Upload
abdelmoumene-taleb
View
2.262
Download
1
Embed Size (px)
DESCRIPTION
Citation preview
Thème : Datamining appliqué au churn client dans les télécommunications
Binôme:KHELOUFI Tarik
TALEB Abdelmoumène
3 Juillet 2011
Pour l’obtention du diplôme d’Ingénieur d’Etat en Informatique Option : Systèmes d’Information
Notre solution face au churn
Concepts et notions
Le Churn chez Un Telco
Sommaire
123
Le phénomène du churn Datamining Modèle de prédiction Méthodologie
Présentation de Un Telco Un Telco face au churn Insuffisances constatés Objectifs du Projet
Structure et architecture Processus de Gestion de churn Notre Solution
Conclusions et Perspectives Récapitulatifs Apports Contraintes Perspectives 4
Introduction
Source : ARPT autorité de régulation des postes et des télécommunications
+92%De taux de pénétration du
Marché des Télécommunications
Clients libres
Saturation =
“The Customer is King ”
Introduction
Se concentrer sur ses clients
Avant qu’ils ne partent !!!
Churn
“If we don’t take care of our customers, someone else will.”Mike Kesoh
Concepts et notions 11. Le churn 2. Datamining3. Modèle de prédiction 4. Méthodologie
DéfinitionChurn : (Du français [Attrition] )
Exprime le taux de déperdition de clients pour une entreprise
Churn : Contraction de l'anglais « change and turn »
.11
Télécommunication
Banque Assurance
Domaines d’apparition du Churn
Fournisseur d’accès internet
.11
Télécommunication
Datamining
.21
« extraction d'un savoir ou d'une connaissance à partir de grandes quantités de données »
Description Estimation Segmentation
Classification Prévision AssociationLa prévision
Ou fouille de données
Datamining
.21 Source: AGARD, B. KUSIAK, A., KDD, 2005
Datamining et la BI
.21
Modèles de prédiction
.31
SVM
Réseaux de
neurones
Arbres de décision
Modèles de prédiction
.31
Un arbre de décision est un outil d'aide à la décision qui représente la situation plus ou moins complexe à laquelle on doit faire face sous la forme graphique d'un arbre de façon à faire apparaître l'extrémité de chaque branche les différents résultats possibles en fonction des décisions prises à chaque étape :
Arbre de décision
Modèles de prédiction
.31
Réseaux de neuronesLes réseaux connexionnistes appelés aussi les réseaux de neurones artificiels occupent une place centrale parmi les outils de prédiction.
Le neurone artificiel (neurone informatique) est un petit model statistique a lui tout seule. Il doit accomplir 2 tâches :
la synthèse des informations qui lui sont fournies
la transformation (souvent non linéaire) de cette information en
quelque chose de nouveau
Modèles de prédiction
.31
SVM : Support Vector Machine
Le SVM repose sur deux idées
la notion de marge
maximale
la notion de fonction noyau
Outils de Datamining : Test du SVMcapacité de données
documentation
modélisation
Performance / Ressource
Références
.31 Bon Faible Meilleur
Méthodologie : CRISP-DM
FIN : Déploiement
1 Compréhension métier2 Compréhension des données3 Préparation des données4 Modélisation5 Evaluation
CRoss-Industry Standard Process for Data Mining .41
« ..today, “churn management” has become one of the most critical business issues »
Rob Matisson
Le Churn chez Un Telco 21. Présentation de Un Telco 2. Un Telco face au churn3. Insuffisances constatés 4. Objectifs du Projet
Un Telco : en chiffres
Meilleur opérateur mobile 2007 en Afrique du Nord
+ de 8 millions d’abonnés + de 90% de la population couverte
+ 200 Espaces De Services
Près de 1600 employés
opérateur en Algérie
.12
Nedjma19%
Djezzy53%
Mobilis28%
Un Telco dans le marché Algérien
.12
Un Telco : OrganigrammeDIRECTION GENERALE
Direction Ressource Humaine
Direction Stratégie
Direction Solution Entreprise
Direction Vente et Distribution
Direction Technologie
Direction Service
Client
Direction Finance
Direction Marketing
.12
Direction Technologie
Un Telco Face au churn
CRMMarketingDataWare
house
Etude de satisfaction
Churn
Réception des plaintes archivage des données
Régulier Insatisfait Churner
.22
Synthèse des Insuffisances constatés
.32
2. Phénomène encore méconnu 1. Manque de coordination
Perdre moins de clients ( et de CA ) que les concurrents
Quand le churn survient, le client est apte a reconsidérer
ses choix et aprioris
Le Churn : une opportunité
Mieux réagir que le concurrent
+ Parts de marché et meilleure image
Acquérir de Bon clients
( )Ex : Perdre tout les mauvais payeurs et/ou acquérir les
bons payeurs des concurrents
.32
Objectifs du Projet
.42
Calculer le taux de churn
Prédire le phénomène Churn
Trouver les raisons du Churn
Surmonter le problème de Coordination
« the future is a projection of present » Aldous Huxley
Notre solution face au churn31. Structure et architecture2. Gestion de churn3. Notre Solution
Solution face au churn
Organisationnelle Informatique
.13
Solution face au churn
Informatique
Outils de prédiction :
Datamining
Tableau de bord
Décisionnel
.13
Solution face au churn
Organisationnelle
Outils
Règles
ProcessusStructureMesures
.13
Priorité Difficulté
moyenne maximaleAppliqué
Architecture de la solution
BDD CRM
EnquêteMarketing
DataWarehouse
DataMart
DataMining
Vue
Utilisateur
Modèle
.13
DataWarehouse
Appel
Données
Données
Pleinte
Risque de chrun
Model Prédiction de churn
Campagne de rétentions
Processus de la solution
Réduction de churn
Décision
CRM
.23
Notre Outil de prédiction
.33
Notre Outil de prédiction
.33
Notre Outil de prédiction
.33
Conclusions et Perspectives
1. Récapitulatif2. Apports3. Contraintes4. Perspectives 4
« A conclusion is simply the place where someone got tired of thinking. » Herbert Albert Fisher
Récapitulatif
.14
Récapitulatif
Compréhension métier
Compréhension des données
Préparation des données Modélisation Evaluation
1 2 3 4 5
.14
Récapitulatif
Réalisation Liste des Livrables6 7
.24
Logiciel
Organisationnelle
Benchmarking
Guide
Conclusion &Perspectives
Pro-activité face au churn (prédiction)
Compréhension des Raisons du churn chez
Sensibilisation
Benchmarking
Guide pour la Gestion du Churn chez
Apports :
.24
Contraintes : Dispersion des données nécessaires
Manque de Coopération
Effort de longue durée dans le temps
Conclusion &Perspectives
.34
- Textmining des plaintes - Intégrer le churn dans le CRM- Synchronisation du MKT et CRM- Ticket de rétention
Perspectives :
Conclusion &Perspectives
.44
On vous écoute