Université Ibn Zohr Faculté des Sciences Juridiques, Économiques et Sociales Exposé sous le thème : Le Data Mining, Outil d’aide à la prise de décision dans l’action commerciale Adil OUZAHOUT Plan : Introduction : L’informatique décisionnelle Qu’est ce que le Data Mining? Comparaison entre le système de gestion et le système décisionnel Particularités du Data Mining Les 5 étapes de la démarche du Data Mining Certaines anecdotes Certains domaines d’application du Data Mining Pourquoi le Data Mining? Adil OUZAHOUT Introduction : L’informatique décisionnelle Le Data Mining rentre dans le cadre de l’informatique décisionnelle, BI( Business Intelligence). Le BI comprend l’ensemble des solutions informatiques consacrées au traitement et l’analyse de l’ensemble de données enregistrées sur les Bases de Données des entreprises dans le but d’apporter une aide à la prise de décision. Adil OUZAHOUT Business Intelligence Management Performance Enterprise Reporting DATA WAREHOUSE Bases de donenées transactionnelles Adil OUZAHOUT Data Mining Data Mining L'Extraction de Connaissances à partir de Données (ECD), Knowledge Discovery Databases (KDD). Définition : Processus non trivial d ’identification de structures inconnues, valides et potentiellement exploitables dans les bases de données (Fayyad, 1996). Il permet de mieux comprendre les liens entre des phénomènes en apparence distincts et d'anticiper des tendances encore peu discernables. Sur le plan professionnel, son utilisation est large, allant de la gestion de relation client a la détection de fraudes. Adil OUZAHOUT Le Système Décisionnel TRANSFORMER L ’INFORMATION EN CONNAISSANCES Le DATA MINING IDENTIFIER L ’OPPORTUNITE COMMERCIALE OU AUTRE MESURER LES RESULTATS DES ACTIONS Adil OUZAHOUT AGIR SUR LES INFORMATIONS Systèmes de gestion # Systèmes décisionnels Adil OUZAHOUT Particularités du Data Mining (1) des techniques d'analyse qui ne sont pas dans la culture des statisticiens, en provenance de l'apprentissage automatique (Intelligence artificielle) et des bases de données ; (2) Le Data Mining est intégrée dans le schéma organisationnel de l'entreprise. Ainsi, les données ne sont plus issues d'enquêtes ou de sondages mais proviennent d'entrepôts construits sciemment pour une exploitation aux fins d'analyse, le DATAWAREHOUSE. D'une part, une réorganisation du flux de données au sein de l'entreprise devient nécessaire (l'enchaînement des bases de production, le Datawarehouse et les Datamarts); d'autre part, la capacité des méthodes statistiques à traiter de gros volumes devient un élément clé ; (3) enfin, le traitement des données se développe en traitant, non plus seulement des fichiers plats "individus x variables", mais également des données sous forme non structurée, le texte, depuis un bon moment déjà, mais aussi les images et la vidéo. Cette orientation attribue une place primordiale à l'appréhension et la préparation des données. Adil OUZAHOUT Les 5 étapes de la démarche du Data Mining (1) accès aux données, stockées sous une forme structurée (base de données, fichiers tabulaires) ou non structurée (texte, image, etc.); (2) la préparation des données, en vue du traitement; (3) l'utilisation de techniques de fouille de données, issues de la statistique ou de l'apprentissage automatique; (4) évaluer et valider les connaissances extraites; (5) déploiement des connaissances en vue d'une utilisation effective. Adil OUZAHOUT Certains anecdotes Les premiers essais de fouilles de données se firent historiquement sur des dépouillements de millions de tickets de caisse de supermarché tels que mémorisés par les caisses enregistreuses : Dans les magasins Wal-Mart, on découvrit l’existence de corrélation entre l’achat de couches pour bébés et de bière le samedi après-midi. La baisse le prix du Coca-Cola de 5%, on va par exemple en augmenter les ventes de 15%, mais ce qu’on découvrit est que ça a augmenté la vente de cacahuète Adil OUZAHOUT Certains domaines d’application du Data Mining Marketing direct Le data mining répond aux besoins de comprendre la relation client, de connaître les comportements des clients, d’optimiser et de rentabiliser les opérations de prospection afin de diminuer les coûts d’acquisition des clients. Les solutions de data mining vont faire des prédictions de comportement et indiquer quels types de prospects devront en priorité être contactés par des opérations de marketing direct afin d’augmenter le taux de retour. Par exemple, les sociétés de vente par correspondance réalisent à coté de leur catalogue généraliste des catalogues spécialisés. L’utilisation du data mining permet de sélectionner parmi les clients principaux, ceux pour lesquels il est utile de leur envoyer un catalogue spécialisé en terme de ciblage. Cela augmente le taux de retour. C’est en effet grâce à l’historique des achats que les vépécistes peuvent déterminer quel client est susceptible d’acheter un article sur catalogue spécialisé. Résumé d’un exemple développé dans l’ouvrage de Lefébure et Venturi - Data mining Adil OUZAHOUT Certains domaines d’application du Data Mining Centre d’appels Un centre d’appel mettant en place une opération de phoning pour relancer les clients/prospects suite à l’envoi d’un mailing, peut grâce au data Mining déterminer vers quel clients/prospects il peut être utile d’effectuer une relance téléphonique en étudiant son comportement face aux relances. L’entreprise s’apercevra ainsi que pour un client, une seule relance est inutile alors que pour d’autres, elle peut aller jusqu’à 5 relances. Le tout étant de ne plus généraliser les relances mais de les cibler. Fidélisation des clients En mettant en place une solution de data mining, les entreprises vont essayer d’allonger la durée de vie d’un client en repérant les risques de son départ. Adil OUZAHOUT Certains domaines d’application du Data Mining Comportement des clients de grandes surfaces spécialisées Les GSS utilisent les techniques d’associations de produits pour anticiper le comportement futur des ses clients. Un client qui achète une baignoire va probablement envisager l’achat de robinets. Par conséquent, les outils de data mining peuvent permettre de sélectionner selon les achats antérieurs des clients vers qui l’envoi d’un mailing sera efficace. Satisfaction de clientèle EDF a mené des études de data mining pour connaître l’impact des micro coupures de courant, il a comparé les appréciations des clients avec la fréquence connue des pannes. Il a découvert que pendant un certain temps ces coupures étaient perçues comme mineures par la clientèle, mais passé un seuil elles devenaient intolérables. L’objet de l’étude menée est alors de déterminer le seuil de fréquence qui va générer l’insatisfaction. Adil OUZAHOUT Certains domaines d’application du Data Mining Comportement d’achat du client de grandes et moyennes surfaces Les premières applications de data mining concernaient l’étude des tickets de caisse des clients de grande surface. Cela a permis de montrer que pour certaines catégories de clients les promotions mises en place pour des produits qu’ils avaient l’habitude d’acheter simultanément n’étaient pas efficaces et n’engendraient pas d’augmentation de chiffre d’affaires. Adil OUZAHOUT
