Les professionnels de l’internet, du e-commerçant de notoriété mondiale aux plus modestes professionnels sur la toile, ont tous pour objectif de mieux cibler leur campagne emailing, dans le but de maximiser leur lecture et, dans l’absolu, leur taux de transformation, et d’en réduire leur coût. Pour optimiser, par exemple, la campagne emailing d’un e-commerçant, nous allons extraire des données existantes recueillies par le professionnel. Notre objectif est d’en maximiser l’impact en ne sélectionnant que 60% des clients, en appliquant une régression logistique aux données pour prédire qui lira le mail (ou toute autre action).

1. Data Science et envoi d’emails

2. Problématique
• Soulager la base client email
• Envoyer des emails efficaces
• Prédire les ouvertures en fonction de critères
nominatifs (âge, produits achetés, capacité
d’achat, …)
DataScience RED (c) Copyright 2017

3. DataSet
DataScience RED (c) Copyright 2017

4. Régression logistique
• Prédictions catégorielles
• Idéale pour classer des produits
• Approche avec probabilité
DataScience RED (c) Copyright 2017

5. Régression logistique
DataScience RED (c) Copyright 2017

6. Régression logistique
DataScience RED (c) Copyright 2017

7. Régression logistique
DataScience RED (c) Copyright 2017

8. Modèle VS hasard
0,0%
20,0%
40,0%
60,0%
80,0%
100,0%
120,0%
0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0%
Précision du modèle
RandomSelectPercentOfTotalChurners ModelSelectPercentOfTotalChurners
DataScience RED (c) Copyright 2017

9. Avantages
• Cibler en fonction des critères
• Soulager la base
• Cibler efficacement
• Faire des économies d’envoi
• Etre pertinent
DataScience RED (c) Copyright 2017