuil du montant 5.8. Système de classification des clients Critères de classification 5.6. Génération des produits qui se vendent ensemble Introduction du ssupport Liste de clients Graphique de classification Liste des produits générés par l'algorithme close 6. Conclusion Dans le cadre de ce travail, il s agissait de réaliser une plate forme de E-commerce personnalisée, qui intègre toutes les fonctionnalités pour couvrir un cycle d achat complet et d intégrer un système data mining permettant à l entreprise d améliorer ces prestations via une connaissance plus fine des comportements des clients. Cette solution apporte de la nouveauté au niveau ergonomique en utilisant une interface intuitive, tant du point du client que de l entreprise. L option de personnalisation, permet d améliorer la relation entreprise client et de créer un climat de confiance entre eux. Pour ce faire, nous avons mis en pratique trois interfaces web qui sont destinées aux trois communautés de nos clients obtenues grâce à une segmentation supervisé de la clientèle. On a aussi opéré une réduction du prix de vente sur les produits les plus demandés

11 Cependant, d autres améliorations restent à réaliser afin d améliorer les fonctionnalités existantes et d en rajouter d autres. La mise en place d une technique d'internationalisation, permettant l'exploitation du système aux utilisateurs utilisant d'autres langues que le français (en particulier l'arabe et l'anglais). Une étude sur le comportement du visiteur permettra de voir aussi la popularité de notre site ainsi que les pages les plus visitées. On peut aussi améliorer les fonctionnalités de sécurité des transactions et établir un profil plus étoffer du client et essayer d utiliser d autres techniques pour faire la segmentation. Cette contribution ne prétend pas apporter des réponses exhaustives à toutes les questions posées au départ. D autres recherches qualitatives et quantitatives seront nécessaires pour pouvoir mieux appréhender ces notions. Pour ce faire, il serait intéressant de voir les perceptions des usagers du web marchand quant aux démarches CRM des entreprises et à leurs perceptions de la personnalisation de la relation, notamment la propension du client à donner des informations privées en échange de produits et services personnalisés. REFERENCES [ABI 02] A. Abidi, La quête de la fidélité du consommateur : marketing relationnel, marketing one-to-one et CRM. Explorations conceptuelles, Actes de la 7ème Journée de Recherche en Marketing de Bourgogne, CRG, IAE, Université Toulouse I, novembre [AGR 96] R. Agrawal, A. Gupta and S. Sarawagi. Modeling multidimensional databases. Research Report : IBM Almaden Research Center, San Jose, CA, 1996 [ANS 03] S. Ansaf, Recherche de motifs fréquents pour l'extraction de règles d'association et de caractérisation, thèse présentée pour l'obtention du grade de Docteur de l'université d'orléans, Discipline Informatique, 2003 [AOU 05] K. Aouiche, Techniques de fouille de donnée pour l optimisation automatique des performances des entrepôts de données, Thèse de doctorat, laboratoire ERIC, Université Lumière Lyon2, décembre [ARI 00] Ariely D. (2000), Controlling the information Flow: Effects on consumers Decision Making and Preferences, Journal of Consumer Research, Vol. 27, pp [BAS 00] Y. Bastide, N. Pasquier, R. Taouil, L. Lakhal, G. Stumme, Mining minimal nonredundant association rules using frequent closed itemsets, Proceedings of the Intl. Conference DOOD 2000, LNCS, Springer-verlag, July 2000, p [BAZ 01] M. Bazsalicza, P. Naïm, Data Mining pour le Web, Eyrolles, [BEL 00] L. Bellatreche, utilisation des vues matérialisées, des index et de la fragmentation dans la Conception logique et physique d un Entrepôt de données, Thèse de Doctorat, Université de Clermont-ferrant II, France, 2000 [BEN 03] S. Benyahia, Cherif C. L., Mineau G., Jaoua A.. Découverte des règles associatives non redondantes : application aux corpus textuels. Journées francophones d Extraction et Gestion des Connaissances (EGC 2003), France [BRU 02] Bruant, J. Les enjeux de la segmentation dans la relation client, thèse de Mastère en Management des Systèmes d Information et des Technologies, Ecole des Mines de Paris 2002, [CHA 98] Boris Charpiot, L'extensibilité par la répartition thématique des accès à un système d'informations distribuées, thèse de doctorat de l'université de rennes. Mention: informatique, décembre 1998 [CAD 02] Cadiat A-C. et De Moerloose C. L impact d Internet sur la gestion de la relation client, étude de cas dans le secteur du transport de colis express, Actes de la 1ère Journée Nantaise de Recherche sur le e-marketing [CIN 02] Cinquin L., Lalande P-A. et Moreau N. Le projet CRM : "relation client et Internet", Editions Eyrolles [DAV 94] B. A. Davey, H. A. Priestley. Introduction to lattices and order. Cambridge University Press, Fourth edition, 1994 [DWY 87] Dwyer F.R., Schurr P.H. & Oh S. Developping buyer-seller relationships, Journal of Marketing, 51, 2, (1987). [ECC 05] Document tiré du site : ECCS, the European CRM Portal. [GAR 99] Garbarino E. & Johnson M.S. the different roles of satisfaction, trust and commitment in customer relationships, Journal of Marketing, 63, 2, [GAV 02] G. Gavray, Personnalisation des sites Web : élaboration d'une méthodologie de mise en œuvre et application au cas DGTRE, mémoire d ingéniorat, Université Catholique de Louvain, [GOD 89] Godin R. Complexité de structures de treillis. Annales des Sciences Mathématiques du Québec, 13(1) :19 38, [HES 94] Heskett J.L., Jones T.O., LovermanG.W., SasserJrw.E. SchlesingerL.A. Putting the Service- Profit Chain to Work, Harvard Business Review, Boston, Vol. 72, pp [JAN 01] Janowski, W. Sarner, A. Five Opportunities for Personalization. Gartner Group, 05/2001, pp. 1 [KAL 97] Kalakota, Ravi., Whinston, Andrew B. 'Electronic Commerce: A Manager's Guide, Addison-Wesley [KIM 97] R. Kimball. A dimensional modeling

12 manifesto. DBMS Magazine, August 1997 [KIM 00] Kimball, R. Merz, R. Le Data Webhouse. Eyrolles, 2000 [LAC 02] H. Lacroix Sablayrolles. Etes-vous vraiment orienté Client?.Ed. Dunod, [MER 93] Merkator, théorie et pratique du marketing, Jacques Lendrevue et Denis Lindon. Edition Dalloz, [MOL 00] Möller K. & Halinnen A. Relationship Marketing Theory: Its Roots and Direction, Journal of Marketing Management, 16, [MOH 00] M. Mohania, S.Samtania, J. F. Roddick, and Y. Kambayashi. Advances and research directions in data warehousing technology. Australian Journal of Information Systems, 2000 [NEW 00] Newell, F. loyaty.com. McGraw-Hill, 2000 [INM 92] Inmon W.H. Building the Data Warehouse. John Wiley, 1992 [JAL 97] Jallat F., Le Nagard E. & Steyer A. (1997), Vers un marketing relationnel et tribal :la transformation des opérateurs de télécommunication, Décision Marketing, 11, 3, [JON 95] Jones T.O., Sasser JrW.E. (1995), Why Satisfied Customers Defec, Harvard Business Review, Vol. 73, N 6, pp [MOO 96] Moon Y. and Nass C. How Real Are Computer Personalities? Psychological Responses to Personality Types in Human-Computer Interaction, Communication Research, Vol. 23, pp [MOO 93] Moorman C., Desphandé R. & Zaltman G. Factors Affecting Trust in Market Relationships. Journal of Marketing. 1993, [MOR 94] Morgan R.M. & Hunt S.D. The Commitment-trust Theory of Relationship Marketing, Journal of Marketing, 58, 3, (1994). [OCD 98] Organisation pour la Coopération et le Développement Économique (OCDE), Conférence on Electronic Commerce, octobre , document disponible électroniquement à [OCD 99] Définir et mesurer le commerce électronique, Atelier de l'ocde du 21 avril 1999 disponible électroniquement à. orkshop.htm [OSM, 01] Osmar R. Zaıane. Web usage mining for a better web-based learning environment. Proceedings of Conference on Advanced Technology for Education, pages , [PAS 99] N. Pasquier, Y. Bastide, R. Taouil, L. Lakhal. Discovering Frequent Closed Itemsets for Association Rules. Lecture Notes in Computer Science, Vol p [PAS 00] N. Pasquier, Y. Bastide, R. Taouil, G. Stumme, L. Lakhal, Mining Minimal Nonredundant Association Rules Using Frequent Closed Itemsets. Lecture Notes in Computer Science, Vol p [PAR 96] Parsaye K. Surveying Decision Support: New Realms of Analysis. Information Discovery, Inc [PEC 99] Peck H., Payne A., Christopher M. & Clarck M. Relationship Marketing, Strategy & Implementation, Oxford, Butterworth Heinemann [REI 00] Reichheld F.F. & Schefter P. E-Loyalty Your Secret Weapon on the Web, Harvard Business Review, July-August, [REI 90] Reichheld F.F. & Sasser E. Zero Defections: Quality Comes to Services, Harvard Business Review, September-October, (1990). [SPR 96] Spreng R.A., MacKenzie S.B. & Olshavsky R.W. A Reexamination of the Determinants of Consumer Satisfaction, Journal of Marketing, 60, 3, (1996). [SRI 96] Srikant Ramakrishnan, Rakesh Agrawal, Mining quantitative Association Rules in Large Relationnal Tables, In ACM SIGMOD. (1996). [STU 01] Stumme G., Taouil R., Bastide Y., Pasquier N., Lakhal L., Intelligent structuring and reducing of association rules with formal concept analysis, Proc. KI 2001 conference, LNAI 2174, Springer-verlag, September 2001, p [TAP, 01] K. Tapan, Creating adaptive web servers using incremental web log mining, Master s thesis, Computer Science Department, University of Maryland, Baltimore County,

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

Fouille de données: des bases binaires aux bases évidentielles

Fouille de données: des bases binaires aux bases évidentielles Fouille de données: des bases binaires aux bases évidentielles Ahmed Samet Faculté des sciences de Tunis Présenté le : 16 janvier 2013 Ahmed Samet Fouille de données: des bases binaires aux bases évidentielles

Plus en détail

Organisme de Formation Européen Linguistique et Informatique INITIATION AU MARKETING. Le marketing : pour quoi faire? Le diagnostic marketing

Organisme de Formation Européen Linguistique et Informatique INITIATION AU MARKETING. Le marketing : pour quoi faire? Le diagnostic marketing Présentation : Organisme de Formation Européen Linguistique et Informatique INITIATION AU MARKETING PROGRAMME : INITIATION AU MARKETING (env. 2 jours) Le marketing : pour quoi faire? Le marketing (on utilise

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

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

ecrm: Segmentation client

ecrm: Segmentation client ecrm: Segmentation client Un point stratégique pour un marketing multi-canal amélioré Cabestan Livre Blanc Introduction C'est un adage connu de toutes les directions marketing. Proposer un produit sur

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

Chapitre 1 : Introduction aux Systèmes de Gestion de Bases de Données (Eléments de base)

Chapitre 1 : Introduction aux Systèmes de Gestion de Bases de Données (Eléments de base) Chapitre 1 : Introduction aux Systèmes de Gestion de Bases de Données (Eléments de base) 1. Généralités sur l'information et sur sa Représentation 1.1 Informations et données : a. Au sen de la vie : C

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

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

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

Plus en détail

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

Gulliver.com by mobeo 1

Gulliver.com by mobeo 1 Gulliver.com by mobeo 1 Sommaire Introduction A quoi sert une CRM ecommerce? Le point de vue CRM La Segmentation Les Contacts Les Visiteurs Cycle de vente Segmentation des visiteurs Ajustement Regroupements

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

Optimiser son expérience client dans la vente au détail

Optimiser son expérience client dans la vente au détail VENTE ACHETER Optimiser son expérience client dans la vente au détail Un Livre Blanc Maxymiser d Oracle Oct 2015 Livre Blanc www.maxymiser.fr Depuis quelques années, les professionnels de la vente au détail

Plus en détail

Introduction. Nous définirons les termes clefs de notre recherche.

Introduction. Nous définirons les termes clefs de notre recherche. Introduction En cette période de crise et de concurrence exacerbée, les entreprises tentent de conquérir de nouveaux clients mais également de se concentrer et de développer leurs clients les plus rentables.

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

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

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

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

Introduction au datamining

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

Plus en détail

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

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

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM SPSS Statistics 19 IBM SPSS Direct Marketing Comprenez vos clients et renforcez vos campagnes marketing Points clés Avec IBM SPSS Direct Marketing, vous pouvez : Comprendre vos clients de manière plus

Plus en détail

Technologies et Knowledge Management. Knowledge Management. Panorama des technologies. Gilles Balmisse. Journée EGIDE - 4 mars 2003 1

Technologies et Knowledge Management. Knowledge Management. Panorama des technologies. Gilles Balmisse. Journée EGIDE - 4 mars 2003 1 Journée EGIDE - 4 mars 2003 1 Knowledge Management Panorama des technologies Journée EGIDE - 4 mars 2003 2 AU SOMMAIRE Introduction PARTIE 1 Panorama des technologies PARTIE 2 Portail de KM Conclusion

Plus en détail

Douze règles pour fidéliser la clientèle.

Douze règles pour fidéliser la clientèle. Douze règles pour fidéliser la clientèle. Il n'y a pas de plus puissante arme marketing que le bouche à oreille (BAO). Pour que vos clients deviennent vos apôtres évangélistes, il faut commencer par les

Plus en détail

Contexte : «l e-business» TECHNIQUES DE MARKETING EN LIGNE. Contexte : «l e-business» Création de valeur 02/02/12

Contexte : «l e-business» TECHNIQUES DE MARKETING EN LIGNE. Contexte : «l e-business» Création de valeur 02/02/12 Contexte : «l e-business» TECHNIQUES DE MARKETING EN LIGNE La notion «d E-Business» recouvre les différentes applications possibles de l'informatique faisant appel aux technologies de l'information et

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

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

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

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

BI = Business Intelligence Master Data-Science Cours 6 - Data Mining

BI = Business Intelligence Master Data-Science Cours 6 - Data Mining BI = Business Intelligence Master Data-Science Cours 6 - Data Mining Ludovic DENOYER - D après Elisa Fromont UPMC 23 mars 2015 Ludovic DENOYER - D après Elisa Fromont Le Data Mining De plus en plus de

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

Fiche de l'awt Qu'est-ce que l'e-business?

Fiche de l'awt Qu'est-ce que l'e-business? Fiche de l'awt Qu'est-ce que l'e-business? Que recouvre exactement la notion d'e-business? Les moteurs de l'e-business (gestion orientée client et TIC), proposition de valeur d'une stratégie e-business,

Plus en détail

CONCEPTION ET REALISATION D'UN GENERATEUR DE TABLEAUX DE BORD PROSPECTIFS MULTIDIMENSIONNELS

CONCEPTION ET REALISATION D'UN GENERATEUR DE TABLEAUX DE BORD PROSPECTIFS MULTIDIMENSIONNELS CONCEPTION ET REALISATION D'UN GENERATEUR DE TABLEAUX DE BORD PROSPECTIFS MULTIDIMENSIONNELS Nazih Selmoune (*), Zaia Alimazighi (*) Selmoune@lsi-usthb.dz, Alimazighi@wissal.dz (*) Laboratoire des systèmes

Plus en détail

Partie I Stratégies relationnelles et principes d organisation... 23

Partie I Stratégies relationnelles et principes d organisation... 23 Introduction......................................................................... 1 1. Définition........................................................................ 2 1.1 Le CRM comme processus

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

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

Positionnement de UP

Positionnement de UP UNIFIED PROCESS Positionnement de UP Unified Process Langage Méthode Outil logiciel UML UP RUP 6 BONNES PRATIQUES développement itératif gestion des exigences architecture basée sur des composants modélisation

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

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

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER Tirer pleinement profit de l ETL d Informatica à l aide d une plate-forme de Business Discovery rapide et flexible De plus en plus d entreprises exploitent

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

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

Université Montpellier I UFR Administration Économique et Sociale (AES) DU Création et Maintenance de Sites Internet E-CRM

Université Montpellier I UFR Administration Économique et Sociale (AES) DU Création et Maintenance de Sites Internet E-CRM Université Montpellier I UFR Administration Économique et Sociale (AES) DU Création et Maintenance de Sites Internet E-CRM Présentée par Yun LIU 06/2010 Introduction PLAN Présentation de l'e-crm Les principaux

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

Cette notice dresse un panorama des différents types de campagnes marketing automatisées et de leur mise en œuvre.

Cette notice dresse un panorama des différents types de campagnes marketing automatisées et de leur mise en œuvre. A l image de la chaine de montage d une voiture, les actions marketing tendent à s automatiser afin d optimiser le temps et l argent investis. On appelle «automation marketing» ou marketing automatisé,

Plus en détail

Date de diffusion : Rédigé par : Version : Mars 2008 APEM 1.4. Sig-Artisanat : Guide de l'utilisateur 2 / 24

Date de diffusion : Rédigé par : Version : Mars 2008 APEM 1.4. Sig-Artisanat : Guide de l'utilisateur 2 / 24 Guide Utilisateur Titre du projet : Sig-Artisanat Type de document : Guide utilisateur Cadre : Constat : Les Chambres de Métiers doivent avoir une vision prospective de l'artisanat sur leur territoire.

Plus en détail

Cameleon. Cameleon au cœur de la stratégie de croissance des entreprises de service

Cameleon. Cameleon au cœur de la stratégie de croissance des entreprises de service Cameleon Cameleon au cœur de la stratégie de croissance des entreprises de service AUGMENTEZ vos performances marketing Les entreprises de service sont soumises à de multiples enjeux ayant des conséquences

Plus en détail

Les principaux domaines de l informatique

Les principaux domaines de l informatique Les principaux domaines de l informatique... abordés dans le cadre de ce cours: La Programmation Les Systèmes d Exploitation Les Systèmes d Information La Conception d Interfaces Le Calcul Scientifique

Plus en détail

Vocalcom lance en Tunisie la version Hermès V 4.0

Vocalcom lance en Tunisie la version Hermès V 4.0 Vocalcom lance en Tunisie la version Hermès V 4.0 Premier fournisseur en Europe et dans les pays offshore de solutions technologiques pour les centres d'appels, Vocalcom lance en Tunisie la version hermès

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

Grégory Bressolles L E-MARKETING

Grégory Bressolles L E-MARKETING Grégory Bressolles L E-MARKETING Conseiller éditorial : Christian Pinson Dunod, Paris, 2012 ISBN 978-2-10-057045-4 SOMMAIRE Avant-propos 5 CHAPITRE 1 Qu est-ce que l e-marketing? I COMMENT INTERNET A-T-IL

Plus en détail

L'impact économique total (Total Economic Impact ) de PayPal France

L'impact économique total (Total Economic Impact ) de PayPal France L'impact économique total (Total Economic Impact ) de PayPal France Sebastian Selhorst Consultant TEI Forrester Consulting 29 Mars 2011 1 2011 Forrester Research, Inc. Reproduction 2009 Prohibited Forrester

Plus en détail

Cas d'étude : Puissance 4 Analyse des besoins

Cas d'étude : Puissance 4 Analyse des besoins 1 Génie Logiciel Cas d'étude : Puissance 4 Analyse des besoins Renaud Marlet LaBRI / INRIA http://www.labri.fr/~marlet màj 18/04/2007 2 Exercice Vous êtes employé(e) dans une société qui édite des jeux

Plus en détail

Gestion de la Relation Client

Gestion de la Relation Client Gestion de la Relation Client Guillaume Ansel & Ulrich Duvent 2010 Rapport d étude de conception d un module de Gestion de la Relation Client (Customer Relationship Management) pour un ERP à but pédagogique

Plus en détail

é n e r g i e c r é a t i v e Solution E-mailing Renforcez le pouvoir de communication de votre entreprise

é n e r g i e c r é a t i v e Solution E-mailing Renforcez le pouvoir de communication de votre entreprise é n e r g i e c r é a t i v e Solution E-mailing de votre entreprise Présentation Rapports et analyses ven MON 14 Planification de campagne Automatisation de campagnes Gestion de liste et segmentation

Plus en détail

Séminaires Système D Information. Formation Conduite du Changement. Préambule

Séminaires Système D Information. Formation Conduite du Changement. Préambule Séminaires Système D Information Formation Conduite du Changement Préambule Sommaire Préambule L entreprise : système complexe en mouvement permanent Mickael Porter Harvard Business School - L avantage

Plus en détail

Introduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)

Introduction 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 détail

LE PLAN D'AMÉLIORATION DE LA FONCTION MARKETING

LE PLAN D'AMÉLIORATION DE LA FONCTION MARKETING LE PLAN D'AMÉLIORATION DE LA FONCTION MARKETING Direction du développement des entreprises et des affaires Préparé par Michel Coutu, F. Adm.A., CMC Conseiller en gestion Publié par la Direction des communications

Plus en détail

Ce qu est le Data Mining

Ce qu est le Data Mining Data Mining 1 Ce qu est le Data Mining Extraction d informations intéressantes non triviales, implicites, préalablement inconnues et potentiellement utiles à partir de données. Autres appellations: ECD

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

Atelier 2 L e-commerce

Atelier 2 L e-commerce Atelier 2 L e-commerce Claude Ménissez E-commerce Les lois de l efficacité 1 Spécificité essentielle du e-commerce Mettre en ligne un site internet marchand c est ouvrir d un coup des millions de boutiques

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

Gestion de la relation Client (CRM)

Gestion de la relation Client (CRM) Gestion de la relation Client (CRM) Les meilleures pratiques pour gérer vos équipes de vente et marketing Claude Rose, président de Gestisoft Ordre du jour de la présentation Objectif d une solution CRM?

Plus en détail

Marketing comportemental. Guide méthodologique de mise en œuvre

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

Plus en détail

Techniques Data Mining pour la sélection d une configuration d index de jointure binaire

Techniques Data Mining pour la sélection d une configuration d index de jointure binaire Faculté des Sciences Tidjani HADDAM Département de l Informatique Mémoire Pour l obtention du diplôme de MASTER Spécialité : Informatique Option : Modèles Intélligents et Décision (MID) THÈME Techniques

Plus en détail

Chap 14 : La fidélisation de la clientèle et la mercatique après-vente. I. La fidélisation. A. Les enjeux de la fidélisation

Chap 14 : La fidélisation de la clientèle et la mercatique après-vente. I. La fidélisation. A. Les enjeux de la fidélisation Chap 14 : La fidélisation de la clientèle et la mercatique après-vente I. La fidélisation A. Les enjeux de la fidélisation B. La mesure de la satisfaction des clients dans les unités commerciales physiques

Plus en détail

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

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

Plus en détail

Bienvenue dans ce troisième numéro de Novatris News!

Bienvenue dans ce troisième numéro de Novatris News! L actualité des études online Numéro 3 Mai - Juin 2006 Bienvenue dans ce troisième numéro de Novatris News! Pour ce nouveau numéro, nous vous proposons de partager notre expérience sur deux outils d'études

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

Marketing 1 to 1. Gilles Enguehard. DG société Atenys - Conseil & Management. Le marketing one to one. 1. Bref historique

Marketing 1 to 1. Gilles Enguehard. DG société Atenys - Conseil & Management. Le marketing one to one. 1. Bref historique Marketing 1 to 1 Gilles Enguehard DG société Atenys - Conseil & Management genguehard@atenys.com Le marketing one to one 1. Bref historique 2. Les différentes formes de personnalisation 3. Internet : un

Plus en détail

Des questions en live? @gregguzzo

Des 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 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

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

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

Base de données clients outil de base du CRM

Base de données clients outil de base du CRM Base de données clients outil de base du CRM Introduction Objectifs SOMMAIRE Constitution de la base de données clients Alimentation Datamart et DataWarehouse Contenu Dimensions Exploitation de la base

Plus en détail

CAHIER DES CHARGES POUR APPLICATION MOBILE GRC

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

Plus en détail

Application de K-means à la définition du nombre de VM optimal dans un cloud

Application de K-means à la définition du nombre de VM optimal dans un cloud Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février

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

Plan. Cours 4 : Méthodes d accès aux données. Architecture système. Objectifs des SGBD (rappel)

Plan. Cours 4 : Méthodes d accès aux données. Architecture système. Objectifs des SGBD (rappel) UPMC - UFR 99 Licence d informatique 205/206 Module 3I009 Cours 4 : Méthodes d accès aux données Plan Fonctions et structure des SGBD Structures physiques Stockage des données Organisation de fichiers

Plus en détail

Structure 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 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 détail

ACCOR VALORISE LE PARCOURS CLIENT

ACCOR VALORISE LE PARCOURS CLIENT ACCOR VALORISE LE PARCOURS CLIENT LES NOUVELLES TENDANCES DU MARKETING ET DE LA COMMUNICATION: BIG DATA MCS4 LESLIE TABACCO, THOMAS RACOUPEAU 1 S OMMAIRE Qu est ce que le BIG-DATA P.3 Le groupe ACCOR P.4

Plus en détail

CATALOGUE DE FORMATION ANTADIS - 2012

CATALOGUE DE FORMATION ANTADIS - 2012 CATALOGUE DE FORMATION ANTADIS - 2012 Antadis développe les connaissances et les compétences Internet de ses clients à travers des solutions OpenSource de renom. Antadis, c est Une équipe de 10 personnes

Plus en détail

LES APPLICATIONS DU BIG DATA DANS LE MARKETING RELATIONNEL : RETARGETING ET REMARKETING MULTICANAL, DISPLAY CIBLÉ, DMP

LES APPLICATIONS DU BIG DATA DANS LE MARKETING RELATIONNEL : RETARGETING ET REMARKETING MULTICANAL, DISPLAY CIBLÉ, DMP LES APPLICATIONS DU BIG DATA DANS LE MARKETING RELATIONNEL : RETARGETING ET REMARKETING MULTICANAL, DISPLAY CIBLÉ, DMP 2 ENJEUX MEDIAPOST COMMUNICATION ÊTRE LE LEADER DE L INTELLIGENCE CLIENT À TRAVERS

Plus en détail

X2BIRT : Mettez de l interactivité dans vos archives

X2BIRT : Mettez de l interactivité dans vos archives Présentation Produit Présentation Produit X2BIRT : Mettez de l interactivité dans vos archives L accès à l information est capital pour les affaires. X2BIRT, la dernière innovation d Actuate, prend le

Plus en détail

Pourquoi l apprentissage?

Pourquoi 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 détail

Skills Technology Software PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT

Skills Technology Software PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT Skills Technology Software w w w.s PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT ka ty s. co m E U OG ION L TA AT A C RM FO Accélérateur de votre RÉUSSITE 2 Formation Aujourd hui, la formation constitue

Plus en détail

INTRODUCTION AU DATA MINING. Cina MOTAMED

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

Plus en détail

La GRC ou comment mettre le client au coeur de l entreprise

La GRC ou comment mettre le client au coeur de l entreprise composantes Relation de la Relation relation 4 Les outils 4 Les 4-1 outils Les de bases la GRC de 4-1 données Les bases de données 4-2 Les logiciels et 5 Les de freins la GRC au La GRC ou comment mettre

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

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

Savoir fidéliser ses clients

Savoir fidéliser ses clients Savoir fidéliser ses clients le programme partie 1 Les enjeux de fidélisation partie 2 La relation client : un levier de fidélisation Partie 3 Gérer sa base de données clients Partie 4 Les outils pour

Plus en détail

Transformer ses visiteurs

Transformer ses visiteurs Transformer ses visiteurs en clients Oloron 26/11/2009 1/ Acquisition de trafic 2/ Augmentation du taux de transformation 3/ Fidélisation de vos clients 4/ Développer sa clientèle Transformer ses visiteurs

Plus en détail

Chapitre 4 Les Servlets. 1. Qu'est-ce qu'une Servlet? 1.1 Présentation. 1.2 Requêtes HTTP

Chapitre 4 Les Servlets. 1. Qu'est-ce qu'une Servlet? 1.1 Présentation. 1.2 Requêtes HTTP 210 Les Servlets 1. Qu'est-ce qu'une Servlet? 1.1 Présentation Les Servlets sont la base de la programmation Java EE. La conception d'un site Web dynamique en Java repose sur ces éléments. Une Servlet

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

Fiche méthodologique Qu'est-ce que l'e-business?

Fiche méthodologique Qu'est-ce que l'e-business? Fiche méthodologique Qu'est-ce que l'e-business? Plan de la fiche : 1 : Présentation de la fiche 2 : Définition de l'e-business 3 : Les moteurs de l'e-business 4 : Choix stratégique et la proposition de

Plus en détail

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

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

Plus en détail

BASE DE DONNEES. OlivierCuré [ocure@univ-mlv.fr]

BASE DE DONNEES. OlivierCuré [ocure@univ-mlv.fr] BASE DE DONNEES 1 Contact Olivier Curé ocure@univ-mlv.fr http://www.univ-mlv.fr/~ocure Copernic 4B060 2 Objectifs du cours Présentation des concepts liés aux bases de données, aux modèles des bases de

Plus en détail

www.clic-et-site.com www.location-fichier-email.com www.emilecourriel.com

www.clic-et-site.com www.location-fichier-email.com www.emilecourriel.com Clic et Site Agence e-marketing, spécialiste email marketing Comment mettre en place une stratégie d emailing d'acquisition intelligente? 13 rue du canal, 67203 OBERSCHAEFFOLSHEIM 03 88 26 84 42 Quelques

Plus en détail

ecrm : Multiplicité des données clients D où proviennent les informations et quelles sont-elles?

ecrm : Multiplicité des données clients D où proviennent les informations et quelles sont-elles? ecrm : Multiplicité des données clients D où proviennent les informations et quelles sont-elles? Livre Blanc Cabestan Des sources de données disparates Il existe autant d'approches pour reconnaître un

Plus en détail