Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.
Pour l’obtention du diplôme d’Ingénieur d’Etat en Informatique               Option : Systèmes d’Information           Thè...
   Le phénomène du churn                                       Datamining    Concepts et notions                Modèle ...
“The Customer is King ” +92%  De taux de pénétration duMarché des Télécommunications Saturation =                         ...
Se concentrer sur ses clients                      Avant qu’ils ne partent !!!                                Churn
1.   Le churn     Concepts et notions          2.   Datamining                                  3.   Modèle de prédiction ...
Churn : Contraction de langlais « change and turn »                   Définition    Churn : (Du français [Attrition] )    ...
Domaines d’apparition du Churn   Télécommunication     Télécommunication   Fournisseur d’accès internet         Banque    ...
Datamining                 Ou fouille de données « extraction dun savoir ou dune connaissance à partir de grandes quantité...
DataminingSource: AGARD, B. KUSIAK, A., KDD, 2005
Datamining et la BI
Modèles de prédiction
Modèles de prédiction                   Arbre de décisionUn arbre de décision est un outil daide à la décision qui représe...
Modèles de prédiction                Réseaux de neuronesLes réseaux connexionnistes appelés aussi les réseaux de neuronesa...
Modèles de prédiction    SVM : Support Vector MachineLe SVM repose sur deux idées    la notion de                 la notio...
Outils de Datamining : Test du SVM      capacité   documentati   modélisatio Performanc   Références      de         on   ...
Méthodologie : CRISP-DM1 Compréhension métier2 Compréhension des données3 Préparation des données4 Modélisation5 Evaluatio...
« ..today, “churn management” has become one             of the most critical business issues »                           ...
Un Telco : en chiffresopérateur en Algérie    + de 8 millions d’abonnés     + de 90% de la population couverte     + 200 E...
Un Telco dans le marché Algérien                         Nedjma                          19%      Mobilis       28%       ...
Un Telco : Organigramme                       DIRECTION                       GENERALEDirection Ressource                 ...
Un Telco Face au churn                        Churn                                                     DataWare   Marketi...
Synthèse des Insuffisances constatés1. Manque de coordination 2. Phénomène encore méconnu
Le Churn : une opportunitéMieux réagir que le   + Parts de marché    Acquérir de Bon   concurrent         et meilleure ima...
Objectifs du Projet Calculer le taux de churn Prédire le phénomène Churn Trouver les raisons du Churn Surmonter le pro...
« the future is a projection of present »                  Aldous Huxley                                1. Structure et ar...
Solution face au churnOrganisationnelle   Informatique
Solution face au churnOutils de prédiction :DataminingTableau de bordDécisionnel                         Informatique
Solution face au churn                                     Priorité      Difficulté                         Outils        ...
Architecture de la solutionEnquêteMarketing                           Modèle                     VueDataWarehouse         ...
Pleinte           Processus de la solution                                   Model Prédiction de churn                    ...
Notre Outil de prédiction
Notre Outil de prédiction
Notre Outil de prédiction
« A conclusion is simply the place where       someone got tired of thinking. »        Herbert Albert Fisher1.   Récapitul...
Récapitulatif
Récapitulatif     1               2                3 des       4             5Compréhension   Compréhension   Préparation ...
Récapitulatif   6                          7Réalisation          Liste des Livrables                Logiciel       Benchma...
Conclusion &PerspectivesApports : Pro-activité face au churn (prédiction) Compréhension des Raisons du churn chez Sensi...
Conclusion &Perspectives       Contraintes :  Dispersion des données nécessaires  Manque de Coopération Effort de longu...
Conclusion &PerspectivesPerspectives :-   Textmining des plaintes-   Intégrer le churn dans le CRM-   Synchronisation du M...
On vous écoute
Prochain SlideShare
Chargement dans…5
×

Datamining appliqué au churn client dans les télécommunications

12 773 vues

Publié le

Publié dans : Business

Datamining appliqué au churn client dans les télécommunications

  1. 1. Pour l’obtention du diplôme d’Ingénieur d’Etat en Informatique Option : Systèmes d’Information Thème : Datamining appliqué au churn client dans les télécommunications Binôme: KHELOUFI Tarik TALEB Abdelmoumène 3 Juillet 2011
  2. 2.  Le phénomène du churn  Datamining Concepts et notions  Modèle de prédiction  Méthodologie Présentation de Un Telco Un Telco face au churn Le Churn chez Un Telco Insuffisances constatés Objectifs du Projet  Structure et architecture Notre solution face au churn  Processus de Gestion de churn  Notre Solution Récapitulatifs Apports Conclusions et Perspectives Contraintes Perspectives
  3. 3. “The Customer is King ” +92% De taux de pénétration duMarché des Télécommunications Saturation = Clients libres Source : ARPT autorité de régulation des postes et des télécommunications
  4. 4. Se concentrer sur ses clients Avant qu’ils ne partent !!! Churn
  5. 5. 1. Le churn Concepts et notions 2. Datamining 3. Modèle de prédiction 4. Méthodologie“If we don’t take care of our customers, someone else will.”Mike Kesoh
  6. 6. Churn : Contraction de langlais « change and turn » Définition Churn : (Du français [Attrition] )  Exprime le taux de déperdition de clients pour une entreprise
  7. 7. Domaines d’apparition du Churn Télécommunication Télécommunication Fournisseur d’accès internet Banque Assurance
  8. 8. Datamining Ou fouille de données « extraction dun savoir ou dune connaissance à partir de grandes quantités de données »Description Estimation SegmentationClassification La prévision Prévision Association
  9. 9. DataminingSource: AGARD, B. KUSIAK, A., KDD, 2005
  10. 10. Datamining et la BI
  11. 11. Modèles de prédiction
  12. 12. Modèles de prédiction Arbre de décisionUn arbre de décision est un outil daide à la décision qui représente lasituation plus ou moins complexe à laquelle on doit faire face sous laforme graphique dun arbre de façon à faire apparaître lextrémité dechaque branche les différents résultats possibles en fonction desdécisions prises à chaque étape :
  13. 13. Modèles de prédiction Réseaux de neuronesLes réseaux connexionnistes appelés aussi les réseaux de neuronesartificiels occupent une place centrale parmi les outils de prédiction.Le neurone artificiel (neurone informatique) est un petit modelstatistique a lui tout seule. Il doit accomplir 2 tâches :la synthèse des la transformation (souvent noninformations qui linéaire) de cette information enlui sont fournies quelque chose de nouveau
  14. 14. Modèles de prédiction SVM : Support Vector MachineLe SVM repose sur deux idées la notion de la notion de marge maximale fonction noyau
  15. 15. Outils de Datamining : Test du SVM capacité documentati modélisatio Performanc Références de on n e/ données Ressource Bon Faible Meilleur
  16. 16. Méthodologie : CRISP-DM1 Compréhension métier2 Compréhension des données3 Préparation des données4 Modélisation5 Evaluation FIN : Déploiement CRoss-Industry Standard Process for Data Mining
  17. 17. « ..today, “churn management” has become one of the most critical business issues » Rob Matisson1. Présentation de Un Telco2. Un Telco face au churn Le Churn chez Un Telco3. Insuffisances constatés4. Objectifs du Projet
  18. 18. Un Telco : en chiffresopérateur en Algérie + de 8 millions d’abonnés + de 90% de la population couverte + 200 Espaces De Services Près de 1600 employés Meilleur opérateur mobile 2007 en Afrique du Nord
  19. 19. Un Telco dans le marché Algérien Nedjma 19% Mobilis 28% Djezzy 53%
  20. 20. Un Telco : Organigramme DIRECTION GENERALEDirection Ressource Direction Direction Humaine Technologie Technologie Direction Service Direction Vente et Client Distribution Direction Finance Direction Solution Entreprise Direction Marketing Direction Stratégie
  21. 21. Un Telco Face au churn Churn DataWare Marketing CRM houseEtude de satisfaction Réception des plaintes archivage des données Régulier Insatisfait Churner
  22. 22. Synthèse des Insuffisances constatés1. Manque de coordination 2. Phénomène encore méconnu
  23. 23. Le Churn : une opportunitéMieux réagir que le + Parts de marché Acquérir de Bon concurrent et meilleure image clients Quand le churn survient, le Ex : Perdre tout les mauvais ( Perdre est apte a acquérir et de client moins de clients ( les payeurs et/ou reconsidérer CApayeurs et concurrents ) que les concurrents bons ses choixdesaprioris )
  24. 24. Objectifs du Projet Calculer le taux de churn Prédire le phénomène Churn Trouver les raisons du Churn Surmonter le problème de Coordination
  25. 25. « the future is a projection of present » Aldous Huxley 1. Structure et architectureNotre solution face au churn 2. Gestion de churn 3. Notre Solution
  26. 26. Solution face au churnOrganisationnelle Informatique
  27. 27. Solution face au churnOutils de prédiction :DataminingTableau de bordDécisionnel Informatique
  28. 28. Solution face au churn Priorité Difficulté Outils RèglesOrganisationnelle Processus Structure Mesures Appliqué moyenne maximale
  29. 29. Architecture de la solutionEnquêteMarketing Modèle VueDataWarehouse DataMining DataMart Utilisateur BDD CRM
  30. 30. Pleinte Processus de la solution Model Prédiction de churn Données CRMAppel Risque de chrun Données Réduction de churn DataWarehouse Campagne de rétentions Décision
  31. 31. Notre Outil de prédiction
  32. 32. Notre Outil de prédiction
  33. 33. Notre Outil de prédiction
  34. 34. « A conclusion is simply the place where someone got tired of thinking. » Herbert Albert Fisher1. Récapitulatif2. Apports Conclusions et Perspectives3. Contraintes4. Perspectives
  35. 35. Récapitulatif
  36. 36. Récapitulatif 1 2 3 des 4 5Compréhension Compréhension Préparation Modélisation Evaluation métier des données données
  37. 37. Récapitulatif 6 7Réalisation Liste des Livrables Logiciel Benchmarking Organisationnelle Guide
  38. 38. Conclusion &PerspectivesApports : Pro-activité face au churn (prédiction) Compréhension des Raisons du churn chez Sensibilisation Benchmarking Guide pour la Gestion du Churn chez
  39. 39. Conclusion &Perspectives Contraintes :  Dispersion des données nécessaires  Manque de Coopération Effort de longue durée dans le temps
  40. 40. Conclusion &PerspectivesPerspectives :- Textmining des plaintes- Intégrer le churn dans le CRM- Synchronisation du MKT et CRM- Ticket de rétention
  41. 41. On vous écoute

×