<!-- Slide number: 1 --> # Savez vous ? Que 20 % des clients réalisent 80 % du chiffre d’affaires. Que 75% des départs n’ont aucun rapport avec le produit. Qu’ un client très satisfait en parle à 3 personnes et qu’un client mécontent en parle à 12. Que Conquérir un client coûte 3 fois plus cher que de fidéliser. Fidélisation Gestion relation client Marketing orienté client 1
<!-- Slide number: 2 -->
 Ecole Supérieure de la Statistique et de l’Analyse de l’Information # MISE EN PLACE D’UN OUTIL DE CRM Proposée par : Ulysse Hyper Distribution Préparée par :Marwa Aloui
Encadré par : M. Lassaad ZRIBI M. Ghazi BEL MUFTI Supervisé par : M. Wajdi SFAIHI Année universitaire : 2011/2012 2
<!-- Slide number: 3 --> # Schéma du CRM d’UHD Plan d’action
Outils analytiques
traitement
Intégration
3
<!-- Slide number: 4 --> # Plan de la présentation Plan d’action
Outils analytiques
3 traitement
2 Intégration
1 4
<!-- Slide number: 5 --> # Intégration des données
DSI
VLL
Tables SAS / bibliothèque statique SOURCE Données sociodémographiques Fichiers CSV Algorithme d’intégration Données comportementales + Donnée sociodémographiques
extraction Données comportementales 5
<!-- Slide number: 6 --> # Traitement des données
Tables SAS / bibliothèque statique CARREF
Tables SAS / bibliothèque statique SOURCE
Algorithme de traitement Validité et la cohérence des variables Construction de nouvelles variables Indexation des tables 6
<!-- Slide number: 7 --> # Outils analytiques
Publicité
Segmentation RFM
Score de baisse d’activité
Score d’up sell
7
<!-- Slide number: 8 --> # Segmentation RFM Ce n’est pas une classification automatique. Se base sur trois notions :Récence Fréquence et Montant. Repose sur un algorithme basé sur des définitions prédéfinies. Inactifs Récence Actifs Fréquence montant | | F 1 | F 2 | F 3 | F 4 | | --- | --- | --- | --- | --- | | < M1 | | Seg\_02 | | | | [ M1, M2 [ | | Seg\_03 | | | | => M2 | | Seg\_04 | Seg\_06 | Seg\_08 | Seg_05 Seg_07 Seg_01 Actifs 8
<!-- Slide number: 9 --> # Score de baisse d’activité C’est un score de probabilité variant de 1 à 100. Il permet de prédire si le client va baisser oui ou non son activité.
Il est construit grâce à un modèle de régression logistique binaire.
T0
Comportement passé Comportement futur
9
<!-- Slide number: 10 --> # Score d’up sell : Conception On raisonne en terme d’univers !
Niveau de dépense
Pouvoir d’achat Univers avec potentiel d’up sell Indicateur sur les niveaux de dépenses par univers + Indicateur sur le pouvoir d’achat 10
Notes:
<!-- Slide number: 11 --> # Score d’up sell : Indicateur sur les niveaux de dépenses
Étape 1 : création de la table comportementale
| CST\_CODE | Univers\_01 | … | Univers\_50 | | --- | --- | --- | --- | | 9010005856 | 100 | | 0 | | | | | | | | | | | | 9010005859 | 50,5 | | 10 | Par client CA total par univers 11
<!-- Slide number: 12 --> # Score d’up sell : Indicateur sur les niveaux de dépenses
Étape 2 : création de la table de référence
CA du premier quartile CA du dernier quartile CA minimal CA maximal | Univers | CA\_MIN | CA\_Q1 | CA\_Q3 | CA\_MAX | | --- | --- | --- | --- | --- | | 01 | 10 | 20,5 | 50 | 200 | | .. | | | | | | | | | | | | 50 | 5 | 10 | 50,5 | 55 | 12 Pour chaque univers
<!-- Slide number: 13 -->
Score d’up sell : Indicateur sur les niveaux de dépenses
Étape 3 : création de la table de distance
Publicité
| CST\_CODE | Univers\_01 | … | Univers\_50 | | --- | --- | --- | --- | | 9010005856 | 50 % | | N/A | | | | | | | | | | | | 9010005859 | 0% | | 90% | Identifiant client
 Distance par univers 13
<!-- Slide number: 14 --> # Score d’up sell : Indicateur sur le pouvoir d’achat
Objectif
Construire un indicateur déterminant le potentiel d’achat , en basant sur un modèle prédictif de score : modèle de régression logistique binaire par la sélection stepwise .
Hypothèse
On se base sur l’hypothèse que certains univers déterminent un certain potentiel d’achat: Par exemple : un client a un niveau de dépense élevé sur l’univers poissonnerie est probablement un client ayant un potentiel d’achat élevé.
14
<!-- Slide number: 15 --> # Score d’up sell : Indicateur sur le pouvoir d’achat Variable cible :
| Intervalle de revenu | REVENU | REV2 | | --- | --- | --- | | Moins de 400 DT | 1 | 1 | | ]400 , 600] | 2 | 1 | | ]600 , 800] | 3 | 1 | | ]800 , 1000] | 4 | 1 | | ]1000 , 1400] | 5 | 2 | | ]1400 , 1800] | 6 | 2 | | ]1800 , 2200] | 7 | 2 | | Plus de 2200 | 8 | 2 |
Distribution de la variable cible :
1: 52,7%
2: 47,3%
Valeur cible 15
<!-- Slide number: 16 --> # Score d’up sell : Indicateur le pouvoir d’achat Variables explicatives:
Les 50 variables relatives aux indicateurs sur les niveaux de dépense par univers durant le premier trimestre t, discrétisées en quatre classes H, M et L et N/A.
Les 50 variables relatives aux indicateurs sur les niveaux de dépense par univers durant le trimestre précédent t-1 , discrétisées en quatre classes H,M et L et N/A.
Le nombre d’univers ou le client est H, M, L ou non acheteur La classe d’ âge à laquelle appartient le client.
16
<!-- Slide number: 17 --> # Score d’up sell : Indicateur le pouvoir d’achat Préparation des variables explicatives :
Discrétisation des variables continue Découpage en quartile des variables continues : NB_H , NB_M , NB_L et NB_NA.
Réduction des variables explicative
La réduction par la sélection des variables les plus discriminante. On s’appuie sur le test d’indépendance de khi et le V de Carmer entre la variable cible et les différentes variables explicatives. On ne garde que 22 variables sur les 105 variables explicatives.
17
Publicité
<!-- Slide number: 18 --> # Score d’up sell : Indicateur le pouvoir d’achat Significativité du modèle :
| -2 logs de vraisemblance | | Khi-2 du rapport de vraisemblance | DDL | Pr>Khi-2 | | --- | --- | --- | --- | --- | | Modèle avec constante | Modèle complet | | | | | 45770,263 | 41583,672 | 4186,590 | 45 | <0,0001 |
Modèle globalement significatif au seuil de 0,0001 18
<!-- Slide number: 19 --> # Score de potentiel d’achat Performance du modèle : Matrice de confusion relative à l’échantillon de validation :
| | | Réalisé | | Total | | --- | --- | --- | --- | --- | | | | P | N | | | Prédit | P | 3782 | 2925 | 6707 | | | N | 2052 | 5422 | 7474 | | Total | | 5834 | 8347 | 14181 |
Taux de bon classement : 64,9%
Taux d’erreur : 35,1% 19
<!-- Slide number: 20 --> # Score d’up sell : Indicateur le pouvoir d’achat Taux de souscription :
Chart
| Category | construction | validation | taux de souscription moyen | |---|---|---|---| Sur les 5% des clients ayant les meilleurs scores il y’a 79,5% qui appartiennent aux individus à revenu élevé
Alors que sur les 5% des clients ayant les plus faibles scores il y’a 15,8%% qui appartiennent aux individus à revenu élevé
20
<!-- Slide number: 21 --> # Score de potentiel d’achat Courbe lift :
Chart
| Category | validation | construction | aléatoire | |---|---|---|---| | 0 | 0.0 | 0.0 | 0.0 | | 0.05 | 0.08511273704643839 | 0.0840309284938342 | 0.05 | | 0.1 | 0.16320740630133 | 0.16090485015017003 | 0.1 | | 0.15000000000000024 | 0.23353740480812407 | 0.23458367946833664 | 0.15000000000000024 | | 0.2 | 0.303120800358371 | 0.3038532813598342 | 0.2 | | 0.25 | 0.3706137076302837 | 0.3710780241549004 | 0.25 | | 0.30000000000000032 | 0.43407495893683884 | 0.43466036168445643 | 0.3000000000000003 | | 0.35000000000000031 | 0.4933552336867254 | 0.4936417662470465 | 0.3500000000000003 | | 0.40000000000000008 | 0.5503956995669707 | 0.5512812320276057 | 0.4000000000000001 | | 0.45 | 0.6068388830819776 | 0.6055978017764716 | 0.45 | | 0.5 | 0.6571599223532983 | 0.6567831810339321 | 0.5 | | 0.54999999999999993 | 0.7001642526504435 | 0.7049012716467516 | 0.5499999999999999 | | 0.60000000000000064 | 0.7449604300433063 | 0.7489296440667169 | 0.6000000000000006 | | 0.65000000000000302 | 0.7875167985665216 | 0.7898268259952714 | 0.650000000000003 | | 0.70000000000000062 | 0.8278333582200986 | 0.8312991245447023 | 0.7000000000000006 | | 0.75000000000000278 | 0.8642675824996268 | 0.8673397661192409 | 0.7500000000000028 | | 0.8000000000000006 | 0.8987606390921309 | 0.8995462968879802 | 0.8000000000000006 | | 0.85000000000000064 | 0.9290727191279644 | 0.9304747907214516 | 0.8500000000000006 | | 0.90000000000000024 | 0.9595341197551144 | 0.9598696402326028 | 0.9000000000000002 | | 0.95000000000000062 | 0.983425414364641 | 0.9828104032206525 | 0.9500000000000006 | | 1.0000000000000002 | 1.0 | 0.99942488337913 | 1.0000000000000002 |21
<!-- Slide number: 22 --> # Conclusion Deux étapes fondamentales dans un outil de CRM :
L’étape de manipulation de donnée ( Archivage et traitement) + L’étape analytique
Segmenter le population ( population Hyper / population super) Ajouter de nouvelles variables Améliorer la variable cible (tenir compte de l’effet des hausse des revenus)
Améliorer le score d’up sell 22
<!-- Slide number: 23 --> #
MERCI