Actualités Quatrax

A voir aussi...

Téléchargements
» Tous les téléchargements

Data Mining

Analyser et prédire le comportement de vos clients


Contexte

Les données accumulées par les entreprises cachent des relations sous-jacentes entre plusieurs variables comportementales et de profils clients. Mais l’importante quantité de ces données masque la richesse de l’information.

   

Le besoin

Faire apparaître de nouvelles variables discriminantes de vos clients, variables de profils et comportementales, pour accroître significativement la connaissance client, adapter votre stratégie et développer votre retour sur investissement.
   

Notre solution

Quatrax propose la valorisation des données par des techniques de data mining et statistique pour exploiter toutes la richesse des données clients en faisant apparaître les corrélations entre toutes les variables de vos bases clients  et répondre aux besoins de l’entreprise en terme de :
  • Segmentation et ciblage client
  • Cross sell et fidélisation
  • Optimisation des stratégies multicanaux
  • Augmentation du ROI des campagnes et diminution des coûts
  • Réduction des impayés et anticipation du risque client


Les principales applications Data Mining Quatrax :

  • Scoring : attribuer une « note » à l’exhaustivité de vos clients à partir d’une connaissance partielle en fonction du degré de ressemblance avec votre cœur de cible.
→ Exemple : Classement des 60 000 médecins généralistes selon leur niveau de prescription d’antidépresseurs en fonction d’un cœur de cible de 20 000 répondants Icomed.
  • Segmentation comportementale : construire des groupes homogènes de clients ayant un comportement similaire et faire ainsi apparaître des liaisons entre différentes variables.

→ Exemple : Diabétologues à forte activité en zone urbaine, sensibles aux nouvelles technologies

  • Modèle prédictif : prédire et anticiper des comportements à risque.

→ Exemple : Prédiction du Churn (Infidélité)

    

Qu’est-ce que le data mining ?

Le data mining (forage de données) ou Extraction de Connaissances à partir de Données (ECD), a pour objet l’extraction d'un savoir ou d'une connaissance à partir de grandes quantités de données, par des méthodes automatiques ou semi-automatiques, et l'utilisation industrielle ou opérationnelle de ce savoir.
 
Elle est utilisée le plus souvent pour résoudre des problématiques très diverses, allant de la gestion de relation client à la maintenance préventive, en passant par la détection de fraudes ou encore l'optimisation de sites web.
   

Principales utilisation du data mining:

Analyser les comportements des clients et des consommateurs : prescription, ventes croisées, similarités de comportements, cartes de fidélité, … Prédire l’appétence média, la réponse à un mailing ou à une opération de marketing direct (par exemple pour en optimiser les coûts) Prédire l’attrition (ou churn) des clients : quels sont les indices de comportement permettant de détecter la probabilité qu’un client a de quitter son fournisseur (sa banque, son opérateur de téléphonie mobile, …) Détecter des comportements anormaux ou frauduleux (transactions financières, escroquerie aux assurances, distribution d’énergie, …) Rechercher des critères qui permettront d’établir ensuite une évaluation pour repérer les « bons » clients sans facteur de risque (Évaluation des risques-clients) et leur proposer peut-être une tarification adaptée (par exemple pour une banque ou une compagnie d’assurance). Suggérer lors d’un appel à un call center, en temps réel, une réponse de l’opérateur qui soit adaptée.
  
Le data mining est un processus d'extraction de connaissances valides et exploitables à partir de grands volumes de données. Il a vocation à être utilisé dans un environnement professionnel et se distingue de l'analyse de données et de la statistique par les points suivants : 
Contrairement à la méthode statistique, le data mining ne nécessite jamais que l'on établisse une hypothèse de départ qu'il s'agira de vérifier. Ce sont des données elles-mêmes que sont déduites les corrélations intéressantes, le logiciel n'étant là que pour les découvrir (le data mining se situe à la croisée des statistiques, de l'intelligence artificielle, des bases de données).
 
    • Les connaissances extraites par le data mining ont vocation à être intégrées dans le schéma organisationnel de l'entreprise ou de l'entité considérée. Le data mining impose donc d'être capable d'utiliser de manière opérationnelle les résultats des analyses effectuées, souvent dans des délais très courts. Le processus d'analyse doit permettre à l'organisation une réactivité (très) importante.

     

    • Les données traitées sont issues des systèmes de stockage en place dans l'organisation et sont ainsi hétérogènes, multiples, plus ou moins structurées. Leur raison d'être n'est donc a priori pas l'analyse (sauf dans le cas d'un entrepôt de données). Cela impose de disposer de systèmes performants de préparation ou de manipulation de données.

     

      • Le data mining se propose de transformer en information, ou en connaissance, de grands volumes de données qui peuvent être stockées de manière diverse, dans des bases de données relationnelles, dans un (ou plusieurs) entrepôt de données (datawarehouse), mais qui peuvent aussi être récupérées de sources riches plus ou moins structurées comme internet, ou encore en temps réel (appel à un call center, retrait d'argent dans un distributeur à billets...).  

      Lorsque la source n’est pas directement un entrepôt de données, il s'agit très souvent de construire une base de données ou un datamart dédié à l'analyse et aux analystes. Cela suppose d'avoir à sa disposition une palette d'outils de gestion de données (data management). On peut également structurer les données de l’entrepôt sous forme d’un hypercube OLAP.