Activités de la leçon 2 : La stratégie CRISP-DM du
Datamining
Activité 2.1 : Appliquer la stratégie CRISP-DM pour une étude des factures de
téléphone
Problème : Les factures de téléphone non payées.
Le datamining utilisé vise à développer des modèles pour prédire le non paiement des factures
au plus tôt possible.
Séquence de période de facturation : Utiliser 2 mois, recevoir la facture, le paiement du
mois de facturation, débrancher si la facture n'est pas réglée pendant une période déterminée.
Eléments de correction de « Activité 2.1 » :
Les phases principales de CRISP-DM :
1- Compréhension métier
Prédire quels clients seraient insolvables
Publicité
À temps pour l’entreprise pour prendre des mesures préventives (et d’éviter de
perdre de bons clients).
Hypothèse:
Clients insolvables vont changer les habitudes d'appel et l'usage du téléphone
pendant une période critique avant et immédiatement après la fin de la période de
facturation.
2- Compréhension des données
Les informations statiques des clients sont disponibles dans des fichiers
Factures, paiements, utilisation…
Un entrepôt de données est utilisé pour recueillir et organiser les données
Un codage pour protéger la vie privée des clients
Création de l’ensemble des données cibles
Les fichiers des clients :
Publicité
Informations sur les clients
Déconnexion
Reconnexions
Données dépendantes du temps
Factures
Paiements
Utilisation
100,000 clients sur une période de17mois
Il faut penser à l’échantillonnage pour assurer à tous les groupes une représentation
appropriée.
3- Réparation de données
Filtrer les données incomplètes
Les appels en promotion supprimés
Publicité
Le volume des données réduitd'environ50%
Faible nombre des cas de fraude
Vérification croisée avec les déconnexions du téléphone
Les données retardées sont nécessairement synchronisées
4- Modélisation
Analyse discriminante
Le modèle linéaire
Les arbres de décision
Classificateur à base de règles
Réseaux de neurones
Le modèle non linéaire
5- Evaluation
Premier objectif est de maximiser la précision de la prédiction des clients insolvables
Publicité
Arbre de décision un classificateur meilleur
Deuxième objectif est de minimiser le taux d'erreur pour les clients desolvants
Le modèle Réseau de Neurones proche de l’arbre de décision
Utilisé tous les 3 sur la base de cas par cas.
6- Implémentation
Chaque client a été examiné avec les 3 algorithmes
Si tous les 3 sont convenables, utiliser une classification
En cas de désaccord, catégorisé comme non classé
Correcte sur les données d'essai avec 0.898
Seulement 1client solvant aurait été débranché