Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Datamining appliqué au churn client dans les télécommunications

  • Be the first to comment

Datamining appliqué au churn client dans les télécommunications

  1. 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. 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. 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. 4. Se concentrer sur ses clients Avant qu’ils ne partent !!! Churn
  5. 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. 6. Churn : Contraction de langlais « change and turn » Définition Churn : (Du français [Attrition] )  Exprime le taux de déperdition de clients pour une entreprise
  7. 7. Domaines d’apparition du Churn Télécommunication Télécommunication Fournisseur d’accès internet Banque Assurance
  8. 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. 9. DataminingSource: AGARD, B. KUSIAK, A., KDD, 2005
  10. 10. Datamining et la BI
  11. 11. Modèles de prédiction
  12. 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. 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. 14. Modèles de prédiction SVM : Support Vector MachineLe SVM repose sur deux idées la notion de la notion de marge maximale fonction noyau
  15. 15. Outils de Datamining : Test du SVM capacité documentati modélisatio Performanc Références de on n e/ données Ressource Bon Faible Meilleur
  16. 16. Méthodologie : CRISP-DM1 Compréhension métier2 Compréhension des données3 Préparation des données4 Modélisation5 Evaluation FIN : Déploiement CRoss-Industry Standard Process for Data Mining
  17. 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. 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. 19. Un Telco dans le marché Algérien Nedjma 19% Mobilis 28% Djezzy 53%
  20. 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. 21. Un Telco Face au churn Churn DataWare Marketing CRM houseEtude de satisfaction Réception des plaintes archivage des données Régulier Insatisfait Churner
  22. 22. Synthèse des Insuffisances constatés1. Manque de coordination 2. Phénomène encore méconnu
  23. 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. 24. Objectifs du Projet Calculer le taux de churn Prédire le phénomène Churn Trouver les raisons du Churn Surmonter le problème de Coordination
  25. 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. 26. Solution face au churnOrganisationnelle Informatique
  27. 27. Solution face au churnOutils de prédiction :DataminingTableau de bordDécisionnel Informatique
  28. 28. Solution face au churn Priorité Difficulté Outils RèglesOrganisationnelle Processus Structure Mesures Appliqué moyenne maximale
  29. 29. Architecture de la solutionEnquêteMarketing Modèle VueDataWarehouse DataMining DataMart Utilisateur BDD CRM
  30. 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. 31. Notre Outil de prédiction
  32. 32. Notre Outil de prédiction
  33. 33. Notre Outil de prédiction
  34. 34. « A conclusion is simply the place where someone got tired of thinking. » Herbert Albert Fisher1. Récapitulatif2. Apports Conclusions et Perspectives3. Contraintes4. Perspectives
  35. 35. Récapitulatif
  36. 36. Récapitulatif 1 2 3 des 4 5Compréhension Compréhension Préparation Modélisation Evaluation métier des données données
  37. 37. Récapitulatif 6 7Réalisation Liste des Livrables Logiciel Benchmarking Organisationnelle Guide
  38. 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. 39. Conclusion &Perspectives Contraintes :  Dispersion des données nécessaires  Manque de Coopération Effort de longue durée dans le temps
  40. 40. Conclusion &PerspectivesPerspectives :- Textmining des plaintes- Intégrer le churn dans le CRM- Synchronisation du MKT et CRM- Ticket de rétention
  41. 41. On vous écoute

×