Catalogue de formations - SLPV analytics

Comprendre pour agir
31/10/2020 Nom du document 1
Catalogue de formation: techniques statistiques du marketing
31 octobre 2020
Contacts:Antoine Moreau – 06 19 23 08 70 - antoine.moreau@slpv-analytics.com

Introduction
 SLPV analytics est une société de conseil en Data Science, principalement dans le domaines du marketing. Alors que notre métier requiert une
forte expertise technique, la transparence des méthodes et leur pédagogie est une condition essentielles de l’opérationnalité des solutions que
nous proposons. Il était donc naturel qu’une partie de notre offre consiste en des formations dans les domaines d’expertise de la société. Ce
catalogue détaille nos formations et les conditions de leur déroulement. La présentation de l’ensemble de nos activités et de nos références se
trouve en annexe.
 Nos formations sont ancrées dans la pratique marketing, à partir d’exemples puisés dans plus de 25 ans de participation à des projets de
mesure d’efficacité, de segmentation des consommateurs, de prévision d’achat et de réachat, d’évaluation de la satisfaction ou de la
fidélité,…Chaque session débute par la description des exemples utilisés lors de la session, avec, avant tout, les questions métier que l’on
cherche à résoudre. Le choix des méthodes et des techniques utilisées est toujours mis en perspective en fonction de ces questions métier.
 Au-delà de ce catalogue de formation, nous pouvons vous accompagner sur des projets spécifiques avec des sessions de coaching. N’hésitez
pas à nous contacter à ce propos sur contact@slpv-analytics.com
 Voici 5 courtes vidéos qui résument notre philosophie sur les Data Sciences et leur pédagogie:
• Data Sciences: des concepts nouveaux? https://www.youtube.com/watch?v=VYPT57LW-tc
• Comprendre les Data Sciences en étant nul en maths: https://www.youtube.com/watch?v=pdeUth-lRvI
• La Data, Big ou Smart? https://www.youtube.com/watch?v=18r1AojtlS0
• Mesurer l’efficacité des campagnes marketing grâce à la data: https://www.youtube.com/watch?v=wC1lUrKmSjE
• Statistique, machine learning, intelligence artificielle:
https://www.youtube.com/watch?v=bkx5enzEp9s&list=PLuII1dZGAOYHuYVsQvTRgwJWUpfbCnzj7
31/10/2020 Catalogue de formations - SLPV analytics 2

Déroulement des sessions
 Nous organisons des sessions de formation inter ou intra entreprises, avec 6 participants au maximum. Il faut 3 participants minimum
pour que la formation inter entreprise ait lieu.
 Les sessions se déroulent en visioconférence, par l’application Zoom. Le lien Zoom sera envoyé aux participants 2 jours avant la
formation. Seuls les stagiaires inscrits seront admis à la formation.
 Un court questionnaire d’évaluation est envoyé aux participants avant la session pour celles qui mentionnent un pré requis.
 Le support du cours sera diffusé aux participants sous format pdf à l’issue de la session. Les questions posées lors de la sessions seront
intégrées au support diffusé.
 Des exercices sont proposées tout au long des sessions. La plate-forme Beekast permet une interaction et un suivi de chaque
participant.
 Une évaluation instantanée de la session est effectuée avec Beekast.

Conditions budgétaires
 SLPV analytics est un organisme de formation, dont la déclaration d’activité est enregistrée sous le numéro 11756027575 auprès du
préfet de région d’Ile-de-France.
 Tarifs:
• Intra-entreprise: 900 euros HT la session d’une demi-journée – 1 800 euros HT la session d’une journée
• Inter-entreprises, par personne formée: 300 euros HT la session d’une demi-journée – 600 euros HT la session d’une journée
• Journée de coaching: 1 500 euros HT
 Pour les formations intra-entreprise, il est possible d’adapter les exemples utilisées lors des formations à des études ou données que
vous nous fournissez. Au vu des éléments fournis, un budget de préparation de la formation sera établi.
 Conditions de paiement: 30 jours net par virement.

Liste de nos formations
 Statistique descriptive.
 Analyses factorielles et typologies
 Analyse prédictive au niveau individuel
 Analyse prédictive sur série temporelle agrégée
 Analyses de drivers
 MaxDiff etTrade off
 Mesure de l’efficacité des campagnes publicitaires
 Marketing Mix Modeling
 Introduction aux méthodes statistiques du Big Data
 Définir et choisir les bons KPI pour piloter son activité

Le détail des formations proposées

Statistique descriptive (1/2)
 Objectif pédagogique: connaître les notions de base de la statistique pour pouvoir comprendre et exploiter des tableaux synthétiques
résumant toute base de données.
 Compétences visées: comprendre les notions suivantes: moyenne, médiane, variance, tests statistique, corrélation.
 Public cible: analyste ou consultant ayant à interpréter des tableaux de données
 Durée: 1 demi-journée
 Pré-requis: aucun
 Moyens pédagogiques et d’encadrement: support de cours powerpoint distribué aux stagiaires – exercices distribués sous format
Excel – accès à la plate-forme Beekast pour tous les stagiaires, qui leur permet de répondre aux questions de à des questionnaires
durant la formation, et qui permet de suivre les réponses de chacun individuellement
 Appréciation des résultats: moyenne des notes attribuées à chaque exercice (3 durant la session).
 Modalités d’évaluation: questionnaire envoyé aux stagiaires dès la fin de la session sur la plate-forme Beekast.
 Formateur: Antoine Moreau
Retour à la liste des formations

Statistique descriptive (2/2)
 Programme:
• Les données et exemples utilisés lors de la session
• Avant l’analyse des données…
• Procédures d’échantillonnage,
• Tailles d’échantillon,
• Redressement, extrapolation
• Analyse descriptive univariée:
• Moyenne, variance,
• Médiane, quantiles,
• Intervalles de confiance, tests statistiques.
• Analyse descriptive multivariée:
• Corrélations,
• Tests du chi-deux
• Une première approche d’analyse de drivers: le bilan d’image.

Analyses factorielles et typologie: une journée (1/3)
 Objectif pédagogique: savoir décrire et interpréter une typologie et la traduire en actions opérationnelles.
 Compétences visées: comprendre les briques de base d’une typologie (AFC, ACP, ACM, AFM, classification hiérarchique) et en
interpréter les résultats.
 Public cible: : analyste ou consultant ayant à analyser/présenter des segmentations de clientèle.
 Durée: 1 journée
 Pré-requis: connaissance des notions de base de la formation « statistique descriptive »

 Programme:
• A quoi servent les analyses multivariées?
• Panorama des méthodes:
• Décrire et segmenter,
• Analyser et prévoir.
• Notions utiles:
• Centrer-réduire,
• Variance inter, variance intra
• Variable qualitative, variable quantitative,
• Corrélations
• Causalité

 Programme (suite):
• Analyse factorielles
• Les différentes analyses factorielles:ACP, AFC,ACM, AFM
• Comment marche une analyse factorielle?
• Comment lire les résultats d’une analyse factorielle?
• Typologies:
• Les différentes étapes: analyse factorielle, typologie, caractérisation des groupes,
• La CAH,
• La typologie en classes latentes.
• Algorithmes de réaffectation:
• Golden Questions: avantages et inconvénients,
• Choix des Golden Questions,
• Algorithme etTypingTool.

Analyse prédictive au niveau individuel (1/2)
 Objectif pédagogique: savoir interpréter les livrables d’une modélisation quantitative sur données individuelles et la traduire en
actions opérationnelles.
 Compétences visées: comprendre les notions élémentaires d’une modélisation (écart-type, p-value, validation croisée, critères de
goodness of fit) et en interpréter les résultats
 Public cible: : analyste ou consultant ayant à analyser/présenter des modélisations statistiques sur des bases de données individuelles
(calcul de probabilité d’achat ou de réachat, analyses de drivers,…).

Analyse prédictive au niveau individuel (2/2)
 Programme:
• Panorama des méthodes:
• Prévoir une variable quantitative,
• Prévoir une variable qualitative.
• Les méthodes de prévision:
• Régression linéaire,
• Régression logistique,
• Analyse discriminante,
• Arbre de segmentation,
• Random Forests,
• Réseaux

Analyse prédictive sur série temporelle agrégée (1/2)
 Objectif pédagogique: savoir interpréter les livrables d’une modélisation quantitative sur données agrégées et les traduire en actions
opérationnelles.
 Compétences visées: comprendre les notions élémentaires d’une modélisation (écart-type, p-value, validation croisée, critères de
goodness of fit) et en interpréter les résultats
 Public cible: : analyste ou consultant ayant à analyser/présenter des modélisations statistiques sur données agrégées (prévision sur
séries temporelles).

Analyse prédictive sur série temporelle agrégée (2/2)
 Programme:
• Les questions à se poser pour une analyse prédictive sur série temporelle:
• Forme fonctionnelle,
• Modèles hiérarchiques,
• Effets retard,
• Saisonnalité,
• Longueur de la série de données,
• Correction des variations saisonnières et des jours ouvrables.

Analyse de drivers (1/2)
 Objectif pédagogique: savoir interpréter les livrables d’une analyse de drivers et les traduire en actions opérationnelles.
 Compétences visées: comprendre ce qui différencie les diverses méthodes (régressions, arbres de segmentation, random forests,…),
les différents livrables (contributions, simulations) et en interpréter les résultats
 Public cible: : analyste ou consultant ayant à analyser/présenter des analyses de drivers.
 Pré-requis: connaissance des notions de base de la formation « statistique descriptive » et de la formation « analyse prédictive au
niveau individuel »

Analyse de drivers (2/2)
 Programme:
• Les analyses de drivers: pourquoi et dans quel contexte
• Importance déclarée vs importance calculée,
• Préférence de marque, intention d’achat, satisfaction des clients
• Le principe d’une analyse de drivers
• Prise en compte des non linéarités,
• Contexte concurrentiel vs monadique,
• Les outputs possibles d’une analyse de drivers:
• Contributions,
• Simulations,
• Comment en parler au client?
• Quand faut-il utiliser quelle méthode? Avantage et inconvénients de chacune:
• Régressions,
• Réseaux,
• Arbres de segmentation et random forests

MaxDiff etTrade Off (1/3)
 Objectif pédagogique: savoir interpréter les livrables d’un MaxDiff ou d’un Trade Off et les traduire en actions opérationnelles.
 Compétences visées: comprendre les notions de base (modélisation hiérarchique bayésienne, utilités, …), les différents livrables
(importance, part de voix, simulateur) et en interpréter les résultats
 Public cible: : analyste ou consultant ayant à analyser/présenter des MaxDiff ou des Trade Off

 Programme:
• Dans quels contextes proposer un MaxDiff ou unTrade Off:
• Hiérarchisation de préférence entre produits ou services,
• Importance respective des différentes caractéristiques d’un produit ou d’un service,
• Part de voix d’un nouveau produit ou service par rapport à un existant,
• Mesure de l’élasticité prix,
• Valorisation des caractéristiques d’un produit/service par les consommateurs- Revenue Management.
• Le plan d’expérience:
• Principe: nombre d’écrans, de choix proposés, nombre d’interviews
• Qu’est-ce qui va influer sur la complexité (et donc le coût) d’un plan d’expérience.
• Un peu de technique:
• Différents types deTradeOff: CBC, ACBC,
• Modélisation hiérarchique bayésienne,
• Exclusions entre attributs, attributs réservés à certains segments.

• Les questions sur la modélisation à poser/à se poser:
• Cleaning des réponses,
• Hiérarchie attendue des utilités,
• Modélisation par segments,
• Croisement de caractéristiques.
• Analyse des livrables:
• Utilités, intervalles de confiance,
• Importance,
• Part de voix par rapport à une situation de référence,
• Valeur des caractéristiques
• Modélisations complémentaires:
• Calibrage des parts de voix,
• Intention d’achat.
• Simulateur

Mesure de l’efficacité des campagnes publicitaires (1/3)
 Objectif pédagogique: savoir interpréter les livrables d’une modélisation d’efficacité publicitaire et les traduire en actions
opérationnelles.
 Compétences visées: comprendre ce qui différencie les diverses méthodes (régressions linéaire ou logistique, synergie des
investissements,…), les différents livrables (simulations, optimisation) et en interpréter les résultats
 Public cible: : analyste ou consultant impliqué dans les mesures d’efficacité des investissements marketing

 Programme:
• Les problématiques des modèles d’efficacité publicitaires:
• Calculer une courbe de réponse,
• Faire une simulation d’augmentation ou de diminution de budget,
• Optimiser les investissements médias,
• Attribuer une conversion à un média.
• Modèles d’efficacité publicitaire vs MMM
• Les données nécessaires.

• Quelle méthode statistique retenir?
• Rappel sur la régression linéaire et la régression logistique
• Utilisation d’un modèle pour répondre aux différentes problématiques
• Construction d’un modèle en Excel.
• Construction d’un modèle en R.

Marketing Mix Modeling (1/3)
 Objectif pédagogique: savoir interpréter les livrables d’un Marketing Mix Model et les traduire en actions opérationnelles.
 Compétences visées: comprendre les prés requis sur les données, ce qui différencie les diverses spécifications de modèle (synergie
des investissements, effets de halo,…), les différents livrables (simulations, optimisation) et en interpréter les résultats
 Public cible: : analyste ou consultant impliqué dans les mesures d’efficacité des investissements marketing

 Public cible: analyste ou consultant impliqué dans les mesures d’efficacité des investissements marketing
 Pré-requis: connaissance des notions de base de la formation « statistique descriptive » et de la formation « analyse prédictive sur
série temporelle agrégée»
 Programme:
• Les problématiques du Marketing Mix Modelling:
• Impact sur les ventes des investissements marketing,
• ROI des investissements marketing,
• Optimisation des investissements marketing et réallocation des budgets,
• Elasticité prix,
• Mesure de l’efficacité des promotions,
• Mesure des effets court /moyen/long terme,
• Mesure des effets cumulatifs,
• Niveau d’agrégation des résultats,
• Impact des événements exogènes.
• MMM vs modèles d’efficacité publicitaire

 Programme (suite) :
• Les données nécessaires.
• Comment combiner des périodicité différentes
• Quelle méthode statistique retenir?
• Rappel sur la régression linéaire.
• Utilisation d’un modèle pour répondre aux différentes problématiques
• Construction d’un modèle en Excel.
• Construction d’un modèle en R.

Introduction aux méthodes statistiques du Big Data (1/2)
 Objectif pédagogique: comprendre ce qu’apporte le Big Data.
 Compétences visées: être capable de dialoguer avec des data scientists et de discuter leurs méthodes.
 Public cible: : tout public

Introduction aux méthodes statistiques du Big Data (2/2)
 Programme:
• Définitions du Big Data:
• LesVs
• Les nouvelles méthodes statistiques
• Les nouveaux outils informatiques.
• Une brève histoire de la statistique
• Les opportunités et mirages du Big Data en 7 exemples.
• Vocabulaire, définition, méthodes:
• Modèle, machine learning, Intelligence artificielle, Random Forests, Chaîne de Markov cachées, Statistique bayésienne, réseaux
• Open data:
• Exemples d’utilisation des données de l’Open Data.

Définir et choisir les bons KPI pour piloter son activité (1/2)
 Objectif pédagogique: savoir choisir les bons KPIS pour piloter son activité.
 Compétences visées: savoir définir un objectif et savoir mesurer l’atteinte de cet objectif
 Public cible: tout public, avec en particulier les personnes en charge du développement, du suivi, du pilotage d’une activité: Business
Unit, Satisfaction, Marque, ROI, etc.
 Formateur: Laurent Florès

Définir et choisir les bons KPI pour piloter son activité (2/2)
 Programme:
• Qu’est ce qu’une bonne mesure ?
• Mesurer ou Compter?
• Validité, Fiabilité
• Sensibilité, Discriminance
• Exemples et Exercice
• De la Mesure au KPI : « Key Performance Indicator »
• Les fondamentaux : Définir les Objectifs
• Quelles mesures pour chacun des Objectifs
• Mesure et/ou Proxy ?
• Les 10 Caractéristiques d’un « bon » KPI
• Les 7 Bonnes Pratiques de déploiement
• Exemples et Cas
• Tableaux de Bord etVisualisation pour Piloter
• Les principes Clefs
• Visualisation et Organisation
• Exemples
 Formateur: Laurent Florès

SLPV analytics

Présentation de la société

SLPV analytics, expert data mining et Big Data
 SLPV analytics est spécialisée dans le traitement quantitatif de la donnée. Nous analysons aussi bien des données
d’études, récoltées par questionnaire, que des données provenant de bases de données d’entreprises, et qui résultent
de leur activité. Nous analysons aussi quantitativement les données non structurées venant des réseaux sociaux.
 Notre expertise dans le domaine du data mining et du Big Data a été récompensée par le Best Paper Award 2017
d’Esomar, décerné aux travaux que nous avons présentés à la conférence Big Data World de novembre 2016 à Berlin.
31/10/2020 Catalogue de formation - SLPV analytics 33

Quelques exemples de missions récentes
 Mesure du ROI des promotions pour un grand groupe
dans le secteur du tourisme
 Mise au point d’un outil de prévision des ventes pour un
industriel
 Optimisation de l’offre d’un opérateur télécom
 Identification de segments de clients à potentiel et des
messages à leur adresser dans le secteur des services aux
entreprises
 Optimisation de la cadence dans un centre d’appels

Exemples d’interventions
 Mesure de l’efficacité des investissements marketing
• Les ventes supplémentaires générées par vos promotions permettent-elles de compenser la baisse de valeur auprès de vos
clients récurrents? Quelle synergie entre vos investissements dans les médias traditionnels et les investissements digitaux?
Quel est le poids de chacun dans la conversion de vos clients? Nous mettons à votre service notre expertise métier de ces
questions et notre maîtrise de l’exploitation de bases de données volumineuses.
 Cadencement des campagnes d’e-mailing
• A quel moment vos clients sont-ils le plus susceptibles de réacheter? Quel est le meilleur moment pour leur reparler et
déclencher le réachat? La modélisation d’une probabilité de réachat à divers horizons temporels est au cœur de nos
compétences en data mining.
 Analyse de drivers
• Quels sont les leviers de la préférence pour votre marque, les leviers de l’achat, de la fidélité, de la satisfaction ? Réseaux
bayésiens, analyse PLS, régression logistique : aucune de ces méthodes n’est tout terrain. Nous vous proposerons la
« bonne » méthode : celle au service de votre objectif et des données disponibles.
 Optimisation du mix
• Quelles combinaisons de prix, de positionnements, et d’avantages clients maximisent la part de choix ? Nous maîtrisons
toutes les techniques de Trade Off et saurons vous conseiller sur le plan d’expérience et la méthode les plus adaptés. Tous nos
programmes d’optimisation sont écrits et développés par l’équipe SLPV analytics. Cette expertise nous assure flexibilité,
indépendance, rapidité et maîtrise des coûts.

Ils nous font confiance

Notre offre

Notre offre (1/3)
 Traitement de données – Dépouillement
d’enquêtes –Tris à plat, tris croisés
 Analyses multivariées
• Analyses factorielles
• Typologies, arbres de segmentation,
analyse discriminante,
• Trade off
• Régressions linéaire logistique ou PLS,
prévision temporelle.
• Réseaux bayésiens
 Production de rapports automatique (Excel,
ppt, pdf).
 Logiciels utilisés: Daisie, VBA, SPSS, SPAD,
SAS, R,

Notre offre (2/3)
 Modélisation économétrique
• ARMA,ARIMA
• Cointégration, causalité de Granger
• Variable instrumentales
 Data Mining -Fusion de données - Détection de
comportements types, de signaux faibles, de
tendance:
• Réseaux neuronaux,
• Méthodes stochastiques ,
• Random Forests,
• Machine Learning et Big Data

Notre offre (3/3)
 Formation –Accompagnement:
• Design de dispositif d’études
• Choix de méthodes d’analyse
• Mise en œuvre des méthodes d’analyse

R&D, articles, blogs
 R&D:
• Tester les méthodes repérées dans notre veille
scientifique
• Positionner les méthodes entre elles
 Statpedia:
• La statistique à portée de main, sans jargon et sans
formule
 Blogs, notes de lecture. Dernières parutions:
• Audience de la presse
• Avenir du tourisme spatial
• Classement des lycées
• Impact du catholicisme sur le vote FN
Nos publications sont librement accessibles sur notre site:
www.slpv-analytics.com

Formateurs

Antoine Moreau
 Antoine Moreau a 30 ans d’expérience dans le domaine de l’intelligence des données.
 Il a commencé sa carrière en 1987 au département de la recherche de l’INSEE. Tout en gardant
un fort ancrage dans le monde académique, il a été ensuite responsable des indices de prix à la
production. Il rejoint Ipsos en 1996, et a occupé des positions de management dans différents
départements d’Ipsos France. Il a ces 15 dernières années conseillé des clients dans le domaine
des services financiers, des télécommunications, de l’automobile, du luxe, du tourisme, du
transport ou des médias
 Il a créé SLPV analytics en novembre 2013 avec Laurent Florès. SLPV analytics est spécialisée
dans l’analyse quantitative des données, le data mining et les analyses statistiques du Big Data.
La société a obtenu l’award du meilleur papier ESOMAR 2017, pour ses travaux présentés au
congrès Big Data world, organisé par ESOMAR en novembre 2016 à Berlin.
 Antoine Moreau est diplômé de l’Ecole Polytechnique et de l’ENSAE. Il a enseigné la statistique et l’économétrie à l’ENSAE,
l’université Paris IV et à University College London. Il intervient sur le thème des Big Data aux Master 2 Le Quanti de l’IAE de
Grenoble et Intelligence Marketing et Mesure des Marchés de l’université Panthéon-Assas.
 Plus d’informations :
• www.slpv-analytics.com
• https://www.linkedin.com/in/antoine-moreau-7077603

Laurent Florès
 Laurent Florès a plus de 25 ans d’expérience dans le domaine du marketing, de la mesure
d’efficacité, du marketing digital, du développement d’activités et de l’entrepreneuriat en
France, Europe et Etats Unis.
 Il crée CRM Metrix aux Etats Unis en 2000 après 10 ans d’expérience chez Ipsos et Millward
Brown. Reconnue comme spécialiste de l’efficacité du Marketing Digital, la société se
développer aux Etats Unis et en Europe avant d’être intégrée à MetrixLab en 2011. Plus de 40
consultants répartis en France, USA, Inde et Singapour. Aujourd’hui, Laurent coache
entrepreneurs et starts ups dans leur développement.
 Laurent est l’auteur de « Mesurer l’Efficacité du Marketing Digital » (Dunod, 2012, 2016) (en
anglais chez Palgrave Mac Milan) dont la troisième édition est prévue pour 2021. L’ouvrage a
reçu le Prix de l’Académie Sciences Commerciales.
 Ancien Président de l’ESOMAR etVice-Président de l’Adetem.
 Laurent Florès est Docteur et Habilité à Diriger des Recherches en Sciences de Gestion (Marketing), il est Maître de
Conférences de l’Université Paris 2, Panthéon Assas.
 Plus d’informations :
• www.laurentflores.com
• https://www.linkedin.com/in/laurentflores/

Catalogue de formations - SLPV analytics

Recommandé

Recommandé

Contenu connexe

Similaire à Catalogue de formations - SLPV analytics

Similaire à Catalogue de formations - SLPV analytics (20)

Dernier

Dernier (20)

Catalogue de formations - SLPV analytics