Post on 09-Jan-2016
description
Mise en place d’un système de valorisation client par
analyse du CA et des données commerciales
Projet de fin d’étude Pour l’obtention d’un
diplôme d’ingénieur
18/06/2012
Réalisé par : Maha Aoun
Encadré par : M. Ghazi Bel Mufti
M. Marwen Krifa
Plan
2
1. Introduction
2. Problématique
3. Concepts généraux
4. Modélisation
5. Réalisation
6. Conclusion
Plan
3
1. Introduction
2. Problématique
3. Concepts généraux
4. Modélisation
5. Réalisation
6. Conclusion
Introduction
4
La technologie informatique a permis d’accumuler et de stocker une quantité incroyable de données.
Ces données sont souvent accessibles seulement par une partie du personnel de l’entreprise.
Inégalité entre ceux qui savent retrouver et travailler les données et ceux qui en dépendent pour prendre des décisions.
Introduction
5
Créer une architecture technique qui utilise les multiples sources
d’information.
La naissance des systèmes décisionnels
Plan
6
1. Introduction
2. Problématique
3. Concepts généraux
4. Modélisation
5. Réalisation
6. Conclusion
Problématique
7
Système actuel
Système destiné aux Reporting et non pas à
l’analyse
L’implémentation d’une application dédiée à l’analyse
Données éparpillées
Données décomposées sur plusieurs tables
Données sur plusieurs supports
Plan
8
1. Introduction
2. Problématique
3. Concepts généraux
4. Modélisation
5. Réalisation
6. Conclusion
Concepts généraux
9
Les moyens
les outils
les méthod
es
L'informatique
décisionnelle
Collecter
Consolider
Modéliser
Restituer
Concepts généraux
10
Les étapes de la chaîne décisionnelle
Alimentation des
données
Stockage des données
Restitution & Analyse des données
L’extraction puis la transformation des données de l’entreprise vers une base de données décisionnelles
La conception d’une base de données de stockage
L’exploitation de ces données grâce au reporting, au data mining, aux outils OLAP, aux tableaux de bords
Approche d’implémentation (1/3)
11
On a deux grandes philosophies à l’heure actuelle celle de Bill Inmon et Ralph kimball.
Bill Inmon Ralph kimball
Approche d’implémentation (2/3)
12
On ne fait rien tant que tout n'est pas désigné, le data
warehouse doit être exhaustif!
Top-Down
Bill Inmon Ralph kimball
Que chacun construise ce qu'il veut, on intégrera ce qu'il faudra quand il faudra!
Bottom-Up
Approche d’implémentation (3/3)
13
Dimension
Dimension
Dimension
Table des faits
Schéma en étoile
Approche d’implémentation (3/3)
14
Dimension
Dimension
Dimension
Table des faits
Schéma en Flocon
Dimension
Dimension
Segmentation
15
Créer des segments de clients ayant
des caractéristiques en communs.
Optimiser les actions
commerciales et marketing vers les
clients les plus rentables
Segmentation
16
MFR
RFM
écence
réquence
ontant
Date du dernier achat
Nombre de fois où le client a effectué des achats toute au long de la période étudiée
Montant accumulé des
dépenses
La solution Microsoft BI
17
Stockage des données Stockage des données
Intégrer des données provenant de différentes sources pour les ranger dans un entrepôt central
Intégrer des données provenant de différentes sources pour les ranger dans un entrepôt central
Permet de créer, gérer et publier des rapportsPermet de créer, gérer et publier des rapports
L’analyse des données L’analyse des données
Concepts généraux
18
Acquisition des données externes
Manipulation et nettoyage
Analyse des données
Plan
19
Analyse des données
1. Introduction
2. Problématique
3. Concepts généraux
4. Modélisation
5. Réalisation
6. Conclusion
Modélisation
20
Plan
21
1. Introduction
2. Problématique
3. Concepts généraux
4. Modélisation
5. Réalisation
6. Conclusion
Réalisation
22
Billing
CRM Topnet
Data warehouse Data martSSIS
SSAS
PowerPivot
SSRS
2 Création des Cubes OLAP
3 Reporting
1 L’alimentation de l'entrepôt de données
CUBE OLAP
SSMS
L’alimentation (1/2)
23
Alimentation des dimensions
Alimentation des tables de faits
La mise à jour des dimensions
SSIS
L’alimentation (2/2)
24
Source
Exemple de chargement de la dimension Client
Tâche de flux de données Datamart
SSIS
La restitution des données : les cubes OLAP (1/2)
25
Création de source de données
Création de vue de source de données
Création des dimensions et de leurs
hiérarchies
Organisation du groupe de mesures
Déploiement sur le serveur
SSAS
La restitution des données : les cubes OLAP (2/2)
26
Quelle est le chiffre d’affaire réalisé par famille et sous famille de produit pour les clients satisfaits ?
SSAS
La restitution des données : Reporting (1/2)
27
Configurer SSRS
Création de source de données
Mettre en forme le rapport
Déploiement sur le serveur
SSRS
La restitution des données : Reporting (2/2)
28
Création de source de données
Importer les tables et définir les relations
entre eux
Créer des tables et des gra-phiques
croisés dynamiques
Mettre en forme le tableau de bord
Enregistrer la feuille de calcul Excel
obtenue
PowerPivot
Segmentation RFM (1/2)
29
Calculer les trois variables de l’RFM
Identifier les tranches par l’arbre de
régression CHAID
Attribuer une note par variable à chaque
client
Déterminer le score RFM par client
Segmentation RFM (2/2) :Détection des classes
30
L’exploitation des données
31
L'algorithme MDT (Microsoft Decision Trees) est un algorithme de classification et de régression fourni par Microsoft SQL Server Analysis Services et est utilisé pour la modélisation prédictive d'attributs discrets et continus.
Plan
32
1. Introduction
2. Problématique
3. Concepts généraux
4. Modélisation
5. Réalisation
6. Conclusion
Conclusion
33
Travail effectué :
La conception et le design du modèle de
données ;L’alimentation de l’entrepôt de données ;La création des cubes OLAP ;Le Reporting à l’aide de deux outils de
Reporting : SSRS et PowerPivot ;Segmentation des clients ;Création d’un scénario d’aide à la décision à
l’aide de l'algorithme MDT Microsoft Decision Trees.
Conclusion
34
Perspectives :Automatiser les opérations de gestion de l’entrepôt de
données ; Faire une analyse avancée sur le comportement des
clients ;
Merci de votre attention
35