Techniques de Data Mining pour le Marketing

1
Techniques de Data Mining pour le Marketing

• Dan Noël
• Étude analyse clients

2
Agenda de la présentation

• Concept de Data Mining
• Déroulement dun projet de Data Mining
• Place du Data Mining dans le système
  dinformation
• Principales applications Marketing et techniques
  de Data Mining
• Avantages et résultats observés
• Freins et blocages au développement du Data
  Mining
• Conseil  quantitatif  réalité ou vision de
  lesprit ?

3
Concept de Data Mining

• Explosion des données clientèle disponibles
  (intra et extra entreprise)
• Socio-démographique
• Profil clients (loisirs, habitudes,)
• Comportement  dachat  (volume, type,
  préférence canaux,)
• Critères dachat (études clients,)
• Anticipation des besoins clientèle et adaptation
  de la stratégie de lentreprise aux attentes du
  marché

4
Concept de Data Mining

• Le Data Mining
• Ensemble de méthodes et de techniques danalyse
  de données et dextraction dinformation
  structurée en vue daider à la prise de décision.
• Le Data Mining descriptif
• Mettre en évidence des informations présentes
  mais noyées par le volume de données.
• Le Data Mining prédictif
• Extrapoler des nouvelles informations à partir de
  données existantes

5
Déroulement dun projet de DMSelon le modèle
CRISP-DM
Principales interactions avec le business
Source CRISP-DM 1.0, Step-by-step Data Mining
Guide, SPSS Publication
6
Détail dun projet de DMSelon le modèle CRISP-DM
Source CRISP-DM 1.0, Step-by-step Data Mining
Guide, SPSS Publication
7
Intégration du Data Mining dans le système
dinformation de lentreprise
Demande
offre
8
Principales applications Marketing du Data Mining

• Principaux objectifs stratégiques Marketing
• Acquisition de nouveaux clients ou l'augmentation
  du rendement des actions de prospection
  commerciales et Marketing
• Croissance de la valeur des clients ou
  l'augmentation des services qui leur sont fournis
  
• Rétention ou fidélisation  ciblée  de la
  clientèle
• Win-back ou la reconquête de segments de
  clientèle passés à la concurrence

Exploiter lensemble des données clients pour
dégager des avantages concurrentiels décisifs
9
Principales applications Marketing du Data Mining

• Réponses du Data Mining
• Évaluation / profilage clients
• Segmentation / typologie clients
• Score dappétence produits / ventes croisées,
  détection dopportunités de vente
• Optimisation des actions commerciales (cibles
  MD,),
• Recherche dassociations, analyse de proximité,
  co-détention produits,  basket analysis  
• Analyse CHURN, réactivation clientèle
• -

10
Techniques de modélisation

• Exemples dalgorithmes utilisés
• Arbres de décision (C5.0, CRT,Quest, Chaid)
• Réseaux de neurones
• Régressions linéaires ou logistiques
• Clustering sommes de Kohonen, K-Means
• Rercherche de règles modèle GRI, A Priori
• ACP/AFC

Grande importance du paramétrage de algorithmes
Expérience!!!
11
Avantages et résultats attendus du Data Mining

• Maximisation de leffort commercial et adaptation
  plus fine au attentes du marché
• Amélioration importante des taux de retour des
  actions commerciales (levier 3-5x selon
  expérience)
• Baisse significative du coût des actions
  Marketing (cibles 5 à 10x plus petites en
  moyenne)
• Augmentation importante du ROI des actions
  commerciales
• Découverte de potentiels inexploités
• Élargissement de la clientèle  captive 
• Approche mixte business / quantitatif
  Probabilité/Score!

12
Freins et blocages au développement du Data Mining

• Au niveau  Business 
• Méconnaissance / crainte / scepticisme
• Manque de soutien du Top Management
• Engagement de la force de vente
• Difficulté à  vulgariser  certains résultats
  (neurones,)
• Intégration des activités de Data Mining dans
  lentreprise
• Au niveau des données
• Disponibilité
• Mise à jour / qualité
• Structure / historisation

70 du projet de Data Mining !
13
Freins et blocages au développement du Data Mining

• Au niveau des outils
• Complexité des logiciels
• Spécificités des outils (intégration,
  fonctionnalités,)
• Coûts liés aux applications de Data Mining
• Au niveau des compétences
• Absence de filière de formation  Marketing
  Intelligence 
• Profil complexe Marketing, quantitatif,
  informatique,

14
Pistes daméliorations pour une meilleure
intégration du Data Mining

• Sensibilisation des principaux décideurs au sein
  de lentreprise
• Mise en avant des avantages concrets de la
  démarche (phase de  séduction )
• Actions commerciales intégrer des cibles Data
  Mining tests
• Encourager lutilisation effective des résultats
  par la force de vente (effet dentraînement)
• Travail de fond au niveau des bases de données
  CRM
• Les solutions logiciels en Open Source
• Développement de cours / formations spécifiques

15
Activité de conseil  Marketing Intelligence 
Une utopie?

• Maturité actuelle du marché?
• Certitude les gains potentiels sont énormes
•  Consommateur  de plus en plus expert, attentes
  grandissantes, moins captif
• Problèmes liés aux bases de données
• Lien direct avec lintensité concurrentielle (ex.
  USA)
• Data Mining grandes entreprises ou/et PME ?
• Parallèle avec le Géomarketing