1 / 48

Conclusion

Conclusion. CRM analytique CRM opérationnel. Marketing des bases de données support et stratégie d’origine du MR. L’infrastructure. Le cœur du MRC …. Les technologies du MRC : l’infrastructure. Applications Front-office. Applications middleware.

edan-buck
Télécharger la présentation

Conclusion

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Conclusion • CRM analytique • CRM opérationnel

  2. Marketing des bases de donnéessupport et stratégie d’origine du MR

  3. L’infrastructure Le cœur du MRC …

  4. Les technologies du MRC : l’infrastructure Applications Front-office Applications middleware Système d’automatisation de la force de vente Entrepôts de données : Data warehouse et datamart Back office Système de gestion de campagne marketing Système d’extraction et de transformation des données Système de gestion des partenaires Système de gestion de contenus Centre d’appel Automates/ sites Web autres technologies : Datamining, mesure et analyse de l’audience du site web, business intelligence, SIG, workflow, Knowledge management, équipements mobiles, outils web-téléphonie.

  5. Infrastructure BDM SurajitChaudhuri and UmeshDayal, An Overview of Data Warehousing and OLAP Technology, ACM SIGMOD Record,26:1, 1997. P Legrand - Groupe ESC Clermont - 2009-10

  6. Entrepôt de Données « Un datawarehouse est une collection de données thématiques, intégrées, non volatiles et historisées pour la prise de décisions. » (Bill Inmon) Outil généraliste spécialisé dans : • Le stockage optimal de très grande quantité de données • L’optimisation des flux en lecture /écriture

  7. Entrepôt de données • Fondation : la base de données • Différentes couches applicatives : • Mise en forme • Structuration • Compression • Gestion optimale des flux • Exploitation des données

  8. Infrastructure : choix d’une solution MRC • 1. Progiciels de gestion intégrés (PGI) ou Enterprise Resources Planning (ERP). • SAP, Oracle, Microsoft Navision.  Relient les différents services de l’entreprise. • 2. Suites de MRC • Microsoft CRM, Pivotal, Siebel  Élaboration d’une solution complète MRC. • 3. Plates-formes MRC • Chordiant, Graham technology ou Pegasystems.  Idem suites MRC mais laisse plus de liberté dans la construction de son application. • 4. Best of breed  L’entreprise compose son système en se procurant et assemblant la meilleure solution pour chaque fonction. • 5. Progiciel maison • Élaboré avec l’aide d’IBM, Oracle, Sun, etc…  Bâtir une solution sur mesure. (peu ou pas adapté pour les PME) Système ERP + CRM

  9. Qualité de l’infrastructure • Conception et vue multidimensionnelle • Transparence • Accessibilité • Rapidité • Architecture Client Serveur • Dimensions génériques • Gestion des matrices creuses • Multi-utilisateurs • Croisement inter dimensions illimité • Intuitifs • Affichage flexible

  10. Le cerveau du MRC LES DONNEES

  11. Le fichier • Types de données • Sociodémographique (100%) • Comportementale (75%) • Critères d’adéquation au MR • Style de vie (aio) • Ilotypes • Constitution d’un fichier • Location • Fichiers extérieurs de société spécialisées (géronimo) • Fichiers extérieurs de société en activité annexe (la redoute) • Fichiers de compilation ( acxiom France) • Intra • Compilation de plusieurs fichiers de loc. • Base de données interne http://www.acxiom.fr/

  12. Base de données • Fichier comprenant des informations qui vont au-delà des simples prénom et nom

  13. Base de données • Une Base de données relationnelle … • Exemple : Access, dbase ,….

  14. … Une base de donnée statistique

  15. Stockage des données Importance des ERP et bases de données : • Données cohérentes : « pas de manques » • Données non redondantes : « chaque donnée est mémorisée une et une seule fois » • Intégrité des données : « pas de facture non reliée à un client » Données mémorisées pour être exploitées

  16. Stockage des données Toutes les données quotidiennes (stocks, production, ventes,… , données sur les salariés, les clients) : Flux instantanés très importants Toutes les données historiques Quantité croissante

  17. OLAP • Exemple : analyse des ventes produits Jour J vendeurs date

  18. Point sur OLAP • 4D en rajoutant la dimension région Pour une région produits jour j vendeur date

  19. Exemple d’indicateurs extraits de données

  20. Critères de qualité des données Source : Informatica

  21. La commission nationale de l’informatique et des libertés (CNIL)

  22. Utiliser une base de données La formule magique RFM Points de récence : 24 pts : achat dans les 3 derniers mois 12 pts : 6 derniers mois 6 pts : 9 derniers mois 3 pts : 12 derniers mois Points de fréquence : Nbre d’achat dans la dernière année X 4 pts Points de montant 10 % des achats en € plafonné à 9 pts. 9 Montant 8 3 6 Fréquence 7 5 2 1 4 Récence

  23. Exemple RFMapplication 3 Que pouvons nous faire des outputs ?

  24. Exemple RFM Que penser de la différence entre cumul et total ?

  25. Segmentation RFM 1 – clients perdus 2 – clients non confirmés 3 – clients réguliers perdus 4 – clients récents CA (-) 5 – clients récents CA (+) 6 – clients réguliers baisse 7 – clients régulier CA (-) 8 – clients réguliers hausse 9 – très bon clients réguliers Les segments 9 Montant 8 3 6 Fréquence 7 5 2 1 4 Récence

  26. Application 4 • La société Copytoutvite vise la population des particuliers pour son nouveau service de location d’imprimante 3D : • Questions : • Calculer le lifetime value de ce type de clients • Analyser la rentabilité des clients. Quelles sont vos conclusions ?

  27. Correction Clients particuliers Pierre Piré-Lechalard, Groupe ESC Clermont

  28. Correction Clients particuliers Pierre Piré-Lechalard, Groupe ESC Clermont

  29. Datamining Domaine récent (années 1990) utilisant parfois des méthodologies du … XIX siècle! Apparition face aux quantités croissantes de données à appréhender. Autres noms • Fouille de données • Extraction de connaissance • KnowledgeDiscovery in Databases (KDD) • …

  30. Datamining Discipline transversale : • Statistiques / Mathématiques • Intelligence Artificielle • Informatique • Bonne connaissance du domaine d’application

  31. Datamining : définition • Évolutions technologiques : • Très grosses bases de données • Accroissement performances ordinateurs • Emergence de « l’Intelligence Artificielle » • Evolution des algorithmes statistiques et probabilistes

  32. Datamining : définition • Processus d’extraction (semi) automatique de connaissances • Pas de modèle a priori • Posture épistémologique : ne va pas dans le sens du canon hypothético déductif.

  33. Datamining : définition • Objectif : • Rechercher de l’information • Découvrir des relations, des dépendances entre données • découvrir des structures (« patterns ») dans les grandes bases de données • voire découvrir un modèle de données

  34. Datamining : définition • Utilisé à des fins • D’analyse • De caractérisation • De description • De …prévisions • Grand besoin de discernement • Liens parfois dus au hasard

  35. Définition du data mining • Ensemble des techniques mathématiques, informatiques, outils et applications permettant de découvrir automatiquement des connaissances nouvelles au sein des (grandes) bases de données. Champ pluridisciplinaire

  36. Définition du data mining But recherché : découvrir des interactions entre variables : • Règles de classement • Règles de prédiction Procédé de production de connaissances

  37. Définition du Data mining • Ce n’est pas une boule de cristal • Ce n’est pas un outil automatique • Conséquence des innovations technologiques • Capacité croissante de stockage de données • Evolution des algorithmes de traitement

  38. Définition du Data mining Le monde numérique : • Très pauvre en informations • …Malgré une quantité croissante exponentielle des données DM permet donc de chercher de l’information dans ces grandes masses de données

  39. Applications du Datamining • Domaine médical : efficacité d’un traitement, évolution de maladies… • « Profiling » des terroristes • « connaissances potentielles » sur les sites de réseaux sociaux

  40. Applications du Datamining • Domaine de la relation clients • profils clients / marketing personnalisé : exemple actuel : le site amazon • Domaine des assurances • profils des clients à risque / détection des fraudes • Domaine bancaire • automatisation prêts / détection des fraudes

  41. Aujourd’hui Le Data Mining est sorti des laboratoires de recherche : • Les données : colonne vertébrale de l’entreprise • Intérêt grandissant des industriels • Nombreux outils « plus simples / ergonomiques»

  42. Aujourd’hui • Domaine en expansion • De plus en plus de logiciels commerciaux et libres • Evolution permanente • Communauté internationale très active www.kdnuggets.com

  43. Nouveaux métiers • Bonne connaissance de : • Mathématiques : statistiques et probabilités • Informatique : programmation • Grands domaines de la gestion « Business analysts »

  44. Etapes projet Datamining • Projet « assez lourd »

  45. Graphe d’interactions

  46. Exemple de résultat par clustering

  47. Carte de Kohonen

  48. Carte de Kohonen Cartes automatiquement générées

More Related