Thème : Datamining appliqué au churn client dans les télécommunications

Binôme:KHELOUFI Tarik

TALEB Abdelmoumène

3 Juillet 2011

Pour l’obtention du diplôme d’Ingénieur d’Etat en Informatique Option : Systèmes d’Information

Notre solution face au churn

Concepts et notions

Le Churn chez Un Telco

Sommaire

123

Le phénomène du churn Datamining Modèle de prédiction Méthodologie

Présentation de Un Telco Un Telco face au churn Insuffisances constatés Objectifs du Projet

Structure et architecture Processus de Gestion de churn Notre Solution

Conclusions et Perspectives Récapitulatifs Apports Contraintes Perspectives 4

Introduction

Source : ARPT autorité de régulation des postes et des télécommunications

+92%De taux de pénétration du

Marché des Télécommunications

Clients libres

Saturation =

“The Customer is King ”

Introduction

Se concentrer sur ses clients

Avant qu’ils ne partent !!!

Churn

“If we don’t take care of our customers, someone else will.”Mike Kesoh

Concepts et notions 11. Le churn 2. Datamining3. Modèle de prédiction 4. Méthodologie

DéfinitionChurn : (Du français [Attrition] )

Exprime le taux de déperdition de clients pour une entreprise

Churn : Contraction de l'anglais « change and turn »

.11

Télécommunication

Banque Assurance

Domaines d’apparition du Churn

Fournisseur d’accès internet

.11

Télécommunication

Datamining

.21

« extraction d'un savoir ou d'une connaissance à partir de grandes quantités de données »

Description Estimation Segmentation

Classification Prévision AssociationLa prévision

Ou fouille de données

Datamining

.21 Source: AGARD, B. KUSIAK, A., KDD, 2005

Datamining et la BI

.21

Modèles de prédiction

.31

SVM

Réseaux de

neurones

Arbres de décision

Modèles de prédiction

.31

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 :

Arbre de décision

Modèles de prédiction

.31

Réseaux de neuronesLes 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 :

la synthèse des informations qui lui sont fournies

la transformation (souvent non linéaire) de cette information en

quelque chose de nouveau

Modèles de prédiction

.31

SVM : Support Vector Machine

Le SVM repose sur deux idées

la notion de marge

maximale

la notion de fonction noyau

Outils de Datamining : Test du SVMcapacité de données

documentation

modélisation

Performance / Ressource

Références

.31 Bon Faible Meilleur

Méthodologie : CRISP-DM

FIN : Déploiement

1 Compréhension métier2 Compréhension des données3 Préparation des données4 Modélisation5 Evaluation

CRoss-Industry Standard Process for Data Mining .41

« ..today, “churn management” has become one of the most critical business issues »

Rob Matisson

Le Churn chez Un Telco 21. Présentation de Un Telco 2. Un Telco face au churn3. Insuffisances constatés 4. Objectifs du Projet

Un Telco : en chiffres

Meilleur opérateur mobile 2007 en Afrique du Nord

+ de 8 millions d’abonnés + de 90% de la population couverte

+ 200 Espaces De Services

Près de 1600 employés

opérateur en Algérie

.12

Nedjma19%

Djezzy53%

Mobilis28%

Un Telco dans le marché Algérien

.12

Un Telco : OrganigrammeDIRECTION GENERALE

Direction Ressource Humaine

Direction Stratégie

Direction Solution Entreprise

Direction Vente et Distribution

Direction Technologie

Direction Service

Client

Direction Finance

Direction Marketing

.12

Direction Technologie

Un Telco Face au churn

CRMMarketingDataWare

house

Etude de satisfaction

Churn

Réception des plaintes archivage des données

Régulier Insatisfait Churner

.22

Synthèse des Insuffisances constatés

.32

2. Phénomène encore méconnu 1. Manque de coordination

Perdre moins de clients ( et de CA ) que les concurrents

Quand le churn survient, le client est apte a reconsidérer

ses choix et aprioris

Le Churn : une opportunité

Mieux réagir que le concurrent

+ Parts de marché et meilleure image

Acquérir de Bon clients

( )Ex : Perdre tout les mauvais payeurs et/ou acquérir les

bons payeurs des concurrents

.32

Objectifs du Projet

.42

Calculer le taux de churn

Prédire le phénomène Churn

Trouver les raisons du Churn

Surmonter le problème de Coordination

« the future is a projection of present » Aldous Huxley

Notre solution face au churn31. Structure et architecture2. Gestion de churn3. Notre Solution

Solution face au churn

Organisationnelle Informatique

.13

Solution face au churn

Informatique

Outils de prédiction :

Datamining

Tableau de bord

Décisionnel

.13

Solution face au churn

Organisationnelle

Outils

Règles

ProcessusStructureMesures

.13

Priorité Difficulté

moyenne maximaleAppliqué

Architecture de la solution

BDD CRM

EnquêteMarketing

DataWarehouse

DataMart

DataMining

Vue

Utilisateur

Modèle

.13

DataWarehouse

Appel

Données

Données

Pleinte

Risque de chrun

Model Prédiction de churn

Campagne de rétentions

Processus de la solution

Réduction de churn

Décision

CRM

.23

Notre Outil de prédiction

.33

Notre Outil de prédiction

.33

Notre Outil de prédiction

.33

Conclusions et Perspectives

1. Récapitulatif2. Apports3. Contraintes4. Perspectives 4

« A conclusion is simply the place where someone got tired of thinking. » Herbert Albert Fisher

Récapitulatif

.14

Récapitulatif

Compréhension métier

Compréhension des données

Préparation des données Modélisation Evaluation

1 2 3 4 5

.14

Récapitulatif

Réalisation Liste des Livrables6 7

.24

Logiciel

Organisationnelle

Benchmarking

Guide

Conclusion &Perspectives

Pro-activité face au churn (prédiction)

Compréhension des Raisons du churn chez

Sensibilisation

Benchmarking

Guide pour la Gestion du Churn chez

Apports :

.24

Contraintes : Dispersion des données nécessaires

Manque de Coopération

Effort de longue durée dans le temps

Conclusion &Perspectives

.34

- Textmining des plaintes - Intégrer le churn dans le CRM- Synchronisation du MKT et CRM- Ticket de rétention

Perspectives :

Conclusion &Perspectives

.44

On vous écoute