1. Pour l’obtention du diplôme d’Ingénieur d’Etat en Informatique
Option : Systèmes d’Information
Thème : Datamining appliqué
au churn client dans les
télécommunications
Binôme:
KHELOUFI Tarik
TALEB Abdelmoumène
3 Juillet 2011

2.  Le phénomène du churn
 Datamining
Concepts et notions  Modèle de prédiction
 Méthodologie
 Présentation de Un Telco
 Un Telco face au churn Le Churn chez Un Telco
 Insuffisances constatés
 Objectifs du Projet
 Structure et architecture
Notre solution face au churn  Processus de Gestion de churn
 Notre Solution
 Récapitulatifs
 Apports Conclusions et Perspectives
 Contraintes
 Perspectives

3. “The Customer is King ”
+92%
De taux de pénétration du
Marché des Télécommunications
Saturation =
Clients libres
Source : ARPT autorité de régulation des postes et des télécommunications

4. Se concentrer sur ses clients
Avant qu’ils ne partent !!!
Churn

5. 1. Le churn
Concepts et notions 2. Datamining
3. Modèle de prédiction
4. Méthodologie
“If we don’t take care of our customers, someone else will.”
Mike Kesoh

6. Churn : Contraction de l'anglais « change and turn »
Définition
Churn : (Du français [Attrition] )
 Exprime le taux de déperdition de clients
pour une entreprise

7. Domaines d’apparition du Churn
Télécommunication
Télécommunication Fournisseur d’accès internet
Banque Assurance

8. Datamining
Ou fouille de données
« extraction d'un savoir ou d'une connaissance à
partir de grandes quantités de données »
Description Estimation Segmentation
Classification La prévision
Prévision Association

9. Datamining
Source: AGARD, B. KUSIAK, A., KDD, 2005

10. Datamining et la BI

11. Modèles de prédiction

12. Modèles de prédiction
Arbre de décision
Un arbre de décision est un outil d'aide à la décision qui représente la
situation plus ou moins complexe à laquelle on doit faire face sous la
forme graphique d'un arbre de façon à faire apparaître l'extrémité de
chaque branche les différents résultats possibles en fonction des
décisions prises à chaque étape :

13. Modèles de prédiction
Réseaux de neurones
Les réseaux connexionnistes appelés aussi les réseaux de neurones
artificiels occupent une place centrale parmi les outils de prédiction.
Le neurone artificiel (neurone informatique) est un petit model
statistique a lui tout seule. Il doit accomplir 2 tâches :
la synthèse des la transformation (souvent non
informations qui linéaire) de cette information en
lui sont fournies quelque chose de nouveau

14. Modèles de prédiction
SVM : Support Vector Machine
Le SVM repose sur deux idées
la notion de la notion de
marge maximale fonction noyau

15. Outils de Datamining : Test du SVM
capacité documentati modélisatio Performanc Références
de on n e/
données Ressource
Bon Faible Meilleur

16. Méthodologie : CRISP-DM
1 Compréhension métier
2 Compréhension des données
3 Préparation des données
4 Modélisation
5 Evaluation
FIN : Déploiement
CRoss-Industry Standard Process for Data Mining

17. « ..today, “churn management” has become one
of the most critical business issues »
Rob Matisson
1. Présentation de Un Telco
2. Un Telco face au churn
Le Churn chez Un Telco
3. Insuffisances constatés
4. Objectifs du Projet

18. Un Telco : en chiffres
opérateur en Algérie
+ de 8 millions d’abonnés
+ de 90% de la population couverte
+ 200 Espaces De Services
Près de 1600 employés
Meilleur opérateur mobile 2007 en Afrique du Nord

19. Un Telco dans le marché Algérien
Nedjma
19%
Mobilis
28%
Djezzy
53%

20. Un Telco : Organigramme
DIRECTION
GENERALE
Direction Ressource Direction
Direction
Humaine Technologie
Technologie
Direction Service
Direction Vente et
Client
Distribution
Direction Finance Direction Solution
Entreprise
Direction Marketing Direction Stratégie

21. Un Telco Face au churn
Churn
DataWare
Marketing CRM
house
Etude de satisfaction Réception des plaintes archivage des données
Régulier Insatisfait Churner

22. Synthèse des Insuffisances constatés
1. Manque de coordination 2. Phénomène encore méconnu

23. Le Churn : une opportunité
Mieux réagir que le + Parts de marché Acquérir de Bon
concurrent et meilleure image clients
Quand le churn survient, le
Ex : Perdre tout les mauvais
( Perdre est apte a acquérir et de
client moins de clients ( les
payeurs et/ou reconsidérer
CApayeurs et concurrents
) que les concurrents
bons ses choixdesaprioris
)

24. Objectifs du Projet
 Calculer le taux de churn
 Prédire le phénomène Churn
 Trouver les raisons du Churn
 Surmonter le problème de Coordination

25. « the future is a projection of present »
Aldous Huxley
1. Structure et architecture
Notre solution face au churn 2. Gestion de churn
3. Notre Solution

26. Solution face au churn
Organisationnelle Informatique

27. Solution face au churn
Outils de prédiction :
Datamining
Tableau de bord
Décisionnel
Informatique

28. Solution face au churn
Priorité Difficulté
Outils
Règles
Organisationnelle Processus
Structure
Mesures
Appliqué moyenne maximale

29. Architecture de la solution
Enquête
Marketing
Modèle Vue
DataWarehouse DataMining
DataMart
Utilisateur
BDD CRM

30. Pleinte Processus de la solution
Model Prédiction de churn
Données
CRM
Appel Risque de
chrun
Données
Réduction de churn
DataWarehouse
Campagne de
rétentions
Décision

31. Notre Outil de prédiction

32. Notre Outil de prédiction

33. Notre Outil de prédiction

34. « A conclusion is simply the place where
someone got tired of thinking. »
Herbert Albert Fisher
1. Récapitulatif
2. Apports
Conclusions et Perspectives
3. Contraintes
4. Perspectives

35. Récapitulatif

36. Récapitulatif
1 2 3 des 4 5
Compréhension Compréhension Préparation
Modélisation Evaluation
métier des données données

37. Récapitulatif
6 7
Réalisation Liste des Livrables
Logiciel Benchmarking
Organisationnelle Guide

38. Conclusion &Perspectives
Apports :
Pro-activité face au churn (prédiction)
Compréhension des Raisons du churn chez
Sensibilisation
Benchmarking
Guide pour la Gestion du Churn chez

39. Conclusion &Perspectives
Contraintes :
 Dispersion des données nécessaires
 Manque de Coopération
Effort de longue durée dans le temps

40. Conclusion &Perspectives
Perspectives :
- Textmining des plaintes
- Intégrer le churn dans le CRM
- Synchronisation du MKT et CRM
- Ticket de rétention

41. On vous écoute