Connaître son audience grâce à la Data - Parisa MAjlessi
•
1 j'aime•270 vues
Nos formations : www.jedha.co Analyser des comportements d'achats, d'utilisateurs Web, de retombées de campagnes, la Data Science est maintenant un outil important pour l'aide à la décision pour mieux connaître son audience et proposer les solutions les plus adaptés. Vous pourrez aussi découvrir toutes les possibilités qu'offre la Data Science dans l'élaboration d'une stratégie marketing.
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à Connaître son audience grâce à la Data - Parisa MAjlessi
Similaire à Connaître son audience grâce à la Data - Parisa MAjlessi (20)
Plus de Jedha Bootcamp
Plus de Jedha Bootcamp (20)
Connaître son audience grâce à la Data - Parisa MAjlessi
- 1. Data Science Bootcamp Commencez votre carrière dans la Data
- 2. Notre Speaker — Parisa Majlessi Data Scientist
- 4. Pour quoi la data science est appliqué dans le marketing? Nouvelles technologies génèrent un volume important de données Ce volume de données pourrait être utilisé pour affiner les stratégies marketing Extraire de la connaissance des données de toute forme et structure n’est pas évident La data science peut aider à répondre à ces besoins
- 5. Les avantages de faire appel à la data science Amélioration de la connaissance client Bien connaitre son client aide à prédire ses prochaines actions et mieux répondre à ses attentes Prédiction d'attrition un prospect potentiel de se diriger vers les concurrents si votre service ne lui convient plus. Par le biais de la prédiction d'attrition, l'équipe de marketing peut mettre en place des stratégies pour assurer la fidélité continue du client. Amélioration de la productivité et de l'efficacité au sein même de l'entreprise L'utilisation du Machine Learning permet d'analyser les données de façon purement mathématique, et ainsi fournir un résultat objectif des attentes et des désirs du consommateur.
- 6. Exemples d’utilisation de la data-science dans le marketing
- 7. Exemples d’utilisation de la data-science dans le marketing Typologie des clients Ciblage des clients Personnalisation prédictive Cette technique adoptée depuis plusieurs années par les grands groupes, permet notamment l’étude des habitudes d’achat des clients et d’effectuer leur classement selon ces critères. On peut également citer dans un contexte BtoC des critères de segmentation client plus démographiques. - Objectif : orienter les investissement sur l’audience ayant le plus forte probabilité de transformer - La modélisation des intentions clients repose sur des algorithmes de scores qui identifient et calculent le degré d'appétence des individus à l’offre, d’une entreprise Pour booster leurs ventes en ligne, les e-marchands utilisent de plus en plus des solutions de personnalisation prédictive. La personnalisation prédictive permet par exemple établir des recommandations de produits, poussées à chaque client sur le site e-commerce ou off-site.
- 9. typologie des clients : méthodologie (1) OBJECTIF Méthodes classique : - PMG - RFM Ces méthodes utilisent la connaissance métier et sont plutôt simples à mettre en place. Méthodes modernes : On laisse les modèles de Machine-Learning trouver les groupes qui composent les clients. Comprendre qui sont nos clients
- 10. typologie des clients : méthodologie (2) DEMARCHE On récupère le plus de données possibles sur les clients Pour chaque client on aura une ligne de données avec m attributs : On cherche à attribuer chaque client à une classe. on parle d’une classification non-supervisée, mais aussi de clustering âge genre diplôme … Client 1 24 M Bac+2 … Client 2 37 F Bac+3 … … Clustering Classification non-supervisée
- 11. typologie des clients : méthodologie (3) ALGORITHME L’algorithme le plus connu et le plus utilisé de classification non-supervisée s’appelle « K-means ». Cet algorithme se base sur la similarité entre les individus. Les étapes de l’algorithme de K-means: 1. On choisit le nombre de classes K 2. On sélectionne K clients au hasard comme les centres 3. On calcule la distance euclidienne entre chaque client et les centres 4. On attribue chaque client au centre qui lui est le plus proche 5. On calcule le centre de gravité de chaque classe 6. On répète les étapes 3,4 et 5 jusqu’à ce que les centres ne bougent plus K-Means
- 12. typologie des clients : méthodologie (4) ALGORITHME Nombre de classes optimal : Dans un bon clustering • grande inertie inter-classe • petite inertie intra-classe Pour trouver le nombre de classes optimal la règle de coude : la courbe commence à aplatir K-Means
- 14. Ciblage de nouveaux clients : méthodologie (1) OBJECTIF Le ciblage de clients est habituellement réalisé à l’aide des méthodes de scoring. Le scoring est généralement produit par des modèles de Machine Learning afin de prédire l’appétence, l’attrition ou le canal marketing privilégié, d’un client/ prospect. Savoir quel client cibler
- 15. Ciblage de nouveaux clients : méthodologie (2) DEMARCHE On dispose de différentes données sur chaque client (les variables explicatives, désignées avec ), plus une nouvelle information : le client a-t-il acheté le produit/ cliqué sur le lien/ accepté l’offre /etc. ? Cette information constitue la variable à expliquer ou la variable cible. Elle est binaire et vaut 1 si le client s’est montré intéressé, et 0 sinon. On le désigne avec . L’objectif de la classification supervisée est de prédire la variables cible à l’aide des variables explicatives. 𝑋𝑖 𝑌 Classification supervisée âge genre diplôme … cible Client 1 24 M Bac+2 … 1 Client 2 37 F Bac+3 … 0 … Les données labelisées Algorithme machine learning Un modèle qui distingue les données
- 16. Ciblage de nouveaux clients : méthodologie (3) ALGORITHME La régression logistique rend une valeur entre 0 et 1. Généralement on définit un seuil, par exemple au-delàs duquel on estime que l’individu appartient au groupe avec . Evaluation de la régression logistique : Il est souhaité que les indicateurs suivants soient les plus élevés possibles. 0,5 𝑌 = 1 Accurac𝑦 = 𝑉 𝑃 + 𝑉 𝑁 𝑉 𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑉 𝑁 Rappel = 𝑉 𝑃 𝑉 𝑃 + 𝐹𝑁 Précision = 𝑉 𝑃 𝑉 𝑃 + 𝐹𝑃 Régression logistique Régression linéaire Régression linéaire et régression logistique appliquées au problème binaireValeur prédite Y = 1 Y = 0 Y = 1 Y = 0 Valeur réelle Vrai positif Faux positif Faux négatif Vrai négatif
- 18. Personnalisation prédictive : méthodologie (1) OBJECTIF Données récupérées: - temps passé sur les différents sites web - articles ajoutés au panier - les achats precedents - Formulaires remplies - Les recherches effectuées - Les interactions sur les reseaux sociaux On utilize ces données pour proposer au client les articles qui vont lui plaire. On parle de « système de recommendation ». Proposer le bon produit au bon client Vous avez acheté un portable, vous aurez très probablement besoin d’un étui Vous aimez les films du genre action ayant pour vedette clint Eastwood, vous aimerez le film « Le Bon, la Brute et le Truand » Les gens qui vous ressemblent et qui ont acheté du lait, ont aussi acheté du pain Vous aimez « Spiderman », vous allez aimer « Superman » Votre ami aime les voitures de marque « Ford », vous allez aussi les aimer
- 19. Personnalisation prédictive : méthodologie (2) DEMARCHE HYPOTHESE : les clients similaires aiment les mêmes produits. On peut : - proposer à un client les articles similaires ou liés à un article qu’il a déjà acheté. Exemple : le client a loué le film « Titanic », ce film est similaire au « The great Gatsby », on propose au client de louer « The great Gatsby ». - Proposer à un client les articles qu’un autre client similaire a acheté. Exemple : Le client a loué le film « Titanic », les clients qui ont loué ce film, ont aussi loué « Harry Potter ». Donc au propose au client de louer « Harry Potter ». Filtrage collaboratif User-based collaborative filtering Item-based collaborative filtering
- 20. Personnalisation prédictive : méthodologie (3) ALGORITHME On construit une matrice avec les notes de clients aux produits. Parfois l’information est manquante. On cherche à la trouver. On décompose la matrice avec n clients et m articles en deux matrices et . Pour connaitre le note que peut donner le premier client au quatrième article, il suffit de multiplier la première ligne de par la quatrième colonne de . 𝑋𝑛∗𝑚 𝑈𝑛∗𝑘 𝑉 𝑘∗𝑚 𝑈 𝑉 Factorisation matricielle
- 21. Message à retenir (take-home message) La pratique de data-science apporte une solution plus précise aux problématiques courantes de marketing La connaissance client, la prédiction d’attrition et la personnalisation de l’offre sont des sujets souvent traités à l’aide de machine-learning Les méthodes les plus utilisées pour répondre à ces problématiques incluent le K- mean (la classification non-supervisée), la régression logistique (la classification supervisée) et la factorisation matricielle
- 23. Jedha Lyon : Data Science Bootcamp — FONDAMENTAUX 2 Novembre - 21 Décembre Tous les samedis 10h - 16h Samedis —
- 24. Jedha Lyon : Data Science Bootcamp — FULLSTACK Temps plein — 28 Octobre - 6 Février Lundi au Vendredi 9h30 - 15h30
- 25. Data Science Bootcamp Merci ! A la prochaine :)