1 / 19

Le Marketing Prédictif

Le Marketing Prédictif. Plan de la présentation. 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.

harsha
Download Presentation

Le Marketing Prédictif

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Le Marketing Prédictif

  2. Plan de la présentation • Définition • Le processus • Conclusions

  3. 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 • Les données nécessaires à cet objectif • La cible marketing et ses caractéristiques • Le business plan

  4. Le processus : 4 axes L’objectif Les données L’action Le modèle de la cible

  5. 1 – Les objectifs • 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

  6. 2 - Les données (1) Marketing Prospects Gestion commerciale Centres d’appels Réclamations Comptabilité Données externes INSEE etc. Internet

  7. 2 - Les données (2) Préparation de l’espace de modélisation clients • Recenser les sources • Auditer des données, Recoder les variables • Construire le fichier de modélisation:

  8. 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.

  9. 3 : score et modèle (2) • Cas pratique : • Modéliser la prédiction de départ à la concurrence des clients • Agence professionnelle de FT • Quel modèle choisir ? • Les données sont identiques • L’objectif est identique • Le chargé d’étude est identique • Etc

  10. 3 – Score et Modèle AFTL (4) A 10 % le modèle à une prédiction de 12% des clients infidèles

  11. 3 – Score et Modèle ( 5) Réseau de neurones A 10 % le modèle à une prédiction de 13% des clients infidèles

  12. 3 – Score et Modèle ( 5) Réseau de Bayesien A 10 % le modèle à une prédiction de 30% des clients infidèles

  13. Sensibilité Fort consommateur de local Fort possesseurs de Numéris Détecteur d’options tarifaires de la Gamme Avantages Peu possesseurs de produits Orange 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 3 - Score et Modèle : l’analyse de la cible Qui sont les clients infidèles ?

  14. 4- le plan d’actions marketing • Deux approches: • Action de rétention sur 250 clients à fort potentiel de départ • Offres tarifaires • Offres packs • RV en face à face • Action de reconquête sur les clients déjà partis • Résultats en cours • Après 1 mois, 70 RV commerciaux • 50 clients sont en cours de refonte des contrats

  15. En conclusion

  16. Mise en place de la démarche • 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 • Bâtirun modèle de connaissance clients ( détecter les variables discriminantes) et prédire le comportementdes clients • Évaluerla valeur ajoutée différentielle du modèle • Déciderdes actions commerciales • Mettre enœuvreles actions • Mesurerl’efficacité des actions

  17. Facteurs clé du succès (1) • 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

  18. Facteurs clé du succès (2) • 3 points clés • Des données • No data => No mining • De la méthode • Évaluer , comparer , décider • Les outils sont des moyens • Des hommes • Data workers (marketing, informatique)

  19. Merci Contact mbelais@quatrax-conseil.fr

More Related