SlideShare une entreprise Scribd logo
Calcul simplifié de la CLV :
exemple
Lionel Texier
Ilaria Dalla Pozza
26/05/2016
« Une théorie ne ressemble pas plus à un fait qu’une
photographie ne ressemble à son modèle »
Edgar Watson Howe – Ecrivain américain du XIXe s.
CLV =
𝑡=1
T
GCM(t) − M t
(1 + d)t
r(t)
CLV versus Past customer Value
• La CLV est une métrique forward-looking: elle permet d’estimer et
apprécier le comportement futur probable d’un client. Le futur peut
ne pas répliquer le passé!
• La Past Customer Value (dans les télécoms ARPU) n’est pas
forcément en mesure de prédire le futur (ex : impact Free Mobile)
• Traditionnellement, les entreprises ont suivi le paradigme originel:
satisfaction – fidélité – profitabilité
• Le même investissement en Satisfaction était fait pour tous les
clients, l’impact marginal sur la fidélité et la profitabilité était
supposés le même pour chaque client. Le retour sur
investissement n’était pas toujours au rendez-vous
• Avec la CLV, la profitabilité du client devient l’origine du processus
• La CLV permet de piloter et maîtriser les investissement en
satisfaction et fidélisation (Kumar, Dalla Pozza, Petersen et Shah,
2009)
@
Loi de Pareto
20% des clients sont à l’origine de 80% des profits si 𝑘 = 𝑙𝑜𝑔4 5 =1,16…
Les objectifs de la CLV
• Pilotage et ciblage des budgets consacrés à l’acquisition
• Pilotage et ciblage des budgets consacrés à la fidélisation
• Optimisation des budgets marketing acquisition Vs fidélisation
sous contrainte de maximisation de la profitabilité client
X% Clients Y% Valeur
X%<Y%
L’organisme doit
prêter une
attention
particulière aux
clients « X ».
L’organisme doit
proposer une qualité
de service
irréprochable à tous
ses clients
Domaine public, https://commons.wikimedia.org/w/index.php?curid=100919
La CLV : un concept, une infinité de
modèles
Relation
client
Relation contractuelle
Modalités de résiliation
définies
contractuellement,
fonctionnement régulier et
binaire de la relation client
Modèle prédictif de
comportement de
résiliation (taux de
retention)
Abonnements télécoms,
presse, assurance,
banque…
Relation non-contractuelle
Pas d’engagement, pas
de résiliation, possibilité
d’achats irréguliers dans
le temps
Modèle prédictif de
comportement d’achat
(probabilité d’achat)
La grande distribution, le
e-commerce, station-
essence, Amazon…
La CLV : formule générique
CLV =
𝑡=1
T
GCM(t) − M t
(1 + d)t r(t)
M : coût marketing
GCM : marge récurrente (revenus récurrents – coûts récurrents)
hors coût marketing
d : taux d’actualisation
r : taux de rétention
T : durée du cycle de vie du client (dépend du secteur d’activité
et des choix d’hypothèses)
NB : t commencerait à partir de 0 dans le cas d’un prospect
La CLV : formule générique
CLV =
𝑡=1
T
GCM(t) − M t
(1 + d)t r t
Un prospect ne doit être transformé en client que si le
coût d’acquisition ne dépasse pas sa CLV !
Les composantes de la CLV
Taux d’actualisation des flux futur
probables*
Coût marketing
Marge récurrente (hors coût
marketing)
Taux de rétention
* : un taux unique utilisé pour une entreprise
@
Les composantes de la CLV
All
Customers
Customer
Segments
Individual
Customer
Figure 3: niveaux de calculs de la CLV
Source: Kumar et Morris (2007)
@
Le taux d’actualisation : exemple du
WACC (1/2)
• 𝑊𝐴𝐶𝐶 =
𝐹𝑃×𝑟 𝐸+𝐷×𝑟 𝐷× 1−𝑡 𝐼𝑆
𝐹𝑃+𝐷
• 𝑟𝐸 = 𝑟𝑓 + 𝛽 𝐸 × 𝑟 𝑚 − 𝑟𝑓
• 𝛽 𝐸 = 𝛽 𝐸′ × 1 + 1 − 𝑡𝐼𝑆 ×
𝐷
𝐹𝑃
• 𝑟𝑓 est le taux sans risque
• 𝑟𝐸 est le taux de rendement exigé des actionnaires
• 𝛽 𝐸 est le coefficient Bêta de l’assureur par rapport au marché de référence
• 𝑟 𝑚 est le taux de rendement du marché de référence
• 𝐹𝑃 est le montant des fonds propres de l’assureur
• 𝐷 est le montant de la dette de l’assureur
• 𝑟𝐷 est le taux de remboursement de la dette
• 𝑡𝐼𝑆 est le taux d’impôt
Taux de rendement annuel moyen
attendu par les
actionnaires/créanciers
Le taux d’actualisation : exemple du
WACC (2/2)
• 9,5253 =
450×10,3629+50×2,98× 1−0,33
500
• 10,3629 = 2,78 + 1,08482 × 9,77 − 2,78
• 1,08482 = 1,01 × 1 + 1 − 0,33 ×
50
450
• 𝑟𝑓 2,78%
• 𝑟𝐸 10,36%
• 𝛽 𝐸 1,08482, 𝛽 𝐸′ 1,01
• 𝑟 𝑚 9,77%
• 𝐹𝑃 450
• 𝐷 50
• 𝑟𝐷 2,98%
• 𝑡𝐼𝑆 33,33%
Le taux d’actualisation annuel des flux sera
donc de 9,5253%.
(Ce taux sera constant dans le temps et le
même quelque soit le client considéré)
Application Numérique
Les coûts marketing
• Coût de programme de fidélité, coût de marketing à travers les
différents canaux (marketing direct, emailing, centre d’appels,
etc), coût de rétention
• Peut être calculé de différentes façons:
• Coût forfaitaire par individu par période projetée
• Variable dans le temps
• Ou constant dans le temps
• En pourcentage des primes ou des encours
• Au niveau individuel ou par segment homogène au sens des coûts
marketing
@
La marge récurrente
En assurance:
• On encaisse les primes avant d’indemniser les clients, c’est le
cycle économique inversé
• Les flux de prestations et de frais futurs sont incertains
• Tant du point de vue de leur montant total
• Que du moment où ils se produiront
• D’où le mécanisme fondamental inhérent à l’activité
d’assurance : la mutualisation des risques*
Il est donc impossible de calibrer une hypothèse de marge par
client, mais il faut le faire par profil de risque homogène.
* Pour un Courtier/CGPI/Agent dont la marge ne dépend pas de la sinistralité, cela peut ne pas s’appliquer
La marge récurrente
Mutualisation des risques : raisonner profil client en termes d’hypothèse technique*
Mutualisation
(risque)
Personnalisation
(marketing)
Approche uniforme (marketing – gestion des risques)
Approche segmentée (marketing – gestion des risques)
Impossible en
assurance
* Pour un Courtier/CGPI/Agent dont la marge ne dépend pas de la sinistralité, cela peut ne pas s’appliquer
La marge récurrente : Proxy en non-vie
En non-vie, la marge récurrente peut par exemple être projetée
en fonction des projections de prime annuelle en y associant:
• Un ratio de flux sortants/primes (1)
• Le décalage dans le temps d’un flux sortant unique* (qui
synthétise l’ensemble des flux prévus par le ratio (1), par
rapport au flux de prime associé, afin de calculer l’effet
d’actualisation
temps
Prime
Flux sortant synthétique
: (1)*Prime
actualisation
*Ou bien appliquer une cadence complète des flux
La marge récurrente : Proxy en vie
En vie, dans le cas d’une police avec encours mais sans nouvelle
prime future attendue, on peut de manière simplifiée commencer par
:
• Projeter chaque année l’évolution dans le temps de l’encours
(mortalité/survie, revenus financiers, mais hors effet rachats bien
sûr)
• Projeter un taux de marge sur encours appliqué au produit de
l’encours initial et de la projection
L’effet des résiliations/rachats interviendra dans le taux de rétention du modèle
0
1
2
3
4
5
6
7
0
100
200
300
400
500
600
1 2 3 4 5 6
Projection : Encours et marge profils A/B
Marge Profil A
Marge Profil B
Encours Client A
Encours Client B
Taux de Marge Profil A 1,25%
Taux de Marge Profil B 1,75%
Taux de rétention
Dans le cadre d’une relation contractuelle, un assuré est un
client tant qu’il n’a pas résilié, et une fois qu’il résilie il est très
peu probable qu’il revienne par la suite.
Le comportement de rétention est donc du type:
La modélisation du taux de rétention peut reposer sur des
modèles statistiques non-paramétriques ou paramétriques.
Nous allons décrire l’exemple d’approches paramétriques
proposées par Hardie et Fader (2014)
1 2 3 4 5 6 …
Client 1 1 1 1 0 0 0 0
Client 2 1 1 1 1 1 0 0
Période
Taux de rétention
Tx
Rétention
Constant dans
le temps
X
Identique
entre les
clients
X
Tx
Rétention
Constant dans
le temps
Identique
entre les
clients
X
Tx
Rétention
Constant dans
le temps
Identique
entre les
clients
Taux de rétention : loi géométrique
Hypothèses : Même taux de rétention pour tous les clients;
probabilité de rester client chaque année est constante dans le
temps,
Alors la loi géométrique peut être un modèle adapté. Le paramètre à
calibrer est le 𝜃 et cela correspond à la probabilité annuelle de
résilier (Fader et Hardie 2014)
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 2 3 4 5 6 7 8 9 10 11 12 13
P(rester client)
Taux de rétention : loi Bêta-géométrique
Hypothèses : chaque client i a sa propre probabilité 𝜽𝒊; cette
probabilité de rester client chaque année est constante dans le
temps,
Cela donne sur un segment un taux de résiliation (resp. rétention)
qui diminue (resp. augmente) dans le temps (Fader et Hardie 2014).
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 2 3 4 5 6 7 8 9 10 11 12
P(rester client)
Taux de rétention : loi Bêta-Géométrique
Cette observation est assez courante sur un portefeuille
d’assurance. L’hypothèse d’un taux de rétention individuel constant
dans le temps pour chaque individu peut-être envisagée et testée.
Du point de vue théorique, sous cette hypothèse, un modèle discret
pourrait être la loi géométrique avec autant de paramètres θi à
calibrer qu’il n’y a d’individus. Pas réaliste au niveau opérationnel.
Une alternative consiste à passer à l’échelle du segment à un
modèle Bêta-Géométrique qui aborde 𝜃 comme une variable
continue. La loi Bêta introduit la variabilité autour de sa valeur
moyenne du paramètre de la loi géométrique entre les individus
d’un segment (Fader et Hardie 2014).
𝐸Θ 𝑃 𝑇 = 𝑡|Θ = 𝜃
=
0
1
𝑃 𝑇 = 𝑡|Θ = 𝜃 𝑔 𝜃| 𝛾, 𝛿 𝑑𝜃
Taux de rétention : loi Bêta-Géométrique
La loi Bêta est caractérisée par deux paramètres supérieurs à 0,
associés à une variable aléatoire dont la valeur est comprise
entre 0 et 1 (Fader et Hardie 2014).
𝐸Θ 𝑃 𝑇 = 𝑡|Θ = 𝜃
=
0
1
𝑃 𝑇 = 𝑡|Θ = 𝜃 𝑔 𝜃| 𝛾, 𝛿 𝑑𝜃
𝑔 𝜃|𝛾, 𝛿 =
𝜃 𝛾−1
1 − 𝜃 𝛿−1
𝐵 𝛾, 𝛿
𝐸 Θ =
𝛾
𝛾 + 𝛿
Taux de rétention : Estimation du
maximum de vraisemblance
Les paramètres d’un tel modèle paramétrique peuvent être
estimés par l’estimation du maximum de vraisemblance.
Pour un modèle considéré, on estime sur la base d’un jeu de
données empiriques quelles sont les valeurs des paramètres du
modèle qui maximisent la vraisemblance de ce modèle appliqué
aux données empiriques.
Il s’agira donc de faire cette opération pour chaque segment de
clients considéré pour calibrer le taux de rétention (Fader et
Hardie 2014).
[Par exemple définir des segments par par canal d’acquisition]
Le taux de rétention : loi Bêta-Discrete-
Weibull
La limite de la loi Bêta-Géométrique est qu’il n’y a pas de point discontinuité
dans la courbure de la courbe, voire de changement de convexité. Or, ceci
peut être plus proche de la réalité de certains portefeuille qui présentent
souvent un « coude ».
On peut donc remplacer la loi Bêta-Géométrique par la loi Bêta-Discrete-
Weibull, en substituant la loi géométrique à la loi discrétisée de la loi
Weibull*. Cela revient à ajouter un exposant c au nombre de période dans
la loi géométrique. Si c est supérieur à 1, cela accroît le taux de résiliation
avec le temps, si c est inférieur à 1, cela le diminue.
Les courbes de taux de rétention peuvent prendre des formes plus variées
avec un coude ou inflexion.
Nakagawa et Osaki (1975)
Source: Fader, Hardie et Liu (2009)
Taux de rétention :
D’autres modèles paramétriques peuvent être envisagés, ou des
modèles non-paramétriques (analyses de survie, modèles de
durée).
Il est possible de complexifier la modélisation dans le temps et à
mesure que la qualité de données permet de calibrer des
modèles plus raffinés (scoring, non-paramétrique…)
Conclusion
• Il n’y a pas un modèle mais des modèles de calcul de la CLV
• Il est possible de commencer par des choses simples pour se
lancer avec des usages simples de la CLV
• Le niveau de complexité augmentera:
• Avec l’usage qui sera fait de la CLV
• La multiplicité de mécanismes appréhendés
• Garanties très différentes dans un produit
• Multi-détention
• Taille du portefeuille
• …
• Facteurs de succès :
• La qualité de la modélisation et la capacité à avoir un esprit critique sur
le modèle seront au rendez-vous
• Rome ne s’est pas construit en un jour, commencer par quelque chose
de simple et prévoir un processus continu d’amélioration dans la durée
Références
• Dalla Pozza, I. & Texier, L. (2015) "Marier Actuariat et Marketing", Banque et Stratégie, N. 336 May 2015
• Kumar V., Dalla Pozza I., Petersen A., Shah D. (2009), “Reversing the Logic: The New Path to Profitability
through Relationship Marketing”, Journal of Interactive Marketing, 23(2), 147-156
• http://brucehardie.com
• Fader et Hardie (2014), « An Introduction to Probability Models for Marketing Research » 25th Annual Advanced
Research Techniques Forum, June 22–25, 2014
• Fader, Peter S. and Bruce G. S. Hardie (2012), “Reconciling and Clarifying CLV Formulas.
http://brucehardie.com
• Fader, Peter S. and Bruce G. S. Hardie (2015a), “Simple Models for Computing Customer Lifetime Value.”
http://brucehardie.com
• Fader, Peter S. and Bruce G. S. Hardie (2015b), “Simple Probability Models for Computing CLV and CE,” in The
Handbook of Customer Equity, V.Kumar and Denish Shah (eds.), Cheltenham, UK: Edward Elgar Publishers.
• Fader, Hardie et Liu (2009), « Customer Retention Dynamics in a Contractual Setting:The Paradox of
Increasing Loyalty” http://brucehardie.com
• Kumar et Rajan (2009), « Profitable Customer Management: Measuring and Maximizing Customer Lifetime
Value » Management Accounting Quarterly, Spring 2009, Vol. 10, N.3
• Reinartz, W. J., & Kumar, V. (2000). On the profitability of long-life customers in a non-contractual setting: An
empirical investigation and implications for marketing. Journal of Marketing, 64, 17–35 (October).
• Reinartz, W. J., & Kumar, V. (2002). The mismanagement of customer loyalty. Harvard Business Review, 1–13
(July).
• Reinartz, W. J., & Kumar, V. (2003). The impact of customer relationship characteristics on profitable lifetime
duration. Journal of Marketing, 67, 77–99 (January).
• Reinartz, W. J., Thomas, J. S., & Kumar, V. (2005). Balancing acquisition and retention resources to maximize
customer profitability. Journal of Marketing, 69, 63–79 (January).
Slides AssurMarketing
Scannez le QR CODE
http://fr.slideshare.net/Insurance_Marketing
D’autres présentation sur la CLV en
assurance:
http://www.slideshare.net/Insurance_Marke
ting/fidlisation-en-assurance-et
http://www.slideshare.net/Insurance_Marke
ting/forum-sas-2014-la-clv-et-la-loi-hamon
http://www.slideshare.net/Insurance_Marke
ting/customer-lifetime-value-en-assurance
http://www.slideshare.net/Insurance_Marke
ting/tandem-actuariatmarketing-
nicolasmarescauxlioneltexier
R&A - Risk and Analysis
28 rue Marsoulan - 75012 Paris
Tel : +33 (0)1 84 17 20 36
Fax : +33 (0)1 84 17 20 45
Retrouvez plus d’informations sur notre
organisation : www.riskandanalysis.com
Slideshare R&A :
http://fr.slideshare.net/Risk_and_Analysis

Contenu connexe

Tendances

Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'images
Abdelouahed Abdou
 
UML Part 6 diagramme etat transition mansouri
UML Part 6 diagramme etat transition mansouriUML Part 6 diagramme etat transition mansouri
UML Part 6 diagramme etat transition mansouri
Mansouri Khalifa
 
Data mining - Introduction générale
Data mining - Introduction généraleData mining - Introduction générale
Data mining - Introduction générale
Mohamed Heny SELMI
 
Causal Inference : Primer (2019-06-01 잔디콘)
Causal Inference : Primer (2019-06-01 잔디콘)Causal Inference : Primer (2019-06-01 잔디콘)
Causal Inference : Primer (2019-06-01 잔디콘)
Minho Lee
 
디지털 트윈 플랫폼 기술과 사례(LX공사 특강)
디지털 트윈 플랫폼 기술과 사례(LX공사 특강)디지털 트윈 플랫폼 기술과 사례(LX공사 특강)
디지털 트윈 플랫폼 기술과 사례(LX공사 특강)
SANGHEE SHIN
 
UML Part2- diagramme des uses cases_mansouri
UML Part2- diagramme des uses cases_mansouriUML Part2- diagramme des uses cases_mansouri
UML Part2- diagramme des uses cases_mansouri
Mansouri Khalifa
 
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템
BOAZ Bigdata
 
Deep learning
Deep learningDeep learning
Deep learning
Bilal Rezkellah
 
Chapitre 3 la recherche tabou
Chapitre 3 la recherche tabouChapitre 3 la recherche tabou
Chapitre 3 la recherche tabou
Achraf Manaa
 
Introduction à React JS
Introduction à React JSIntroduction à React JS
Introduction à React JS
Abdoulaye Dieng
 
Diagramme de-composants152
Diagramme de-composants152Diagramme de-composants152
Diagramme de-composants152
Sirafina Rosa
 
Data mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes PrincipalesData mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes Principales
Mohamed Heny SELMI
 
[0821 박민근] 렌즈 플레어(lens flare)
[0821 박민근] 렌즈 플레어(lens flare)[0821 박민근] 렌즈 플레어(lens flare)
[0821 박민근] 렌즈 플레어(lens flare)
MinGeun Park
 
Comment créer une boutique de niche sur Shopify optimisée pour le SEO !
Comment créer une boutique de niche sur Shopify optimisée pour le SEO ! Comment créer une boutique de niche sur Shopify optimisée pour le SEO !
Comment créer une boutique de niche sur Shopify optimisée pour le SEO !
Abdel Halim ( Abdel Web Seller)
 
How to build massive service for advance
How to build massive service for advanceHow to build massive service for advance
How to build massive service for advance
DaeMyung Kang
 
Traitement distribue en BIg Data - KAFKA Broker and Kafka Streams
Traitement distribue en BIg Data - KAFKA Broker and Kafka StreamsTraitement distribue en BIg Data - KAFKA Broker and Kafka Streams
Traitement distribue en BIg Data - KAFKA Broker and Kafka Streams
ENSET, Université Hassan II Casablanca
 
Data Analyse pas à pas avec R
Data Analyse pas à pas avec RData Analyse pas à pas avec R
Data Analyse pas à pas avec R
Amar LAKEL, PhD
 
TD4-UML-Correction
TD4-UML-CorrectionTD4-UML-Correction
TD4-UML-Correction
Lilia Sfaxi
 

Tendances (20)

Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'images
 
UML Part 6 diagramme etat transition mansouri
UML Part 6 diagramme etat transition mansouriUML Part 6 diagramme etat transition mansouri
UML Part 6 diagramme etat transition mansouri
 
Data mining - Introduction générale
Data mining - Introduction généraleData mining - Introduction générale
Data mining - Introduction générale
 
Causal Inference : Primer (2019-06-01 잔디콘)
Causal Inference : Primer (2019-06-01 잔디콘)Causal Inference : Primer (2019-06-01 잔디콘)
Causal Inference : Primer (2019-06-01 잔디콘)
 
Cmmi
CmmiCmmi
Cmmi
 
디지털 트윈 플랫폼 기술과 사례(LX공사 특강)
디지털 트윈 플랫폼 기술과 사례(LX공사 특강)디지털 트윈 플랫폼 기술과 사례(LX공사 특강)
디지털 트윈 플랫폼 기술과 사례(LX공사 특강)
 
UML Part2- diagramme des uses cases_mansouri
UML Part2- diagramme des uses cases_mansouriUML Part2- diagramme des uses cases_mansouri
UML Part2- diagramme des uses cases_mansouri
 
Analyse et cahier des charges
Analyse et cahier des chargesAnalyse et cahier des charges
Analyse et cahier des charges
 
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [Find Your Style 팀] : 사용자 이미지 라벨링을 통한 의류 추천 시스템
 
Deep learning
Deep learningDeep learning
Deep learning
 
Chapitre 3 la recherche tabou
Chapitre 3 la recherche tabouChapitre 3 la recherche tabou
Chapitre 3 la recherche tabou
 
Introduction à React JS
Introduction à React JSIntroduction à React JS
Introduction à React JS
 
Diagramme de-composants152
Diagramme de-composants152Diagramme de-composants152
Diagramme de-composants152
 
Data mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes PrincipalesData mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes Principales
 
[0821 박민근] 렌즈 플레어(lens flare)
[0821 박민근] 렌즈 플레어(lens flare)[0821 박민근] 렌즈 플레어(lens flare)
[0821 박민근] 렌즈 플레어(lens flare)
 
Comment créer une boutique de niche sur Shopify optimisée pour le SEO !
Comment créer une boutique de niche sur Shopify optimisée pour le SEO ! Comment créer une boutique de niche sur Shopify optimisée pour le SEO !
Comment créer une boutique de niche sur Shopify optimisée pour le SEO !
 
How to build massive service for advance
How to build massive service for advanceHow to build massive service for advance
How to build massive service for advance
 
Traitement distribue en BIg Data - KAFKA Broker and Kafka Streams
Traitement distribue en BIg Data - KAFKA Broker and Kafka StreamsTraitement distribue en BIg Data - KAFKA Broker and Kafka Streams
Traitement distribue en BIg Data - KAFKA Broker and Kafka Streams
 
Data Analyse pas à pas avec R
Data Analyse pas à pas avec RData Analyse pas à pas avec R
Data Analyse pas à pas avec R
 
TD4-UML-Correction
TD4-UML-CorrectionTD4-UML-Correction
TD4-UML-Correction
 

En vedette

Customer LifeTime Value en assurance
Customer LifeTime Value en assuranceCustomer LifeTime Value en assurance
Customer LifeTime Value en assurance
Insurance_Marketing
 
L'expérience client en assurance par Franck Le Vallois
L'expérience client en assurance par Franck Le ValloisL'expérience client en assurance par Franck Le Vallois
L'expérience client en assurance par Franck Le Vallois
Insurance_Marketing
 
Customer lifetime value ppttt
Customer lifetime value pptttCustomer lifetime value ppttt
Customer lifetime value ppttt
Jaswinder Singh
 
Les grands enjeux de la banque de demain
Les grands enjeux de la banque de demainLes grands enjeux de la banque de demain
Les grands enjeux de la banque de demain
Emmanuel Fraysse
 
Référentiel Client Unique
Référentiel Client Unique Référentiel Client Unique
Référentiel Client Unique
Soft Computing
 
Florence Legros : quelques idées autour du marketing de l'assurance
Florence Legros : quelques idées autour du marketing de l'assuranceFlorence Legros : quelques idées autour du marketing de l'assurance
Florence Legros : quelques idées autour du marketing de l'assurance
Insurance_Marketing
 
BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...
BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...
BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...
Insurance_Marketing
 
Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...
Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...
Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...
Insurance_Marketing
 
Le digital en assurance chez la Mutuelle Générale
Le digital en assurance chez la Mutuelle GénéraleLe digital en assurance chez la Mutuelle Générale
Le digital en assurance chez la Mutuelle Générale
Insurance_Marketing
 

En vedette (9)

Customer LifeTime Value en assurance
Customer LifeTime Value en assuranceCustomer LifeTime Value en assurance
Customer LifeTime Value en assurance
 
L'expérience client en assurance par Franck Le Vallois
L'expérience client en assurance par Franck Le ValloisL'expérience client en assurance par Franck Le Vallois
L'expérience client en assurance par Franck Le Vallois
 
Customer lifetime value ppttt
Customer lifetime value pptttCustomer lifetime value ppttt
Customer lifetime value ppttt
 
Les grands enjeux de la banque de demain
Les grands enjeux de la banque de demainLes grands enjeux de la banque de demain
Les grands enjeux de la banque de demain
 
Référentiel Client Unique
Référentiel Client Unique Référentiel Client Unique
Référentiel Client Unique
 
Florence Legros : quelques idées autour du marketing de l'assurance
Florence Legros : quelques idées autour du marketing de l'assuranceFlorence Legros : quelques idées autour du marketing de l'assurance
Florence Legros : quelques idées autour du marketing de l'assurance
 
BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...
BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...
BPCE Assurances - Jean-Marie Adam : Comment gérer la transformation digitale ...
 
Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...
Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...
Enjeux stratégiques de la fidélisation en assurance : la CLV comme facteur cl...
 
Le digital en assurance chez la Mutuelle Générale
Le digital en assurance chez la Mutuelle GénéraleLe digital en assurance chez la Mutuelle Générale
Le digital en assurance chez la Mutuelle Générale
 

Similaire à Calcul de CLV en assurance : exemple simplifié de modèlisation

02 la gestion des produits d'assurance (2011)
02   la gestion des produits d'assurance (2011)02   la gestion des produits d'assurance (2011)
02 la gestion des produits d'assurance (2011)
lionelmachado
 
Leviers optimisation achats transport
Leviers optimisation achats transportLeviers optimisation achats transport
Leviers optimisation achats transport
Annika Beckers
 
Guide du credit management en 2019
Guide du credit management en 2019Guide du credit management en 2019
Guide du credit management en 2019
Justine Badaire
 
Statistiques descrip. et mathe financieres
Statistiques descrip. et  mathe financieresStatistiques descrip. et  mathe financieres
Statistiques descrip. et mathe financieres
YassineHammoucha
 
Mathematiques financieres
Mathematiques financieresMathematiques financieres
Mathematiques financieres
YassineHammoucha
 
Semaine 5
Semaine 5Semaine 5
Semaine 5
GE 94
 
Yeild management
Yeild managementYeild management
Yeild management
bouzeggaoui fatima zahra
 
Etude Expérience Client en Assurance Automobile
Etude Expérience Client en Assurance AutomobileEtude Expérience Client en Assurance Automobile
Etude Expérience Client en Assurance Automobile
Constance Chédauté
 
Math financier-121010134129-phpapp01
Math financier-121010134129-phpapp01Math financier-121010134129-phpapp01
Math financier-121010134129-phpapp01
Arafah Lachhab
 
Module 21 mathématique financière
Module 21   mathématique financièreModule 21   mathématique financière
Module 21 mathématique financière
Leo Nsync
 
CRM et Chaîne de la Valeur Client
 CRM et Chaîne de la Valeur Client CRM et Chaîne de la Valeur Client
CRM et Chaîne de la Valeur Client
Efficy CRM
 
ISGValorisationsV0
ISGValorisationsV0ISGValorisationsV0
ISGValorisationsV0
slim Oueslati
 
Guide du Credit Manager 4.0
Guide du Credit Manager 4.0Guide du Credit Manager 4.0
Guide du Credit Manager 4.0
Justine Badaire
 
Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...
Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...
Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...
Pénélope Cardera
 
Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...
Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...
Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...
ActuariaCnam
 
Session 6 - Analyse bénéfice coûts
Session 6 - Analyse bénéfice coûts Session 6 - Analyse bénéfice coûts
Session 6 - Analyse bénéfice coûts
UNDP Climate
 
Yield management
Yield managementYield management

Similaire à Calcul de CLV en assurance : exemple simplifié de modèlisation (20)

Cpm (1)
Cpm (1)Cpm (1)
Cpm (1)
 
02 la gestion des produits d'assurance (2011)
02   la gestion des produits d'assurance (2011)02   la gestion des produits d'assurance (2011)
02 la gestion des produits d'assurance (2011)
 
Leviers optimisation achats transport
Leviers optimisation achats transportLeviers optimisation achats transport
Leviers optimisation achats transport
 
Guide du credit management en 2019
Guide du credit management en 2019Guide du credit management en 2019
Guide du credit management en 2019
 
Statistiques descrip. et mathe financieres
Statistiques descrip. et  mathe financieresStatistiques descrip. et  mathe financieres
Statistiques descrip. et mathe financieres
 
Mathematiques financieres
Mathematiques financieresMathematiques financieres
Mathematiques financieres
 
Semaine 5
Semaine 5Semaine 5
Semaine 5
 
Assureur non vie
Assureur non vieAssureur non vie
Assureur non vie
 
Yeild management
Yeild managementYeild management
Yeild management
 
Etude Expérience Client en Assurance Automobile
Etude Expérience Client en Assurance AutomobileEtude Expérience Client en Assurance Automobile
Etude Expérience Client en Assurance Automobile
 
TCE2-Math financier
TCE2-Math financierTCE2-Math financier
TCE2-Math financier
 
Math financier-121010134129-phpapp01
Math financier-121010134129-phpapp01Math financier-121010134129-phpapp01
Math financier-121010134129-phpapp01
 
Module 21 mathématique financière
Module 21   mathématique financièreModule 21   mathématique financière
Module 21 mathématique financière
 
CRM et Chaîne de la Valeur Client
 CRM et Chaîne de la Valeur Client CRM et Chaîne de la Valeur Client
CRM et Chaîne de la Valeur Client
 
ISGValorisationsV0
ISGValorisationsV0ISGValorisationsV0
ISGValorisationsV0
 
Guide du Credit Manager 4.0
Guide du Credit Manager 4.0Guide du Credit Manager 4.0
Guide du Credit Manager 4.0
 
Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...
Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...
Extrait Livre Blanc : Comment mesurer le retour sur investissement de l'assur...
 
Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...
Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...
Mémoire David Guetta : Le système des taux de cessions internes du groupe Ban...
 
Session 6 - Analyse bénéfice coûts
Session 6 - Analyse bénéfice coûts Session 6 - Analyse bénéfice coûts
Session 6 - Analyse bénéfice coûts
 
Yield management
Yield managementYield management
Yield management
 

Plus de Insurance_Marketing

Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?
Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?
Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?
Insurance_Marketing
 
Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?
Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?
Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?
Insurance_Marketing
 
Programme AssurMarketing|2016
Programme AssurMarketing|2016Programme AssurMarketing|2016
Programme AssurMarketing|2016
Insurance_Marketing
 
Table ronde : Réseaux sociaux et acquisition digitale en assurance
Table ronde : Réseaux sociaux et acquisition digitale en assuranceTable ronde : Réseaux sociaux et acquisition digitale en assurance
Table ronde : Réseaux sociaux et acquisition digitale en assurance
Insurance_Marketing
 
Table ronde : transformation organisationnelle de l'entreprise d'assurance su...
Table ronde : transformation organisationnelle de l'entreprise d'assurance su...Table ronde : transformation organisationnelle de l'entreprise d'assurance su...
Table ronde : transformation organisationnelle de l'entreprise d'assurance su...
Insurance_Marketing
 
AGEA - Jean Mesmin : la transformation digitale vue par les agents généraux
AGEA - Jean Mesmin : la transformation digitale vue par les agents générauxAGEA - Jean Mesmin : la transformation digitale vue par les agents généraux
AGEA - Jean Mesmin : la transformation digitale vue par les agents généraux
Insurance_Marketing
 
Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...
Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...
Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...
Insurance_Marketing
 
Generali : Transformation digitale et changement organisationnels
Generali : Transformation digitale et changement organisationnelsGenerali : Transformation digitale et changement organisationnels
Generali : Transformation digitale et changement organisationnels
Insurance_Marketing
 
Programme AssurMarketing|2015
Programme AssurMarketing|2015Programme AssurMarketing|2015
Programme AssurMarketing|2015
Insurance_Marketing
 
Innovation Marketing en assurance
Innovation Marketing en assuranceInnovation Marketing en assurance
Innovation Marketing en assurance
Insurance_Marketing
 
Le multicanal agrandit-il les murs de l'agence?
Le multicanal agrandit-il les murs de l'agence?Le multicanal agrandit-il les murs de l'agence?
Le multicanal agrandit-il les murs de l'agence?
Insurance_Marketing
 
Assurance Multicanal B2B
Assurance Multicanal B2BAssurance Multicanal B2B
Assurance Multicanal B2B
Insurance_Marketing
 
E constat en assurance EURESA
E constat en assurance EURESAE constat en assurance EURESA
E constat en assurance EURESA
Insurance_Marketing
 
Présentation ipag
Présentation ipagPrésentation ipag
Présentation ipag
Insurance_Marketing
 
SMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureur
SMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureurSMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureur
SMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureur
Insurance_Marketing
 
Assurance & Big Data
Assurance & Big DataAssurance & Big Data
Assurance & Big Data
Insurance_Marketing
 
Programme AssurMarketing|2014
Programme AssurMarketing|2014Programme AssurMarketing|2014
Programme AssurMarketing|2014
Insurance_Marketing
 
Tandem actuariat-marketing : Nicolas Marescaux Lionel Texier
Tandem actuariat-marketing : Nicolas Marescaux Lionel TexierTandem actuariat-marketing : Nicolas Marescaux Lionel Texier
Tandem actuariat-marketing : Nicolas Marescaux Lionel Texier
Insurance_Marketing
 
Ram Gopal US Insurance multichannel & gamification
Ram Gopal US Insurance multichannel & gamificationRam Gopal US Insurance multichannel & gamification
Ram Gopal US Insurance multichannel & gamification
Insurance_Marketing
 
Christophe Bezes Assurance multicanal & thèse multicanal FNAC
Christophe Bezes Assurance multicanal & thèse multicanal FNACChristophe Bezes Assurance multicanal & thèse multicanal FNAC
Christophe Bezes Assurance multicanal & thèse multicanal FNAC
Insurance_Marketing
 

Plus de Insurance_Marketing (20)

Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?
Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?
Compte Nickel : Vendra-t-on de l'assurance en bureau de tabac?
 
Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?
Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?
Manko banking : l'innovation en assurance viendra-t-elle d'Afrique?
 
Programme AssurMarketing|2016
Programme AssurMarketing|2016Programme AssurMarketing|2016
Programme AssurMarketing|2016
 
Table ronde : Réseaux sociaux et acquisition digitale en assurance
Table ronde : Réseaux sociaux et acquisition digitale en assuranceTable ronde : Réseaux sociaux et acquisition digitale en assurance
Table ronde : Réseaux sociaux et acquisition digitale en assurance
 
Table ronde : transformation organisationnelle de l'entreprise d'assurance su...
Table ronde : transformation organisationnelle de l'entreprise d'assurance su...Table ronde : transformation organisationnelle de l'entreprise d'assurance su...
Table ronde : transformation organisationnelle de l'entreprise d'assurance su...
 
AGEA - Jean Mesmin : la transformation digitale vue par les agents généraux
AGEA - Jean Mesmin : la transformation digitale vue par les agents générauxAGEA - Jean Mesmin : la transformation digitale vue par les agents généraux
AGEA - Jean Mesmin : la transformation digitale vue par les agents généraux
 
Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...
Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...
Mutuelle Générale - Benoît Douxami : Réseaux Sociaux et acquisition digitale ...
 
Generali : Transformation digitale et changement organisationnels
Generali : Transformation digitale et changement organisationnelsGenerali : Transformation digitale et changement organisationnels
Generali : Transformation digitale et changement organisationnels
 
Programme AssurMarketing|2015
Programme AssurMarketing|2015Programme AssurMarketing|2015
Programme AssurMarketing|2015
 
Innovation Marketing en assurance
Innovation Marketing en assuranceInnovation Marketing en assurance
Innovation Marketing en assurance
 
Le multicanal agrandit-il les murs de l'agence?
Le multicanal agrandit-il les murs de l'agence?Le multicanal agrandit-il les murs de l'agence?
Le multicanal agrandit-il les murs de l'agence?
 
Assurance Multicanal B2B
Assurance Multicanal B2BAssurance Multicanal B2B
Assurance Multicanal B2B
 
E constat en assurance EURESA
E constat en assurance EURESAE constat en assurance EURESA
E constat en assurance EURESA
 
Présentation ipag
Présentation ipagPrésentation ipag
Présentation ipag
 
SMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureur
SMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureurSMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureur
SMATIS - SCUB : quelle stratégie digitale pour une mutuelle ou un assureur
 
Assurance & Big Data
Assurance & Big DataAssurance & Big Data
Assurance & Big Data
 
Programme AssurMarketing|2014
Programme AssurMarketing|2014Programme AssurMarketing|2014
Programme AssurMarketing|2014
 
Tandem actuariat-marketing : Nicolas Marescaux Lionel Texier
Tandem actuariat-marketing : Nicolas Marescaux Lionel TexierTandem actuariat-marketing : Nicolas Marescaux Lionel Texier
Tandem actuariat-marketing : Nicolas Marescaux Lionel Texier
 
Ram Gopal US Insurance multichannel & gamification
Ram Gopal US Insurance multichannel & gamificationRam Gopal US Insurance multichannel & gamification
Ram Gopal US Insurance multichannel & gamification
 
Christophe Bezes Assurance multicanal & thèse multicanal FNAC
Christophe Bezes Assurance multicanal & thèse multicanal FNACChristophe Bezes Assurance multicanal & thèse multicanal FNAC
Christophe Bezes Assurance multicanal & thèse multicanal FNAC
 

Dernier

Microbiologie: le monde microbien et les techniques de mise en évidence.
Microbiologie: le monde microbien et les techniques de mise en évidence.Microbiologie: le monde microbien et les techniques de mise en évidence.
Microbiologie: le monde microbien et les techniques de mise en évidence.
MahouwetinJacquesGBO
 
Zineb Mekouar.pptx Écrivaine marocaine
Zineb Mekouar.pptx   Écrivaine  marocaineZineb Mekouar.pptx   Écrivaine  marocaine
Zineb Mekouar.pptx Écrivaine marocaine
Txaruka
 
MS-203 Microsoft 365 Messaging Study Guide to prepare the certification
MS-203 Microsoft 365 Messaging Study Guide to prepare the certificationMS-203 Microsoft 365 Messaging Study Guide to prepare the certification
MS-203 Microsoft 365 Messaging Study Guide to prepare the certification
OlivierLumeau1
 
Formation M2i - Attitude constructive : développer l'art de l'optimisme
Formation M2i - Attitude constructive : développer l'art de l'optimismeFormation M2i - Attitude constructive : développer l'art de l'optimisme
Formation M2i - Attitude constructive : développer l'art de l'optimisme
M2i Formation
 
1eT Revolutions Empire Revolution Empire
1eT Revolutions Empire Revolution Empire1eT Revolutions Empire Revolution Empire
1eT Revolutions Empire Revolution Empire
NadineHG
 
Présentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Présentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaPrésentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Présentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
siemaillard
 
A2-Faire-une-appreciation positive et/ou négative (A2)
A2-Faire-une-appreciation positive et/ou négative (A2)A2-Faire-une-appreciation positive et/ou négative (A2)
A2-Faire-une-appreciation positive et/ou négative (A2)
lebaobabbleu
 
MARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptx
MARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptxMARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptx
MARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptx
Martin M Flynn
 
[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf
[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf
[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf
mcevapi3
 
L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...
L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...
L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...
Faga1939
 
Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...
Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...
Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...
dokposeverin
 
Cours Gestion d’actifs BNP -- CAMGESTION
Cours Gestion d’actifs BNP -- CAMGESTIONCours Gestion d’actifs BNP -- CAMGESTION
Cours Gestion d’actifs BNP -- CAMGESTION
Sékou Oumar SYLLA
 
apprendre-a-programmer-avec-python-3.pdf
apprendre-a-programmer-avec-python-3.pdfapprendre-a-programmer-avec-python-3.pdf
apprendre-a-programmer-avec-python-3.pdf
kamouzou878
 
Burkina Faso libraries newsletter for June 2024
Burkina Faso libraries newsletter for June 2024Burkina Faso libraries newsletter for June 2024
Burkina Faso libraries newsletter for June 2024
Friends of African Village Libraries
 
A2-Critiques-gastronomiques activités critiques
A2-Critiques-gastronomiques activités critiquesA2-Critiques-gastronomiques activités critiques
A2-Critiques-gastronomiques activités critiques
lebaobabbleu
 

Dernier (15)

Microbiologie: le monde microbien et les techniques de mise en évidence.
Microbiologie: le monde microbien et les techniques de mise en évidence.Microbiologie: le monde microbien et les techniques de mise en évidence.
Microbiologie: le monde microbien et les techniques de mise en évidence.
 
Zineb Mekouar.pptx Écrivaine marocaine
Zineb Mekouar.pptx   Écrivaine  marocaineZineb Mekouar.pptx   Écrivaine  marocaine
Zineb Mekouar.pptx Écrivaine marocaine
 
MS-203 Microsoft 365 Messaging Study Guide to prepare the certification
MS-203 Microsoft 365 Messaging Study Guide to prepare the certificationMS-203 Microsoft 365 Messaging Study Guide to prepare the certification
MS-203 Microsoft 365 Messaging Study Guide to prepare the certification
 
Formation M2i - Attitude constructive : développer l'art de l'optimisme
Formation M2i - Attitude constructive : développer l'art de l'optimismeFormation M2i - Attitude constructive : développer l'art de l'optimisme
Formation M2i - Attitude constructive : développer l'art de l'optimisme
 
1eT Revolutions Empire Revolution Empire
1eT Revolutions Empire Revolution Empire1eT Revolutions Empire Revolution Empire
1eT Revolutions Empire Revolution Empire
 
Présentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Présentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaPrésentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Présentation3.pptxaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
 
A2-Faire-une-appreciation positive et/ou négative (A2)
A2-Faire-une-appreciation positive et/ou négative (A2)A2-Faire-une-appreciation positive et/ou négative (A2)
A2-Faire-une-appreciation positive et/ou négative (A2)
 
MARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptx
MARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptxMARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptx
MARTYRS DE HOLLANDE - La révolte hollandaise et les guerres de religion..pptx
 
[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf
[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf
[218_phot_d'Autriche-Hongrie_et_des_[...]Vaffier_Hubert_btv1b8594559c.pdf
 
L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...
L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...
L'ÉDUCATION AVEC INTELLIGENCE ARTIFICIELLE ET LES DÉFICIENCES DE SON APPLICAT...
 
Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...
Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...
Manuel-5.-Elevage-de-poisson-chat-africain-Clarias-gariepinus-en-bacs-hors-so...
 
Cours Gestion d’actifs BNP -- CAMGESTION
Cours Gestion d’actifs BNP -- CAMGESTIONCours Gestion d’actifs BNP -- CAMGESTION
Cours Gestion d’actifs BNP -- CAMGESTION
 
apprendre-a-programmer-avec-python-3.pdf
apprendre-a-programmer-avec-python-3.pdfapprendre-a-programmer-avec-python-3.pdf
apprendre-a-programmer-avec-python-3.pdf
 
Burkina Faso libraries newsletter for June 2024
Burkina Faso libraries newsletter for June 2024Burkina Faso libraries newsletter for June 2024
Burkina Faso libraries newsletter for June 2024
 
A2-Critiques-gastronomiques activités critiques
A2-Critiques-gastronomiques activités critiquesA2-Critiques-gastronomiques activités critiques
A2-Critiques-gastronomiques activités critiques
 

Calcul de CLV en assurance : exemple simplifié de modèlisation

  • 1. Calcul simplifié de la CLV : exemple Lionel Texier Ilaria Dalla Pozza 26/05/2016 « Une théorie ne ressemble pas plus à un fait qu’une photographie ne ressemble à son modèle » Edgar Watson Howe – Ecrivain américain du XIXe s. CLV = 𝑡=1 T GCM(t) − M t (1 + d)t r(t)
  • 2. CLV versus Past customer Value • La CLV est une métrique forward-looking: elle permet d’estimer et apprécier le comportement futur probable d’un client. Le futur peut ne pas répliquer le passé! • La Past Customer Value (dans les télécoms ARPU) n’est pas forcément en mesure de prédire le futur (ex : impact Free Mobile) • Traditionnellement, les entreprises ont suivi le paradigme originel: satisfaction – fidélité – profitabilité • Le même investissement en Satisfaction était fait pour tous les clients, l’impact marginal sur la fidélité et la profitabilité était supposés le même pour chaque client. Le retour sur investissement n’était pas toujours au rendez-vous • Avec la CLV, la profitabilité du client devient l’origine du processus • La CLV permet de piloter et maîtriser les investissement en satisfaction et fidélisation (Kumar, Dalla Pozza, Petersen et Shah, 2009) @
  • 3. Loi de Pareto 20% des clients sont à l’origine de 80% des profits si 𝑘 = 𝑙𝑜𝑔4 5 =1,16… Les objectifs de la CLV • Pilotage et ciblage des budgets consacrés à l’acquisition • Pilotage et ciblage des budgets consacrés à la fidélisation • Optimisation des budgets marketing acquisition Vs fidélisation sous contrainte de maximisation de la profitabilité client X% Clients Y% Valeur X%<Y% L’organisme doit prêter une attention particulière aux clients « X ». L’organisme doit proposer une qualité de service irréprochable à tous ses clients Domaine public, https://commons.wikimedia.org/w/index.php?curid=100919
  • 4. La CLV : un concept, une infinité de modèles Relation client Relation contractuelle Modalités de résiliation définies contractuellement, fonctionnement régulier et binaire de la relation client Modèle prédictif de comportement de résiliation (taux de retention) Abonnements télécoms, presse, assurance, banque… Relation non-contractuelle Pas d’engagement, pas de résiliation, possibilité d’achats irréguliers dans le temps Modèle prédictif de comportement d’achat (probabilité d’achat) La grande distribution, le e-commerce, station- essence, Amazon…
  • 5. La CLV : formule générique CLV = 𝑡=1 T GCM(t) − M t (1 + d)t r(t) M : coût marketing GCM : marge récurrente (revenus récurrents – coûts récurrents) hors coût marketing d : taux d’actualisation r : taux de rétention T : durée du cycle de vie du client (dépend du secteur d’activité et des choix d’hypothèses) NB : t commencerait à partir de 0 dans le cas d’un prospect
  • 6. La CLV : formule générique CLV = 𝑡=1 T GCM(t) − M t (1 + d)t r t Un prospect ne doit être transformé en client que si le coût d’acquisition ne dépasse pas sa CLV !
  • 7. Les composantes de la CLV Taux d’actualisation des flux futur probables* Coût marketing Marge récurrente (hors coût marketing) Taux de rétention * : un taux unique utilisé pour une entreprise @
  • 8. Les composantes de la CLV All Customers Customer Segments Individual Customer Figure 3: niveaux de calculs de la CLV Source: Kumar et Morris (2007) @
  • 9. Le taux d’actualisation : exemple du WACC (1/2) • 𝑊𝐴𝐶𝐶 = 𝐹𝑃×𝑟 𝐸+𝐷×𝑟 𝐷× 1−𝑡 𝐼𝑆 𝐹𝑃+𝐷 • 𝑟𝐸 = 𝑟𝑓 + 𝛽 𝐸 × 𝑟 𝑚 − 𝑟𝑓 • 𝛽 𝐸 = 𝛽 𝐸′ × 1 + 1 − 𝑡𝐼𝑆 × 𝐷 𝐹𝑃 • 𝑟𝑓 est le taux sans risque • 𝑟𝐸 est le taux de rendement exigé des actionnaires • 𝛽 𝐸 est le coefficient Bêta de l’assureur par rapport au marché de référence • 𝑟 𝑚 est le taux de rendement du marché de référence • 𝐹𝑃 est le montant des fonds propres de l’assureur • 𝐷 est le montant de la dette de l’assureur • 𝑟𝐷 est le taux de remboursement de la dette • 𝑡𝐼𝑆 est le taux d’impôt Taux de rendement annuel moyen attendu par les actionnaires/créanciers
  • 10. Le taux d’actualisation : exemple du WACC (2/2) • 9,5253 = 450×10,3629+50×2,98× 1−0,33 500 • 10,3629 = 2,78 + 1,08482 × 9,77 − 2,78 • 1,08482 = 1,01 × 1 + 1 − 0,33 × 50 450 • 𝑟𝑓 2,78% • 𝑟𝐸 10,36% • 𝛽 𝐸 1,08482, 𝛽 𝐸′ 1,01 • 𝑟 𝑚 9,77% • 𝐹𝑃 450 • 𝐷 50 • 𝑟𝐷 2,98% • 𝑡𝐼𝑆 33,33% Le taux d’actualisation annuel des flux sera donc de 9,5253%. (Ce taux sera constant dans le temps et le même quelque soit le client considéré) Application Numérique
  • 11. Les coûts marketing • Coût de programme de fidélité, coût de marketing à travers les différents canaux (marketing direct, emailing, centre d’appels, etc), coût de rétention • Peut être calculé de différentes façons: • Coût forfaitaire par individu par période projetée • Variable dans le temps • Ou constant dans le temps • En pourcentage des primes ou des encours • Au niveau individuel ou par segment homogène au sens des coûts marketing @
  • 12. La marge récurrente En assurance: • On encaisse les primes avant d’indemniser les clients, c’est le cycle économique inversé • Les flux de prestations et de frais futurs sont incertains • Tant du point de vue de leur montant total • Que du moment où ils se produiront • D’où le mécanisme fondamental inhérent à l’activité d’assurance : la mutualisation des risques* Il est donc impossible de calibrer une hypothèse de marge par client, mais il faut le faire par profil de risque homogène. * Pour un Courtier/CGPI/Agent dont la marge ne dépend pas de la sinistralité, cela peut ne pas s’appliquer
  • 13. La marge récurrente Mutualisation des risques : raisonner profil client en termes d’hypothèse technique* Mutualisation (risque) Personnalisation (marketing) Approche uniforme (marketing – gestion des risques) Approche segmentée (marketing – gestion des risques) Impossible en assurance * Pour un Courtier/CGPI/Agent dont la marge ne dépend pas de la sinistralité, cela peut ne pas s’appliquer
  • 14. La marge récurrente : Proxy en non-vie En non-vie, la marge récurrente peut par exemple être projetée en fonction des projections de prime annuelle en y associant: • Un ratio de flux sortants/primes (1) • Le décalage dans le temps d’un flux sortant unique* (qui synthétise l’ensemble des flux prévus par le ratio (1), par rapport au flux de prime associé, afin de calculer l’effet d’actualisation temps Prime Flux sortant synthétique : (1)*Prime actualisation *Ou bien appliquer une cadence complète des flux
  • 15. La marge récurrente : Proxy en vie En vie, dans le cas d’une police avec encours mais sans nouvelle prime future attendue, on peut de manière simplifiée commencer par : • Projeter chaque année l’évolution dans le temps de l’encours (mortalité/survie, revenus financiers, mais hors effet rachats bien sûr) • Projeter un taux de marge sur encours appliqué au produit de l’encours initial et de la projection L’effet des résiliations/rachats interviendra dans le taux de rétention du modèle 0 1 2 3 4 5 6 7 0 100 200 300 400 500 600 1 2 3 4 5 6 Projection : Encours et marge profils A/B Marge Profil A Marge Profil B Encours Client A Encours Client B Taux de Marge Profil A 1,25% Taux de Marge Profil B 1,75%
  • 16. Taux de rétention Dans le cadre d’une relation contractuelle, un assuré est un client tant qu’il n’a pas résilié, et une fois qu’il résilie il est très peu probable qu’il revienne par la suite. Le comportement de rétention est donc du type: La modélisation du taux de rétention peut reposer sur des modèles statistiques non-paramétriques ou paramétriques. Nous allons décrire l’exemple d’approches paramétriques proposées par Hardie et Fader (2014) 1 2 3 4 5 6 … Client 1 1 1 1 0 0 0 0 Client 2 1 1 1 1 1 0 0 Période
  • 17. Taux de rétention Tx Rétention Constant dans le temps X Identique entre les clients X Tx Rétention Constant dans le temps Identique entre les clients X Tx Rétention Constant dans le temps Identique entre les clients
  • 18. Taux de rétention : loi géométrique Hypothèses : Même taux de rétention pour tous les clients; probabilité de rester client chaque année est constante dans le temps, Alors la loi géométrique peut être un modèle adapté. Le paramètre à calibrer est le 𝜃 et cela correspond à la probabilité annuelle de résilier (Fader et Hardie 2014) 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1 2 3 4 5 6 7 8 9 10 11 12 13 P(rester client)
  • 19. Taux de rétention : loi Bêta-géométrique Hypothèses : chaque client i a sa propre probabilité 𝜽𝒊; cette probabilité de rester client chaque année est constante dans le temps, Cela donne sur un segment un taux de résiliation (resp. rétention) qui diminue (resp. augmente) dans le temps (Fader et Hardie 2014). 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1 2 3 4 5 6 7 8 9 10 11 12 P(rester client)
  • 20. Taux de rétention : loi Bêta-Géométrique Cette observation est assez courante sur un portefeuille d’assurance. L’hypothèse d’un taux de rétention individuel constant dans le temps pour chaque individu peut-être envisagée et testée. Du point de vue théorique, sous cette hypothèse, un modèle discret pourrait être la loi géométrique avec autant de paramètres θi à calibrer qu’il n’y a d’individus. Pas réaliste au niveau opérationnel. Une alternative consiste à passer à l’échelle du segment à un modèle Bêta-Géométrique qui aborde 𝜃 comme une variable continue. La loi Bêta introduit la variabilité autour de sa valeur moyenne du paramètre de la loi géométrique entre les individus d’un segment (Fader et Hardie 2014). 𝐸Θ 𝑃 𝑇 = 𝑡|Θ = 𝜃 = 0 1 𝑃 𝑇 = 𝑡|Θ = 𝜃 𝑔 𝜃| 𝛾, 𝛿 𝑑𝜃
  • 21. Taux de rétention : loi Bêta-Géométrique La loi Bêta est caractérisée par deux paramètres supérieurs à 0, associés à une variable aléatoire dont la valeur est comprise entre 0 et 1 (Fader et Hardie 2014). 𝐸Θ 𝑃 𝑇 = 𝑡|Θ = 𝜃 = 0 1 𝑃 𝑇 = 𝑡|Θ = 𝜃 𝑔 𝜃| 𝛾, 𝛿 𝑑𝜃 𝑔 𝜃|𝛾, 𝛿 = 𝜃 𝛾−1 1 − 𝜃 𝛿−1 𝐵 𝛾, 𝛿 𝐸 Θ = 𝛾 𝛾 + 𝛿
  • 22. Taux de rétention : Estimation du maximum de vraisemblance Les paramètres d’un tel modèle paramétrique peuvent être estimés par l’estimation du maximum de vraisemblance. Pour un modèle considéré, on estime sur la base d’un jeu de données empiriques quelles sont les valeurs des paramètres du modèle qui maximisent la vraisemblance de ce modèle appliqué aux données empiriques. Il s’agira donc de faire cette opération pour chaque segment de clients considéré pour calibrer le taux de rétention (Fader et Hardie 2014). [Par exemple définir des segments par par canal d’acquisition]
  • 23. Le taux de rétention : loi Bêta-Discrete- Weibull La limite de la loi Bêta-Géométrique est qu’il n’y a pas de point discontinuité dans la courbure de la courbe, voire de changement de convexité. Or, ceci peut être plus proche de la réalité de certains portefeuille qui présentent souvent un « coude ». On peut donc remplacer la loi Bêta-Géométrique par la loi Bêta-Discrete- Weibull, en substituant la loi géométrique à la loi discrétisée de la loi Weibull*. Cela revient à ajouter un exposant c au nombre de période dans la loi géométrique. Si c est supérieur à 1, cela accroît le taux de résiliation avec le temps, si c est inférieur à 1, cela le diminue. Les courbes de taux de rétention peuvent prendre des formes plus variées avec un coude ou inflexion. Nakagawa et Osaki (1975) Source: Fader, Hardie et Liu (2009)
  • 24. Taux de rétention : D’autres modèles paramétriques peuvent être envisagés, ou des modèles non-paramétriques (analyses de survie, modèles de durée). Il est possible de complexifier la modélisation dans le temps et à mesure que la qualité de données permet de calibrer des modèles plus raffinés (scoring, non-paramétrique…)
  • 25. Conclusion • Il n’y a pas un modèle mais des modèles de calcul de la CLV • Il est possible de commencer par des choses simples pour se lancer avec des usages simples de la CLV • Le niveau de complexité augmentera: • Avec l’usage qui sera fait de la CLV • La multiplicité de mécanismes appréhendés • Garanties très différentes dans un produit • Multi-détention • Taille du portefeuille • … • Facteurs de succès : • La qualité de la modélisation et la capacité à avoir un esprit critique sur le modèle seront au rendez-vous • Rome ne s’est pas construit en un jour, commencer par quelque chose de simple et prévoir un processus continu d’amélioration dans la durée
  • 26. Références • Dalla Pozza, I. & Texier, L. (2015) "Marier Actuariat et Marketing", Banque et Stratégie, N. 336 May 2015 • Kumar V., Dalla Pozza I., Petersen A., Shah D. (2009), “Reversing the Logic: The New Path to Profitability through Relationship Marketing”, Journal of Interactive Marketing, 23(2), 147-156 • http://brucehardie.com • Fader et Hardie (2014), « An Introduction to Probability Models for Marketing Research » 25th Annual Advanced Research Techniques Forum, June 22–25, 2014 • Fader, Peter S. and Bruce G. S. Hardie (2012), “Reconciling and Clarifying CLV Formulas. http://brucehardie.com • Fader, Peter S. and Bruce G. S. Hardie (2015a), “Simple Models for Computing Customer Lifetime Value.” http://brucehardie.com • Fader, Peter S. and Bruce G. S. Hardie (2015b), “Simple Probability Models for Computing CLV and CE,” in The Handbook of Customer Equity, V.Kumar and Denish Shah (eds.), Cheltenham, UK: Edward Elgar Publishers. • Fader, Hardie et Liu (2009), « Customer Retention Dynamics in a Contractual Setting:The Paradox of Increasing Loyalty” http://brucehardie.com • Kumar et Rajan (2009), « Profitable Customer Management: Measuring and Maximizing Customer Lifetime Value » Management Accounting Quarterly, Spring 2009, Vol. 10, N.3 • Reinartz, W. J., & Kumar, V. (2000). On the profitability of long-life customers in a non-contractual setting: An empirical investigation and implications for marketing. Journal of Marketing, 64, 17–35 (October). • Reinartz, W. J., & Kumar, V. (2002). The mismanagement of customer loyalty. Harvard Business Review, 1–13 (July). • Reinartz, W. J., & Kumar, V. (2003). The impact of customer relationship characteristics on profitable lifetime duration. Journal of Marketing, 67, 77–99 (January). • Reinartz, W. J., Thomas, J. S., & Kumar, V. (2005). Balancing acquisition and retention resources to maximize customer profitability. Journal of Marketing, 69, 63–79 (January).
  • 27. Slides AssurMarketing Scannez le QR CODE http://fr.slideshare.net/Insurance_Marketing D’autres présentation sur la CLV en assurance: http://www.slideshare.net/Insurance_Marke ting/fidlisation-en-assurance-et http://www.slideshare.net/Insurance_Marke ting/forum-sas-2014-la-clv-et-la-loi-hamon http://www.slideshare.net/Insurance_Marke ting/customer-lifetime-value-en-assurance http://www.slideshare.net/Insurance_Marke ting/tandem-actuariatmarketing- nicolasmarescauxlioneltexier
  • 28. R&A - Risk and Analysis 28 rue Marsoulan - 75012 Paris Tel : +33 (0)1 84 17 20 36 Fax : +33 (0)1 84 17 20 45 Retrouvez plus d’informations sur notre organisation : www.riskandanalysis.com Slideshare R&A : http://fr.slideshare.net/Risk_and_Analysis