Modèles prédictifs & Marketing : 4 facteurs clés de succès au travers de 2 cas d’usages
Découvrez des exemples concrets pour capitaliser sur les algorithmes prédictifs dans l’optimisation de votre démarche marketing.
Quels bénéfices métiers et éléments incontournables à adresser avant de se lancer ?
Nous vous proposons de parcourir les bénéfices suivants :
Accroître ses taux de souscription ou d’adhésion et limiter les déperditions / abandons
Fluidifier ses process de souscriptions / adhésion en augmentant ses gains de temps sur les contrôles tout en améliorant son image auprès des consommateurs
Valider la faisabilité d’un objectif commercial
Optimiser en continu son média planning
Partenaire Conseil, Axys Consultants accompagne ses clients dans leur transformation marketing data-driven : stratégie et pilotage, déploiement opérationnel, mesure de la performance, analyse décisionnelle et IA.
1. Axys Consultants – Modèles Prédictifs & Marketing
1 | 23/06/2021 |
MODÈLES PRÉDICTIFS & MARKETING
23 JUIN 2021
BÉNÉFICES MÉTIER
FACTEURS CLÉS DE SUCCÈS
2 CAS D’USAGE
2. Axys Consultants – Modèles Prédictifs & Marketing
2 | 23/06/2021 |
Julien Samarcq
Directeur
Marc Mironneau
Manager
ACCOMPAGNEMENT DU CHANGEMENT,
PILOTAGE & TRANSFORMATION (ACTE)
ACHATS
FINANCE
DIGITAL - MARKETING &
COMMERCE
DATA
AXYS EN QUELQUES CHIFFRES
NOS FILIALES
220consultants
32 M€ de CA (2019)
NOS ASSETS
MODÈLES PRÉDICTIFS & MARKETING
4 FACTEURS CLÉS DE SUCCÈS AUTRAVERS DE 2 CAS D’USAGE
3. Axys Consultants – Modèles Prédictifs & Marketing
3 | 23/06/2021 |
Sommaire
1. Présentation des 2 cas d’usage : Contexte métier, objectifs et données collectées
2. FCS 1 : Cadrer la problématique et l’indicateur métier
3. FCS 2 :Valider son historique de données et leur pertinence
4. FCS 3 : Enrichissez, tester, réentraîner !
5. FCS 4 : Garder le contrôle sur le modèle
4. Axys Consultants – Modèles Prédictifs & Marketing
4 | 23/06/2021 |
EXEMPLE CONCRET DE RISQUE À LA SOUSCRIPTION
CAS CLIENT N°1 – OPÉRATEUR TÉLÉCOM
220 €
à la souscription
Client fragile
192 €
+8€/mois
pendant
24 mois
Fraude
412 €
RISQUES ENCOURUS PAR RAPPORT À LA
TRANSACTION
EXEMPLES D’ACTIONS SI LE NIVEAU DE
RISQUE EST TROP ÉLEVÉ
▪ Orientation vers un moyen de paiement
sécurisé (ex. 3D Secure)
▪ Orientation vers un produit moins cher
▪ Demande de garantie
▪ Date de prélèvement optimal
5. Axys Consultants – Modèles Prédictifs & Marketing
5 | 23/06/2021 |
CONTEXTE ET OBJECTIFS DU CLIENT
CAS CLIENT N°1 – OPÉRATEUR TÉLÉCOM
#1
IDENTIFIER LES CLIENTS
FRAGILES À RISQUE
#2
IDENTIFIER LES CLIENTS
FRAUDULEUX
Score de Fragilité
économique
Score de Fraude Alerte par
clustering
• Modéliser / optimiser le calcul des scores
• Automatiser les contrôles et contre-mesures
• Ne pas surpondérer le score au risque d’impacter le volume des ventes
OBJET DE
L’INTERVENTION
PRODUIT
FINI
Automatisé sous
6. Axys Consultants – Modèles Prédictifs & Marketing
6 | 23/06/2021 |
ENJEUX DE L’ACTIVITÉ CONTRÔLE DES RISQUES & RECOUVREMENT
CAS CLIENT N°1 – OPÉRATEUR TÉLÉCOM
31%
69%
CLIENTS EN DÉFAUT
relancés
non
relancés
souscripteurs
activés
D
EMANDES
DE
SOUSCRIPTION
(
AVEC
TERMINAUX
MOBILES
)
S
OUSCRIPTIONS
ACCEPTÉES
S
OUSCRIPTIONS
NON
RÉSILIÉES
APRÈS
3
MOIS
Environ 30% de dossiers refusés après analyse du
risque et contre-mesures.
Environ 3 à 4% de dossiers résiliés
après 90 jours (env. 3% de fragilité
et 1% de fraude)
Plan de relance des impayés
72 jours
Canaux
souscriptions
entrantes
PROCESSUS MÉTIER ENJEUX
OPTIMISER LE TAUX DE CONVERSION AVEC
UNE MEILLEURE ÉVALUATION DES RISQUES
RÉDUIRE LES RÉSILIATIONS
RÉDUIRE LES ENTRÉES EN PLAN DE RELANCE
7. Axys Consultants – Modèles Prédictifs & Marketing
7 | 23/06/2021 |
ANTICIPER LA PERFORMANCE DES ACTIONS MARKETING
CAS CLIENT N°2 – CONSTRUCTEUR AUTOMOBILE
PASSER D’UN MODÈLE D’ANALYSE COMPARATIF À UN MODÈLE D’ANALYSE PRÉDICTIF
AMBITION
Développer un MODÈLE PRÉDICTIF
qui permet de déterminer
analytiquement des objectifs de campagne
en fonction de paramètres externes
Optimiser le
MÉDIA PLANNING
AUJOURD’HUI DEMAIN
Les tableaux de bord de reporting permettent de
répondre en temps réel aux questions
• Quels sont les volumes ?
• Suis-je en ligne avec mes objectifs ?
• Faut-il réorienter la campagne en cours ?
• Quel est l’impact sur la conversion ?
Avec la mise en place de technique de machine learning et
de modélisation, nous pourrons
• Analyser les résultats pour affiner les objectifs des
prochaines campagnes,
• Déterminer les coûts d’achat en fonction de
l’avancement de la campagne
• proposer les meilleures stratégies au regard d’un
budget
8. Axys Consultants – Modèles Prédictifs & Marketing
8 | 23/06/2021 |
UNE DÉMARCHE EN 4TEMPS – DÉMARCHE GLOBALE SIMILAIRE
CAS CLIENT N°1 + 2 – OPÉRATEUR TÉLÉCOM + CONSTRUCTEUR AUTO
- Solution attendue
- Cartographie des données et
définition de l’historique nécessaire
- Mise en place des outils
- Collecte et croisement des données
- Exploration et Feature engineering
- Sélection de variables
- Présélection des algorithmes
- Choix de la mesure de performance
- Entraînement et ajustements
- Optimisation du code
- Intégration de la partie prédictive au
workflow de préparation des données
- Tests
Mise en place des outils
Cartographie des sources de données
Définition de l’objectif du modèle
prédictif
Volume de leads sur une typologie
de campagne spécifique
Workflow Alteryx de préparation
du dataset
Sélection des variables
Choix des méthodes de data science
Régression
Clustering
Time series
Sélection de l’algorithme
Random Forest / XGBoost
CADRAGE DES BESOINS PRÉPARATION DU DATASET ENTRAÎNEMENT DES MODÈLES MISE EN PRODUCTION
#1 #2 #3 #4
Analyse des résultats
Mise en place des tableaux de suivi
Environ 4 mois
Environ 3 mois
Score de fragilité éco et de fraude
9. Axys Consultants – Modèles Prédictifs & Marketing
9 | 23/06/2021 |
FOCUS : PRÉPARATION DU DATASET – FEATURE ENGINEERING
CAS CLIENT N°1 – OPÉRATEUR TÉLÉCOM
Données sociodémographiques : âge, sexe, nationalité,
langue, situation civile et familiale, CSP, lieu de vie, etc.
Données comportementales liées aux goûts, choix et
habitudes de consommation : historique des produits achetés
ou services souscrits, options souscrites, fréquence d’achat et
niveau d’utilisation des services, canal de souscription, etc.
Données financières : banque, choix du mode de paiement,
jour de prélèvement, etc.
Les données qualitatives ayant un grand nombre de
modalités (département, banque, produit…) font exploser le
nombre de dimensions : risque de surapprentissage.
Données macro-économiques territoriales
L’INSEE publie tous les trois ou quatre ans un certain
nombre d’indicateurs (éducation, chômage, revenus,
démographie) à différentes échelles géographiques.
1
Enrichissement via Open datas
2
Sélection de variables par corrélation et tests statistiques
(ANOVA, chi-2)
4
Suppression des
variables très corrélées Tests statistiques
Données manquantes : complétées par la moyenne, la
médiane, la modalité la plus fréquente, etc.
Variables qualitatives : dummification
Nettoyage des données
3
Sélection des données pertinentes
P-value
Variables
10. Axys Consultants – Modèles Prédictifs & Marketing
10 | 23/06/2021 |
EN SYNTHÈSE
BÉNÉFICES MÉTIERS MARKETING
Accroître ses taux de souscription / adhésion Valider un objectif marketing
Optimiser son média planning
Tester différents scénarios
Fluidifier ses process / améliorer son image
Bonifier sa base clients et optimiser les LTV
11. Axys Consultants – Modèles Prédictifs & Marketing
11 | 23/06/2021 |
Sommaire
1. Présentation des 2 cas d’usage : Contexte métier, objectifs et données collectées
2. FCS 1 : Cadrer la problématique et l’indicateur métier
3. FCS 2 :Valider son historique de données et leur pertinence
4. FCS 3 : Enrichissez, tester, réentraîner !
5. FCS 4 : Garder le contrôle sur le modèle
12. Axys Consultants – Modèles Prédictifs & Marketing
12 | 23/06/2021 |
POUR BIEN PRÉDIRE, IL FAUT SAVOIR CE QUE L’ON VEUT PRÉDIRE
BIEN DÉFINIR LA PROBLÉMATIQUE ET L’INDICATEUR MÉTIER
QU’EST-CE QU’UN CLIENT À RISQUE ?
Qu’est-ce qu’un client
fragile économiquement ?
Qu’est-ce qu’un fraudeur ?
QUEL OBJECTIF POUR LE MODÈLE
PRÉDICTIF ?
• Un client qui a généré 1 impayé ?
• Un client qui a généré X impayés ?
• Un client qui a généré X impayés en X temps ?
• Un client déjà résilié pour impayé ?
• L’inverse d’un bon payeur ? (mais un bon
payeur c’est celui qui n’a jamais fait d’impayé ?)
• Un client qui a généré un impayé sauf s’il s’agit
d’une erreur technique de prélèvement SEPA ?
• Un client suspecté de fraude bloqué
par les contrôles existants ?
• Un client qui génère un impayé pour
un autre motif que la fragilité
économique ?
• Un client qui usurpe l’identité et/ou
le moyen de paiement d’un autre ?
Eviter les biais de
sélection
Définition précise du
périmètre (de la fragilité) et
des cas d’exclusion
Quel objectif possible ?
• Être capable de prédire les résultats d’une campagne ?
• Quelle campagne ? (Fil rouge, Omnicanal, PRM/CRM, toutes)
→ Prédire les résultats d’une campagne fil rouge
Quels indicateurs cibles ?
• Haut de funnel (volume de trafic)
• Bas de funnel (volume de lead qualifié,Taux de transformation lead qualifié
• le coût par lead
→ Prédire le volume de leads qualifiés (demande d’essai, demande
stock, reprise)
Avec quelles sources de données ?
• Plan média national et local
• Données sociales média
• Open data : COVID
• GA 4
A quelle granularité ?
→ Au mois
13. Axys Consultants – Modèles Prédictifs & Marketing
13 | 23/06/2021 |
1. FRAUDE - Définition métier retenue
▪ Fraudeur = toute personne ne souscrivant un abonnement qu’en vue de générer volontairement un impayé.
▪ ➔ Comportements atypiques et divergents des personnes en situation de fragilité économique.
2. BIAIS DE SÉLECTION
▪ Souscriptions non abouties ➔ vrais fraudeurs ou contrôles et contre-mesures effectués à tort ?
▪ Chaque souscription bloquée laisse place à un biais de sélection car il pouvait s’agir de souscripteurs sains.
▪ ➔ Importance d’avoir une base de fraudeurs avérés (Vrais positifs) pour le modèle prédictif.
DÉFINITION MÉTIER ET BIAIS DE SÉLECTION
ILLUSTRATION : SCORE DE FRAUDE - PRÉREQUIS MÉTHODOLOGIQUE
SouscriptionAcceptée Souscription bloquée
Non Fraudeur
mais contre-
mesures
Souscripteur sain Fraudeur Suspecté
Fraudeur et
contre-mesures Fraudeur avéré Fraudeur Suspecté
PERTE D’OPPORTUNITÉ = en
réalité il n’y avait pas de fraude
Contrôles OK = en réalité il y
avait bien fraude
14. Axys Consultants – Modèles Prédictifs & Marketing
14 | 23/06/2021 |
Sommaire
1. Présentation des 2 cas d’usage : Contexte métier, objectifs et données collectées
2. FCS 1 : Cadrer la problématique et l’indicateur métier
3. FCS 2 :Valider son historique de données et leur pertinence
4. FCS 3 : Enrichissez, tester, réentraîner !
5. FCS 4 : Garder le contrôle sur le modèle
15. Axys Consultants – Modèles Prédictifs & Marketing
15 | 23/06/2021 |
Enrichissez vos datasets par des jeux de données complémentaires (Open Data, Données sanitaires, etc.)
Un historique de temps suffisamment important pour éviter les effets de variations saisonnières
Des données pertinentes et fiables au regard de la problématique métier
PAS DE PRÉDICTION FIABLE SANS DATAS ADAPTÉES
VALIDER SON HISTORIQUE DE DONNÉES ET LEUR PERTINENCE
PROFONDEUR & PERTINENCE DES DONNÉES
DE SOUSCRIPTIONS ET DE FRAUDE
PROFONDEUR & PERTINENCE DES DONNÉES DES
CAMPAGNES MÉDIAS ASSOCIÉES AUX LEADS GÉNÉRÉS
• Ensemble des produits achetés ou services souscrits, options souscrites,
fréquence d’achat et niveau d’utilisation des services, canal de
souscription, etc.
• Ensemble des plans de relances pour impayés. Les cas de fraude avérés.
Attention à la qualité des données !
• Outil lead management : granularité
lead : origine, dates, vol. rdv, modèle
• Modèles : âge des modèles, dates des
facelift
• Social Média : vol. followers,
engagement, publications
• 2 ans d’historique des souscriptions, des impayés et des résiliations.
• Une petite centaine de cas de fraude avérés → dataset déséquilibré →
méthodes de rééquilibrage (oversampling, undersampling…)
Attention aux variations conjoncturelles et aux faibles historiques !
• 3 ans d’historique nécessaire
• Données Insee à la maille des IRIS, enrichissement par géocodage : Taux
de pauvreté, revenu médian, pourcentage d’actifs par classe d’âge, etc.
• Données sanitaires COVID : Volume de cas et décès (Sources
European Data Portal)
Enrichissez vos données pour fiabiliser votre modèle !
Campagnes
• Levier, objectif, partenaire, format
• Financement : mode d’achat,
objectif, réalisé, budget
• Résultats : volumes Brochures, car
config, leads
16. Axys Consultants – Modèles Prédictifs & Marketing
16 | 23/06/2021 |
Sommaire
1. Présentation des 2 cas d’usage : Contexte métier, objectifs et données collectées
2. FCS 1 : Cadrer la problématique et l’indicateur métier
3. FCS 2 :Valider son historique de données et leur pertinence
4. FCS 3 : Enrichissez, tester, réentraîner !
5. FCS 4 : Garder le contrôle sur le modèle
17. Axys Consultants – Modèles Prédictifs & Marketing
17 | 23/06/2021 |
ADOPTER UNE DÉMARCHE AGILE, EMPIRIQUE ET ITÉRATIVE
ENRICHISSEZ, TESTEZ, RÉENTRAÎNEZ !
• Exemple 1 : Restriction du dataset d’origine et enrichissement via nouvelles Open Datas
pour un score aussi performant et opérable par toutes les équipes.
L’entraînement du modèle prédictif est une approche itérative qu’il faut imaginer de façon empirique dans des cycles d’amélioration continue avec boucles
d’enrichissement de données et réentraînement du modèle.
MAJ régulière
Upgrade des scores
Collecte des nouvelles données et
préparation du Dataset
Re-paramétrages et
Réentraînements des algorithmes
MAJ desWorflows Alteryx
et des référentiels
1 2 3
• Exemple 2 : Données Insee. Première étape en exploitant la maille départementale et
communale avant de descendre à la maille des IRIS pour fiabiliser le score.
COMMUNES IRIS
DÉPARTEMENTS
• Identification de tangibles imperfections dans les précisions du modèle
lors de la phase de test
• Analyse et identification d’un déséquilibre dans les données
d’entraînement
• Nécessité de (i) réajuster la sélection des données, (ii) réentraîner le
modèle et (iii) opérer une nouvelle phase de test
18. Axys Consultants – Modèles Prédictifs & Marketing
18 | 23/06/2021 |
Sommaire
1. Présentation des 2 cas d’usage : Contexte métier, objectifs et données collectées
2. FCS 1 : Cadrer la problématique et l’indicateur métier
3. FCS 2 :Valider son historique de données et leur pertinence
4. FCS 3 : Enrichissez, tester, réentraîner !
5. FCS 4 : Garder le contrôle sur le modèle
19. Axys Consultants – Modèles Prédictifs & Marketing
19 | 23/06/2021 |
IMPLÉMENTATION DES SCORES - SOLUTION ALTERYX
CAS CLIENT N°1 – OPÉRATEUR TÉLÉCOM
FACILITER LA MISE EN ŒUVRE DES SCORES
Exports Métiers :
Souscriptions à Analyser
Scores (fragilité & fraude)
codés en Python
Contrôles et contre-
mesures le cas échéant
Dashboards de suivi pour aller
plus loin
Score par souscripteur
20. Axys Consultants – Modèles Prédictifs & Marketing
20 | 23/06/2021 |
LE SCORE DOIT VENIR ÉCLAIRER LES ÉQUIPES MÉTIERS
NE PAS PARTIR SUR UNE AUTOMATISATION AVEUGLE
• FAVORISER UNE IMPLÉMENTATION SIMPLIFIÉE :
intégration intuitive dans un process métier industrialisé
afin de faciliter l’adhésion des équipes.
• S’APPUYER SUR DES AMBASSADEURS : A mettre dans
les mains des bons profils pour faciliter l’adoption et un
usage éclairé et pertinent.
• PRISE DE RECUL À CONSERVER : Ne pas omettre la
connaissance métier. Le score demeure un outil d’aide à la
décision / d’accompagnement des équipes.
• ATTENTION À LA PHASE D’INDUSTRIALISATION :
S’assurer que le modèle prédictif réponde bien aux
objectifs de départ et de la stabilité des données.
• FAVORISER L’ADOPTION & L’USAGE : Faciliter la liste
de tâches à accomplir par le métier pour tester les
scénarios de prévisions.
• ASSURER LE PILOTAGE DU MODÈLE : Ne pas
privilégier l’automatisation des données et créer une
instance de gouvernance afin d’enrichir le modèle et
valoriser l’usage métier.