première partie : Quatrax Conseil

Le Marketing Prédictif
1
Plan de la présentation
1)
2)
3)
2
Définition
Le processus
Conclusions
Définition
Le marketing prédictif
Est un processus de management des
données destiné à mettre en œuvre une
action déterminée à partir d’un objectif
commercial ou marketing.
Le marketing prédictif identifie
1.
2.
3.
3
Les données nécessaires à cet objectif
La cible marketing et ses caractéristiques
Le business plan
Le processus : 4 axes
4
L’objectif
Les données
L’action
Le modèle de la cible
1 – Les objectifs









5
Découvrir des segments nouveaux de clientèle
Détecter des mauvais payeurs
Estimer la valeur économique des clients
Profiler les clients par leurs usages
Améliorer la satisfaction des clients
Détecter les clients à risque d’infidélité
Évaluer l’efficacité des actions Marketing
Tester la réaction à de nouveaux produits ou de
nouveaux services
Etc
2 - Les données (1)
Marketing
Gestion
commerciale
Comptabilité
Prospects
Centres d’appels
Réclamations
Données externes
Internet
6
INSEE etc.
2 - Les données (2)
Préparation de l’espace de modélisation clients



CLIENTS
Client 1
Client 2
Client 3
Client 4
Client 5
Client 6
Client 7
Client 8
…
Client M
7
Recenser les sources
Auditer des données, Recoder les variables
Construire le fichier de modélisation:
VARIABLE 1 VARIABLE 2 VARIABLE 3
DONNEES
…
VARIABLE
N
Variable
cible
OUI
NON
NON
NON
OUI
NON
OUI
OUI
…
NON
3 – Score et Modèle ( 1)

Trois méthodes de scoring
–
–
–
Réseau Bayésien
Réseau de neurones
Analyse Factorielle des Tableaux de Liaison
Aucune n’est meilleure a priori
C’est le chargé d’étude marketing qui choisit, en
fonction du pouvoir prédictif et explicatif
exigé.
8
3 : score et modèle (2)

Cas pratique :
–
–
–
Modéliser la prédiction de départ à la
concurrence des clients
Agence professionnelle de FT
Quel modèle choisir ?




9
Les données sont identiques
L’objectif est identique
Le chargé d’étude est identique
Etc
3 – Score et Modèle AFTL (4)
A 10 % le modèle à une prédiction
de 12% des clients infidèles
10
3 – Score et Modèle ( 5) Réseau de neurones
A 10 % le modèle à une prédiction
de 13% des clients infidèles
11
3 – Score et Modèle ( 5) Réseau de Bayesien
A 10 % le modèle à une prédiction
de 30% des clients infidèles
12
3 - Score et Modèle : l’analyse de la
cible
Qui sont les clients infidèles ?





Sensibilité
Fort consommateur de
local
Fort possesseurs de
Numéris
Détecteur d’options
tarifaires de la Gamme
Avantages
Peu possesseurs de
produits Orange







13
Peu concernés
Faible trafic local
Fort trafic en interurbain
et vers les mobiles
Possession de d’appareil
de télécomptage
Peu possesseurs de
Numéris et d’Internet
Possesseurs de produits
Orange
Secteur de l’hôtellerie et
du commerce de détail
4- le plan d’actions marketing

Deux approches:
–
Action de rétention sur 250 clients à fort potentiel de
départ



–

Action de reconquête sur les clients déjà partis
Résultats en cours
–
–
14
Offres tarifaires
Offres packs
RV en face à face
Après 1 mois, 70 RV commerciaux
50 clients sont en cours de refonte des contrats
En conclusion
15
Mise en place de la démarche
1.
2.
3.
4.
5.
6.
7.
8.
9.
16
Identifier un objectif marketing ou commercial
Mesurer les enjeux de la problématique ( go / no go)
Recenser les données
Créer une base de données de modélisation des
clients
Bâtir un modèle de connaissance clients ( détecter les
variables discriminantes) et prédire le comportement
des clients
Évaluer la valeur ajoutée différentielle du modèle
Décider des actions commerciales
Mettre en œuvre les actions
Mesurer l’efficacité des actions
Facteurs clé du succès (1)
17

Avoir un objectif clair

Avoir beaucoup de données clairement
identifiées

Suivre le processus méthodologique

Comprendre et accepter que certains
objectifs ne sont pas modélisables

Comprendre que les clients et
l’environnement socio-économique évoluent

Etre acteur de son projet
Facteurs clé du succès (2)

3 points clés
1. Des données
–
2.
De la méthode
–
–
3.
Évaluer , comparer , décider
Les outils sont des moyens
Des hommes
–
18
No data => No mining
Data workers (marketing, informatique)
Merci
Contact
[email protected]
19