" # $ % % & ' ( ) * +,! '()+ , + ' +' + ' ' /0 / * 0 4 * 0 6! "##$ % &!

Dimension: px

Commencer à balayer dès la page:

Download "" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!"

Valentine David
il y a 10 ans
Total affichages :

1 "# $ %%& ' ( )*+, '()*+,'+''-++.+/ *406 "##$ %&

2 8CC "#$%& ' ( )* +,-./ */ 0 +3 *+:3 ;< = >-8-3 >5? *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8 " 9#**//8 :' +3*++*/ 3 */;*/* 2/6 1

3 D 9D75,DCC E/8/3 ((* :(-,, - E,E 5,, >=A,E7C, 5$ :, 5 $ "-5&$,, 5 "F +&$ E= 9$ -:$ E*-,,D(, = D/8/ 3 ((* - * -,,DC < 75,DCC 8 #// C & 3 D/ B( 7/ %/ :*/ ( /' /// /4 58 D/ >/ 9 +**/ /+@ // 9*/ /? /*/ %*8 $*/(' */?* ' /*/ A*8 D' $**: ' */ /* 4E? #**' //8 :+*/

4 5, 2 34*56 7 /+#** //8 " 9#**//8 :' +3*++*/ 3 */;*/* 2/6 F D=-,:-2F 7 Retours Positifs Point mort Business Intelligence ROI Cumulatif Analyses Prédictives Systèmes Opérationnels Retours Négatifs Source: Jack Noonan G

5 +,,G,D8,G,D8H Modélisation Excel OLAP & Reporting Publications écrites Le doigt mouillé, Le feeling L expérience 5,203,527 quotidiennement Décisions d affaires H D-=9 OPTIMISER Rétention clients Promotions par ciblage Planification de la demande Amélioration de la demande Recommandations Scoring Data Mining ( *) () $( &' PERMETTRE Interaction client Gestion de stocks Supply Chain Management Mesure de la qualité " # $ % CONNAITRE Satisfaction client CA Produit Prix de revient Turnover des salariés I

Amélioration de la demande Recommandations Scoring Data Mining ( *) () $( &' PERMETTRE Interaction client Gestion de stocks

6 I CC:*,D= Modélisation Prédictive Prédiction de valeurs Classification Régression Probabilité et raisons de Churn de chaque client Décider Modélisation Descriptive Exploration automatisée des données Clustering Associations Profil des «churners» et «non-churners» OLAP Exploration manuelle des données Cubes Historique de l attrition par périodes et par zones géographiques Requête et Reporting Agrégation des données et sommes SQL Feuilles de calcul Historique de l attrition par trimestre Mesurer Concept Technologie Exemple II J 89$GC GCH Modèles Prédictifs Modèles Descriptifs Classification Régression Prévisions avec séries temporelles Analyse Multi-variable Clustering Corrélation iolap Prédire l Inconnu Quels sont les facteurs explicatifs? Le Pouvoir de Comprendre I

Reporting Agrégation des données et sommes SQL Feuilles de calcul Historique de l attrition par trimestre Mesurer Concept Technologie Exemple II J 89$GC GCH Modèles Prédictifs Modèles

7 5, 2 34*56 7 /+#** //8 " 9#**//8 :' +3*++*/ 3 */;*/* 2/6 I- -F + C-5C: IJ Attrition client GJ J 1J J J 7/ Region I1

8 IJ Attrition client GJ J 1J J J 7/ Region I< IJ - F+F Attrition client GJ J 1J J Est Centre Ouest J T T T T T T I

9 ,A =9 F Indicateurs de l attrition client < 1 - I Années client #appels Commandes (moy) Catégorie Région IF F+3 I 5 " 9K"26 #**//8 K"926 IG

10 )*-,-A,DCC -A,DCC Quel est le LTV de ce partenaire? Mon fournisseur livrera-t-il il en temps? Quel est mon risque sur ce prêt? Ce CLIENT quittera-t- il? Comment peut- on Qui achètera augmenter l acquisition ce de clients? PRODUIT? Est-ce que ce programme sera PROFITABLE? Est-ce une Quel est le FRAUDE? meilleur PRIX? Multitude de problèmes d affaires applicables IH +,D= Population totale

Comment peut- on Qui achètera augmenter l acquisition ce de clients? PRODUIT?

11 =-,: Population totale I =-,:: Population totale

12 -I 5 10% Mailing Test Base de Données Clients Appliquer Analyse Retour Mailing Lancement de la campagne - )*--: Historique des Transactions Comptes Clients Marketing Analyse 1< 1 -< - < I< I < Etat civil Total des Achats Age Ventes 1

)*--: Historique des Transactions Comptes Clients Marketing

13 -5 Résultats Net de la campagne Taux de réponse $ 6 5 5,68% $ Aveugle Data Mining ,04% Aveugle Data Mining Résultats: Cette campagne améliore le résultat r net de 46,460 $ avec un taux de réponse r de 6 fois supérieur < 5, 2 34*56 7 /+#** //8 " 9#**//8 :' +3*++*/ 3 */;*/* 2/6

Aveugle Data Mining Résultats: Cette campagne améliore le résultat r net de 46,460 $ avec un

14 I F +75F +":&?*' /6 &/ 8 F I F +75F +"&?*' /6 &/ 8 L*8M/ ' G

15 I F +75F +"&?*' /6 ' ' L*8M/ ' H 75F +?*' /6 -

16 75F +"&?*' /6 -I 75F ;79?*' /6 -

17 ?,,:7F + 8*/ 8' /6 --?,,:7F +"& 8*/ 8' /6-1

18 ?,,:7F +"& 8*/ 8' /6 -<?,,:7F +"& 8*/ 8' /6 -

19 +-K )-,5 L *- Objectifs de l entreprisel «Enterprise Modeling» Identifier les Indicateurs Clés s de Performance (KPIs) Découvrir ce qui influence chaque KPI Prédire le profit de chaque initiative Déployer le modèle Changer les règles Lancer un nouveau produit Ne rien faire -F 8*,GCH Objectif global de l entreprise: l Accroître le profit KPI: Profit par client KPI: Nombre total de clients Accroître l épargne Cross Sell Accroître les ventes en-ligne Cross Sell Accroître les prêts Cross Sell Accroître les ventes de crédit Développement Accroître demandes de prêt Développement Accroître les comptes- chèques Développement Augmenter le découvert Cross Sell Réduire le risque crédit Améliorer la satisfaction client Accroître les crédits Rétention Accroître les comptes- chèques Rétention Améliorer la satisfaction client Initiatives possibles Initiatives possibles -G

Accroître l épargne Cross Sell Accroître les ventes en-ligne Cross Sell Accroître les prêts Cross Sell Accroître les ventes de crédit Développement Accroître demandes de prêt Développement Accroître

20 +,,M5 Performance Impact de la Performance actuelle modélisation potentielle Impact Initiative actuelle modélisation potentielle Impact Cross-Sell des produits $ 2% $ $ Réduire l attrition 5,5% 18% 4,5% $ Cross-Sell des services $ 30% $ $ Campagne en ligne 8% 100% 16% $ Réduire le risque crédit $ 3.4% $ $ -H I N-:O : C, I 5 Clients Ventes Opérations et plusieurs autres Optimisation campagnes Rétention clients Reccommen- Dation produits Risques Prêts-location Optimisation horaires Finance Telco Assurances ebusiness Manufacturier Biotechnologies Pharmaceutique Partout Modèles de Satisfaction Cross Sell Profils Optimisation réponse clients Up Sell représentants demande Marketing Finance Produits Cycle de vie Segmentation Analyse Prévision Planification client client perte et profit financière inventaire Modélisation De production Modélisation exploratoire Analyse de panier Analyse prix Valeur client Risques financiers Création de bundles 1

4% -15 900 000 $ 560 000 $ -H I N-:O : C, I 5 Clients Ventes Opérations et plusieurs autres Optimisation campagnes Rétention clients Reccommen- Dation produits Risques Prêts-location Optimisation

21 5, 2 34*56 7 /+#** //8 " 9#**//8 :' +3*++*/ 3 */;*/* 2/6 1I P 2/6 */#+/ D + /$?/8 +/NA=* 7*/**/= F<H4*D*;F / *27COF $ 0<I1HGH 1

Documents pareils

Agenda de la présentation

Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' /0 / * 0 4 * 0 6! "##$ % &!

" # $ % % & ' ( ) * +,! '()+ , + ' +' + ' ' /0 / * 0 4 * 0 6! "##$ % &!