Trois méthodes éprouvées pour obtenir un meilleur retour sur investissement avec le data mining Améliorez les résultats de votre entreprise Points clés Incorporez des types de données supplémentaires dans vos modèles prédictifs Grâce à, vous pouvez élargir le nombre et la nature de vos projets de data mining Déployez des modèles prédictifs plus largement dans toute votre organisation Exécutez les opérations de data mining en moins de temps et à un moindre coût Introduction Le data mining ou exploration des données identifie des tendances dans vos données grâce à diverses techniques prédictives. Grâce au data mining, les organisations comme la vôtre obtiennent des informations pertinentes sur les conditions externes, les processus internes, les marchés et les clients. Vous bénéficiez également de fonctionnalités prédictives utiles pour la planification stratégique ainsi que pour les interactions quotidiennes. Ces connaissances et fonctions prédictives contribuent largement à améliorer la gestion des campagnes marketing de votre société, les ventes à plus haute valeur unitaire et les ventes croisées, ou encore la rétention des clients, l analyse des risques et la détection des fraudes. Mais il y a de grandes chances que vous puissiez aller encore plus loin. En recourant à d autres types de données, en associant des méthodes de data mining éprouvées au sein de nouvelles initiatives, ou en utilisant des options de déploiement évoluées, votre société peut obtenir un meilleur retour sur son investissement dans le data mining. Par exemple, vous pouvez recourir au data mining afin de diminuer le taux de défection des clients. Imaginez la différence si vous pouviez augmenter la précision de votre modèle de 10 à 20 %. Dans certains secteurs d activité, cela signifie des millions de recettes supplémentaires. Et si vous pouviez utiliser la connaissance des clients que vous avez acquise par la maîtrise des défections client pour augmenter l efficacité de vos campagnes marketing? Ou si vous pouviez transformer un centre de support existant en centre de vente rentable sans personnel supplémentaire ni interruption des niveaux de service? Les recettes supplémentaires, qu elles se comptent en dizaines de milliers ou en dizaines de millions d euros, s ajouteraient immédiatement à votre bénéfice net.
Récapitulatif : Ce livre blanc décrit les avantages du data mining, y compris comment votre organisation peut obtenir un meilleur retour sur investissement (ROI). Il comprend des conseils pratiques pour incorporer des types et sources de données supplémentaires, élargir la portée des projets de data mining et déployer les résultats plus efficacement dans toute votre organisation. Réaliser ces objectifs n est pas une utopie, c est une réalité pour de nombreuses entreprises de toute taille dans une grande diversité de secteurs d activité. Comme vous avez déjà fait le choix du data mining, vous savez que le data mining va au-delà du processus technique. Il s agit d un véritable processus métier. En d autres termes, le data mining doit être soustendu par des objectifs métier, guidé par des connaissances métier, intégré aux processus métier et ciblé lors de déploiements métier. C est ainsi que votre société s assurera que le data mining ignorera le bruit généré par les données non pertinentes et vous apportera les connaissances et fonctions prédictives qui vous aideront à réaliser vos objectifs. Ce livre blanc décrit les avantages du data mining et démontre comment votre organisation peut obtenir un meilleur retour sur investissement (ROI). SPSS a été un pionnier de l analyse de données ; il a été le premier sur le devant de la scène et continue d être l une des applications logicielles les plus populaires et les plus répandues. En tant que nouveau membre de l organisation IBM, SPSS apporte des outils analytiques de pointe à un grand nombre de clients dans le monde entier. Les offres IBM SPSS incluent des produits leaders du marché pour la collecte de données, les statistiques et le data mining, avec une plateforme unifiée prenant en charge la gestion et le déploiement sécurisés des actifs analytiques. Passez à la vitesse supérieure avec le data mining Les outils de data mining IBM SPSS reposent sur les normes de l industrie et sont conçus pour s intégrer à vos systèmes d information. Ceci permet une intégration transparente de votre data mining et offre une méthodologie cohérente. Les forces combinées d IBM et de SPSS vous apportent une flexibilité inégalée avec les types de données que vous explorez et la façon dont vous exploitez les résultats. L utilisation des outils IBM SPSS non seulement augmente les chances de succès, mais améliore votre aptitude à réitérer ce succès. Votre expérience préalable vous confère un avantage indéniable pour passer à la vitesse supérieure avec le data mining. Vous avez déjà compris les trois étapes de base décrites dans le livre blanc IBM SPSS, Pour une planification réussie des projets de data mining. Vous savez que vous devez : Identifier un objectif stratégique qui bénéficiera du data mining Déterminer les ressources nécessaires pour mettre en œuvre un projet de data mining et établir une infrastructure d accueil Définir une stratégie de data mining exécutable (Si vous souhaitez rediscuter de ces étapes, veuillez prendre contact avec votre interlocuteur IBM SPSS pour qu il vous envoie un exemplaire du livre blanc, Pour une planification réussie des projets de data mining.) 2
Dans ce livre blanc, vous allez découvrir comment votre organisation peut améliorer le retour sur son investissement dans le data mining de l une ou de plusieurs des manières ci-après : En incorporant dans vos modèles prédictifs des types de données supplémentaires, tels que du texte libre, des données sur le comportement du web ou des données d enquêtes. Ceci améliore la précision de vos modèles et les rend plus efficaces en ce qui concerne les connaissances ou les prévisions fournies relatives à des défis métier particuliers. En élargissant la portée du data mining dans votre société, par exemple, en l utilisant pour résoudre d autres problèmes métier ou en l appliquant à différents domaines de votre organisation. En utilisant des options de déploiement avancées qui mettent les connaissances ou prévisions à la disposition d un plus grand nombre d individus ou de systèmes automatisés. Incorporation de types de données supplémentaires Il est très probable que votre organisation détienne des informations sur vos clients à de nombreux endroits. Et, comme beaucoup d organisations, vous n exploitez probablement pas pleinement ces informations. Lorsque vous associez du texte, des données Web ou d enquêtes à des données structurées pour construire vos modèles, vous enrichissez les informations disponibles pour les prévisions. Vos modèles sont donc plus précis et les décisions qui en découlent plus efficaces. Et les technologies actuelles de data mining mettent cet objectif à portée de main. Même si vous ajoutez un seul type de données, vous verrez une amélioration dans les résultats. L incorporation de plusieurs autres types de données s est traduite par des améliorations considérables. Pour déterminer si votre société peut bénéficier de l incorporation de types de données supplémentaires, commencez par vous poser les questions suivantes : Quels types de problèmes métier tentons-nous de résoudre? Quels sont les types de données dont nous disposons pour résoudre ces problèmes? Les réponses vont déterminer quels types de données doivent être incluses et pourquoi. Vous voulez alors utiliser les meilleures pratiques éprouvées pour incorporer ces types de données. 3
Ajout de données texte Par exemple, supposons que votre société souhaite améliorer la rétention des clients. Il est possible que des commentaires de clients soient stockés dans des courriers électroniques ou dans des zones de texte libre dans des applications de centre d appels ou d automatisation des forces de vente. En mettant en correspondance les tendances des commentaires avec les tendances de comportement des clients, vous pouvez découvrir des indices permettant de détecter qu un client de grande valeur est sur le point de partir. Vous pouvez alors développer des offres ou des campagnes marketing complètes pour le retenir. Parmi les autres domaines qui bénéficient de l exploration de texte, citons une acquisition plus efficace des clients, l amélioration de la qualité des produits et services et le développement plus rapide de nouvelles offres à succès. Vous pouvez également utiliser les données texte pour vous aider à identifier les comportements induisant du gaspillage ou potentiellement frauduleux. L un des principaux facteurs de succès dans l ajout de données texte consiste à impliquer les professionnels ou les experts de domaine, c est-à-dire les gens qui connaissent la terminologie, les sigles ou le jargon contenus dans le texte. Ces personnes peuvent aider à identifier les termes à ajouter ou à exclure de l analyse. Elles peuvent aussi affiner le nombre de concepts détectés. Ajout de données Web Reprenons le même problème métier, la rétention des clients, et voyons comment une société peut y remédier en ajoutant des données sur le comportement des clients sur le web. Que votre site Web prenne en charge les achats en ligne ou soit simplement informatif pour permettre des interactions hors ligne, vous disposez certainement de grandes quantités de données sur le comportement des visiteurs. L analyse de ces données permet de mettre au jour des tendances qui peuvent vous aider à conserver les clients souhaitables. Par exemple, les visiteurs qui effectuent une recherche sur le site quittent-ils le site s ils ne trouvent pas ce qu ils cherchent? Les clients ont-ils pour habitude d envoyer un courriel au service clients avant de renvoyer un achat ou de fermer leur compte? Est-ce qu ils téléchargent des bons de réduction pour des services hors ligne, mais oublient de les utiliser? Ces informations sont déjà précieuses en elles-mêmes, mais vous obtenez des informations de plus grande valeur encore lorsque vous associez des données sur le comportement sur le web à d autres informations que vous possédez sur vos clients. Non seulement, vous êtes en mesure d identifier les stades où votre société doit intervenir pour conserver les clients, mais vous savez aussi quels clients sont les plus intéressants à retenir. 4
Liste de contrôle de préparation : Incorporation de types de données supplémentaires Identification du problème métier Localisation des sources de données pertinentes Evaluation et sélection des outils d analyse de données adéquats Identification et recrutement des professionnels et du personnel technique L analyse des données Web permet d améliorer la rétention des clients, mais elle peut également aider votre société à augmenter la valeur client, à optimiser vos dépenses marketing et publicitaires, en réduisant au minimum les pertes dues à la fraude au clic, en évaluant l efficacité du commerce multi-canal, les réseaux de partenaires et affiliés et en analysant l efficacité du contenu. Lors de l analyse de données Web, les personnels commercial et technique ont besoin de collaborer pour interpréter les résultats et élaborer des plans d actions. En travaillant de concert, ils peuvent évaluer si un changement de conception du site, de navigation ou de contenu est susceptible d apporter les améliorations voulues ou s il est nécessaire de modifier votre stratégie de publicité en ligne. Vous pouvez même influencer positivement le comportement hors ligne en modifiant les interactions en ligne. Ajout de données d enquêtes Voyons maintenant ce que les données d enquêtes peuvent faire pour le problème de rétention des clients. Supposons que votre société perde un certain pourcentage de clients et que vous pensiez que cela est dû aux tarifs inférieurs de la concurrence. En effectuant une enquête et en comparant les résultats à d autres informations sur vos clients, vous apprenez cependant que vos clients les plus rentables sont moins intéressés par les tarifs que par les fonctions supplémentaires proposées par vos concurrents. Cette analyse confère à votre société des connaissances qui peuvent l aider à prendre des décisions mieux informées sur les tactiques concurrentielles. Les enquêtes peuvent avoir de nombreuses utilisations. Vous pouvez identifier les caractéristiques démographiques ou comportementales de vos clients les plus précieux, ce qui met en lumière vos stratégies d acquisition de clients. Vous pouvez découvrir les attitudes et affinités de vos prospects afin de développer de nouveaux produits ou services plus rapidement ou de réaliser des ventes à plus haute valeur unitaire ou des ventes croisées plus efficaces des produits existants. Vous comprenez plus clairement comment le public perçoit votre marque comparée à la concurrence et identifiez les tendances du marché à temps pour planifier et implémenter les stratégies métier appropriées. Comme avec les données texte et Web, il existe des meilleures pratiques reconnues à suivre lors de l incorporation de données d enquêtes aux modèles prédictifs. 5
Par exemple, il est bien plus efficace d incorporer des données d enquêtes si votre outil d enquête produit des résultats exploitables dans des applications ou bases de données couramment utilisées et si votre outil de data mining peut accéder à ces sources de données. Lorsque vous associez données d enquêtes et transactionnelles dans des modèles prédictifs, il vaut mieux impliquer le personnel familiarisé avec chacun de ces types de données et les faire collaborer avec les développeurs de vos modèles prédictifs. Enfin, les experts métier voudront évaluer comment appliquer au mieux les connaissances acquises grâce au data mining à la planification stratégique et tactique de votre organisation. Elargir la portée du data mining Etant donné que votre organisation a déjà investi dans le data mining, l une des méthodes pour augmenter votre retour sur investissement consiste à augmenter le nombre de projets de data mining que vous entreprenez. Il s agit là d une méthode simple, mais souvent négligée, d amélioration du retour sur investissement de votre organisation. Vous pouvez développer vos efforts soit en relevant de nouveaux défis métier, soit en appliquant le data mining à différents services ou régions géographiques. Des entreprises de toute taille bénéficient déjà de ces avantages. Par exemple, un fournisseur de pièces détachées au Royaume- Uni qui a utilisé le data mining pour réduire les frais de stocks, a appliqué des modèles prédictifs similaires à ses autres sites en Europe. Si votre société a déjà progressé sur vos défis prioritaires, il convient d envisager les défis secondaires à solutionner. Ou si les priorités de votre organisation ont évolué, une redéfinition de vos efforts de data mining peut être la bienvenue. Comment cela se passe-t-il en pratique? Supposons que vous soyez une organisation financière qui utilise actuellement les fonctions d agrégation du data mining pour optimiser les campagnes marketing grâce à une meilleure segmentation des clients. Les autres défis métier peuvent inclure : L identification de vos clients les plus solvables L amélioration des ventes à la plus haute valeur unitaire et croisées durant les interactions avec les clients La définition de nouvelles offres de produits ou de services 6
Liste de contrôle de préparation : Etendre la portée du data mining Nouvel examen des priorités métier Identification des applications de data mining complémentaires Identification des utilisations par d autres services ou régions Evaluation des avantages d une gestion centralisée des modèles Liste de contrôle de préparation : Utilisation d options de déploiement avancées Priorisation des objectifs métier Evaluation des stratégies de déploiement Sélection des stratégies de déploiement Ou bien, vous pouvez être un opérateur de télécommunications qui utilise les fonctions de filtrage par motif du data mining pour anticiper et minimiser la défection des clients. D autres applications connexes du data mining peuvent inclure : L identification de secteurs de marché pour une meilleure acquisition de clients La décision des offres groupées de fonctions pour des promotions ciblées Ou bien, vous pouvez être une agence gouvernementale qui utilise actuellement les fonctions de détection d anomalies du data mining pour détecter des erreurs de paiement. D autres domaines connexes qui peuvent bénéficier du data mining : Isoler les paiements potentiellement frauduleux pour analyse Détecter les efforts gaspillés ou dupliqués Détecter les intrusions sur le réseau Lorsque vous élargissez l utilisation du data mining dans votre organisation, veillez à sélectionner des outils qui offrent un grand choix d algorithmes et de types d algorithme, afin de disposer des bons algorithmes pour résoudre les problèmes métier et de données qui vous occupent. Etendre les avantages du data mining d un domaine de votre organisation à un autre peut nécessiter un certain degré d évangélisation de la part de vos champions du data mining. Mais dans la mesure où le data mining a une incidence si bénéfique sur les résultats métier, les résultats que vous avez déjà réalisés peuvent servir de tremplin pour l adoption du data mining dans d autres domaines. Favoriser la collaboration grâce à la gestion des modèles Lorsque vous mettez en route de nouveaux projets de data mining ou élargissez ce dernier à d autres domaines de votre organisation, vous pouvez bénéficier des améliorations récentes apportées aux outils de data mining qui vous permettent de centraliser la gestion des modèles de data mining. Ces améliorations favorisent la collaboration et une plus grande efficacité au sein de l entreprise. Elles permettent aussi à votre organisation d éviter les efforts gaspillés ou dupliqués tout en garantissant que vos modèles prédictifs les plus efficaces sont appliqués à vos défis métier. Pour déterminer si votre société peut bénéficier de la gestion centralisée des modèles, commencez par vous poser les questions suivantes : Nos modélisateurs ont-ils connaissance du travail que d autres ont déjà réalisé et qui se rapporte à leur tâche actuelle de data mining? Notre personnel pourrait-il entreprendre de nouveaux projets de data mining si les processus étaient normalisés et réutilisables? Disposons-nous d un moyen pour partager en interne les informations sur les meilleures pratiques du data mining? Existe-t-il un moyen de s assurer que seul le modèle correct est utilisé lors de l actualisation des données et de le documenter? 7
Utilisation d options de déploiement avancées Le déploiement est un facteur clé de l obtention d un retour sur investissement élevé pour le data mining. Les organisations qui fournissent efficacement des résultats au personnel, qu elles planifient des campagnes marketing ou des ventes croisées aux clients dans un centre d appels, parviennent régulièrement à un meilleur taux de retour. Le data mining, comme d autres technologies informatiques, continue d évoluer. Dans les implémentations antérieures, le déploiement consistait à fournir aux analystes des modèles et aux managers des rapports. Les rapports et les modèles devaient être interprétés par les managers ou le personnel avant que des plans stratégiques ou tactiques puissent en être tirés. Par la suite, de nombreuses entreprises ont utilisé les fiches de score batch réalisées pendant les heures creuses pour incorporer plus efficacement les prévisions actualisées dans leurs bases de données. Il est même devenu possible d automatiser la planification des mises à jour et d intégrer des moteurs de fiches de score aux applications existantes. A présent, l efficacité de traitement et les autres progrès technologiques permettent d actualiser en quelques heures des ensembles de données conséquents contenant des milliards de scores. Les modèles de data mining tactiques peuvent être mis à jour en temps réel et les résultats transmis au personnel en clientèle au moment où il interagit avec les clients. Il est aussi possible d intégrer des modèles aux systèmes qui génèrent automatiquement des offres de vente, d identifier les clients solvables immédiatement et de signaler des déclarations de sinistre comme potentiellement frauduleuses, pour ne citer que quelques exemples. C est ce qu on appelle la phase d optimisation des décisions de l analyse prédictive. Pour déterminer si votre société peut bénéficier du déploiement amélioré des modèles de data mining et des résultats, commencez par vous poser les questions suivantes : Où se situent nos points de contact vitaux avec les clients? Les modèles de data mining et les résultats sont-ils disponibles à ces endroits? Si oui, le sont-ils en temps réel? 8
Autres facteurs de succès pour l amélioration du retour sur investissement D autres facteurs affectent le succès d un projet et augmentent le retour sur investissement global. Ces facteurs permettent d exécuter le data mining en moins de temps et à moindre coût, tout en parvenant aux résultats attendus. Un kit d outils intégrés Votre société peut gagner du temps et améliorer le flux d analyse en sélectionnant un kit d outils qui prend en charge chaque étape du processus : accès aux données, manipulation des données, visualisation, algorithmes de modélisation, fiches de score et reporting. Le kit d outils intégrés est encore plus important lorsque vous incorporez d autres types de données. Vos analystes peuvent suivre efficacement le fil de leurs idées s ils disposent d une interface unique, quel que soit le type de données impliqué dans l analyse. En outre, un kit d outils intégrés qui facilite le déploiement vers d autres systèmes fournit plus rapidement des informations sur lesquelles il devient possible d agir. Une architecture ouverte Les outils de data mining qui exigent que les données soient converties et stockées dans un format propriétaire induisent des inefficacités, des retards et augmentent le coût du processus de data mining. Lorsque vous ajoutez d autres types de données, l ouverture devient encore plus importante, car chaque type de données est susceptible de provenir d un système différent et d exister dans divers formats. Si vous devez chaque fois déplacer ou reformater chaque type de données, le processus analytique est ralenti et devient plus lourd. En outre, il est vital pour le déploiement que l outil de data mining puisse interagir avec d autres applications logicielles et systèmes informatiques. Cette aptitude fait passer la modélisation prédictive d une fonctionnalité qui était utilisée uniquement par les analystes à une fonctionnalité qui sous-tend la prise de décisions et les interactions client à l échelle de l entreprise. Conclusion Chaque transaction, événement, contact client, réponse à une enquête et accès sur votre site Web fournit des informations sur les clients et les opérations. Les bases de données regorgent de ces connaissances très utiles, tout comme les archives de messagerie, les logiciels de support de vente et de centre d appels, ainsi que d autres systèmes de gestion des clients. L objectif à la fois des responsables d entreprise et du personnel technique est de transformer ces données brutes en informations utiles qui seront la clé du succès de l entreprise. Au cours de la dernière décennie, le data mining a prouvé sa valeur ajoutée en identifiant des tendances et relations cachées entre les données, pour des organisations de toute taille et dans pratiquement tous les secteurs d activité. 9
Ce livre blanc a décrit les avantages que peut apporter le data mining lorsque vous passez à la vitesse supérieure, ainsi que les méthodes pour y parvenir : incorporation d autres types de données dans les modèles prédictifs, élargissement du nombre et de la nature de vos projets de data mining et diffusion plus large de modèles prédictifs et des connaissances dans l entreprise. Ces approches apportent déjà des résultats mesurables à la fois pour les entreprises publiques et commerciales. Etudiez votre organisation et imaginez l effet de l élargissement du data mining à d autre domaines sur vos campagnes marketing, sur la rétention des clients et sur vos efforts pour trier les transactions valides des transactions potentiellement frauduleuses. Dans la mesure où vous avez déjà investi dans le personnel et les autres ressources nécessaires au data mining, vous êtes bien préparé pour l étape suivante d amélioration des résultats. Et la technologie IBM SPSS est particulièrement bien placée pour vous aider à sauter le pas. Les solutions d analyse prédictive IBM SPSS IBM est reconnu par les analystes comme l un des leaders mondiaux en solutions d analyse prédictive qui apportent des avantages métier mesurables. Les solutions de data mining IBM SPSS proposent une vaste gamme de techniques conçues pour répondre aux besoins de la quasi totalité des applications de data mining. Ces techniques incluent une sélection d algorithmes d agrégation, de classification, d association et de prévision. Notre solution comporte aussi une interface graphique conviviale qui vous permet d incorporer les connaissances métier à tout stade du processus de data mining. Ses autres fonctionnalités augmentent la vitesse et l efficacité du data mining et exploitent au mieux l infrastructure technologique existante. Vous pouvez améliorer la précision de vos modèles en intégrant des données texte libre, des données comportementales de journaux Web et les données démographiques et attitudinales à partir d enquêtes. Vous pouvez encore améliorer l efficacité du data mining en centralisant le stockage et la gestion des modèles prédictifs à l aide d une solution IBM SPSS complémentaire. Nous proposons aussi différentes façons de déployer les résultats du data mining. Ces options vous permettent de distribuer des connaissances prédictives et des recommandations, voire des modèles complets aux décideurs stratégiques, au personnel en clientèle et aux systèmes opérationnels. Nous offrons des solutions sur mesure pour des secteurs d activité et des défis métier particuliers. En outre, les services de conseil IBM peuvent aider votre organisation à implémenter une solution d analyse prédictive selon les meilleures pratiques aux normes de l industrie. 10
A propos d IBM Les logiciels IBM aident les entreprises à mesurer, comprendre et anticiper leur performance financière et opérationnelle en fournissant des informations exactes, cohérentes et complètes. Ce portefeuille complet de solutions décisionnelles, d analyse prédictive, de gestion des performances financières et de stratégies et d applications d analyse fournit une vision claire, immédiate et concrète des performances actuelles et permet de prévoir les résultats futurs. Alliant de riches solutions sectorielles, des services professionnels et les meilleures pratiques, il permet aux entreprises de toutes tailles d optimiser leur productivité, d automatiser en toute confiance leurs décisions et de générer des résultats supérieurs. Faisant partie de ce portefeuille, le logiciel IBM SPSS Predictive Analytics permet aux entreprises de prévoir les événements et d agir de façon proactive en fonction des données obtenues pour obtenir de meilleurs résultats métier. Les clients des secteurs privé, public et universitaire du monde entier font appel à la technologie IBM SPSS qui les dote d un atout concurrentiel pour attirer, fidéliser et développer leur clientèle, tout en réduisant les fraudes et en atténuant les risques. En intégrant les logiciels IBM SPSS à leurs opérations quotidiennes, les entreprises deviennent proactives, capables de diriger et d automatiser leurs décisions pour atteindre leurs objectifs métier et se doter d un atout concurrentiel. Pour plus d informations ou pour contacter un interlocuteur IBM, visitez le site : ibm.com/spss/fr 11
Compagnie IBM France 17, Avenue de l Europe 92275 Bois-Colombes Cedex IBM, le logo IBM, ibm.com, Cognos, InfoSphere et WebSphere sont des marques d International Business Machines aux Etats-Unis et/ou dans certains autres pays. Si ces marques ou d autres termes relatifs aux marques IBM apparaissent lors de leur première occurrence dans ce document accompagnés d un symbole de marque ( ou ), ces symboles indiquent qu il s agit de marques déposées aux Etats-Unis ou reconnues par la législation générale comme étant la propriété d IBM au moment de la publication de ce document. Ces marques peuvent également exister et éventuellement avoir été enregistrées dans d autres pays. Vous trouverez la liste des marques IBM à jour sur le Web dans la section Copyright and trademark information à l adresse ibm.com/legal/copytrade.shtml SPSS est une marque de SPSS, Inc., une société IBM enregistrée auprès de nombreuses juridictions dans le monde. Les autres raisons sociales, noms de produit et noms de service peuvent être des marques ou des marques de service de leurs propriétaires respectifs. Copyright IBM Corporation 2010 All Rights Reserved. Veuillez recycler IMW14282-FRFR-02