Sélectionner une page

Article par logi-stats

Bonjour à toutes et à tous,

Bienvenue dans une deuxième partie d’illustration de l’informatique décisionnelle.

Dans la première partie nous avions vu différents exemples concrets d’informatique décisionnelle. Aujourd’hui nous allons nous concentrer sur deux exemples marketing et deux exemples d’algorithmes largement utilisés en entreprise.

Score de recommandation clients :

Le principe paraît simple et évident, en fonction des informations disponibles (informations clients, derniers achats …) on va proposer aux clients des articles qui correspondent à ses centres d’intérêts ou qui sont complémentaire avec des produits qu’ils ont déjà acheté.

On a tous déjà eu l’expérience de ce type de score avec netflix, amazon ou sur de simples sites marchands.

Cependant l’analyse et l’exploration des données nécessaire à sa mise en place peut être un vrai casse-tête surtout en vue d’une automatisation mais apporte un confort non-négligeable à l’expérience client et/ou à vos équipes de ventes.

Dans l’illustration ci-dessous, nous avons pris une situation dans laquelle un client arrive en Boutique. On ne connaît de lui que son premier achat et s’il l’a fait en boutique ou sur le site web. Le score se base sur le premier et le dernier achat de nos autres clients ainsi que le lieu d’achat. Après l’application du score le produit à recommander à ce client est le J, S ou Z.

L’exemple est volontairement très simple afin de comprendre plus facilement le principe, un score peut se baser sur n’importe quel nombre de variables et la pertinence de chacune d’entre elle est évaluée avant la mise en production.

 Retour sur investissement :

Ici le principe est de permettre de calculer le montant d’investissement (pubs, cadeaux, promotions …) mis en oeuvre pour l’acquisition, la fidélisation, et tout au long de la vie d’un client.

Ce calcul est idéal pour optimiser vos dépenses et garder un œil sur la rentabilité de votre activité.

Dans le premier tableau d’illustration, en faisant un points sur les coûts et la rentabilité de chaque segment clients, on se rend compte que nos 22 meilleurs clients (0.7% du fichiers pour 10% du CA) sont finalement les moins rentables parmis nos clients (8,2 % de rentabilité contre 9,6% en moyenne).

 

En creusant dans ces clients, on s’aperçoit que la raison de cette faible rentabilité sont les clients qui achètent nos produits à faible marge (≃5%) , ce qui engendre après la réduction de 10% une marge négative sur ces clients.

 

Cependant la raison aurait pu être autre chose (un excès de publicité par exemple), c’est pourquoi il est important de garder un oeil sur de simples indicateurs comme ceux-la.

 

Algorithme des plus proches voisins :

Celui-ci vous permettra de segmenter rapidement n’importe quel clients ou produits en fonction de certains critères. L’algorithme va faire des calculs de distances avec tout ces critères et ceux des produits déjà connu afin de l’affecter au bon groupe.

Dans notre exemple il n’y aura que deux états possible pour un produit, rentable ou non-rentable en fonction de ce qu’on a observé des ventes d’anciens produits. Ce qui peut être une étape dans la décision de signature d’un contrat avec un fournisseur.

Une fois les variables et l’historique des ventes à dispositions, on va pouvoir créer un modèle qui nous séparera les produits en une classe de produits qui ont été rentable et l’autre non. Par la suite, il suffit de d’appliquer ce modèle à toute nouvelle proposition de produits pour savoir si il est plus proche des produits qui ont bien fonctionné par le passé ou le contraire.

 

Réseau de neurones récurrents :

 

Les réseaux de neurones sont utilisés et performent le plus avec de grandes quantités de données. Donc peu recommandé pour de petites entreprises qui n’aurait pas suffisamment de données à exploiter. De Plus cette méthode nécessite de grandes capacités pour être mis en oeuvre.

Ce qui pour le moment contraint l’utilisation de ces méthodes en majeur partie pour la recherche, les traductions de textes (DeepL) ou la reconnaissance d’image.

Nous voulions cependant revenir dessus comme nous avons récemment partagé sur les réseaux le documentaire de Deepmind accessible sur youtube sur leur aventure avec AlphaGO.

Je vous invite également les anglophones à faire un tour sur leur blog si ce sujet vous intéresse.

https://deepmind.com/blog

 

N’hésitez pas à nous contacter pour plus d’informations ou de conseils nous nous tenons à votre disposition.

A bientôt pour un nouvel article avec d’autres illustrations.