Your SlideShare is downloading. ×
Datamining appliqué au churn client dans les télécommunications
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Datamining appliqué au churn client dans les télécommunications

2,828
views

Published on

Published in: Business

2 Comments
1 Like
Statistics
Notes
No Downloads
Views
Total Views
2,828
On Slideshare
0
From Embeds
0
Number of Embeds
4
Actions
Shares
0
Downloads
124
Comments
2
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide
  • La taux de pénétration du marché des télécom est élevé , le marché est proche de la saturation. quand le marché est saturé il n’y a plus de clients libres dans la nature , il sont tous chez les concurrents c’est pour ça qu’il faut …. (voir slide suivant)
  • …. Se concentrer sur ces clients ! .... Avant que ce dernier ne vous quitte !!!Mais malgrés la saturation ce qui peut encore arriver est qu’un client vous quitteLe « churn » est la concept principale de notre projet , nous allons vous l’expliquer en details
  • Le churn en quelques mots c’est : …
  • Le phénomène de churn apparait dans les secteurs ou la notion de consommation régulière existe
  • Définition du DM et ses taches
  • Prcessus du DataMining
  • DataMining et une branche la BI
  • 3 principaux Model de prédiction NON-Supervisé : Parler de l’apprentissage !!!!!!!!!!!!!!!!!!!!!!
  • 1963 Première utilisation de l’arbre de décision dans un processus de prédiction et d’éxplication (AID – Automatic Interaction Detection). parMorgan et Sonquist1984 travaux de premier algorithme de CART(méthode permettant d'inférer des arbres de décision binaires)Breiman & al
  • 1949 Création de la  "règle de Hebb" parDonald Hebb1957 Création du modèle du perceptron par Franck Rosenblatt1969 Demonstration des  limitations théoriques du Perceptron, et plus généralement des classifieurs linéaires par  Marvin Lee Minsky et Seymour Papert1986 Perceptron Multi-Couche  par Rumelhart
  • Les machines à support de vecteurs (de l’anglais Support Vector Machine)Hyperplan séparateur et marge maximale: fonction discriminante séparant deux classes, dans notre cas la classe des clients churnés et la classe des clients non churnés. La marge est la distance entre la frontière de séparation et les échantillons les plus proches. transformer l'espace de représentation des données d'entrées en un espace de plus grande dimension (possiblement de dimension infinie), dans lequel il est probable qu'il existe une séparatrice linéaire. Ceci est réalisé grâce à une fonction noyau, qui doit respecter certaines conditions, et qui a l'avantage de ne pas nécessiter la connaissance explicite de la transformation à appliquer pour le changement d'espace.
  • Outil de DM pour le SVM
  • 1 Compréhension métier : nous avons effectué un benchmarking (cas d'étude étrangers)2 Compréhension des données : nous avons évaluer les données disponible au sein de 3 Préparation des données : nous avons structurer les données sous forme exploitable4 Modélisation : nous avons créer notre modèle de prédiction 5 Evaluation : nous avons évaluer les résultats obtenus en comptant le taux de bonne prédiction du modèle FIN Déploiement Données
  • Pas de communication entre les 3 services concernés
  • Résultat de notre étude de l’existant, il y a deux principaux problèmes :Le manque de communication Et le fait que le phénomène de « churn » soit encore méconnu
  • Le churn peut représenter une Opportunité pour Un Telco
  • La solution que nous proposons se concrétise sur deux axes :InformatiqueOrganisationnelle
  • Le processus que nous pouvons mettre en place actuellement, si notre solution est adoptée.
  • Nous parlerons du choix des indicateurs, ainsi que l’ergonomie de l’interface choisie
  • Nous parlerons du choix des indicateurs, ainsi que l’ergonomie de l’interface choisie
  • Nous parlerons du choix des indicateurs, ainsi que l’ergonomie de l’interface choisie
  • On passe a Une conclusion, c'est quand vous en avez assez de penser.
  • 1 Compréhension métier : nous avons effectué un benchmarking (cas d'étude étrangers)2 Compréhension des données : nous avons évaluer les données disponible au sein de 3 Préparation des données : nous avons structurer les données sous forme exploitable4 Modélisation : nous avons créer notre modèle de prédiction 5 Evaluation : nous avons évaluer les résultats obtenus en comptant le taux de bonne prédiction du modèle FIN Déploiement Données
  • 1 Compréhension métier : nous avons effectué un benchmarking (cas d'étude étrangers)2 Compréhension des données : nous avons évaluer les données disponible au sein de 3 Préparation des données : nous avons structurer les données sous forme exploitable4 Modélisation : nous avons créer notre modèle de prédiction 5 Evaluation : nous avons évaluer les résultats obtenus en comptant le taux de bonne prédiction du modèle FIN Déploiement Données
  • Nous repèrerons les perspectives de notre rapport
  • Question sur la saturation (1 slide pour expliquer le concept)
  • Transcript

    • 1. 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
    • 2.  Le phénomène du churn  Datamining Concepts et notions  Modèle de prédiction  Méthodologie Présentation de Un Telco Un Telco face au churn Le Churn chez Un Telco Insuffisances constatés Objectifs du Projet  Structure et architecture Notre solution face au churn  Processus de Gestion de churn  Notre Solution Récapitulatifs Apports Conclusions et Perspectives Contraintes Perspectives
    • 3. “The Customer is King ” +92% De taux de pénétration duMarché des Télécommunications Saturation = Clients libres Source : ARPT autorité de régulation des postes et des télécommunications
    • 4. Se concentrer sur ses clients Avant qu’ils ne partent !!! Churn
    • 5. 1. Le churn Concepts et notions 2. Datamining 3. Modèle de prédiction 4. Méthodologie“If we don’t take care of our customers, someone else will.”Mike Kesoh
    • 6. Churn : Contraction de langlais « change and turn » Définition Churn : (Du français [Attrition] )  Exprime le taux de déperdition de clients pour une entreprise
    • 7. Domaines d’apparition du Churn Télécommunication Télécommunication Fournisseur d’accès internet Banque Assurance
    • 8. Datamining Ou fouille de données « extraction dun savoir ou dune connaissance à partir de grandes quantités de données »Description Estimation SegmentationClassification La prévision Prévision Association
    • 9. DataminingSource: AGARD, B. KUSIAK, A., KDD, 2005
    • 10. Datamining et la BI
    • 11. Modèles de prédiction
    • 12. Modèles de prédiction Arbre de décisionUn arbre de décision est un outil daide à la décision qui représente lasituation plus ou moins complexe à laquelle on doit faire face sous laforme graphique dun arbre de façon à faire apparaître lextrémité dechaque branche les différents résultats possibles en fonction desdécisions prises à chaque étape :
    • 13. Modèles de prédiction Réseaux de neuronesLes réseaux connexionnistes appelés aussi les réseaux de neuronesartificiels occupent une place centrale parmi les outils de prédiction.Le neurone artificiel (neurone informatique) est un petit modelstatistique a lui tout seule. Il doit accomplir 2 tâches :la synthèse des la transformation (souvent noninformations qui linéaire) de cette information enlui sont fournies quelque chose de nouveau
    • 14. Modèles de prédiction SVM : Support Vector MachineLe SVM repose sur deux idées la notion de la notion de marge maximale fonction noyau
    • 15. Outils de Datamining : Test du SVM capacité documentati modélisatio Performanc Références de on n e/ données Ressource Bon Faible Meilleur
    • 16. Méthodologie : CRISP-DM1 Compréhension métier2 Compréhension des données3 Préparation des données4 Modélisation5 Evaluation FIN : Déploiement CRoss-Industry Standard Process for Data Mining
    • 17. « ..today, “churn management” has become one of the most critical business issues » Rob Matisson1. Présentation de Un Telco2. Un Telco face au churn Le Churn chez Un Telco3. Insuffisances constatés4. Objectifs du Projet
    • 18. Un Telco : en chiffresopérateur 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
    • 19. Un Telco dans le marché Algérien Nedjma 19% Mobilis 28% Djezzy 53%
    • 20. Un Telco : Organigramme DIRECTION GENERALEDirection Ressource Direction Direction Humaine Technologie Technologie Direction Service Direction Vente et Client Distribution Direction Finance Direction Solution Entreprise Direction Marketing Direction Stratégie
    • 21. Un Telco Face au churn Churn DataWare Marketing CRM houseEtude de satisfaction Réception des plaintes archivage des données Régulier Insatisfait Churner
    • 22. Synthèse des Insuffisances constatés1. Manque de coordination 2. Phénomène encore méconnu
    • 23. Le Churn : une opportunitéMieux réagir que le + Parts de marché Acquérir de Bon concurrent et meilleure image clients Quand le churn survient, le Ex : Perdre tout les mauvais ( Perdre est apte a acquérir et de client moins de clients ( les payeurs et/ou reconsidérer CApayeurs et concurrents ) que les concurrents bons ses choixdesaprioris )
    • 24. Objectifs du Projet Calculer le taux de churn Prédire le phénomène Churn Trouver les raisons du Churn Surmonter le problème de Coordination
    • 25. « the future is a projection of present » Aldous Huxley 1. Structure et architectureNotre solution face au churn 2. Gestion de churn 3. Notre Solution
    • 26. Solution face au churnOrganisationnelle Informatique
    • 27. Solution face au churnOutils de prédiction :DataminingTableau de bordDécisionnel Informatique
    • 28. Solution face au churn Priorité Difficulté Outils RèglesOrganisationnelle Processus Structure Mesures Appliqué moyenne maximale
    • 29. Architecture de la solutionEnquêteMarketing Modèle VueDataWarehouse DataMining DataMart Utilisateur BDD CRM
    • 30. Pleinte Processus de la solution Model Prédiction de churn Données CRMAppel Risque de chrun Données Réduction de churn DataWarehouse Campagne de rétentions Décision
    • 31. Notre Outil de prédiction
    • 32. Notre Outil de prédiction
    • 33. Notre Outil de prédiction
    • 34. « A conclusion is simply the place where someone got tired of thinking. » Herbert Albert Fisher1. Récapitulatif2. Apports Conclusions et Perspectives3. Contraintes4. Perspectives
    • 35. Récapitulatif
    • 36. Récapitulatif 1 2 3 des 4 5Compréhension Compréhension Préparation Modélisation Evaluation métier des données données
    • 37. Récapitulatif 6 7Réalisation Liste des Livrables Logiciel Benchmarking Organisationnelle Guide
    • 38. Conclusion &PerspectivesApports : Pro-activité face au churn (prédiction) Compréhension des Raisons du churn chez Sensibilisation Benchmarking Guide pour la Gestion du Churn chez
    • 39. Conclusion &Perspectives Contraintes :  Dispersion des données nécessaires  Manque de Coopération Effort de longue durée dans le temps
    • 40. Conclusion &PerspectivesPerspectives :- Textmining des plaintes- Intégrer le churn dans le CRM- Synchronisation du MKT et CRM- Ticket de rétention
    • 41. On vous écoute