Conception de la solution datamining d un SI bancaire

Dimension: px
Commencer à balayer dès la page:

Download "Conception de la solution datamining d un SI bancaire"

Transcription

1 Avenue du Parc Cergy-Pontoise CEDEX 17 Place des Reflets Paris La Défense CEDEX Stage de fin d études d ingénieur Conception de la solution datamining d un SI bancaire Du 18/04/2011 au 17/10/2011 Présenté par : Eliane Tchiengue

2 Remerciements Tout d abord des remerciements à Jérôme CAMUS pour m avoir acceptée dans ses équipes, me donnant ainsi l opportunité de faire un stage intéressant au sein d une entreprise de taille importante. Des remerciements également à Sarah MARCHAND, Clara SPRIET et Habibatou KEITA pour l encadrement qu elles m ont destiné tout au long de ce stage. Des remerciements particuliers à tous les membres des chantiers Données et Architecture pour leur accueil chaleureux, c était agréable de travailler auprès de vous. Et pour finir, un merci aux membres de l administration de Logica qui ont aidé à ce que ce stage se déroule dans de bonnes conditions. 2

3 Sommaire 1 Contexte Logica, acteur majeur du service informatique Historique Organisation Les principaux partenaires de Logica ITS BDM BI Présentation du client et du projet Présentation générale du groupe Crédit Agricole Les caisses régionales (CRs) en France Le projet NICE Observations personnelles Intégration au sein de l entreprise Le chantier Etudes&Datamining Le datamining Objectifs Les données Les besoins et exigences du Crédit Agricole Les besoins fonctionnels Les exigences Les solutions apportées Les usages couverts par le chantier Etudes&Datamining Les études Le datamining La solution technique retenue Organisation La méthode CAgile du Crédit Agricole Les thèmes des solutions apportées Planning et livrables Un stage orienté conseil en système d information

4 3.1 Phase de spécification fonctionnelle générale Cadrage Phase de conception détaillée Processus : Temps réel Cycle de vie des modèles Scénarios des uses cases Auto-évaluation et difficultés Le stage dans la formation Bilan Bilan du projet Bilan du travail en équipe Bilan personnel

5 Glossaire Affacturage L'affacturage (factoring en anglais) est une technique de recouvrement de créances mise en œuvre par les entreprises et consistant à sous-traiter cette gestion à un établissement de crédit spécialisé : l'affactureur ou factor (anglais). CASA Crédit Agricole SA est une société anonyme, propriété des Caisses régionales et des salariés du Groupe. En 2001, CASA est introduit en Bourse mais reste détenue majoritairement par les Caisses Régionales (44 à l'époque), comme le prévoient les statuts mutualistes du groupe. CRM (Customer Relationship Management ou en français GRC, gestion de la relation client) Ce système de gestion vise à proposer des solutions technologiques permettant de renforcer la communication entre l'entreprise et ses clients afin d'améliorer la relation avec la clientèle en automatisant les différentes composantes de la relation client. CRM opérationnel Le marketing relationnel vise à créer et animer une "relation" entre une marque et son marché cible. Le marché cible peut correspondre aussi bien à la clientèle établie qu'aux clients potentiels (prospects). GINI (Courbe de) L indice de Gini est un nombre variant de 0 à 1, où 0 signifie l'égalité parfaite (il y a autant de bons que de mauvais payeurs) et 1 signifie l'inégalité totale (une personne est solvable, les autres ne le sont pas). Entre 0 et 1, l'inégalité est d'autant plus forte que l'indice de Gini est élevé. LCL Filiale du groupe Crédit Agricole, LCL est un réseau de banque de détail à forte implantation urbaine dans toute la France, organisé autour de 4 métiers : La banque de proximité pour les particuliers La banque de proximité pour les professionnels La banque privée La banque des entreprises 5

6 Lift (Courbe de) Le lift est le ratio de deux pourcentages: le pourcentage des classifications positives correctes réalisées par le modèle sur le pourcentage des classifications positives actuelles dans les données de test. Par exemple, si 40% des clients d une enquête marketing ont répondu favorablement (la classification positive) à une campagne promotionnelle dans le passé et le modèle prévoit 75% de réponses positives correctes, le lift serait obtenu en divisant 0,75 par 0,40. Le lift résultant serait 1,875. Le Lift est habituellement utilisé pour mesurer la performance des modèles de réponse. Le but d un modèle de réponse est d identifier les segments de population avec les concentrations les plus élevées de réponses positives à une campagne marketing. Le lift donne la quantité de population à solliciter pour obtenir le pourcentage le plus élevé de réponses potentielles. Lightweight Directory Access Protocol (LDAP) En français «protocole d accès aux annuaires légers», c est un protocole standard permettant de gérer des annuaires, c'est-à-dire d'accéder à des bases d'informations sur les utilisateurs d'un réseau par l'intermédiaire de protocoles TCP/IP. Marketing relationel Le marketing relationnel vise à créer et animer une "relation" entre une marque et son marché cible. Le marché cible peut correspondre aussi bien à la clientèle établie qu'aux clients potentiels (prospects). Ordonnanceur Dans les systèmes d'exploitation, l ordonnanceur désigne le composant du noyau du système d'exploitation qui choisit les processus qui vont être exécutés par les processeurs d'un ordinateur. PMML Predictive Model Markup Language ou PMML est un langage de marquage basé sur XML conçu pour définir des modèles de données et visant à rendre interopérables les systèmes de datamining. ROC La courbe ROC est un outil d évaluation et de comparaison des modèles datamining. Score d octroi 6

7 Formule mathématique permettant d évaluer la probabilité qu une entité (client, compte, foyer, ) présente un risque futur de non règlement de ces créances, sur la base des caractéristiques de cette entité. On distingue des formules effectuant une évaluation ponctuelle de ce risque, à l étude de l ouverture d une nouvelle ligne de crédit (Scores d octroi) et celles effectuant une évaluation répétée et dynamique de ce risque pour un compte ouvert, généralement sur la base de son comportement historique (Scores de comportement). Script batch Par abus de langage, un fichier batch est, sous le système d'exploitation Windows, un fichier (ou script) contenant une série d'instructions DOS. TERADATA Teradata est un constructeur et un éditeur de solutions informatiques spécialisées en matière d entrepôt de données et d applications analytiques. UNICA Unica est un logiciel de l éditeur IBM conçu pour créer et suivre des campagnes de marketing multicanaux, analyser les interactions avec les clients, modéliser les comportements, et segmenter les offres par canal. 7

8 Abréviations et sigles NICE CR DWH DTM SBD Nouvelle Informatique Convergente Evolutive Caisse Régionale DataWareHouse DaTaMart Service Bureau Datamining 8

9 9

10 Introduction Le monde bancaire concentre ses orientations technologiques autour de trois objectifs : industrialiser ses activités de cœur de métier, améliorer la relation client et renforcer la gestion du risque. Pour réussir à fidéliser un client, il faut le positionner au cœur de l entreprise, c est-àdire mettre tous les moyens en œuvre pour le comprendre et lui donner un service fiable. Cela suppose de modifier l organisation de l entreprise en fonction de cet impératif. Le système d information n est pas épargné, je dirais même qu'il joue un rôle primordial dans cette stratégie. Fidéliser sous-entend connaître le client, c est-à-dire se souvenir de ses précédents contacts avec l établissement, ses achats, ses réclamations etc. Toutes ces informations sont stockées, quelque part dans les bases de données de l entreprise par les différents canaux d où elles proviennent comme la banque en ligne, les agences, les distributeurs automatiques etc. Maîtriser les canaux et les données qui en proviennent afin de transformer cela en connaissance est un atout considérable pour les banques qui n hésitent pas à investir de plus en plus dans leur système d information. En effet, cette vision unifiée du client permet de lui offrir une relation personnalisée quelque soient les canaux. Ce stage, situé au cœur du projet NICE Datamining du système d information du Crédit Agricole, a pour objectif d apporter des solutions pour la mise en place d un outil d analyse de données et de modélisation datamining qui optimise la connaissance client. 10

11 1 Contexte 1.1 Logica, acteur majeur du service informatique Logica est la 7ème société de conseil et de services informatiques en Europe et le 4ème acteur français avec près de 9000 personnes réparties sur trois grandes entités : Logica IT Services Intégration de Systèmes Logica Business Consulting Conseil en Management Logica IT Training Outsourcing Figure 1 : Présence de Logica dans le monde Avec près de collaborateurs répartis dans 39 pays, Logica totalise un chiffre d affaire de 3,7 milliards d euros en

12 Figure 2 : Evolution du chiffre d affaire de Logica depuis 2003 Logica s appuie sur ses connaissances approfondies des secteurs, son excellence en matière de technologies ainsi que sur son expertise en matière de delivery pour aider ses clients à se positionner en tête de leurs marchés respectifs. Logica est coté à la Bourse de Londres et d'amsterdam (LSE : LOG ; Euronext : LOG). Figure 3 : Répartition des activités de Logica par secteurs 12

13 Figure 4 : Répartition du chiffre d affaire de Logica par secteur d activité en France Historique Logica est née de la fusion d entreprises européennes (Royaume-Uni, Pays-Bas, France) qui lui donne aujourd hui une ouverture sur le marché international. Le 27 février 2008, le groupe LogicaCMG, qui opérait depuis le 10 janvier 2006 sous la marque Unilog en France, annonce l adoption d une nouvelle marque à l échelle internationale Organisation L organisation de Logica est sous forme matricielle. Les 4 entités de Logica ont des activités transverses sur plusieurs secteurs d activités. 13

14 Figure 5 : Organisation de Logica Les principaux partenaires de Logica Logica est partenaire de grandes entreprises nationales, européennes et internationales. Figure 6 : Les principaux partenaires de Logica 14

15 1.2 ITS À mon intégration chez Logica, j ai été rattachée à l entité ITS. Cette division de Logica avec près de ingénieurs et experts en France, est la plus importante. Elle fait bénéficier les entreprises de sa capacité à faire communiquer les technologies les plus innovantes avec les systèmes existants. Cette division accompagne ses entreprises clientes tout au long du processus de management du système d'information pour : Développer les technologies Intégrer ces technologies aux systèmes existants Anticiper et accompagner les évolutions de plus en plus rapides de l'environnement technologique notamment via les nombreux centres de services. La figure suivante présente l organisation de la division ITS Paris en fonction des secteurs ainsi que les effectifs de chaque pôle. Ainsi, le pôle BDM-BI (Business Intelligence & Data Management) au sein duquel j ai réalisé mon stage est dirigé par Stéphane JAUBERT et compte environ 350 collaborateurs. Figure 7 : Organisation ITS Paris Nord 15

16 1.3 BDM BI Durant mon stage, j appartenais au pôle BDM-BI : regroupement des métiers de Business Intelligence et de Data Management. BDM BI est responsable des marchés IT consulting, Intégration de système et Outsourcing. Les collaborateurs de BDM BI interviennent chez les clients sur différentes technologies telles que SAP Business Objects, IBM Cognos, Oracle, Informatica, SAS etc. Figure 8 : Répartition de l expertise de BDM BI Le pôle compte plus de 200 ingénieurs, 15 managers et 10 seniors managers qui pilotent l ensemble des projets. Figure 9 : Effectif de BDM BI On distingue 4 profils au sein de BDM BI. Les collaborateurs sont regroupés dans des entités en fonction de leur profil. 16

17 IT Consulting, qui est constitué des consultants confirmés Solution Skill, comprenant les ingénieurs débutants Technical, qui est l entité des architectes techniques Delivery, regroupant les gestionnaires de projets 17

18 1.4 Présentation du client et du projet Dans le cadre de mon stage, j étais intégrée à une équipe projet de Logica en prestation au Crédit Agricole. Notre équipe travaillait pour le Crédit Agricole dans le cadre du projet NICE (Nouvelle Informatique Convergente Evolutive) Présentation générale du groupe Crédit Agricole Avec collaborateurs dont le tiers hors de France, le groupe Crédit Agricole est un acteur majeur de la banque en France. Crédit Agricole représente 54 millions de clients répartis dans 70 pays et 3,6 milliards d euros de résultats net en 2010 Les activités du groupe sont organisées en 4 lignes de métiers : Organe central : il veille à la cohésion et au bon fonctionnement du réseau, et représente le Groupe auprès des autorités bancaires. Banque de proximité : Elle est constituée des caisses régionales, de LCL et de la banque de détail à l international Métiers financiers spécialisés : Ce sont les métiers de gestion d actifs, assurances, banque privée, crédit à la consommation, crédit-bail, affacturage... Banque de financement et d investissement : Elle propose à ses clients une gamme complète de produits et services dans les métiers de la banque d investissement, des financements structurés, de la banque de marchés et du courtage Les caisses régionales (CRs) en France Les caisses régionales, 39 banques mutualistes À fort ancrage régional, les 39 Caisses régionales du Crédit Agricole sont les banques destinées aux particuliers, agriculteurs, professionnels, entreprises et collectivités locales. Elles proposent à ses 20 millions de clients en France des offres d épargne, placements et assurance-vie, crédits, moyens de paiement et assurances dommages. 18

19 Les systèmes d information régionaux (SIR) L informatique des 39 caisses régionales est répartie en 5 systèmes d information communautaires nommés AMT, Atlantica, Comete, Exa et Synergie. Figure 10 : Répartition actuelle des 5 SIRs du Crédit Agricole Le projet NICE Enjeux Afin de répondre aux nouveaux enjeux métiers de la banque de détail et de l assurance, les 39 caisses régionales du Crédit Agricole ont décidé de lancer un programme stratégique de refonte de leur système d information. L intérêt est de fusionner les 5 systèmes informatiques régionaux (SIRs) actuels. Le nouveau système s appuiera sur une architecture innovante qui s inscrira dans une orientation multi canal et «centrée client». Le Crédit Agricole crée ainsi en mars 2010 deux structures - Crédit Agricole Services, dédiée à la maîtrise d ouvrage et Crédit Agricole Technologies, dédiée à la maîtrise d œuvre pour la réalisation du projet NICE (Nouvelle Informatique Convergente Evolutive). 19

20 L objectif de la future architecture du système d information urbanisé est de contribuer à fluidifier les relations entre les clients et les conseillers, en créant une expérience client plus simple, plus transparente et continue quels que soient les canaux. Les nombreux chantiers que le projet comporte mobilisent quelque 2000 personnes. Logica travaille en étroite collaboration avec Crédit Agricole Technologies sur le choix des solutions qui poseront les bases d une nouvelle référence d architecture de fabrication et d exécution de systèmes orientés services NICE CRM La partie CRM (Customer Relationship Management) du projet NICE est née d une ambition forte exprimée par les Caisses Régionales autour de la relation client. Destinée au marketing, elle a pour mission de mettre à disposition des CRs les données et les outils, permettant d améliorer la connaissance client et le Datamining. Il s agit de l implémentation d un nouveau CRM couvrant les fonctionnalités d Etudes, de Datamining et de Gestion des Contacts multicanaux. Ce projet s articule autour de 3 filières principales confiées à Logica : Métier & Change, chargée de la conception, construction de la suite logicielle de gestion de campagnes UNICA Données&Interfaces et Etudes&Datamining, chargée de la conception, de la construction du datasource Unica et de la solution SAS Architecture technique, chargée de la conception des architectures projets et de production, des tests de continuité applicative et de performances sur l architecture cible retenue, de la préparation à la mise en exploitation de la solution À cela s ajoute une filière Pilotage chargée du pilotage du projet NICE-CRM, de vérifier la cohérence de la conception du socle CRM, et de la production des tableaux de bord de pilotage Le chantier Données&Interfaces et Etudes&Datamining Ce chantier poursuit deux objectifs majeurs : La constitution du socle de données pour l environnement UNICA et pour l environnement études et datamining La définition des usages et de la solution technique datamining En corollaire, il a pour responsabilité de définir les expressions de besoins en termes de données à destination du projet NICE Datawarehouse. 20

21 Ci-dessous l organigramme de la filière : Figure 11 : Organisation de la filière Données&Interface et Etudes&Datamining Le chantier Etudes&Datamining Le chantier Etudes&Datamining vise à mettre en place un outil innovant pour les études et le datamining. Cet outil devra prendre en compte une meilleure organisation et un accès simplifié aux données. Cela permettra aux utilisateurs de passer plus de temps sur l interprétation des résultats des études et modèles datamining que sur leurs développements Le partenariat Logica-Soft Computing L application mise en œuvre au cours du chantier Datamining sera utilisée par les dataminers des 39 CRs comme principal outil de travail. Une expertise métier datamining était donc nécessaire pour l élaboration d un outil adapté aux besoins des futurs utilisateurs. Soft Computing est une société de conseil et de services spécialisée en gestion de la relation client, pilotage des performances et e-business. Afin de répondre de façon efficace aux besoins du Crédit Agricole sur le chantier Etudes&Datamining et au vu du savoir-faire de Soft Computing, Logica a souhaité collaborer avec Soft Computing dans le cadre d un partenariat. Mon stage s est déroulé au sein de l équipe Datamining constituée de 5 personnes : Une responsable projet et une experte SAS de Soft Computing Une consultante et deux stagiaires de Logica. 21

22 1.5 Observations personnelles Mon stage s est déroulé dans un contexte avec deux aspects particuliers : C est un stage en société de service Je travaillais sur un chantier appartenant à un projet de grande envergure qui débute Les relations qui existent entre collaborateurs en société de service n est pas de la même nature que celles existantes entre collaborateurs d un client final. En effet, comme notre équipe travaillait dans les locaux du Crédit Agricole, je n ai pas souvent eu de contacts avec le siège de Logica mis à part pour des démarches administratives. Mon stage s est déroulé dans le cadre d un projet de refonte de système d information. Dans ce contexte, les acteurs sont le client (Crédit Agricole), l intégrateur (Logica) et l éditeur (SAS). Logica entretient des échanges réguliers avec le Crédit Agricole au fur et à mesure de l avancement du projet. Ces échanges sont primordiaux car ils permettent d une part de s assurer de l adéquation de la solution aux besoins du Crédit Agricole, et d autre part ils permettent de mettre en place des plans d action en cas de dérives. Néanmoins, les contacts entre Logica et SAS étaient faibles au début du projet. Ce manque de communication a généré des retards pour la mise en place de la solution. Cela m a fait prendre conscience de l impact de la communication sur le planning d un projet d une telle envergure. 22

23 1.6 Intégration au sein de l entreprise À mon arrivée chez Logica, j ai tout de suite été rattachée à l équipe datamining dans laquelle les relations sont conviviales et très simples. Je n ai donc pas eu de difficultés à m intégrer et à me sentir à l aise. Peu de temps après mon arrivée, j ai assisté à une réunion d accueil et un petitdéjeuner organisés au siège de Logica. Cela m a permis de faire connaissance avec l entreprise, de rencontrer d autres stagiaires de Logica et de garder contact avec eux. 23

24 2 Le chantier Etudes&Datamining 2.1 Le datamining Le datamining est l ensemble des algorithmes et méthodes destiné à l exploration et l analyse de grandes bases de données informatiques en vue de détecter dans ces données des règles, des associations, des tendances inconnues (non fixées a priori), des structures particulières restituant de façon concise l essentiel de l information utile pour aider à la décision. Le datamining peut être soit descriptif soit prédictif. Les techniques descriptives (ou exploratoires) visent à mettre en évidence des informations présentes dans la base de données mais cachées par son volume. Les techniques prédictives quant à elles visent à détecter des comportements futurs à partir des informations présentes. Appliquer les techniques de datamining aux données d une entreprise permet à cette dernière de mieux connaître ses clients. Cette connaissance client enrichie est très utile pour le choix de la stratégie de l entreprise. 2.2 Objectifs Le chantier Datamining vise à développer et optimiser le chiffre d affaire généré par les clients de la banque en capitalisant sur une approche marketing relationnelle fondée sur une exploitation optimisée de la connaissance client et sur une optimisation des ciblages marketing. 2.3 Les données Les caisses régionales disposent d un certain nombre de données sur lesquelles sont basées les études et les modèles datamining à destination du marketing. Ces données proviennent de 5 datawarehouses correspondant aux 5 systèmes d information régionaux actuellement en production. Le projet NICE vise à converger vers un seul système d information donc vers un unique datawarehouse. Des agrégats des données du datawarehouse seront stockés dans le datamart Marketing et le datamart Etudes. L applicatif datamining sera ainsi connecté à ces sources de données représentées sur la figure ci-dessous : 24

25 Figure 12 : Représentation simplifiée des données accessibles pour le datamining 25

26 2.4 Les besoins et exigences du Crédit Agricole Logica a reçu au préalable une expression de besoins du Crédit Agricole. Dans ce document, la maîtrise d ouvrage a exprimé les besoins et exigences du Crédit Agricole quant aux fonctionnalités du futur outil. Afin d atteindre les objectifs visés par les caisses, l outil devra permettre d enrichir les données comportementales clients et de mettre en place des études marketing et statistiques élaborées. Les caisses régionales du Crédit Agricole souhaitent donc disposer d un outil d analyses statistiques destiné aussi bien aux experts du datamining qu aux décideurs métier. Il devra permettre de convertir les données brutes en informations pertinentes grâce à des traitements totalement automatisés. Cette conversion passe par la création, l industrialisation et le pilotage des modèles statistiques et datamining Les besoins fonctionnels Les besoins du Crédit Agricole pour le chantier Etudes&Datamining couvrent 3 principaux axes fonctionnels : Le Datamining (Techniques statistiques : scoring, segmentation, prévision, modèles de durée.) : les utilisateurs, majoritairement des statisticiens, font des analyses complexes qui nécessitent l accès à un environnement d études (données élémentaires et données agrégées). Les études statistiques de fonds (Exemples : études réalisées en amont de la partie CRM opérationnel, modification d un barème crédit, score d octroi) : les utilisateurs ont également besoin d accéder à un environnement d études Les études privatives réalisées par les caisses régionales : les utilisateurs accèdent aux données pour effectuer du reporting ou des analyses, éventuellement complétées par quelques données externes non disponibles dans l environnement d études En plus de couvrir ces besoins fonctionnels, l outil devra mettre à disposition des différents acteurs un référentiel de modèles permettant de mutualiser et de partager les connaissances. Cependant, il doit pouvoir intégrer différents niveaux d organisation : national, régional et multi-régional Les exigences Les exigences de la solution finale sont exprimées dans un cahier des charges établi par Crédit Agricole. Ces exigences indiquent de façon précise les fonctionnalités générales que doivent intégrer la solution de Logica. 26

27 À partir de ces exigences formulées, des cas d utilisation UML seront créés Construire un environnement dédié au datamining et aux études pour chaque CR L objectif est de mettre à disposition de chaque CR une base spécifique, un espace de liberté et des outils afin de développer des études et des modèles datamining en CR. Cet environnement de données devra intégrer : Un accès à toutes les données du datawarehouse (données élémentaires et agrégées), du datamart études et du datamart marketing La possibilité d accéder à l environnement de données échantillonné à la demande, c est à dire constitué d un échantillon de tables filtrées sur une liste de clients partenaires Une historisation avec différentes profondeurs, granularités et fréquences de mise à jour Un accès à des données de sources spécifiques non partagées par les 39 CRs. Une capacité de charger des données provenant de sources externes au système d information en CR Un espace pour chaque CR destiné à effectuer des calculs spécifiques ou à stocker des tables de travail intermédiaires La mise en production des modèles dans l environnement privatif de la CR. Les résultats seront ainsi non visibles dans le système d information Construire un environnement pour les études et le datamining communautaire Le besoin d environnement communautaire s inscrit dans une démarche de coopération souhaitée par les caisses régionales. L objectif est d optimiser et de mutualiser les ressources afin que la connaissance client et le datamining soient accessibles et diffusés dans l ensemble des caisses régionales. L outil devra prendre en compte une organisation au sein de laquelle chaque CR choisira de fonctionner individuellement ou au sein d une communauté d intérêts autour des études et du Datamining représentées par un Service Bureau. Au sein de chaque communauté des coopérations peuvent également se former entre les caisses régionales. Les services bureau mettront à disposition des caisses régionales : 27

28 Une organisation métier où sont priorisés les dossiers. Comités mettant en évidence les thématiques et outils à développer Des études Marketing variées Des modèles Datamining performants Un pilotage et suivi de ces modèles Une documentation exhaustive Un accompagnement dans l exploitation opérationnelle Un SAV performant Dans ce contexte, l équipe communautaire est habilitée et accède aux données des caisses régionales ayant optées pour ce Service Bureau. Ces données seront utilisées pour créer les modèles ou études datamining pouvant servir à l ensemble des membres de la communauté. La figure ci-dessous permet d illustrer de façon simplifiée cette organisation. Figure 13 : Organisation L environnement d études communautaire couvrira le périmètre suivant : L ensemble des environnements d études des CRs abonnées Un environnement échantillonné au 1/10 ème de l ensemble des données du datawarehouse, du datamart étude et du datamart maketing Des données provenant de sources externes au système d information D autre part, plusieurs autres aspects doivent être pris en compte quant à l organisation d un service bureau datamining (SBD) notamment la gestion de l anonymat des données collectées auprès des CRs abonnées, l accès à des données spécifiques non accessibles en CR et la mise en place de modèles paramétrable par les CRs. 28

29 Créer des études ou des modèles datamining en CR La plateforme technologique mise en place devra permettre de remplir toutes les étapes de création d études et modèles datamining notamment : 1. Les traitements et la préparation des données 2. L échantillonnage 3. L exploration statistique des données 4. La phase d analyse et de modélisation 5. Le scoring 6. La validation Aussi, devra-t-elle permettre la construction d études en collaboratif au sein de la caisse régionale. Une gestion des profils et habilitations pour la construction et la mise à jour des modèles devra donc prise en compte. La plateforme intègrera également la mise en production et la mutualisation des modèles et études créés avec les documents associés dans un référentiel de modèles Créer des études et des modèles datamining dans l environnement communautaire Les modèles et études créés dans l environnement communautaire sont destinés aux caisses régionales. Ces modèles devront être mutualisés dans un référentiel communautaire et les acteurs métier des caisses régionales devront être habilités et informés de la mise à disposition des modèles. Les modèles créés seront industrialisés sur l ensemble de la population des CR abonnées et les résultats seront stockés dans le SI Créer et gérer des profils et des habilitations L outil devra permettre de gérer différents profils utilisateurs avec des accès aux données limités soit par caisse régionale, soit par métier, voir limités nominativement Généraliser les modèles sur l ensemble des clients de toutes les CRs La plateforme permettra une industrialisation automatisée des modèles et la génération de rapports d exécution pour le contrôle. Des alertes seront envoyées automatiquement au CRs concernées. 29

30 Backtester, mesurer la performance et modifier si nécessaire les modèles mis en production Afin de garantir la fiabilité des modèles mis en production, l outil devra permettre de tester à une fréquence donnée, la performance et la pertinence des modèles Mise à disposition de calculs de scores en temps réel Certains modèles pourront être appelés en temps réel par le CRM opérationnel ou par les Scénarios de Vente. Ces modèles seront exécutés en temps réels sur des clients ou prospects à partir de données de contexte données provenant de la banque en ligne, des distributeurs automatiques, etc. et provenant du datawarehouse. Une mécanique devra donc être mise en place afin d obtenir des temps de calculs très courts. 2.5 Les solutions apportées Suite à la rédaction de l expression de besoin par Crédit Agricole, Logica a débuté la phase de cadrage du chantier Datamining au cours de laquelle sont définis de manière générale les usages couverts par le chantier et la solution proposée. Le livrable est une note de cadrage qui fera office de spécification fonctionnelle générale Les usages couverts par le chantier Etudes&Datamining Afin d améliorer la connaissance client, trois principaux axes d amélioration en termes d usages sont visés au cours du projet notamment : La vision client 360, multicanal, qui vise à rassembler l ensemble des données dispersées dans les systèmes d information associées à un client afin d avoir une vision unique. Le cycle de vie client, qui permet de positionner le client au centre de la relation afin de l accompagner dans l évolution de ses besoins et de créer de la valeur. L enrichissement des données, qui vise à mettre à disposition des acteurs métier des données suffisamment riches leur permettant de réaliser des études larges. On distingue trois usages distincts : les études, le datamining et le pilotage. 30

31 Définition et enjeux Les études Au sein de la banque, les études marketing permettent d expliquer des phénomènes simples ou complexes et d analyser le comportement des clients et de leur environnement (relation bancaire, canaux ). Cela diffère du datamining qui permet d anticiper, de prédire et d optimiser les comportements client en utilisant des techniques statistiques de type scoring, segmentation, prévision, modèles de durée de vie, etc. Méthodologie de réalisation d une étude 1. Cadrage de l étude Identification des besoins Définition des concepts 2. Construction de la plateforme d études ou base de travail Transformation des données en indicateurs métiers pertinents Description comportementale, attitudinale de chaque client 3. Analyse des comportements clients Analyse des comportements clients / profiling Construction des indicateurs, tableaux de bord, graphiques, cibles marketing, etc. 4. Exploitation Recommandations d actions ou de stratégies à mettre en œuvre Identification des cibles ou des processus à améliorer Suivi et bilan des actions mises en œuvre Le datamining Différentes techniques datamining sont actuellement utilisées communément par les 39 caisses régionales : Score d appétence Segmentation stratégique ou distributive 31

32 Scores comportementaux ou de potentiel Scores d attrition Néanmoins, afin d atteindre la vision cible, de nouvelles techniques doivent être mises en œuvre pour le socle commun notamment : Les segmentations comportementale et relationnelle La durée de vie client La valeur client Le textmining Le webmining L analyse de réseaux sociaux Des techniques de simulation et de scoring dynamique, appliquées par Crédit Agricole sont également à prendre en compte pour la solution. Ces usages sont détaillés dans l annexe (voir l annexe «1. Les usages du datamining» La solution technique retenue Afin de couvrir tous les usages du datamining, la technologie retenue sera constituée de modules de la plateforme SAS BI 9.2 et du SGBD Teradata La plateforme SAS BI 9.2 Crédit Agricole a choisi la plateforme SAS BI 9.2 pour répondre aux besoins des dataminers du Crédit Agricole. Cette plateforme est dans un premier temps installée sur un environnement de test appelée Dev TU Alpha (Développement Test Unitaire Version Alpha). C est sur cet environnement que nous effectuons tous les tests pour définir la solution technique et les maquettes livrées à l issue de la phase de conception détaillée. Les modules disponibles sont : SAS Enterprise Miner et SAS Text Miner SAS Customer Link Analytics SAS Enterprise Guide SAS Model Manager SAS Management Console 32

33 Enterprise Miner et Text Miner Enterprise miner est doté d une interface graphique destinée à simplifier la construction des processus datamining composés d enchaînement d icônes préparamétrées. Chaque icône représente une des différentes étapes de toute analyse datamining : préparation des données, visualisation exploratoire par des graphiques, création de plusieurs modèles et choix du plus adapté, avec une documentation des paramètres choisis. Text Miner est une solution de textmining intégrée dans le module Enterprise Miner. Text Miner permet l extraction, l exploration et l analyse de données textuelles sous différents formats : PDF, texte ASCII, HTML, feuilles de calcul, présentations, e- mails, bases de données etc Customer Link Analytics Ce module est la solution d analyse de réseaux sociaux de SAS. Il permet d identifier des communautés sociales en fonction des interactions entre les clients, de mesurer et de segmenter ces derniers d'après leur influence sociale, et de les cibler selon l'évolution de leurs communautés sociales Enterprise Guide Enterprise Guide est une interface graphique permettant de gérer le développement et l exécution de programmes SAS Model Manager Model Manager est un référentiel centralisé pour la gestion des modèles analytiques. Model Manager est destiné à répondre aux besoins fonctionnels suivants : - La mutualisation centralisée des modèles analytiques - L administration sécurisée et fiable du stockage et de l accessibilité des modèles - La gestion du cycle de vie des modèles - La gestion du versionning de production - Le contrôle de performance des modèles mis en production Management Console C est la console d administration de toute la plateforme SAS. Elle permet de gérer l ensemble des objets, serveurs et utilisateurs. Ce module est surtout utilisé pour gérer les droits d accès aux données et les habilitations des utilisateurs de la plateforme SAS. 33

34 Environnement d études Pour le thème de l environnement d études, le chantier Datamining apporte les solutions techniques pour les référentiels des modèles, les espaces privatifs et de travail. Figure 14 : Technologies de l environnement d études L environnement d études est l environnement de données auquel sera connecté l applicatif. Il comprend : Les espaces de travail : Chaque dataminer disposera d un espace de travail sur le serveur SAS dans lequel il construira ses modèles via SAS Enterprise Miner et SAS Guide. Les espaces privatifs : Ce sont des espaces de stockage communs pour les dataminers appartenant à une même CR, un même SBD ou une même coopération. Ces espaces sont des bases de données TERADATA où seront stockées les tables créées par les dataminers. Ces tables seront accessibles via les modules SAS Enterprise Miner et SAS Guide. 34

35 Les bibliothèques : Le référentiel des modèles sera géré par le module SAS Model Manager. Les données élémentaires, Datamart Etudes et Datamart Marketing : Ce sont des données élémentaires et agrégées provenant du datawarehouse. À ce jour, le SGBD qui sera utilisé pour ces données n a pas encore été choisi. Le choix se fera entre DB2 et TERADATA Cycle de vie des modèles La mise à disposition d un modèle datamining passe par 2 phases : la construction du modèle et le déploiement Construction d un modèle ou étude La construction des modèles se fera avec SAS Enterprise Miner et SAS Guide. À travers ces interfaces, les dataminers auront accès aux données de l environnement d études. Figure 15 : Construction d un modèle ou étude Déploiement La phase de déploiement consiste à intégrer les règles de scores dans le module d industrialisation et à les appliquer à l ensemble des clients du périmètre d étude. Une fois la phase de conception du modèle terminée, le dataminer fait une demande d industrialisation à l aide d un formulaire généré par un processus stocké en programme SAS. Le dataminer renseigne des informations indispensables à l industrialisation du modèle telles que : la date d industrialisation, la périodicité de lancement, le périmètre de déploiement etc. Ensuite, le programme SAS du modèle est encapsulé par un script batch et exécuté par un ordonnanceur. 35

36 Pilotage des modèles Une fois les modèles validés et déployés sur l ensemble de la population, la phase de surveillance débute. Dans cette phase, des indicateurs statistiques, tableaux de bord ou graphiques sont mis en place afin de suivre la performance et la robustesse du modèle. À chaque mise à jour du modèle, ils seront analysés et comparés au modèle initial pour identifier toutes dérives (structure de la population, baisse de discrimination des variables, changement de comportement de la cible, etc.). Dès lors qu une dérive apparait, les impacts sont évalués et une recommandation sur le devenir du modèle doit être faite. Plusieurs niveaux d intervention pourront être préconisés : une mise sous surveillance accrue, un ajustement voire une refonte totale du modèle. Figure 16 : Les étapes de la surveillance des scores Lorsque qu un modèle est créé, le dataminer concepteur du modèle met en place un programme SAS qui permettra d effectuer le backtesting du modèle afin d en surveiller la performance et la robustesse. Ce programme va générer automatiquement des rapports de backtesting. Voici quelques exemples de types d analyses ou indicateurs présents dans l étape de backtesting de la mise sous surveillance : Stabilité Performance Structure de la population (analyse des profils par variables et modalités des variables entrant dans le modèle). Ventilation des clients par décile. Analyse des variables composant chaque décile. 36

37 Analyse de la variable expliquée. Exemple de restitution : Courbe de concentration, courbe de liftc, GINI ou AR Figure 17 : Exemple d analyse de la variable expliquée Ventilation des taux de cible par décile Figure 18 : Exemple d analyse de la variable expliquée : Ventilation des taux de cible par décile Ces rapports ainsi généré seront stockées dans un répertoire accessible aux acteurs métier. D autre part, les utilisateurs auront la possibilité de générer des rapports de manière ponctuelle avec le module SAS Model Manager. 37

38 2.6 Organisation Pour mener à bien le projet NICE-CRM, les équipes chantiers de Logica appliquent une méthodologie de gestion de projet appelé CAgile inspirée des méthodes Agiles. Par définition, une méthode Agile est une approche itérative et incrémentale, qui est menée dans un esprit collaboratif. L évolution des besoins du client est prise en compte tout au long du projet La méthode CAgile du Crédit Agricole Approche classique Avec une méthodologie de gestion de projet traditionnelle, le produit est initialement pensé lors d une phase de conception. Ensuite, lors de la phase de développement, il est mis en œuvre. Enfin, le produit est testé techniquement et fonctionnellement lors de la phase de recette. La phase de développement qui est parfois très longue, ne permet pas une visibilité sur l avancement du projet. C est un effet tunnel qui peut être dommageable et causer des dérives en termes de délais, budget et adéquation du produit livré avec la conception initiale. Figure 19 : Approche d une méthodologie de gestion de projet traditionnelle Approche CAGILE La méthodologie CAGILE donne une approche itérative incrémentale de construction d un produit visible. Figure 20 : Approche d une méthodologie de gestion de projet Agile 38

39 À chaque itération, il y a une phase de conception, de développement et de tests. Cette démarche permet de lever les risques au plus tôt dans le projet et de valider progressivement les spécifications par des démonstrations lors de chaque itération Les uses cases Les cas d utilisation décrivent sous forme d actions/réactions le comportement du système du point de vue d un utilisateur. Ils permettent de modéliser les fonctionnalités de l outil et les plus-values métier attendues par un acteur qui utilise l applicatif, au regard de l entreprise. Figure 21 : Use Case Avec la méthodologie CAgile, des diagrammes de uses cases sont mis en place durant la phase de conception afin de donner une vision globale du comportement fonctionnel du futur outil et de l environnement associé. Figure 22 : Exemple de diagramme de uses cases 39

40 Un cas d utilisation peut être abouti en passant par des chemins différents. Ces enchaînements sont modélisés dans un scénario de uses cases. Un scénario représente toutes les étapes des enchaînements de façon à partir du début du use case et d aboutir à une fin, qu elle soit normale ou non. Le tableau ci-dessous représente les informations contenues dans un scénario : Contexte d utilisation Acteur principal Pré-condition Garanties minimales Garanties si succès Déclencheur Description de l'enchainement nominal <Formulation plus longue de l objectif, si nécessaire> <Nom de rôle de l acteur principal ou description> <Condition(s) devant être réalisée(s) pour que le cas d'utilisation puisse s'exécuter> <En cas d'échec fonctionnel d'exécution du cas d'utilisation, quel est le résultat minimum atteint?> <Ce qui à changé au niveau du système si l objectif est rempli> <Ce qui démarre le cas d utilisation ; peut être un événement temporel> Cas nominal Etape Action 1 2 <Etapes de l'enchainement nominal depuis le déclenchement jusqu à la réalisation de l objectif> Variante(s) fonctionnelle(s) Variante(s) Action Une variante fonctionnelle est une ramification qui part d'une étape de l'enchainement nominal sous une condition (condition de débranchement) Exigence(s) fonctionnelle(s) Exigence(s) non fonctionnelle(s) 3a Variante commençant à l'étape 3 du cas nominal 1 2 <Condition provoquant la ramification> <Etape(s) qui suit le point de débranchement> Figure 23 : Tableau du scénario d use case Voici la représentation graphique d un scénario : 40

41 Figure 24 : Représentation graphique du scénario d un use case Phase de cadrage et de spécifications fonctionnelles générales La phase de cadrage comprend une étape d analyse des besoins et exigences généraux de la maîtrise d ouvrage. Il est nécessaire de s'assurer que ces besoins correspondent à l attente de l'ensemble des utilisateurs cibles et qu'ils prennent en compte les évolutions probables des besoins. Le livrable, matérialisé par une note de cadrage, donne une vision globale de la solution aux membres de l équipe projet. Il s appuie sur les comptes-rendus d ateliers, consolide les définitions et décrit les axes structurants ainsi que le périmètre du projet. Aussi, la note de cadrage comprend des diagrammes de uses cases qui donnent une réponse générale aux exigences de l expression de besoins Phase de spécifications fonctionnelles détaillées Au cours de cette étape, les processus métiers modélisés lors de la phase de cadrage sont affinés. Les solutions apportées sont validées et des cas d utilisations sont identifiés afin de définir le comportement fonctionnel du futur outil et de l environnement d études associé. Le livrable est ainsi constitué des diagrammes et scénarios des cas d utilisations ainsi que de leurs descriptions détaillées Les thèmes des solutions apportées Les solutions apportées au Crédit Agricole sont traitées par thèmes qui sont les suivants : Les bibliothèques Les droits d accès Le cycle de vie des modèles 41

42 Le pilotage des scores Processus, rôles et responsabilités Environnement d études Reprise des modèles Accompagnement au changement Planning et livrables Mon arrivée dans l équipe coïncidait avec la fin de la phase cadrage. Ainsi, j ai commencé par lire la note de cadrage afin de comprendre les objectifs du projet, les usages définis pour le dataming et la solution générale proposée. Il fallait compléter la version finale de la note de cadrage avec des diagrammes de uses cases répondant aux exigences de l expression de besoins du Crédit Agricole. Il m a été confié de concevoir ces diagrammes de uses cases, ce qui m a permis de bien intégrer les besoins du Crédit Agricole. le Figure 25 : Planning simplifié du projet datamining Lors des ateliers aller de la phase de conception détaillée la chef de projet et une consultante présentaient au Crédit Agricole les solutions que nous proposions afin qu elles soient validées. Ces ateliers constituaient des échanges indispensables entre Logica et Crédit Agricole car ils permettaient de s assurer que notre vision cible était la même que celle des futurs utilisateurs. 42

43 3 Un stage orienté conseil en système d information L équipe datamining Logica a pour mission principale d assister le Crédit Agricole sur l intégration et le déploiement de la solution informatique la mieux adaptée pour le datamining. Au cours de ce stage, impliquée au même titre qu une consultante, je suis intervenue dans un premier temps sur la fin de la phase de cadrage pour l élaboration des uses cases. Ensuite, lors de la phase de conception détaillée, j ai participé à la préparation des supports des ateliers avec la mise en place de maquettes et de tests sur la plateforme SAS. Enfin, j ai modélisé les scénarios des différents cas d utilisation du futur outil qui seront intégrés dans la spécification fonctionnelle détaillée. Dans cette partie, je vais détailler les principales tâches que j ai accomplies au cours du projet. 3.1 Phase de spécification fonctionnelle générale Cadrage Mon travail consistait à reprendre les exigences faites par le Crédit Agricole dans l Expression de Besoins et à modéliser les cas d utilisation UML qui en découlent. Ce fut un travail d analyse et de synthèse étant donné que je débutais cette tâche lorsque la spécification fonctionnelle détaillée était terminée. Pour chacune des exigences, j ai commencé par trouver et analyser les briques fonctionnelles que cela comporte. Ensuite, en fonction des usages définis durant la phase de cadrage, j ai pu imaginer les interactions entre l utilisateur et le système. Cette démarche nécessitait également des recherches sur le fonctionnement que pourrait avoir l application d un point de vue technique. À titre d exemple, voici comment j ai traité l exigence «Créer et gérer des profils et habilitations». Exigence : Créer et gérer des profils et habilitation L accès aux données se fera par mode d habilitation en lien avec les annuaires LDAP (Lightweight Directory Access Protocol) du groupe Crédit Agricole. Etant donné la confidentialité des informations manipulées, les accès aux ressources de l applicatif devront être sécurisés. Notamment en ce qui concerne : Les données élémentaires et agrégées Les bibliothèques de modèles Les espaces privatifs Les espaces de travail 43

44 On distingue trois niveaux de granularité en termes de droits d accès aux données : SBD, Coopération et CR (voir figure 13). Afin de gérer les droits d accès, la plateforme SAS sera connectée à des vues des tables du DWH et des datamarts. Pour une table donnée, on effectuera des vues par CRs, par coopération et par SBD. Ainsi l utilisateur aura accès aux données par des vues en fonction de son profil de connexion : Figure 26 : Accès aux données via la plateforme SAS On distingue les données issues du datawarehouse et les données des espaces privatifs. L utilisateur d une CR n accède qu aux données de sa CR et éventuellement à celles des CRs de sa coopération. Le dataminer du SBD a les droits d accès aux données de toutes les CRs de sa communauté. 44

45 Figure 27 : Accès aux données des CRs Comme l accès aux données se fera via la plateforme SAS, j ai d abord commencé par faire des recherches sur le fonctionnement de l applicatif en ce qui concerne la gestion des droits et des habilitations. En fonction des usages, j ai donc imaginé une organisation de gestion de profils et habilitations pour le système. J ai modélisé cela dans un diagramme de uses cases (voir l annexe «2. Spécification générale : Créer et gérer des profils et habilitations»). Ce diagramme donne une vision globale de l organisation du système pour la gestion des droits. 45

46 3.2 Phase de conception détaillée La phase de conception détaillée se déroule en trois étapes : Les ateliers aller La rédaction des spécifications fonctionnelles détaillées Les ateliers retour J ai été présente toute la période des ateliers aller et au début de la rédaction des spécifications fonctionnelles détaillées. Les supports des ateliers contenaient la description des fonctionnalités de l outil autour du thème de l atelier et des démonstrations de la solution technique retenue. La préparation d un atelier commençait par une réunion d équipe durant laquelle on revenait sur les principaux volets fonctionnels liés au thème de l atelier et les points bloquants. Cette réunion permettait de mutualiser et consolider nos idées afin de proposer des solutions adaptées. Ensuite, les sujets à traités étaient listés et dispatchés entre les membres de l équipe. Je vais présenter ci-dessous des exemples de sujets que j ai traités Processus : Temps réel L outil devra permettre le calcul de scores appelables en temps réel. Par exemple, un client qui se connecte sur le canal de la banque en ligne et renseigne un formulaire déclenche le calcul d un score. Ce score est calculé en utilisant les données de contexte que le client a communiquées et en fonction du résultat un message lui est renvoyé. Voici un schéma simplifié du processus d appel d un score en temps réel : 46

47 Figure 28 : Schéma de l appel d un score en temps réel Pour préparer cet atelier, voici l exemple de deux sujets à traités qui m ont été confiés : La présentation du langage PMML (Predictive Model Markup Language) et son utilisation dans les bases de données DB2 et TERADATA pour l exécution de scores SAS Le contrôle et la gestion des rejets Sujet 1 : Présentation du langage PMML Le PMML est un langage descriptif, basé sur du XML. Il permet d exporter des modèles datamining et de les exécuter sur des tables de bases de données. 47

48 Figure 29 : Portage d un modèle en PMML Dans le cadre de l atelier, j ai préparé un support de présentation sur l exécution des modèles PMML dans une base de données. Il a fallut également que je fasse des recherches sur les types de modélisation supportés par ce langage en fonction des éditeurs et des versions des logiciels. L objectif était de s assurer que le PMML supporte tous les modèles de scores qui seront effectués en temps réel Sujet 2 : Le contrôle et la gestion des rejets Le processus d exécution d un modèle en temps réel nécessite un certain nombre de contrôles afin de vérifier la validité du flux de données et de garantir la performance et la robustesse du système. Le schéma ci-dessous représente le processus de contrôle et de gestion des rejets que j ai mis en place : 48

49 Figure 30 : Processus de contrôles et de gestion des rejets Cycle de vie des modèles Pour l atelier Cycle de Vie, j ai préparé les sujets suivants : Envoi automatique de mails à la mise à jour d un modèle Le template Cycle de Vie de Model Manager Sujet 1 : Envoi automatique de mails à la mise à jour d un modèle Un modèle est mis à jour avec une fréquence définie à sa conception. À chaque mise à jour, un rapport de déploiement est envoyé au dataminer concepteur du modèle afin qu il vérifie les nouvelles notes. Ensuite, le dataminer envoie un mail aux utilisateurs du modèle pour les tenir informés de la mise à jour. Pour répondre à ce besoin, j ai créé la maquette d une application stockée SAS. Cette application stockée est un programme qui sera exécuté par le responsable datamining à chaque validation. Ce programme enverra un mail automatiquement à une liste d utilisateurs définie dans le programme. 49

50 Figure 31 : Exemple d application stockée Sujet 2 : Le template Cycle de Vie de Model Manager La gestion du cycle de vie des modèles se fera avec SAS Model Manager. Dans le cadre de l atelier, j ai fais des tests sur Model Manager afin de vérifier si l outil répond bien aux besoins concernant la gestion du cycle de vie. La création d un cycle de vie nécessite de définir des jalons et des tâches associés à des participants. Aussi, on peut définir des dépendances entre les tâches et également leur associer des poids Scénarios des uses cases Les fonctionnalités du futur outil sont modélisées sous la forme de cas d utilisation. Il m a été confié de mettre en place les scénarios de ces cas d utilisation qui seront inclus dans le document de spécifications fonctionnelles détaillées. Exemple du scénario d un use case : Contexte d'utilisation Acteur principal Pré-condition Créer un échantillon à la demande Métier Avoir sélectionné les identifiants Partenaires ou Client Commercial ainsi que leur CR sur lesquels on souhaite baser l échantillonnage. 50

51 Garanties minimales Garanties si succès Déclencheur Chaque dataminer peut sélectionner des données de l environnement d études sur un périmètre qu'il a déterminé Diminution des temps de traitements dans l étape de préparation des données Nouveaux modèles ou études à réaliser sur un sous-ensemble de la population globale Description de l'enchainement nominal Cas nominal Etape Actions 1 Créer la table des Partenaires ou Client Commercial avec leur CR selon les critères de l'échantillonnage 2 Lancer le formulaire pour l'échantillonnage à la demande 3 Remplir les paramètres demandés par le formulaire (Liste des tables, leurs colonnes ) et exécuter Variante(s) fonctionnelle(s) Exigence(s) fonctionnelle(s) Variante(s) Etape Actions Créer des études (ex : comportementales) sur la base d'échantillons de clients Exigence(s) nonfonctionnelle(s) Figure 32 : Description textuelle des scénarios d un use case Figure 33 : Scénario d un use case 51

52 3.3 Auto-évaluation et difficultés Afin de m assurer que j étais sur la bonne voie dans mon travail, j ai fait des points réguliers avec une consultante de l équipe. Mon stage s étant déroulé dans la phase de conception du projet, il fallait régulièrement imaginer et affiner la solution. Ma principale difficulté a été d arriver à prendre suffisamment de recul pour arriver à proposer des solutions sur des problématiques architecturales. 3.4 Le stage dans la formation Pendant ce stage, il a fallu concevoir l outil final en prenant en compte les besoins des utilisateurs métiers qui sont des dataminers, statisticiens et chargés d études afin qu il soit adapté à leur utilisation. Ainsi, les cours de statistiques, intelligence artificielle et datamining suivis en deuxième et troisième année m ont été d une grande utilité pour comprendre les besoins fonctionnels des utilisateurs. Les cours de bases de données, programmation SAS et UML m étaient également utiles pour effectuer les tests sur la plateforme SAS et pour la modélisation des uses cases. Grâce à cette expérience, j ai acquis des connaissances en architecture applicative SAS et en méthodologie de gestion de projet Agile. 52

53 4 Bilan 4.1 Bilan du projet Ma mission sur le projet datamining a pris fin le 30 août 2011, lorsque les membres de l équipe commençaient la rédaction du document de spécifications fonctionnelles détaillées. À ce jour, la phase de conception n est pas encore terminée. Les développements débuteront en octobre Il est donc difficile de faire un bilan du projet aujourd hui. Suite à cette phase de conception, on prévoit une phase de développement plus longue que prévue au démarrage du projet. En effet, des développements supplémentaires sont à effectuer en complément de la solution technique SAS Model Manager. 4.2 Bilan du travail en équipe Dans ce projet, le travail en équipe tenait une place importante car il y avait régulièrement des points bloquants à traiter. Pour ce faire, les membres de l équipe étaient amenés à réfléchir ensemble lors d une réunion afin de partager les idées. Je pense que cela a été très bénéfique pour le projet car la plupart des problèmes ont été résolus suite à des réunions de ce type. 4.3 Bilan personnel Ce stage m a permis d avoir une première expérience dans la phase de conception d un système d information. J ai pu prendre connaissance de l impact de la communication et du travail en équipe sur l avancement d un tel projet. J ai beaucoup appris grâce à l expertise de mes collègues et à mes recherches personnelles. 53

54 Conclusion Le Crédit Agricole s est engagé dans une démarche stratégique d optimisation de ses technologies informatique. Par exemple pour la partie datamining, demain les utilisateurs auront à leur disposition des données très riches sur les clients et un outil d optimisation puissant. Cette vision 360 des clients apportera au Crédit Agricole un avantage indéniable face à ses concurrents sur le marché. Ce stage a été une opportunité pour le début de ma carrière. J ai eu la possibilité de participer à un projet vaste et innovant en ayant à la fois une approche fonctionnelle et technique. Cela a suscité en moi le souhait de débuter ma carrière professionnelle sur un projet d intégration ou de maintenance d un système d information décisionnel. 54

55 Annexe 1. Spécification générale : Créer et gérer des profils et habilitations Pour la gestion des profils et habilitations, trois termes sont à définir : Habilitations : Les habilitations sont des permissions d accès à des données, outils, Exemples : - lecture des données de la CR Ile de France - lecture des modèles enregistrés dans la bibliothèque communautaire - écriture dans la bibliothèque générique - Groupes : Chaque groupe est associé à une ou plusieurs habilitations. Le but est de rassembler des utilisateurs afin de leur attribuer des droits communs. Exemple : - CR Ile de France - Administrateur MOA - Dataminers - Chargé d études - Utilisateurs : Ce terme regroupe toute entité devant interagir avec le système. L utilisateur est reconnu par un numéro unique. Un utilisateur appartient à un ou plusieurs groupes. Exemple de combinaisons possibles : 55

56 Paul Smith est un dataminer de la CR Centre France. Il peut donc accéder seulement aux données de sa CR et dispose, de plus, des droits d accès courants accordés aux dataminers. Diagramme de cas d utilisation : La MOA est responsable de la spécification des groupes et des habilitations. La prise en charge technique de ces spécifications se fera par la MOE. Lorsqu un utilisateur fait une demande de droits d accès, il l adresse à son responsable hiérarchique. Après validation, celui-ci se chargera de transmettre la demande auprès de la MOE. Pour mener à bien ce traitement, les prochaines étapes de la spécification technique détaillée seront de : 56

57 - Recenser les différentes briques fonctionnelles sur lesquelles des droits différents doivent être associés. - Recenser les différents métiers susceptibles d utiliser tout ou partie des outils Ainsi, les listes des groupes et des habilitations pourront être créées. 57

58 2. Les usages du datamining Définitions et enjeux Le datamining est l ensemble des algorithmes et méthodes destiné à l exploration et l analyse de grandes bases de données informatiques en vue de détecter dans ces données des règles, des associations, des tendances inconnues (non fixées a priori), des structures particulières restituant de façon concise l essentiel de l information utile pour aider à la décision. Le datamining est un processus de gestion et de valorisation de l information au service de l entreprise. Il doit permettre de : Décrire un phénomène (client, ) Comprendre ce phénomène (relations, dépendances) Modéliser (abstraire le phénomène dans un modèle) Prédire (anticiper sur de nouvelles données à l aide du modèle) Techniques statistiques du socle commun Score d appétence Le score d appétence permet d identifier des critères discriminants de l appétence d un client. Il peut porter sur un produit, un canal, une offre... Sa finalité étant d augmenter le PNB de la banque, à travers une stratégie de marketing différenciée, déclinée sur les axes : 58

59 Ventes croisées et additionnelles : augmentation de la valeur client par l accroissement des ventes (croisées ou additionnelles) Optimisation de la rentabilité / ROI des campagnes : augmentation des taux de remontée des campagnes Segmentation stratégique ou distributive La segmentation stratégique permet de disposer d une première approche segmentée (regroupement de premier niveau) de la clientèle. Par exemple, la segmentation distributive CASA est basé sur une notion de stock et de flux. Exemple de segmentation stratégique : Figure 34 : Exemple de segmentation stratégique Scores comportementaux ou de potentiel Les scores comportementaux ou de potentiel donnent la vision du potentiel du client en analysant son comportement bancaire sur les axes crédit, épargne et/ou banque au quotidien (taux d équipement, encours,..). 59

60 L identification du potentiel du client est au cœur de la connaissance client. Le conseiller doit pouvoir adapter son offre et sa communication en fonction de ce potentiel. Scores d attrition Les scores d attrition anticipent le départ d un client vers un concurrent par l analyse et la détection des comportements précurseurs de la résiliation. Les scores d attrition interviennent, entre autres, dans les programmes de gestion de l attrition afin de proposer au client un discours adapté à ses attentes en termes d offres, de tarifs, etc. Techniques à mettre en œuvre afin d atteindre la vision cible Segmentation comportementale et relationnelle Segmentation comportementale : Elle rassemble des clients semblables en termes d habitudes et usages dans leur comportement bancaire. L analyse du comportement du client est déclinée, entre autre, sur les axes épargne, crédit, banque au quotidien afin de dégager des comportements homogènes. La segmentation comportementale est une brique majeure dans les plans d actions marketing. En effet, la segmentation identifie des groupes de clients homogènes en termes de besoins et attentes. Exemple de segmentation comportementale : 60

61 Figure 35 : Exemple de segmentation comportementale La segmentation comportementale permet d avoir une communication différenciée auprès des clients. Dans l exemple, ci-dessus, des plans d actions différenciés peuvent être déployés sur les clients selon leur groupe (à fidéliser, à redécouvrir, à conquérir, etc.). Segmentation relationnelle : La segmentation relationnelle permet d identifier le rôle et les objectifs des canaux tout au long du parcours clients. Exemple de segmentation relationnelle : 61

62 Figure 36 : Exemple de segmentation relationnelle Dans l exemple ci-dessus, en fonction du niveau d attente des clients envers la banque et du rapport de force qu ils perçoivent, la banque sera en mesure d adapter son mode de relation, son niveau de communication sur les canaux. Durée de vie client La durée de vie client est la durée moyenne de vie d un client dans la banque. Les principaux enjeux de la durée de vie sont : Identifier les clients «en fin de vie» afin d anticiper leur départ en leur proposant une communication, des produits/offres adaptés, etc. Composantes du calcul de la valeur client Pour calculer la durée de vie, on distingue généralement trois types d analyses : Les méthodologies non paramétriques (Kaplan-Meier) Les méthodologies semi-paramétriques (modèle de Cox) Les méthodologies paramétriques o Ces dernières sont des techniques récentes puisque les premiers manuels datent du début des années 80. Valeur client La valeur client permet de mesurer la profitabilité d un client. Le client est caractérisé par sa valeur actuelle mais aussi sa valeur future calculée en fonction de sa durée de vie et de ses revenus futurs. 62

63 La valeur client est un axe structurant des programmes relationnels. En effet, le plan d action commercial sera différencié en fonction de la valeur du client. Un client à faible valeur actuelle mais à forte valeur future sera traité différemment. Par exemple, seul les clients fragiles à forte valeur future pourront faire partie du plan de rétention. Elle participe aussi à la mise en place des systèmes de suivi et d alertes des clients à potentiel (jeune en devenir, futur client VIP, etc.). Les objectifs poursuivis sont de deux natures : Stratégique : o Surveiller le business futur o Arbitrer sur la stratégie (positionnement renforcé sur les offres à valeur) Opérationnelle : o Calibrer les investissements marketing (surinvestir sur les VIP, désinvestir sur les clients à faible rentabilité) o Actionner le bon levier (celui sur lequel le client a le plus de chance d augmenter sa valeur) Textmining Le Textmining est l ensemble des méthodes permettant d analyser et d organiser automatiquement un large volume de données textuelles afin de faire ressortir et de structurer le contenu et les thèmes. La démarche est la suivante : Figure 37 : Méthodologie Textmining 63

64 Webmining Le Webmining en terme d usage Datamining, participe à améliorer la connaissance client en croisant les données offlines avec les données du Web. Par l analyse des parcours sur le site, les comportements des internautes sont identifiés. Des typologies peuvent ainsi être mises en place. Par exemple, les appétences à l utilisation de la BAM, aux produits ou aux services peuvent être mesurées (activités des visiteurs, pages visitées, temps moyen de recherche, les associations, ). Les enseignements issus du Webmining pourront alimenter les plans d action marketing sur le Web (bannière, pop-up, relance sur un autre canal, etc.). Aujourd hui, l outil de Webmining SAS n est pas prévu. Néanmoins, un outil de Webtracking est en cours d achat. Cet outil permettra, par une plus grande collecte de données du Web, une première analyse des logs avec les outils SAS EM et Guide. Réseaux sociaux Définition Les réseaux sociaux permettent de visualiser les liens entre les personnes de manière descriptive afin de constituer des groupements d individus, appelés communautés. Une communauté est constituée : De «noeuds» ou «sommets» : des individus, des contrats, des comptes De «liens» qui permettent de connecter les noeuds entre eux : une communication, un échange d , un virement Une communauté est donc un groupe de noeuds densément connectés et qui a peu de liens avec les autres groupes. 64

65 Figure 38 : Exemple de communautés Les réseaux sociaux en quelques chiffres (Médiamétrie 2010) La France se compose désormais de 38,3 millions d'internautes (contre 34,7 millions en 2009 et 33,6 millions en 2008) : Chaque jour, ce sont près de 24 millions d'individus qui s'y connectent, soit une progression de 15,4% par rapport à 2009 Près de 10 millions de personnes sont équipées d un smartphone. 27,7 millions de cyber acheteurs en 2010 Les évolutions technologiques et les équipements font aussi progresser les usages Internet. Parmi les usages du web, les blogs et réseaux sociaux poursuivent leur ascension : plus des ¾ des internautes ont consulté un blog ou un site communautaire en décembre 2010, soit 11,7 millions de personnes par jour. Sur ces mêmes sites, les internautes restent de plus en plus longtemps : en moyenne, ils y passent 5h30 par mois. Les principales motivations pour s inscrire sur un site communautaire sont de : Rester en contact avec ses amis ou de reprendre contact avec d anciens amis, Partager ses passions, Lire les avis des autres consommateurs avant de faire un achat, Devenir des prescripteurs, 2/3 des internautes partagent leurs opinions sur les produits ou services qu ils achètent, en donnant un avis sur un site marchand, un blog, un forum ou un réseau social. Les enjeux 65

66 Le développement des réseaux sociaux et la quantité considérable d informations qu ils détiennent en font une source privilégiée pour la connaissance des clients. L analyse des données issues des réseaux sociaux poursuit deux objectifs majeurs : Développer le marketing viral : o Identifier les communautés sociales en se basant sur les relations comportementales entre les clients o Mesurer et segmenter les clients sur leur influence social («leaders», «suiveurs», «marginal») o Identifier les ambassadeurs vers qui on poussera les messages o Cibler les clients en se basant sur le statut de la communauté et les changements de comportements au sein de cette communauté (quand un leader change, cibler ses suiveurs) Anticiper les besoins et les attentes des clients : o Détecter les tendances du moment, le ressenti des clients par l analyse des posts sur la page facebook de la banque faite par le textmining Les limites des réseaux sociaux Du fait de la récence des réseaux sociaux et des outils d analyse associés, nous devons nous rapprocher de la législation en vigueur (CNIL). Prévision: Simulation Le Crédit Agricole met aussi en place des modèles de prévisions économiques de type : - Calculs matriciels - Séries chronologiques (modèles ARIMA, ) - Modélisations économétriques Ces méthodes de prévision sont utilisées entre autre pour : - anticiper des changements structurels de la population (analyse des évolutions démographique, vieillissement des populations, ). - prévoir les ventes, PNB : si la banque accentue son recrutement sur un profil particulier de la population, ces méthodes permettent, par exemple, de prévoir le PNB. - estimer l affluence (guichet, centre d appel, etc.) - etc. 66

67 Stress-testing : Le «stress-testing» vise à simuler des scénarios (perte d emploi, changement de profession, etc.) que peut subir un client afin d'en étudier son potentiel. De manière plus générale, le stress-testing, permet à la banque d évaluer des paramètres (PNB, risque, etc.) en modifiant la structure de son fond de commerce. Gestion du temps réel Une relation client, au plus près des besoins et attentes du client, passe par une gestion en temps réel des événements déclencheurs d un changement de situation, de profil du client. Dès lors qu un événement client (passage à la vie active, héritage, revenu complémentaire, chômage, ) est détecté, le client doit être requalifié (mise à jour des modélisations impactées) et le moteur de préconisation d offres doit être actualisé en fonction des nouveaux éléments (événements et requalification client). Le principal objectif d une approche temps réel est, par conséquent, d établir une relation client proactive et toujours adaptée à ses moments de vie. Les principaux bénéfices d une approche en temps réel sont : Des offres ou services toujours adaptés aux attentes du client Une tarification au regard de la véritable valeur du client ou valeur future Une sollicitation commerciale optimisée Le datamining en terme d usages (scores, segmentation, ) n est pas impacté par les applications en temps réel. En effet, l application ne modifie pas la modélisation. Elle va seulement mettre à jour la modélisation (note, segment, ) suite aux données recueillies. Néanmoins, des modèles pourront être mis à disposition de l application Temps Réel. Le scoring dynamique (Temps Réel) 1. Importance d une requalification client en Temps Réel. Les applications Temps réel proposent au bon moment : La bonne offre Hors Périmètre Datamining : Interact Le bon canal Hors périmètre Datamining Le bon message. Ce message pourra contenir : Une offre personnalisée Hors Périmètre Datamining Un argumentaire de vente personnalisé pour le conseiller Proposer une information «utile» rendez-vous avec un conseiller, appeler un numéro spécialisé sur une plateforme, 67

68 aide en ligne : impôts, bourse, aides sociales, etc. envoi vers une autre page, vers un autre site partenaire. Une tarification adaptée : devis assurance, moyens de paiement, gestion de comptes : comptes services, mini relevé SMS, services bourses en ligne, etc. Le déclenchement de la mise à jour de la modélisation pourra se faire à partir : De la détection d un événement client : passage à la vie active, héritage, revenu complémentaire, chômage, etc. De la détection d un changement de situation ou de profil client : détection de revenus additionnels Un parcours client sur la BAM : plusieurs consultations dans un délai court de la page crédit immobilier, consommation, etc. 2. Les scores impactés suite à une requalification client en Temps Réel. Les usages proposés, ci-dessous, sont ceux qui ne rentrent pas dans la préconisation d offres : Tarification adaptée : o Moyens de paiement, gestion des comptes : un tarif plus avantageux pourrait être proposé à un client qui dispose d une note de score élevé (par exemple, un score de potentiel élevé). o Demandes de devis d assurance : un score de type devis permettrait de proposer le meilleur tarif au regard du profil du client. Proposition d un crédit (acceptation, taux ou montant) : score d octroi. Ce score étant un score de risque, il ne sera pas traité dans notre périmètre datamining. 3. Le processus de scoring dynamique Le schéma suivant présente le processus de calcul de la note de score en temps réel : 68

69 Figure 39 : Processus de calcul de la note de score en temps réel 1. La saisie des critères Saisie des critères sur le poste de travail ou la BAM 2. Moteur de calcul SAS et mise à jour de la modélisation (note de score, segment, etc.) La mise à jour d une modélisation peut s appuyer sur des sources différentes, c està-dire sur un contexte avec : Soit des données uniquement externes : données issues d un formulaire web ou conseiller (simulation en ligne d un prêt, d un devis, etc.) Soit des données en parties externes : cas du score potentiel à mettre à jour suite à l identification de revenu externe. Deux sources possibles : o DWH o Datasource Contexte - Notre préconisation : Le contexte devra être externe avec la possibilité d aller chercher certains paramètres dans le Datasource. Le DWH n étant pas disponible 24/24H, si le calcul du score dynamique appel des données issues du DWH, il faudra mettre à disposition un environnement décisionnel répliqué. 69

AXIAD Conseil pour décider en toute intelligence

AXIAD Conseil pour décider en toute intelligence AXIAD Conseil pour décider en toute intelligence Gestion de la Performance, Business Intelligence, Big Data Domaine d expertise «Business Intelligence» Un accompagnement adapté à votre métier dans toutes

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

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

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

Plus en détail

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

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

Plus en détail

MICROSOFT DYNAMICS CRM & O Val

MICROSOFT DYNAMICS CRM & O Val MICROSOFT DYNAMICS CRM & O Val O Val Operational Value JSI Groupe 2, rue Troyon 92310 Sèvres 1 AGENDA 1. QUI SOMMES-NOUS? 2. NOS OFFRES 3. UNE ORGANISATION COMMERCIALE DÉDIÉE À NOS CLIENTS 4. O VAL : OPERATIONAL

Plus en détail

CRM Service. Exemples de secteurs concernés. Fonctionnalités clés. Gestion de l activité quotidienne. Gestion complète de la force de vente

CRM Service. Exemples de secteurs concernés. Fonctionnalités clés. Gestion de l activité quotidienne. Gestion complète de la force de vente CRM Service Exemples de secteurs concernés Société de commerce et de négoce Société de services informatiques Cabinet de formation Cabinet de recrutement Société de sécurité et de nettoyage Société de

Plus en détail

Optimisation de la gestion des risques opérationnels. EIFR 10 février 2015

Optimisation de la gestion des risques opérationnels. EIFR 10 février 2015 Optimisation de la gestion des risques opérationnels EIFR 10 février 2015 L ADN efront METIER TECHNOLOGIE Approche métier ERM/GRC CRM Gestion Alternative Approche Technologique Méthodologie Implémentation

Plus en détail

Méthodologie de conceptualisation BI

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

Plus en détail

Guide d accompagnement. Document réalisé par Softcomputing et Microsoft France.

Guide d accompagnement. Document réalisé par Softcomputing et Microsoft France. RESSOURCE PME Cahier des charges d un outil de gestion de la relation client (GRC) ou Customer Relationship Management (CRM) Guide d accompagnement. Ce document donne aux PME des clés pour mener à bien

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

Solution. collaborative. de vos relations clients.

Solution. collaborative. de vos relations clients. Solution collaborative de vos relations clients. Le Collaborative Relationship Management : une autre vision du CRM L un des enjeux majeurs dans les relations qu une entreprise entretient avec ses clients

Plus en détail

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

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

Plus en détail

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3

Plus en détail

<Insert Picture Here> La GRC en temps de crise, difficile équilibre entre sentiment de sécurité et réduction des coûts

<Insert Picture Here> La GRC en temps de crise, difficile équilibre entre sentiment de sécurité et réduction des coûts La GRC en temps de crise, difficile équilibre entre sentiment de sécurité et réduction des coûts Christophe Bonenfant Cyril Gollain La GRC en période de croissance Gouvernance Gestion

Plus en détail

Avec Sage HR Management, transformez votre gestion du capital humain en atout stratégique

Avec Sage HR Management, transformez votre gestion du capital humain en atout stratégique Sage HR Management Avec Sage HR Management, transformez votre gestion du capital humain en atout stratégique Face à un marché instable et une concurrence accrue, la Direction Générale a pris conscience

Plus en détail

UE 8 Systèmes d information de gestion Le programme

UE 8 Systèmes d information de gestion Le programme UE 8 Systèmes d information de gestion Le programme Légende : Modifications de l arrêté du 8 mars 2010 Suppressions de l arrêté du 8 mars 2010 Partie inchangée par rapport au programme antérieur Indications

Plus en détail

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

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

Plus en détail

Ici, le titre de la. Tableaux de bords de conférence

Ici, le titre de la. Tableaux de bords de conférence Ici, le titre de la Tableaux de bords de conférence pilotage d entreprise, indicateurs de performance reporting et BI quels outils seront incontournables à l horizon 2010? Les intervenants Editeur/Intégrateur

Plus en détail

Conseil et Ingénierie des Systèmes d Information d Entreprise

Conseil et Ingénierie des Systèmes d Information d Entreprise Conseil et Ingénierie des Systèmes d Information d Entreprise Le Groupe Khiplus SAS KHIPLUS Management Société holding animatrice du groupe SAS KHIPLUS Advance Conseil et ingénierie de Systèmes d Information

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

CONSULTANT EN MOA ET ORGANISATION ASSURANCE Compétences : Audit stratégique/organisationnel / Assurance (Prévoyance / Santé / IARD)

CONSULTANT EN MOA ET ORGANISATION ASSURANCE Compétences : Audit stratégique/organisationnel / Assurance (Prévoyance / Santé / IARD) CONSULTANT EN MOA ET ORGANISATION ASSURANCE Compétences : Audit stratégique/organisationnel / Assurance (Prévoyance / Santé / IARD) Référence candidat Poste CONSULTANT EN MOA ET ORGANISATION ASSURANCE

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

ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE

ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE ORACLE DATA INTEGRATOR ENTERPRISE EDITION offre de nombreux avantages : performances de pointe, productivité et souplesse accrues pour un coût total de

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Piloter le contrôle permanent

Piloter le contrôle permanent Piloter le contrôle permanent Un cadre règlementaire en permanente évolution L évolution des réglementations oblige les institutions financières à revoir leur dispositif de contrôle Secteur bancaire CRBF

Plus en détail

2008 : Diplômé Master 2 ASR (Architecture Système et Réseaux) Université d Evry (Evry - 91)

2008 : Diplômé Master 2 ASR (Architecture Système et Réseaux) Université d Evry (Evry - 91) Connaissances techniques Serveurs d application Langages et frameworks techniques Systèmes Réseaux et Sécurité IBM Tivoli Identity Manager (4.5, 4.6, 5.0, 5.1), IBM Tivoli Directory Server, IBM Tivoli

Plus en détail

Sage 100. pour les PME. Faites de votre gestion un levier de performance

Sage 100. pour les PME. Faites de votre gestion un levier de performance Sage 100 pour les PME Faites de votre gestion un levier de performance À propos de Sage Leader des éditeurs de logiciels de gestion sur le marché des PME dans le monde* Plus de 6 millions d entreprises

Plus en détail

DEMANDE D INFORMATION RFI (Request for information)

DEMANDE D INFORMATION RFI (Request for information) DOD SEICAM RFI Demande d information EVDEC Réf. : RFI_EVDEC- GT5_Outil_reporting_BI_v4.doc Page 1/11 DEMANDE D INFORMATION RFI (Request for information) OUTIL INTÉGRÉ DE REPORTING ET D ANALYSE DÉCISIONNELLE

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

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

QU EST-CE QUE LE DECISIONNEL?

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

Plus en détail

CRM pour le marketing

CRM pour le marketing CRM pour le marketing Créer l information, solliciter, séduire et retenir les clients de manière rentable Intégrés à Maximizer, les outils de marketing vous permettent simplement et efficacement de planifier,

Plus en détail

Cursus Sage ERP X3 Outils & Développement. Le parcours pédagogique Sage ERP X3 Outils et Développement

Cursus Sage ERP X3 Outils & Développement. Le parcours pédagogique Sage ERP X3 Outils et Développement Cursus Outils & Développement Vous êtes Consultant, Chef de Projets, Directeur des Systèmes d Information, Directeur Administratif et Financier, Optez pour les «formations Produits» Nous vous proposons

Plus en détail

APPEL D OFFRE. Projet décisionnel. Juillet 2011

APPEL D OFFRE. Projet décisionnel. Juillet 2011 CAHIER DES CLAUSES TECHNIQUES PARTICULIERES APPEL D OFFRE Projet décisionnel Juillet 2011 SOMMAIRE 1- CONTEXTE 3 1.1 Présentation de l entreprise 3 1.2 Organisation CCCA-BTP 3 2- LE PROJET DECISIONNEL

Plus en détail

Solution. collaborative. de vos relations clients.

Solution. collaborative. de vos relations clients. Solution collaborative de vos relations clients. Le Collaborative Relationship Management : une autre vision du CRM L un des enjeux majeurs dans les relations qu une entreprise entretient avec ses clients

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

ANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE

ANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE ANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE Editeur - Intégrateur de solutions de gestion Notre stratégie d édition et d intégration : un niveau élevé de Recherche & Développement au

Plus en détail

Sage FRP Treasury Universe Edition Module Cash L expert en gestion de trésorerie et flux financiers

Sage FRP Treasury Universe Edition Module Cash L expert en gestion de trésorerie et flux financiers distributeur des solutions FICHE TECHNIQUE Sage FRP Treasury Universe Edition Module Cash L expert en gestion de trésorerie et flux financiers Le module Cash de Sage FRP Treasury Universe Edition est une

Plus en détail

LA GESTION DE PROJET INFORMATIQUE

LA GESTION DE PROJET INFORMATIQUE Structurer, assurer et optimiser le bon déroulement d un projet implique la maîtrise des besoins, des objectifs, des ressources, des coûts et des délais. Dans le cadre de la gestion d un projet informatique

Plus en détail

LA GESTION DE PROJET INFORMATIQUE

LA GESTION DE PROJET INFORMATIQUE LA GESTION DE PROJET INFORMATIQUE Lorraine Structurer, assurer et optimiser le bon déroulement d un projet implique la maîtrise des besoins, des objectifs, des ressources, des coûts et des délais. Dans

Plus en détail

PROFIL DE POSTE AFFECTATION. SERIA (service informatique académique) DESCRIPTION DU POSTE

PROFIL DE POSTE AFFECTATION. SERIA (service informatique académique) DESCRIPTION DU POSTE PROFIL DE POSTE BAP : CORPS : NATURE : SPÉCIALITÉ : E ITRF Externe IGR 2, Chef de projet développement ÉTABLISSEMENT : Rectorat SERVICE : VILLE : SERIA (service informatique académique) DESCRIPTION DU

Plus en détail

DÉMATÉRIALISATION DES DOCUMENTS ET AUTOMATISATION DES PROCESSUS UN PREMIER PAS VERS LA BANQUE SANS PAPIER

DÉMATÉRIALISATION DES DOCUMENTS ET AUTOMATISATION DES PROCESSUS UN PREMIER PAS VERS LA BANQUE SANS PAPIER DÉMATÉRIALISATION DES DOCUMENTS ET AUTOMATISATION DES PROCESSUS UN PREMIER PAS VERS LA BANQUE SANS PAPIER Pour les banques, le papier devrait servir à imprimer des billets ; pas à en garder la trace dans

Plus en détail

Cegid Business Place Produflex

Cegid Business Place Produflex CegidBusinessPlaceIndustrie Cegid Business Place Produflex Produflex GRC Gestion Commerciale Gestion de Production SAV Isoflex SGDT Paie GRH EDI SCM Comptabilité Finance Gérez en toute fluidité l ensemble

Plus en détail

France Telecom Orange

France Telecom Orange France Telecom Orange fiches métiers assistant commercial et marketing conseiller commercial chef de produit technicien intervention supports réseaux assistant/gestionnaire RH domaine client conseiller

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

Urbanisme du Système d Information et EAI

Urbanisme du Système d Information et EAI Urbanisme du Système d Information et EAI 1 Sommaire Les besoins des entreprises Élément de solution : l urbanisme EAI : des outils au service de l urbanisme 2 Les besoins des entreprises 3 Le constat

Plus en détail

Fiabilisation des bases de données BtoB : Un enjeu majeur

Fiabilisation des bases de données BtoB : Un enjeu majeur 0 Fiabilisation des bases de données BtoB : Un enjeu majeur 1 L entreprise IMS HEALTH GROUP Société fondée en 1954 Opère dans plus de 100 pays 15 000 collaborateurs 3,3 milliards de dollars de CA Plus

Plus en détail

Reza MADANI Manager et Consultant Indépendant Stratégie, organisation, management et transformation de systèmes d information

Reza MADANI Manager et Consultant Indépendant Stratégie, organisation, management et transformation de systèmes d information Informations personnelles Formation Reza MADANI Manager et Consultant Indépendant Reza Madani Conseil Email : contact@reza-madani.com Site web : www.reza-madani.com Ecole Nationale des Ponts et Chaussées,

Plus en détail

Titre 1 Quas doluptur? Is audiossi alit perum accus quidust, optatis suntiam, apiendit, consequisque voluptatia cuptius plab

Titre 1 Quas doluptur? Is audiossi alit perum accus quidust, optatis suntiam, apiendit, consequisque voluptatia cuptius plab Augmentez vos marges CLOUD accus quidust, optatis suntiam, apiendit, ut alit libus, id unt quis et maximol escimil lanissum dis doles voluptaquis am, aut pa De la production à SOLUTION la gestion de projet

Plus en détail

Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.

Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc. Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants

Plus en détail

BI CONSULTING. Présentation de l offre. Mai 2013. La Synthèse et le Pilotage en réponse aux besoins des métiers

BI CONSULTING. Présentation de l offre. Mai 2013. La Synthèse et le Pilotage en réponse aux besoins des métiers Présentation de l offre BI CONSULTING La Synthèse et le Pilotage en réponse aux besoins des métiers Mai 2013 Valeur ajoutée 100% Banque Assurance 100% Systèmes de synthèse & de pilotage Des expertises

Plus en détail

Big Data et Marketing : les competences attendues

Big Data et Marketing : les competences attendues Big Data et Marketing : les competences attendues Laurence Fiévet Responsable Marketing Corporate Oney Banque Accord LA DYNAMIQUE DU MARKETING Selon la définition de Kotler et Dubois, «Le marketing est

Plus en détail

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

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

Plus en détail

INDUSTRIALISATION ET RATIONALISATION

INDUSTRIALISATION ET RATIONALISATION INDUSTRIALISATION ET RATIONALISATION A. LA PROBLEMATIQUE La mission de toute production informatique est de délivrer le service attendu par les utilisateurs. Ce service se compose de résultats de traitements

Plus en détail

Suite Jedox La Business-Driven Intelligence avec Jedox

Suite Jedox La Business-Driven Intelligence avec Jedox Suite La Business-Driven Intelligence avec Une solution intégrée pour la simulation, l analyse et le reporting vous offre la possibilité d analyser vos données et de gérer votre planification selon vos

Plus en détail

Postes à pourvoir 2015

Postes à pourvoir 2015 Postes à pourvoir 2015 Paris, Niort www.bsc-france.com B.S.C. - Business Software Tour Montparnasse 33 Avenue du Maine 75015 Tel : +33(0)1 53 94 52 20 - Fax : +33(0)1 45 38 49 45 3 rue Archimède 79000

Plus en détail

Entrepôt de données 1. Introduction

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

Plus en détail

CRM pour le marketing

CRM pour le marketing CRM pour le marketing Créer l information, solliciter, séduire et retenir les clients de manière rentable Intégrés à Maximizer, les outils de marketing vous permettent simplement et efficacement de planifier,

Plus en détail

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

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

Plus en détail

Software Application Portfolio Management

Software Application Portfolio Management Environnement complet de consolidation du Patrimoine Applicatif & de production des Tableaux de bords d inventaire et de pilotage Software Application Portfolio Management Collecter Centraliser Normaliser

Plus en détail

Cursus Sage ERP X3 Outils & Développement. CURSUS Sage ERP X3 Outils & Développement ADVANCED. Outils avancés. 2 jours X3A-ADM. Développement 1 &2

Cursus Sage ERP X3 Outils & Développement. CURSUS Sage ERP X3 Outils & Développement ADVANCED. Outils avancés. 2 jours X3A-ADM. Développement 1 &2 Cursus Outils & Développement Vous êtes Consultant, Chef de Projets, Directeur des Systèmes d Information, Directeur Administratif et Financier, Optez pour les «formations Produits» Nous vous proposons

Plus en détail

Expert technique J2EE

Expert technique J2EE EHRET Guillaume 25, rue de la Richelandiere 42100 SAINT ETIENNE 32 ans - Célibataire Expert technique J2EE Domaines de compétences Environnement et langages Expertise en programmation Java et en architecture

Plus en détail

Pour une entreprise plus performante

Pour une entreprise plus performante Pour une entreprise plus performante Smart Technology Services Raison Sociale - Smart Technology Services llc Pôle d activités - Service et conseil dans la technologie de l information Pôle d activités

Plus en détail

Février 2007. Novanet-IS. Suite progicielle WEB pour l Assurance. Description fonctionnelle

Février 2007. Novanet-IS. Suite progicielle WEB pour l Assurance. Description fonctionnelle Novanet Février 2007 Novanet-IS Suite progicielle WEB pour l Assurance Description fonctionnelle Novanet-IS Description fonctionnelle 1 Définition 3 2 La production (module WEBACTION) 6 3 Relation Client

Plus en détail

Copyright Agirc-Arrco Mars 2012. 2 QUESTIONS pour comprendre le Système d Information Retraite Complémentaire (SI-RC)

Copyright Agirc-Arrco Mars 2012. 2 QUESTIONS pour comprendre le Système d Information Retraite Complémentaire (SI-RC) 2 QUESTIONS pour comprendre le Système d Information Retraite Complémentaire (SI-RC) SOMMAIRE (1/3) ENJEUX DE L INFORMATIQUE RETRAITE COMPLÉMENTAIRE 1. Depuis quand un programme de convergence informatique

Plus en détail

Nell Armonia Shuttle Web

Nell Armonia Shuttle Web Nell Armonia Shuttle Web Optimiser la collecte, la mise à jour et la fiabilité de vos indicateurs L'IDEE ET LA GENESE DU PRODUIT LA PROBLEMATIQUE Les entreprises disposent aujourd hui de multiples indicateurs

Plus en détail

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

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

Plus en détail

CQP ADMINISTRATEUR DE BASES DE DONNÉES (ABD) ----------------------------------------------------------------------------------------------------

CQP ADMINISTRATEUR DE BASES DE DONNÉES (ABD) ---------------------------------------------------------------------------------------------------- ORGANISME REFERENCE STAGE : 26587 20 rue de l Arcade 75 008 PARIS CONTACT Couverture : M. Frédéric DIOLEZ Paris, Lyon, Bordeaux, Rouen, Toulouse, Marseille, Tél. : 09 88 66 17 40 Strasbourg, Nantes, Lille,

Plus en détail

LA GESTION DE LA RELATION CLIENT

LA GESTION DE LA RELATION CLIENT Conquérir un prospect coûte beaucoup plus cher que de fidéliser un client. C est la raison pour laquelle un grand nombre d entreprises orientent leur stratégie autour des services proposés à leurs clients.

Plus en détail

Maîtrise d ouvrage agile

Maîtrise d ouvrage agile Maîtrise d ouvrage agile Offre de service Smartpoint 17 rue Neuve Tolbiac 75013 PARIS - www.smartpoint.fr SAS au capital de 37 500 - RCS PARIS B 492 114 434 Smartpoint, en quelques mots Smartpoint est

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

Groupe Eyrolles, 2004 ISBN : 2-212-11331-5

Groupe Eyrolles, 2004 ISBN : 2-212-11331-5 Groupe Eyrolles, 2004 ISBN : 2-212-11331-5 Table des matières Préface........................................................ V Remerciements................................................ VII Introduction...................................................

Plus en détail

La gestion globale des contenus d entreprise

La gestion globale des contenus d entreprise Gonzague Chastenet de Géry La gestion globale des contenus d entreprise Le projet ECM, une nouvelle approche de la gestion de l information é d i t i o n s Les Editions de l ADBS publient des ouvrages

Plus en détail

ABILIAN SICS-PC. Abilian SYSTÈME D INFORMATION COLLABORATIF ET SÉCURISÉ POUR LES PÔLES DE COMPÉTITIVITÉ

ABILIAN SICS-PC. Abilian SYSTÈME D INFORMATION COLLABORATIF ET SÉCURISÉ POUR LES PÔLES DE COMPÉTITIVITÉ SOLUTIONS 2.0 POUR LA COMPÉTITIVITÉ ET L INNOVATION ABILIAN SICS-PC SYSTÈME D INFORMATION COLLABORATIF ET SÉCURISÉ POUR LES PÔLES DE COMPÉTITIVITÉ Abilian Quels outils pour la compétitivité des acteurs

Plus en détail

La plateforme IRM. La maitrise des risques. L accès à la plateforme

La plateforme IRM. La maitrise des risques. L accès à la plateforme Plateforme IRM La plateforme IRM Une vue 360 sur l activité Le management proactif La maitrise des risques La valorisation de l impact social Les caractéristiques techniques Le processus intégral de traitement

Plus en détail

Gestion des données de référence (MDM)

Gestion des données de référence (MDM) Chapitre 1 - COMPRENDRE LE MARCHÉ Gestion des données de référence (MDM) Copyright 2009 CXP. 1 All rights reserved. Reproduction or distribution of this document, in any form, is expressly prohibited without

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

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes.

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes. SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance Changer la source d'une requête dans SAS Enterprise Guide client, valeur client, CRM, fidélisation,

Plus en détail

Références. Les contacts Opti-Décision en relation avec cette présentation sont: Johann Grennepois Gérant

Références. Les contacts Opti-Décision en relation avec cette présentation sont: Johann Grennepois Gérant Les contacts Opti-Décision en relation avec cette présentation sont: Références Johann Grennepois Gérant johann.grennepois@opti-decision.fr Tél: +33 (0)2 40 79 59 45 Port: +33 (0)6 83 78 74 70 Opti-Décision

Plus en détail

BI2B est un cabinet de conseil expert en Corporate Performance Management QUI SOMMES-NOUS?

BI2B est un cabinet de conseil expert en Corporate Performance Management QUI SOMMES-NOUS? SOMMAIRE Qui sommes nous? page 3 Notre offre : Le CPM, Corporate Performance Management page 4 Business Planning & Forecasting page 5 Business Intelligence page 6 Business Process Management page 7 Nos

Plus en détail

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

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

Plus en détail

W4 - Workflow La base des applications agiles

W4 - Workflow La base des applications agiles W4 - Workflow La base des applications agiles, W4 philippe.betschart@w4global.com Vous avez dit «workflow»? Processus : Enchaînement ordonné de faits ou de phénomènes, répondant à un certain schéma et

Plus en détail

Modèle de cahier des charges CRM

Modèle de cahier des charges CRM Modèle de cahier des charges CRM Vous trouverez dans ce modèle de cahier des charges les éléments généralement nécessaires au bon fonctionnement d un projet CRM. Chaque entreprise étant unique, il vous

Plus en détail

BOOK REFERENCES ERGONOMIQUES Gfi Informatique

BOOK REFERENCES ERGONOMIQUES Gfi Informatique 2014 BOOK REFERENCES ERGONOMIQUES Gfi Informatique SECTEUR INDUSTRIE-SERVICE CHORUS 2 : Refonte du référentiel des process Groupe Refondre le réferentiel des process Groupe grâce à la réalisation d un

Plus en détail

CQP Développeur Nouvelles Technologies (DNT)

CQP Développeur Nouvelles Technologies (DNT) ORGANISME REFERENCE STAGE : 26572 20 rue de l Arcade 75 008 PARIS CONTACT Couverture géographique : M. Frédéric DIOLEZ Bordeaux, Rouen, Lyon, Toulouse, Marseille Tél. : 09 88 66 17 40 Nantes, Lille, Strasbourg,

Plus en détail

Les activités numériques

Les activités numériques Les activités numériques Activités de l entreprise et activités numériques de l entreprise convergent de plus en plus au sein de la chaîne de valeur, c est-à-dire la manière avec laquelle une entreprise

Plus en détail

Panorama des solutions analytiques existantes

Panorama des solutions analytiques existantes Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement

Plus en détail

GÉREZ VOTRE RELATION CLIENT SANS QUITTER MICRO SOFT OUTLOOK

GÉREZ VOTRE RELATION CLIENT SANS QUITTER MICRO SOFT OUTLOOK Face à l évolution rapide des marchés, les entreprises doivent continuellement reconsidérer leurs axes de développement et leurs stratégies commerciales. Les sollicitations permanentes des concurrents

Plus en détail

Les attentes du marché

Les attentes du marché www.pwc.com Les attentes du marché Octobre 2012 L état des lieux à propos des formats de reporting et de l appropriation par le marché du XBRL La taxonomie XBRL pour les reportings Solvabilité 2 a fait

Plus en détail

Système d information : démystification, facteur de croissance et conduite du changement

Système d information : démystification, facteur de croissance et conduite du changement Système d information : démystification, facteur de croissance et conduite du changement Patrick CONVERTY Directeur Commercial www.cibeo-consulting.com Approche globale de la performance Stratégie Système

Plus en détail

Le Processus RUP. H. Kadima. Tester. Analyst. Performance Engineer. Database Administrator. Release Engineer. Project Leader. Designer / Developer

Le Processus RUP. H. Kadima. Tester. Analyst. Performance Engineer. Database Administrator. Release Engineer. Project Leader. Designer / Developer Le Processus RUP Database Administrator Project Leader H. Kadima Performance Engineer Release Engineer Analyst Designer / Developer Tester Table des matières 1. De l artisanat à l industrialisation de

Plus en détail

Gestion de la relation client : l expérience du Crédit du Nord

Gestion de la relation client : l expérience du Crédit du Nord Gestion de la relation client : l expérience du Crédit du Nord Etat des lieux des processus de DataMining mis en place au Crédit du Nord, des premiers essais de score automatisé à la construction d un

Plus en détail

Comment réussir son projet de Master Data Management?

Comment réussir son projet de Master Data Management? Comment réussir son projet MDM? Table des matières Comment réussir son projet de Master Data Management?...... 2 Un marché en croissance..... 2 Les démarches qui réussissent... 2 A quels projets métiers

Plus en détail

Microsoft France. Pour en savoir plus, connectez-vous sur www.microsoft.com/france/dynamics/nav ou contactez notre Service Client au 0825 827 859*

Microsoft France. Pour en savoir plus, connectez-vous sur www.microsoft.com/france/dynamics/nav ou contactez notre Service Client au 0825 827 859* Microsoft France Pour en savoir plus, connectez-vous sur www.microsoft.com/france/dynamics/nav ou contactez notre Service Client au 0825 827 859* * 0,15 TTC/min Microsoft France - SAS au capital de 4 240

Plus en détail

La fonction Conformité dans l assurance

La fonction Conformité dans l assurance La fonction Conformité dans l assurance L approche par les risques L exemple de la lutte contre le blanchiment Présentation pour : Faculté d Orléans Intervenant(s) : Laurent GUEREL AG2R LA MONDIALE 1/19

Plus en détail

RELATION CLIENT - CRM - MARKETING

RELATION CLIENT - CRM - MARKETING INNOVATION TECHNOLOGIES AU SERVICE DES PME PMI ETI SOeMAN RELATION CLIENT - CRM - MARKETING La solution d'aide au pilotage et au management de la performance commerciale Produit et service de la société

Plus en détail

La Business Intelligence & le monde des assurances

La Business Intelligence & le monde des assurances Conseil National des Assurances Séminaire - Atelier L information au service de tous Le 09 Novembre 2005 La Business Intelligence & le monde des assurances Karim NAFIE Regional Presales Manager EEMEA Operations

Plus en détail

STRATEGIE, GOUVERNANCE ET TRANSFORMATION DE LA DSI

STRATEGIE, GOUVERNANCE ET TRANSFORMATION DE LA DSI STRATEGIE, GOUVERNANCE ET TRANSFORMATION DE LA DSI NOTRE EXPERTISE Dans un environnement complexe et exigeant, Beijaflore accompagne les DSI dans le pilotage et la transformation de la fonction SI afin

Plus en détail

MYXTRACTION. 2009 La Business Intelligence en temps réel

MYXTRACTION. 2009 La Business Intelligence en temps réel MYXTRACTION 2009 La Business Intelligence en temps réel Administration Qui sommes nous? Administration et management des profils Connecteurs Base des données Gestion des variables et catégories de variables

Plus en détail