Pour l’obtention du diplôme d’Ingénieur d’Etat en Informatique

Option : Systèmes d’Information

Thème : Datamining appliqué au

churn client dans les
télécommunications
Binôme:
KHELOUFI Tarik
TALEB Abdelmoumène

3 Juillet 2011
 Sommaire

1
 Le phénomène du churn
 Datamining
Concepts et notions  Modèle de prédiction
 Méthodologie





Présentation de Un Telco
Un Telco face au churn
Insuffisances constatés
Objectifs du Projet
2 Le Churn chez Un Telco

3
Notre solution face au churn
 Structure et architecture
 Processus de Gestion de churn
 Notre Solution





Récapitulatifs
Apports
Contraintes
Perspectives
4 Conclusions et Perspectives
 Introduction
“The Customer is King ”

+92%
De taux de pénétration du
Marché des Télécommunications

Saturation =
Clients libres
Source : ARPT autorité de régulation des postes et des télécommunications
 Introduction
Se concentrer sur ses clients

Avant qu’ils ne partent !!!

Churn
 1. Le churn
Concepts et notions

1 2.
3.
4.
Datamining
Modèle de prédiction
Méthodologie

“If we don’t take care of our customers, someone else will.”

Mike Kesoh
Churn : Contraction de l'anglais « change and turn »

Définition
Churn : (Du français [Attrition] )
 Exprime le taux de déperdition de clients
pour une entreprise

.1
 Domaines d’apparition du Churn

Télécommunication
Télécommunication Fournisseur d’accès internet

Banque Assurance

.1
 Datamining
Ou fouille de données
« extraction d'un savoir ou d'une connaissance à
partir de grandes quantités de données »

Description Estimation Segmentation

Classification LaPrévision
prévision Association

.2
 Datamining

.2 Source: AGARD, B. KUSIAK, A., KDD, 2005

 Datamining et la BI

.2
 Modèles de prédiction
Arbres
de d é cision

R é seaux
de neurones

SVM

.3
 Modèles de prédiction
Arbre de décision
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 :

.3
 Modèles de prédiction
Réseaux de neurones
Les 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 la transformation (souvent non

informations qui linéaire) de cette information en
lui sont fournies quelque chose de nouveau

.3
 Modèles de prédiction
SVM : Support Vector Machine
Le SVM repose sur deux idées

la notion de la notion de
marge maximale fonction noyau

.3
 Outils de Datamining : Test du SVM
capacité documentati modélisatio Performanc Références
de on n e/
données Ressource

.3 Bon Faible Meilleur

 Méthodologie : CRISP-DM

1 Compréhension métier
2 Compréhension des données
3 Préparation des données
4 Modélisation
5 Evaluation

FIN : Déploiement

.4 CRoss-Industry Standard Process for Data Mining

 « ..today, “churn management” has become one
of the most critical business issues »
Rob Matisson
1. Présentation de Un Telco
2.
3.
4.
Un Telco face au churn
Insuffisances constatés
Objectifs du Projet 2 Le Churn chez Un Telco
 Un Telco : en chiffres
opérateur en Algérie

+ de 8 millions d’abonnés
+ de 90% de la population couverte

+ 200 Espaces De Services

Près de 1600 employés

Meilleur opérateur mobile 2007 en Afrique du Nord

2.1
 Un Telco dans le marché Algérien
Nedjma
19%

Mobilis
28%

Djezzy
53%

2.1
 Un Telco : Organigramme
DIRECTION
GENERALE

Direction Ressource Direction

Direction
Humaine Technologie
Technologie

Direction Service
Direction Vente et
Client
Distribution

Direction Finance Direction Solution

Entreprise

Direction Marketing Direction Stratégie

2.1
 Un Telco Face au churn
Churn

DataWare
Marketing CRM
house

Etude de satisfaction Réception des plaintes archivage des données

Régulier Insatisfait Churner

2.2
 Synthèse des Insuffisances constatés

1. Manque de coordination 2. Phénomène encore méconnu

2.3
 Le Churn : une opportunité
Mieux réagir que le + Parts de marché Acquérir de Bon
concurrent et meilleure image clients

( )
Quand
Ex le churn
: Perdre survient,
tout les mauvais le
Perdre
client moins
est
payeurs aptedea acquérir
et/ou clients ( et
lesde
reconsidérer
bonsCAses
) que
payeurs lesdes
choix concurrents
et aprioris
concurrents

2.3
 Objectifs du Projet
 Calculer le taux de churn

 Prédire le phénomène Churn

 Trouver les raisons du Churn

 Surmonter le problème de Coordination

2.4
 « the future is a projection of present »
Aldous Huxley

3
1. Structure et architecture
Notre solution face au churn 2. Gestion de churn
3. Notre Solution
 Solution face au churn

Organisationnelle Informatique

3.1
 Solution face au churn
Outils de prédiction :
Datamining
Tableau de bord
Décisionnel
Informatique

3.1
 Solution face au churn
Priorité Difficulté

Outils
Règles
Organisationnelle Processus
Structure
Mesures

Appliqué moyenne maximale

3.1
 Architecture de la solution
Enquête
Marketing
Modèle Vue

DataWarehouse DataMining

DataMart

Utilisateur

3.1
BDD CRM
 Pleinte Processus de la solution
Model Prédiction de churn

Données
CRM

Appel Risque de
chrun

Données
Réduction de churn

DataWarehouse

Campagne de
rétentions

3.2
Décision
 Notre Outil de prédiction

3.3
 Notre Outil de prédiction

3.3
 Notre Outil de prédiction

3.3
 « A conclusion is simply the place where
someone got tired of thinking. »
Herbert Albert Fisher

1. Récapitulatif
2.
3.
4.
Apports
Contraintes
Perspectives 4 Conclusions et Perspectives
 Récapitulatif

4.1
 Récapitulatif
1 2 3 4 5
Compréhension Compréhension Préparation des
Modélisation Evaluation
métier des données données

4.1
 Récapitulatif
6 7
Réalisation Liste des Livrables

Logiciel Benchmarking

Organisationnelle Guide
4.2
 Conclusion &Perspectives
Apports :
Pro-activité face au churn (prédiction)

Compréhension des Raisons du churn chez

Sensibilisation

Benchmarking

Guide pour la Gestion du Churn chez

4.2
 Conclusion &Perspectives
Contraintes :
 Dispersion des données nécessaires

 Manque de Coopération

Effort de longue durée dans le temps

4.3
 Conclusion &Perspectives
Perspectives :
- Textmining des plaintes
- Intégrer le churn dans le CRM
- Synchronisation du MKT et CRM
- Ticket de rétention

4.4
On vous écoute