3. Méthodes mathématiques
Demain sera comme aujourd’hui
Demain sera l’extrapolation d’une tendance, tenant compte de deux aléas :
Les aléas transitoires (le bruit) et les aléas cumulatifs (effet cliquet)
Prévoir les comportements : la meilleure prévision est la prévision précédente corrigée d’une
partie de l’écart entre prévision et réalisation : c’est le « lissage exponentiel »
Le scoring : regroupement des populations en cohortes homogènes : prédire les
comportements et CA des clients pratiquant des achats répétitifs mesurés par
- Récence
-Fréquence (différent hélas de l’assiduité !)
- Montant moyen d’achat
- Type d’achat
4. Méthodes mathématiques
Life Time Value =
Espérance mathématique de CA x
Espérance mathématique de durée de vie avec marque
5. Méthodes qualitatives
La méthode des produit pivot ou d’amorçage
On commence petit avec un produit non impliquant et on augmente la mise en
fonction de sa satisfaction.
Ex : La Redoute, amazon
La méthode de la Consommation séquentielle
Le produit B suit naturellement l’achat du produit A et l’achat C suit l’achat de B, etc.
Ex : Leroy Merlin, amazon
6. Méthodes quantitatives
data mining
Recherche de corrélations entre les achats
et des variables endogènes (composition foyer par exemple)
ou avec variables exogènes (lieu d’habitation, météo,…
8. Méthodes quantitatives
Big Data
Ce n’est pas du Data Mining « en grand »
C’est du Data Mining avec en plus :
- Le temps réel
-Des données de géolocalisation
- L’accès à des bases de données publiques
- un état d’esprit de sérendipité : les corrélations inattendues