Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Savez vous ? 1 Que 20 % des clients réalisent 80 % du chiffre d’affaires. Que

Savez vous ? 1 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. Marketing orienté client Fidélisation Gestion relation client Préparée par :Marwa Aloui 2 MISE EN PLACE D’UN OUTIL DE CRM Encadré par : M. Lassaad ZRIBI M. Ghazi BEL MUFTI Supervisé par : M. Wajdi SFAIHI Année universitaire : 2011/2012 Proposée par : Ulysse Hyper Distribution Ecole Supérieure de la Statistique et de l’Analyse de l’Information Schéma du CRM d’UHD 3 Fichier s de donnée s Données Brut Données traités Résultats analytique s Opération s marketing Intégration traitement Outils analytiques Plan d’action Plan de la présentation 4 Fichier s de donnée s Données Brut Données traités Résultats analytique s Opération s marketing Intégration traitement Outils analytiques Plan d’action 1 2 3 Intégration des données 5 Tables SAS / bibliothèque statique SOURCE Algorithme d’intégration Fichiers CSV Données sociodémographiques Données comportementales VLL Données comportementales + Donnée sociodémographiques extraction DSI Traitement des données 6 Algorithme de traitement Tables SAS / bibliothèque statique SOURCE Tables SAS / bibliothèque statique CARREF • Validité et la cohérence des variables • Construction de nouvelles variables • Indexation des tables Outils analytiques 7 Segmentation RFM Score de baisse d’activité Score d’up sell Segmentation RFM 8 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 F 1 F 2 F 3 F 4 < M1 Seg_02 [ M1, M2 [ Seg_03 => M2 Seg_04 Seg_06 Seg_08 Seg_01 Seg_05 Seg_07 Fréquence montant Actifs Score de baisse d’activité 9 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. Comportement passé Comportement futur T0 Score d’up sell : Conception 10 On raisonne en terme d’univers ! Niveau de dépense Niveau de dépense Pouvoir d’achat Pouvoir d’achat Univers avec potentiel d’up sell • Indicateur sur les niveaux de dépenses par univers + • Indicateur sur le pouvoir d’achat 11 Étape 1 : création de la table comportementale CST_CODE Univers_01 … Univers_50 9010005856 100 0 9010005859 50,5 10 CA total par univers Par client Score d’up sell : Indicateur sur les niveaux de dépenses Score d’up sell : Indicateur sur les niveaux de dépenses 12 Étape 2 : création de la table de référence Univers CA_MIN CA_Q1 CA_Q3 CA_MAX 01 10 20,5 50 200 .. 50 5 10 50,5 55 CA minimalCA du premier quartile CA du dernier quartile CA maximal Pour chaque univers 13 CST_CODE Univers_01 … Univers_50 9010005856 50 % N/A 9010005859 0% 90% Identifiant client Distance par univers Score d’up sell : Indicateur sur les niveaux de dépenses Étape 3 : création de la table de distance 14 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. Score d’up sell : Indicateur sur le pouvoir d’achat 15 Variable cible : Intervalle de revenu REVEN U 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 Score d’up sell : Indicateur sur le pouvoir d’achat 16 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. Score d’up sell : Indicateur le pouvoir d’achat 17  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. Score d’up sell : Indicateur le pouvoir d’achat 18 Significativité du modèle : Score d’up sell : Indicateur le pouvoir d’achat -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 Score de potentiel d’achat 19 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% 20 Taux de souscription : Score d’up sell : Indicateur le pouvoir d’achat 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 15.8 21.7 27.8 29.3 30.5 34.2 38.8 39.3 41.7 45.6 48.5 51.4 54.5 55.8 60.2 63.6 65.6 69.7 72.7 79.5 construction validation • 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 Score de potentiel d’achat 21 Courbe lift : 0 % 5 % 10 % 15 % 20 % 25 % 30 % 35 % 40 % 45 % 50 % 55 % 60 % 65 % 70 % 75 % 80 % 85 % 90 % 95 % 10 0 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% validation construction aléatoire En ciblant 40% des clients ayant les meilleurs scores on capte 55% des clients à haut revenus Conclusion 22 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 MERCI uploads/Marketing/ presentation-pfe 1 .pdf