Segmentation comportementale des abonnés mobiles prépayés de Tunisie Telecom

Introduction générale
Avec le développement rapide des technologies de l'information et la production de nombreuses données par les
clients, les entreprises bénéficient actuellement d'une grande quantité d'informations sur leurs clients. Dans le cas
des sociétés d'opérateurs de télécommunication, ces données sont issues notamment de l'utilisation quotidienne de
leurs services comme les communications téléphoniques, l'échange de SMS, l'internet mobile et le chargement des
cartes SIM.
Il faut noter qu'un simple stockage de données n'est pas suffisant pour créer de la valeur. Les informations
recueillies ont besoin d'être analysées avec l'aide d'outils adaptés capables d'en tirer le meilleur parti. C'est
pourquoi la mise en œuvre de techniques d'apprentissage automatique est devenue indispensable pour extraire des
informations précieuses à partir de ces volumes massifs de données. Cependant, les résultats produits par ces
modèles ne génèrent de valeur réelle que s'ils sont rendus accessibles et exploitables par les équipes métier. C'est
précisément le rôle de la Business Intelligence, qui permet de transformer les sorties analytiques en tableaux de
bord interactifs, directement utilisables par les décideurs sans expertise technique.
Une des applications majeures de l'analyse de données au marketing est la segmentation des clients. Cette
démarche est basée sur la division des bases de clients en plusieurs catégories en fonction de leurs comportements
similaires ou de caractéristiques identiques. Cette méthode permet de mieux comprendre les habitudes des clients
et de mieux adapter la stratégie commerciale en proposant des offres personnalisées à chaque groupe identifié.
Ainsi, le présent projet de fin d'études se positionne dans cette analyse poussée de données clients de Tunisie
Telecom. Son objectif est double : implémenter des méthodes de clustering afin de réaliser la segmentation
comportementale des abonnés mobiles prépayés de cette société, puis déployer une solution décisionnelle
complète permettant aux équipes marketing et CRM de Tunisie Telecom d'exploiter ces résultats de manière
opérationnelle et de piloter leurs actions commerciales par segment.
P4 , mets avant l’image logo : La figure ci-dessous montre le logo
de Tunisie Telecom :
p5 avant l’image : La figure ci-dessous présente l’organigramme
structurel de Tunisie Télécom:
lien organigramme(pour enregistrer la photo avec qualité)+ le mettre
comme source
Refondre l`Organisation et Développer les Compétences
1.3 cadre du projet : Le secteur des télécommunications est marqué par une forte concurrence entre
les opérateurs. Dans ce contexte, il est devenu crucial pour les entreprises de bien comprendre les comportements
de leurs clients afin de proposer des offres adaptées à leurs besoins et d'améliorer leur fidélisation. Les opérateurs
disposent d'un volume important de données issues des diverses interactions des clients avec leurs services. Ces

données représentent une source précieuse pour analyser les habitudes de consommation et identifier différents
profils d'utilisateurs.
Cependant, l'exploitation optimale de ces données requiert l'usage de méthodes avancées d'analyse et de techniques
d'apprentissage automatique. La segmentation des clients, en particulier, permet d'identifier des groupes d'abonnés
partageant des caractéristiques communes, ce qui facilite la mise en place de stratégies marketing ciblées.
Néanmoins, identifier des segments ne suffit pas : encore faut-il que ces résultats soient restitués de manière claire
et accessible aux équipes décisionnelles. C'est ici qu'intervient la Business Intelligence, qui assure le pont entre les
modèles analytiques et les décideurs métier en transformant les sorties du clustering en indicateurs visuels et
interactifs, directement exploitables sans expertise technique.
Dans cette optique, Tunisie Télécom souhaite adopter une approche complète et intégrée : une segmentation
comportementale fondée sur des techniques de clustering pour identifier les profils d'utilisation des abonnés
mobiles, couplée à une solution décisionnelle composée d'un Data Warehouse et de tableaux de bord interactifs
permettant d'exploiter ces segments de manière opérationnelle et d'optimiser la prise de décision marketing.
1.3.1 Étude del’existant
Tunisie Telecom (TT), opérateur historique et leader du marché des télécommunications en Tunisie, gère un parc
d'abonnés prépayés (PRP) caractérisé par une grande diversité de comportements. Pour valoriser ce patrimoine, la
Direction Customer Value Management (CVM) s'appuie sur un volume massif de données (Big Data) généré
quotidiennement par les transactions de recharge, les sessions data et les Call Detail Records (CDR). Aujourd'hui,
la segmentation des clients repose principalement sur des méthodes conventionnelles, utilisant des critères rigides
et statiques tels que l'ancienneté du contrat, la zone géographique ou encore l'offre commerciale souscrite au
moment de l'adhésion. Les résultats de ces segmentations sont ensuite consultés via des rapports statiques produits
manuellement, sans dispositif de visualisation interactif permettant aux équipes marketing de les explorer
dynamiquement.
1.3.3 problematique
Dans un marché ultra-concurrentiel, comment Tunisie Telecom peut-elle valoriser son vaste
patrimoine de données brutes pour en extraire une connaissance client approfondie et exploitable ?
La problématique principale consiste à dépasser les règles métiers figées afin de détecter
automatiquement des profils d'utilisateurs aux caractéristiques complexes et évolutives. Le défi est
double : d'une part, passer d'une segmentation imposée, fondée sur l'offre, à une segmentation
découverte, basée sur le comportement réel des abonnés ; d'autre part, rendre ces résultats
directement accessibles et actionnables par les équipes décisionnelles de TT, à travers une solution
de Business Intelligence permettant de piloter les actions marketing segment par segment, sans
nécessiter d'expertise technique.
P8 mettre apres le mot crisp-dm: (Cross-Industry Standard Process for
Data Mining)
P9 reference 1.4.1 : Présentation générale de CRISP-DM -
Documentation IBM

figure 1.3 ref : CRISP-DM: Panduan Praktis untuk Data Mining |
Learning Data
P10 scrum : 1.4.2 Méthode agile : Qu'est ce que c'est ? | Slack
Corrige le mot populaire
- les artefacts et les roles ne sont pas alignés , et mets un espace
apres le tiret.
1.5
La conception d'un Data Warehouse peut être réalisée selon plusieurs méthodologies. Parmi les approches les plus connues, on
distingue principalement l'approche Top-Down proposée par Bill Inmon et l'approche Bottom-Up développée par Ralph Kimball.
Ces deux méthodes diffèrent par leur manière de structurer, d'intégrer et d'exploiter les données décisionnelles. Dans le cadre de
ce projet, le choix de l'approche de conception du Data Warehouse est une décision structurante : il conditionne directement
l'organisation des tables, la nature des relations entre les données de segmentation et les dimensions analytiques, ainsi que la
facilité de connexion avec Power BI. Une étude comparative de ces deux approches est donc nécessaire avant de justifier celle
retenue pour notre solution décisionnelle.

1.5.1 p12 : Business Intelligence avec Python - Créer un Data
Warehouse
figure 1.5: Bill Inmon's Top-Down approach to DWH design. | Download
Scientific Diagram
Fig 1.6: Ralph Kimball's Bottom-Up approach to DWH design. | Download
Scientific Diagram
Reference 1.5.2:
https://www.memoireonline.com/03/23/13892/m_Conception-des-systemes-
decisionnels-basee-sur-l-analyse-des-processus-metiers-Application-
au-d15.html
1.5.3 p 14: Approches Inmon et Kimball en Data Warehouse | PDF |
Entrepôt de données | Recherche d'information
1.6.1 ref : http://formations.imt-
atlantique.fr/bi/bi_atelier_modelisation_dimensionnelle_introduction.
html
1.6.2 : https://www.cartelis.com/blog/data-warehouse-modelisation-
etoile/
Fig 1.7 : Modélisation et manipulation d'entrepôts de données
complexes et historisées | Semantic Scholar
1.6.3:
https://translate.google.com/translate?u=https://www.databricks.com/b
log/what-is-snowflake-schema&hl=fr&sl=en&tl=fr&client=sge
fig 1.8 : Modélisation et manipulation d'entrepôts de données
complexes et historisées | Semantic Scholar
1.6.4 : https://www.data-bird.co/blog/data-
warehouse#:~:text=Le%20mod%C3%A8le%20en%20constellation%20combine,peu
vent%20%C3%AAtre%20communes%20ou%20distinctes.
Fig 1.9: Modélisation et manipulation d'entrepôts de données
complexes et historisées | Semantic Scholar

Ref Table 1.2– Comparaison des modèles de Data Warehouse :
http://www-igm.univ-mlv.fr/~dr/XPOSE2005/entrepot/datawarehouse.html
Supprimer ‘’’ p21
Figure 1.11– Diagramme de Gantt / MODIFIE PAR CETTE IMAGE
Derniere partie chapitre 1:
Languages utilisés en gras
Reference python: https://liora.io/python-tout-savoir
Reference sql : Cours et Tutoriels sur le Langage SQL
Anaconda: https://anaconda.fr.softonic.com/