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


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 Corporation4

La société SPSS


L’Analyse Prédictive avec SPSS

5


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 ?»


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.


Axes d’analyse et utilisation de l’analyse prédictive

8


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


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


IBM Business Intelligence & Performance Management

Comment expliquerles écarts aux objectifs ?

Où en est-on ? Que faire demain ?


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


AcquisitionAcquisition ValoriserValoriser Détection de la Fraude

Détection de la Fraude

Prévention des

Risques

Prévention des

Risques

FidélisationFidélisation

Les grandes problématiques adressées par SPSS

13


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


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


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


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


Agenda



• L’offre SPSS


18


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


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.


Agenda



• L’offre SPSS


21


L’offre SPSS


IBM® SPSS® Statistics 18.0


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


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

• …



• 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



• Représentations graphiques

• Histogrammes

• Courbes

• Nuages de points

• Aires

• Camemberts

• Boites à moustaches

• Pyramide des âges

• Mode 2D & 3D

• …


3. Statistiques

• Statistiques descriptives

• Tris à plat, tris croisés

• Indicateurs de distribution

• Coefficients de corrélation

• Analyses factorielles

• Classification

• Survie actuarielle

• …


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

• …


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)


IBM® SPSS® Statistics 18.0 : une suite modulaire, graphique, …


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


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


Illustration

34


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


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.


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).


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 .


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


Rexer 2008 : La reconnaissance des utilisateursChoix #1 des utilisateurs selon Rexer Analytics

http://www.rexeranalytics.com/


La meilleure solution du marché


Agenda



• L’offre SPSS


43


Références


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


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


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



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



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



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



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



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


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



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


www.spss.com/fr

55


www.analysepredictive.fr

56

© 2009 IBM Corporation57 © 2010 IBM Corporation57 © 2010 IBM Corporation

Les 24 h des Décideurs

6 & 7 mai 2010

IBM La Gaude

Merci !


Les 24 H des Décideurs –6 & 7 mai 2010€¦ · • Des contacts directs avec les clients. • De...

Documents

Transcript of Les 24 H des Décideurs –6 & 7 mai 2010€¦ · • Des contacts directs avec les clients. • De...