Leçons de niveau 18

Datamining/Exemple

Une page de Wikiversité.
Sauter à la navigation Sauter à la recherche
Début de la boite de navigation du chapitre
Exemple
Icône de la faculté
Chapitre no 8
Leçon : Datamining
Chap. préc. :Applications
Chap. suiv. :Sommaire
fin de la boite de navigation du chapitre
Icon falscher Titel.svg
En raison de limitations techniques, la typographie souhaitable du titre, « Datamining : Exemple
Datamining/Exemple
 », n'a pu être restituée correctement ci-dessus.

Le Datamining apporte des méthodes plus efficaces qui peuvent être utilisées pour optimiser les ressources à travers des processus de sorte à prédire à quel canal et quelle offre un individu est le plus susceptible de répondre. Il permet aux entreprises de prévoir les tendances futures ainsi que les demandes d’achats et d'approvisionnements prévisionnels.

Le datamining dispose de beaucoup d’applications qui peuvent apporter un soutien considérable au marketing et à la gestion de la relation client. Le processus du Datamining dans ce domaine respecte les points suivants :

  • Segmentation / typologie : trouver les comportements typiques de vos clients
  • Reporting analytique : résumer et visualiser votre activité à travers des indicateurs pertinents
  • Profiling : déterminer ce qui caractérise un groupe particulier de clients
  • Scoring : optimiser les chances d'obtenir des réponses (positives) de la part vos clients à une offre particulière par un ciblage plus précis, mettant en évidence les clients avec une forte probabilité de réponse.
  • Evaluation de campagnes de terrain : déterminer l'efficacité votre communication envers les clients
  • Analyse coûts bénéfices : identifier les campagnes les plus rentables
  • Analyse d'opinion : comment vos clients vous perçoivent-ils ?
  • Pricing : déterminer le prix "optimal" pour un produit
  • Text mining : recenser facilement les principaux points mis en avant par les clients à travers du texte libre


Les deux axes principaux du Datamining[modifier | modifier le wikicode]

La prédiction Premier axe de recherche:

Une fois ces valeurs prédites avec leur probabilité, on peut construire un score, c’est-à-dire une échelle continue de valeurs qui note au mieux les individus les plus « intéressants » (il faut alors construire un modèle de coûts ou de profits par individu).

Second axe la création de typologie:

Une typologie permet, sans idée d’expliquer a priori une variable, de distinguer des classes d’individus aux mœurs différentes au sein de sa clientèle. Il s’agit par exemple de la demande du service marketing de l'enseigne souhaitant mieux connaître sa clientèle; dont une des préoccupations est de créer des classes de clients dont il faut s’occuper différemment. On peut avoir sa clientèle composée de médecins, comme c’est le cas dans le cadre de l’industrie pharmaceutique. Dans ce cas, la typologie s’effectue sur le type de prescriptions qu’ils ont coutume de faire, pour leur proposer la gamme de médicaments préférable.

Le Datamining dans un service Marketing[modifier | modifier le wikicode]

L’exemple abordé est celui d’une grande enseigne de mode et maison. Le Datamining contribue à l’augmentation considérable du chiffre d’affaires dans ce secteur. Plutôt que de façon aléatoire contact avec un prospect ou un client par le biais d'un centre d'appel ou l'envoi de courrier, une entreprise peut concentrer ses efforts sur les perspectives qui sont prévus pour avoir une grande probabilité de réponse à une offre.

Une responsable des études commerciales d’une grande enseigne de mode et maison définit ainsi les trois attentes de son service marketing.

En premier lieu, structurer et agréger les données : la base clients de l’enseigne comporte quelques 20 millions d’adresses, assorties de divers renseignements sur chaque client. Trier, regrouper et organiser cette masse d’information est effectivement la priorité et le préalable à toute étude sérieuse.

Nom Âge Sexe Métier
LAGARDE 40 F Avocat
POUTEAUX 47 M Fermier
MOUSSA 51 F Auditeur
COSTAUD 45 F Caissière
MARIO 25 M Sans emploi
BOUTELI 21 M Garagiste


Deuxièmement, il faut transformer cette somme de renseignements en connaissances. La distinction entre ces deux termes, « renseignements » et « connaissances » est la clé du Datamining et sa raison d’exister. Les renseignements sont des données qui existent dans les bases de l’entreprise. Elles y « dorment » et ne servent à personne. Ce fut longtemps le cas des données clientèles, puisque l'entreprise se focalisait sur les produits, de ce fait l’attention du service clients ne se tournait pas vers les acheteurs. Les connaissances, en revanche, sont utiles à l’entreprise. Elles aident l'entreprise à la prise de décision. Elles entrent en ligne de compte dans les modèles. Elles permettent de faire des choix et d’orienter la politique commerciale de la firme.

Début de l'exemple
Fin de l'exemple


Depuis longtemps, les entreprises achètent à l’Institut national de la statistique et des études économiques (INSEE), les données du recensement qui ne servaient qu’à juger le taux de pénétration d’un produit sur un air géographique donnée. On ne corrigeait pas ces taux des profils d’acheteurs spécifiques à chaque région (rurale, urbanisée, frontalière, intérieure, riche ou pauvre, …). Ces données restaient à l’état de renseignements. Ce n’est que récemment qu’ils ont été tenu en compte. Elles servent aujourd’hui à mieux connaître les acheteurs que l’on est susceptible de rencontrer dans telle ou telle zone de France. Elles sont devenues des connaissances.

Troisième et dernière préoccupation du service clients, hiérarchiser la clientèle selon des critères de rentabilité. En effet, les Data Warehouses, par les volumes mis en jeu, ont augmenté la finesse du nettoyage des données avant emploi.

Ensuite après le classement des informations par le service commercial, les statisticiens peuvent intervenir dans « la fouille de données » . Cette étape est la plus classique de toute. Elle consiste à utiliser les données des techniques statistiques à notre disposition pour faire parler la base de données.

Les chaines de Markov

On distingue dans ces techniques, un Datamining descriptif, différent du Datamining explicatif. Le premier cherche à cerner les comportements, et aide à légitimer l’étape précédente où l’on souhaite décrire avec le moins de chiffres possibles la réalité. Le second vise à expliquer les comportements, et à en inférer une conduite à tenir.

On arrive ainsi à une prise de décision, qui sera suivie d’effets. Ces conséquences, conformément à la méthodologie proposée plus haut, seront quantifiées en deux étapes : d’abord un test sur un échantillon représentatif, si les résultats sont concluants, la même campagne en grandeur réelle. Les enseignements tirés de cette démarche seront utilisés si besoin pour améliorer les processus de Datamining suivants.