Académique Documents
Professionnel Documents
Culture Documents
dataminingappliquauchurnclientdanslestlcommunications-130130082503-phpapp02
dataminingappliquauchurnclientdanslestlcommunications-130130082503-phpapp02
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
Churn
1. Le churn
Concepts et notions
1 2.
3.
4.
Datamining
Modèle de prédiction
Méthodologie
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 »
Classification LaPrévision
prévision Association
.2
Datamining
.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 :
.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
1 Compréhension métier
2 Compréhension des données
3 Préparation des données
4 Modélisation
5 Evaluation
FIN : Déploiement
+ de 8 millions d’abonnés
+ de 90% de la population couverte
2.1
Un Telco dans le marché Algérien
Nedjma
19%
Mobilis
28%
Djezzy
53%
2.1
Un Telco : Organigramme
DIRECTION
GENERALE
Direction Service
Direction Vente et
Client
Distribution
2.1
Un Telco Face au churn
Churn
DataWare
Marketing CRM
house
2.2
Synthèse des Insuffisances constatés
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
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
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)
Sensibilisation
Benchmarking
Manque de Coopération
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