Les 24 H des Décideurs –6 & 7 mai 2010€¦ · • Des contacts directs avec les clients. • De...
Transcript of Les 24 H des Décideurs –6 & 7 mai 2010€¦ · • Des contacts directs avec les clients. • De...
© 2009 IBM Corporation1 © 2010 IBM Corporation1 © 2010 IBM Corporation
Les 24 h des Décideurs
6 & 7 mai 2010
IBM La Gaude
L’innovation technologique :
une affaire de business pour les PME!
Les 24 H des Décideurs – 6 & 7 mai 2010
© 2009 IBM Corporation2 © 2010 IBM Corporation2 © 2010 IBM Corporation2 © 2010 IBM Corporation
L’analyse prédictive avec SPSS
Serge Retkowsky
Responsable avant-vente SPSS
Les 24 H des Décideurs – 6 & 7 mai 2010
L’innovation technologique : une affaire de business pour les PME!
© 2009 IBM Corporation
Agenda
• La société SPSS et son positionnement
• Quelques Business Scenarios
• L’offre SPSS
• Références / Exemple client
3
© 2009 IBM Corporation6
Approches opérationnelles
Nous proposons des solutions métiers qui répondent à des problèmes
opérationnels :
• « Nos prévisions de ventes / de stocks sont mauvaises »
• « Notre part de marché se réduit »
• « Nos marges diminuent »
• « Nos clients nous quittent »
• « Le chiffre d’affaire se dégrade »
• « Que disent nos clients ?»
© 2009 IBM Corporation7
Les points clefs de l’entreprise prédictive
1. Se focaliser sur les données clients.
2. Atteindre toujours plus de proximité avec le client :
• Construire des relations au niveau individuel• Des contacts directs avec les clients.• De nombreuses occasions, de nombreux canaux.
3. Améliorer les objectifs m étiers :
• Maximiser la valeur du client.• Acquérir de nouveaux clients.• Vendre le plus profitablement.
4. Créer des opportunités de revenus supplémentaires.
© 2009 IBM Corporation
L’analyse prédictive ?
Analytique« classique »
Base de donnéesclients
Est-ce que les clientsrécents nous quittent ?Oui, 9 % de ces clients ontrésiliés.
Analyseprédictive
Base de donnéesclients
Qu’est-ce qui caractériseles clients qui résilient ?Si CodePostal dans {75006, 75007},nr.xactions < 5 et anc_clients < 8alors risque attrition > 15 %
9
© 2009 IBM Corporation10
Exemple : analyse des résultats en coût et margeRéalisé
sans ciblage
17 650 envois inactifs & prospectsCoût des envois = 16 415 €539 clients activésMarge totale (CA réel) = 107 186 €Rendement par € = 6,53 €
Optimisépar SPSS
8 459 envoisCoût des envois = 7 867 €368 clients activésMarge totale (CA réel) = 83 161 €Rendement par € = 10,57 €
Couverture chiffre d’affaires : 77 % (activation : 68 %)Économie coût d’envois : 52 %Gain en rendement avec Clementine : +61 %
et 8 548 € de budget Marketing à consacrer à des opérations de recrutement pour récupérer les activations manquantes
© 2009 IBM Corporation11
IBM Business Intelligence & Performance Management
Comment expliquerles écarts aux objectifs ?
Où en est-on ? Que faire demain ?
© 2009 IBM Corporation12
SPSS Source de création de valeur additionnelle pou r les utilisateurs m étiers
Comment expliquerles écarts aux objectifs ?
Où en est-on ? Que faire demain ?
Meilleure connaissance
client
Meilleure connaissance
client
Modèles de Prévisions
Modèles de Prévisions
Mieux exploiter les données avec production
d’analyses prédictives
Mieux exploiter les données avec production
d’analyses prédictives
Analyse «ad’hoc»(tableaux de bord
marketing)
Analyse «ad’hoc»(tableaux de bord
marketing)
Diffusion des analyses
prédictives
Diffusion des analyses
prédictives
© 2009 IBM Corporation
AcquisitionAcquisition ValoriserValoriser Détection de la Fraude
Détection de la Fraude
Prévention des
Risques
Prévention des
Risques
FidélisationFidélisation
Les grandes problématiques adressées par SPSS
13
© 2009 IBM Corporation
ProcessusOpérationnels
Comportements• Achats• Transactions• Paiements• Utilisations des services
Données descriptives• Attributs• Caractéristiques• Infos personnelles• (Géo)démographiques
Données attitudinales• Opinions• Préférences• Besoins• Désirs
Interactions• Offres• Résultats• Contexte• Clicks en ligne• Notes
Les données
Source de donnéesEntreprise
14
© 2009 IBM Corporation
La philosophie SPSS : cycle perpétuel de l’analytiqu e
Optimisation des choix & automatisation
Recommander les actions les
plus appropriées
Sources de données clients
Stocker la donnée pour une
amélioration en continu
Analyse prédictive
Analyser les donnéeset anticiper
Prospects
Clients Campagnes
Agences
Produits Canaux
15
© 2009 IBM Corporation16
Actions suite aux retours clientsActions suite aux retours clients�� 95% des entreprises95% des entreprisescollectent les feedbackscollectent les feedbacks
� 50 % des entreprises alertent le management
� 30 % des entreprises agissent
�� 10 % des entreprises 10 % des entreprises ddééploient et amploient et amééliorentliorent
�� 5 % des entreprises 5 % des entreprises informent les clients des informent les clients des changementschangements
95%
50%
30%
10%5%
FeedbackClients
AlertesStaff
Actions Déploiementetaméliorations
CommunicationClients
Source: Customer Champions in European Companies
© 2009 IBM Corporation
Le textmining SPSS ou l’analyse des données non structuréesExpériences des clients :
L’analyse d’opinions permet aux organisations de catégoriser les commentaires de leurs clients à partir de leurs propres termes en identifiant les opinions rattachées
aux diverses problématiques.17
© 2009 IBM Corporation
Agenda
• La société SPSS et son positionnement
• Quelques Business Scenarios
• L’offre SPSS
• Références / Exemple client
18
© 2009 IBM Corporation19
Business Scénario – Market Basket Analysis
Transactions from all customers
Statement
insert
? ?
? ?
@
1512
311
1
Offers
Gillette razors
L’Oreal shampoo
House brand shampoo
House brand hair color
Colgate toothpaste
Nivea skin care
Men’s fragrance
Woman’s fragrance
House brand sun care
Optician
Feminine hygiene
Online photo service
Family planning
Pampers diapers
House brand diapers
2
4
5
6
7
8
9
10
11
12
13
14
15
3
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
� % $
Statement
insert
Special Offer – This Week Only10% off on any of these
combinations: A + B…G + H….
Promotional DisplayBuy X get Z for only $1.49! Market basket insights
• If A then B• If C then D• If E and F then G• If H, then H then I
Descriptive•Age•Gender•Family situation•Zip code
Transactions from this customer• Cardholder since YYYYMM• Average transaction value• Monthly transaction value• Categories purchased• Brands purchased
Interactions• Web registration• Web visits• Customer service contacts• Channel preference
Attitudes• Satisfaction scores• Shopper type• Eco score
3 13
6 12
© 2009 IBM Corporation
BUSINESS SCENARIO: Assortment Planning - Merchandising
20
A customer visits the store to buy a new popular in-car audio system with support for an iPod connection
Great, they have the best one for me!!!
A category manager for an automotive parts retailer is trying to decide which starters and alternators to include as part of the inventory for each of the 1000 stores
Using predictive analytics the automotive retailer obtains the likelihood of a product sale for each SKU at each store and the total quantity for the upcoming period
Predictive ModelsLikelihood of a sale & sales volume at the Store/SKU level for a period
Predictions
DistributionSend out the right number of SKUs to the right stores at the right time
“I’ll buy it and tell all my friends they can buy it here.”
Assortment Planning ReportExpected Sales October Store 12345
Store SKU Units Likelihood12435 1959226 5 87%12345 1998021 8 93%12345 2000201 3 65%12345 2009917 2 52%Etcetera
Sales history at the Store/SKU level
Demographics for store trade area
Competitor information for each store
Marketing Data
Inventory Data history at the Store/SKU level
How can I improve the demand forecast, also for fast movers and new items, to prevent empty shelves?
Based on the likelihood of a sale at the Store/SKU level for all products in the category an optimized assortment is created for each location in the supply chain for a certain period.
© 2009 IBM Corporation
Agenda
• La société SPSS et son positionnement
• Quelques Business Scenarios
• L’offre SPSS
• Références / Exemple client
21
© 2009 IBM Corporation24
1. Accès aux données
• Accès aux données
• SPSS (.sav)
• Excel (.xls),
• Lotus (.wks),
• Dbase (.dbf),
• SAS (.sd2, sas7bdat)
• Texte…
• Assistants d’importation et d’exportation
• Accès SGBD/R : Oracle, DB2, MS SQL Server, Sybase IQ, …
• Données IBM® SPSS® Data Collection
• Fichier Texte / ASCII
© 2009 IBM Corporation25
2. Data management et Exploration
• Traitements sur les données• Visualisation des propriétés
• Opérations sur les métadonnées
• Opérations sur les dates
• Validation des données
• Identification des doublons
• Identification des données aberrantes
• Tri des données
• Transposer
• Restructurer
• Fusionner
• Agréger
• Sélections d’enregistrements
• Pondération
• …
© 2009 IBM Corporation26
2. Data management et Exploration
• Transformation des données
• Création de nouveaux champs
• Recodage des données
• Discrétisation supervisée
• Discrétisation automatique
• Assistant d’opérations sur les dates
• Interpolation des données manquantes
• Fonction de Préparation Automatique des Données
© 2009 IBM Corporation27
2. Data management et Exploration
• Représentations graphiques
• Histogrammes
• Courbes
• Nuages de points
• Aires
• Camemberts
• Boites à moustaches
• Pyramide des âges
• Mode 2D & 3D
• …
© 2009 IBM Corporation28
3. Statistiques
• Statistiques descriptives
• Tris à plat, tris croisés
• Indicateurs de distribution
• Coefficients de corrélation
• Analyses factorielles
• Classification
• Survie actuarielle
• …
© 2009 IBM Corporation29
3. Statistiques• Modélisation statistique
• Régression (linéaire, multiple)
• Analyse de variance
• Analyse conjointe
• Analyse RFM
• Régression logistique
• Arbres de décisions
• Réseaux de neurones
• Séries temporelles
• Analyses de bootstrap
• …
© 2009 IBM Corporation30
4. Reporting & industrialisation
• Reporting
• Personnalisation des états
• Tableaux dynamiques OLAP
• Bibliothèques de modèles
• Exportation HTML, PDF, Excel, Word, Texte
• Industrialisation
• Automatisation des traitements
• Définition de boites de dialogues
• Publication de boites de dialogues sur un portail web (avec IBM® SPSS® C&DS)
• Mode batch)
© 2009 IBM Corporation
Introduction - Définition du Text Mining
• Le Text Mining est le processus qui extrait des concepts clés à partir de texte non structuré.
• Ces concepts peuvent être analysés seuls ou en combinaison avec d'autres sources de données en utilisant les techniques de Data Mining.
• Le Text Mining permet d’apporter une information qui ne peut être découverte que par l’analyse simultanée d’un ensemble de documents.
32
© 2009 IBM Corporation
Quelles sont les difficultés associées à ce type de questions ?
ComplexeIl faut interpréterles réponses.
RestrictifOn prédétermine un
dictionnaire de codage.Long & coûteux
Processus de codage « manuel »...
Le texte est lu rapidement et intelligemment.(Traitement du langage naturel)
Un schéma de codage robuste est déterminé.
(manuel/automatique)
Le codage des réponses est rapide, précis et cohérent.
Les travaux d’un projet sont facilement réutilisables.
Avec IBM SPSS Text Analytics for Surveys...
33
© 2009 IBM Corporation35
IBM® SPSS® Modeler 14
Prise en charge de l’ensemble du
processus de data mining :
1) Accès aux données
2) Préparation
3) Visualisation
4) Modélisation
5) Déploiement
© 2009 IBM Corporation36
IBM® SPSS® Modeler 14
• Simple d’utilisation – l’interface graphique facilite l’exploitation des données pour résoudre une problématique métier :
• L’interface graphique intègre l’ensemble des outils : il n’y a pas de rupture de charge entre différents logiciels, ce qui augmente la productivité.
• Plus de productivité signifie un retour sur investissement plus rapide et donc àterme plus important.
© 2009 IBM Corporation37
IBM® SPSS® Modeler : l’atelier de data mining
• Une interface visuelle intuitive pour traiter, explorer, analyser les données et déployer les résultats.
• Se connecte à des sources de données variées :
• Bases de données multiples (Oracle, DB2, SQL Server, Informix, Netezza, Teradata, Sybase IQ …)
• Fichiers plats, Excel, SPSS, SAS, etc.
• Structures XML
• Capacité à traiter de très grands volumes de données.
• Préparation et la transformation des données.
• Analyse (exploration statistique et visuelle interactive).
© 2009 IBM Corporation38
IBM® SPSS® Modeler : l’atelier de data mining
• Large gamme de techniques d’analyse (algorithmes).
• Différents types de graphiques pour l’exploration des données.
• Des méthodes de déploiement pour utiliser les travaux d’analyse pour alerter, anticiper, etc.
• Interface, aide en ligne et manuels en Français .
• Version locale ou client-serveur .
© 2009 IBM Corporation39
Accès
aux
données
Visualisation
Transformation
Modélisatio
n
Nœuds
Projet
Flux, sorties, modèles
Évaluation
IBM® SPSS®
Modeler
IBM® SPSS® Modeler : interface visuelle de data mining
Déploiement
© 2009 IBM Corporation40
Rexer 2008 : La reconnaissance des utilisateursChoix #1 des utilisateurs selon Rexer Analytics
http://www.rexeranalytics.com/
© 2009 IBM Corporation
Agenda
• La société SPSS et son positionnement
• Quelques Business Scenarios
• L’offre SPSS
• Références / Exemple client
43
© 2009 IBM Corporation
Cas client : KDP• L’ère du One to One marketing
• Pouvoir s’adresser de façon de + en + différenciée à chaque individu
• Pour fidéliser son audience
• Savoir bien lui parler
• Ce qui présuppose de savoir qui elle est, ce qu’elle veut, comment elle réagit…
• Au delà du modèle de communication & de la mécanique relationnelle àinstaurer, le véritable enjeu est :
• Identifier la nature de la relation entre la marque et ses prospects / clients
• A quelle valeur de marque chaque segment de population est attaché ?
• La diversité de l’offre ? le prix ? le S.A.V. ? le label développement durable ?
• Savoir orienter le discours One to One en conséquen ce pour :
• Réduire les risques de lasser ou décevoir
• Maximiser ses chances de retenir, fidéliser, susciter l’adhésion
45
© 2009 IBM Corporation
KDP Groupe
46
• Société indépendante créée en 2000, employant aujourd’hui + de 30 personnes
• 2 activités principales :
Éditeur d’une plate-forme de divertissement communautaire pour le grand public :
Cmonjour.com
Prestataire en solutions e-marketing pour les entreprises :
stratégies de conquête & de fidélisation
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.com
47
Sur Cmonjour.com : • Collecte de datas marketing à l’inscription (sexe, âge,
adresse postale)
• Qualification des profils en continu sur le site (à chaque session de jeu)
• Fidélisation indispensable de nos membres en vue de
valoriser nos BDD
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.com
48
Cmonjour.com propose à ses abonnés des contenus 100% gratuits.
Or, les services gratuits génèrent de fort taux d’attrition.
Comment fidéliser une audience volatile ?
En connaissant le mieux possible son audience,
pour s’adresser à la BONNE personne
avec le BON message au BON moment
5 RÈGLES D’OR
1) Savoir qui sont mes prospects / clients
2) Identifier leurs besoins
3) Analyser leurs réactions
4) Leur parler au rythme qui leur convient
5) Leur suggérer de nouveaux besoins
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.com
49
Audience homogène
Fidélisation forteFidélisation forte
TEMPS 1
Offre produits simple
Audience diversifiée
Comportements + complexes.
Fidélisation plus instable.
Comportements + complexes.
Fidélisation plus instable.
TEMPS 2
Offre produits + complexe
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.com
50
Comment exploiter au mieux la richesse de notre bas e de données & fidéliser nos clients ?
Phase I Construire un Datamart Marketing
Phase II Mettre en place une relation personnalisée avec nos clients
DATAWAREHOUSE : entrepôt de données centralisées & harmoniséesAudit des sources, centralisation des données dans un même environnement
DATAMART MARKETING : base de connaissance client un ifiéeDonnées marketing utiles traitées & organisées
Analyses statistiques
Espace Reporting
Tableaux de Bord
Résultats Statistiques
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.com
51
Le datamart marketing nous permet de segmenter les p opulations selon :
DONNÉES TRANSACTIONNELLES
Types de jeuxFréquence de jeux
Types de gains remportésMessages / commentaires envoyés
Analyses fournies par SPSS Modeler :
A quoi ressemble chaque « cycle de vie » ? Quels sont les scores d’appétence par jeu ?
Etc.
DONNÉES COMPORTEMENTALESvis-à-vis de l’e-mail
Fréquence d’ouvertureTaux d’ouverture
Taux de clicsPosition des clics
Données & analyses fournies par Neolane
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.com
52
Programme de marketing relationnel(Emails de résultat, newsletters, emails personnali sés…)
Les e-newsletters peuvent ainsi être ciblées effica cement :
���� ���� ���� ���� ���� ���� ���� ����
Acquisition
Remise en compétition
Satisfaction OU usure
Perte
Satisfaction
Cette segmentation nous permet de mettre en œuvre n otre programme PRM (Prospect Relationship Management) :
le CONTENU du message sera adapté àchaque type de profil transactionnel
la FRÉQUENCE D’ENVOI sera définie selon le degré de réceptivité
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.comExemples d’application : � Mise en avant dans les messages promos des jeux auxquels les destinataires jouent le plus souvent
� Encourager les joueurs les plus fidèles via des avantages / cadeaux bonus
� Améliorer le mode de navigation sur le site
Programme de
fidélisation
Programme de
fidélisation
MEMBRES « GOLD »� 5 parties par jour� 3 fois plus de « jouros » à gagner� Accès illimité au Sudoku
�….
MEMBRES « GOLD »� 5 parties par jour� 3 fois plus de « jouros » à gagner� Accès illimité au Sudoku
�….
MEMBRES « SILVER »� 2 parties par jour� 1,5 fois plus de « jouros » à gagner� Parties gratuites de Sudoku�…
MEMBRES « SILVER »� 2 parties par jour� 1,5 fois plus de « jouros » à gagner� Parties gratuites de Sudoku�…
53
© 2009 IBM Corporation
KDP Groupe, éditeur de Cmonjour.com
54
Avant SPSS Avec SPSS
Nombre moyen d’actions
« monétisables » par abonné
(clic sur une bannière ou
réponse à une question
qualifiante)
19 27Nombre moyen de filleuls
par abonné
1,5 2,9