You are on page 1of 23

Facult des Sciences conomiques et sociales Universit de Fribourg

Le CRM analytique Les outils danalyse OLAP et le Data Mining

Dans le cadre du sminaire Customer Relationship Management

Professeur Dr. Andreas Meier Assistant Darius Zumstein

Rdig et prsent par

Graldine Graf Case postale 11 1610 Oron-la-Ville geraldine.graf@unifr.ch

Julien Stern Edouard Payot 8 1005 Lausanne julien.stern@unifr.ch

Fribourg, le 26 avril 2008

TABLE DES MATIRES

Introduction 1.1 Dfinition du CRM 1.1 Le CRM : une culture dentreprise 1.2 Les trois phases du CRM 2. Les trois dimensions du Customer Relationship Management 2.1 Le CRM oprationnel 2.2 Le CRM collaboratif 2.3 Le CRM analytique 3. Le data warehouse, une dfinition 3.1 Le data warehouse la croise des trois CRM 3.2 Le stockage des donnes dans lentrept de donnes 4. Des systmes dinformation OLTP au data warehouse 4.1 Lanalyse des donnes : le data warehouse et les outils OLAP 4.2 Le cube OLAP, Drill Down Roll Up et Slicing 4.3 Exemples dapplication des outils danalyse OLAP 5. Dfinition du data mining 5.1 Les facteurs de succs du data mining 5.2 La prparation des donnes 5.3 Les tches effectues par le data mining 5.3.1 La description 5.3.2 Lestimation 5.3.3 La segmentation 5.3.4 La classification 5.3.5 La prvision 5.3.6 Lassociation 6. La Poste et le CRM 6.1 La fin annonce dun monopole 6.2 Limportance de lmotion dans la relation client 6.3 La qualit et la mise jour constante des donnes 6.4 Siebel et le CRM analytique, un exemple concret

Conclusion Bibliographie

Introduction Ce travail porte sur le Customer Relationship Management (CRM), soit la gestion de la relation client. Nous avons abord ce concept en nous focalisant sur sa dimension analytique, orientation justifie par le choix de notre sujet de sminaire, savoir les outils danalyse OLAP et le data mining. Comme nous le verrons par la suite, le CRM analytique repose en grande partie sur linformatique. Que ce soit au niveau de la production des donnes, de leur stockage ou enfin de lanalyse, utile en outre loptimisation des processus et la prise de dcision, linformatique est omniprsente. En tant qutudiants en gestion dentreprise, nous avons donc choisi de laisser parfois de ct certains aspects particulirement techniques. Ceci tant, ce travail espre offrir une vision la plus large possible des principaux enjeux lis au CRM analytique en particulier, ainsi qu la gestion de la relation client en gnral. Notre travail se divise en six parties. Aprs une brve introduction prsentant le CRM de manire gnrale, nous prsentons les trois dimensions, que lon retrouve rgulirement cites dans la littrature pour le dfinir. La partie suivante dfinit le concept de data warehouse, en franais lentrept de donnes, qui joue un rle primordial dans le processus danalyse. Les parties quatre et cinq traitent respectivement des outils OLAP et du data mining. Nous terminons avec un exemple concret de l'application du CRM au sein dune entreprise, en loccurrence La Poste . La conclusion sera enfin loccasion dapporter un regard critique sur notre travail, sur lapplication du CRM analytique dans la ralit ainsi que sur la dfinition voire la promotion de la gestion de la relation client dans les livres comme sur Internet.

1. Dfinition du CRM De nos jours, lvolution des technologies, la mondialisation des marchs et le raccourcissement du cycle de vie des produits rendent la concurrence toujours plus rude. Il devient trs difficile pour une entreprise de conserver sa part de march en se basant uniquement sur les prix et les produits. Le fort dclin de la publicit de masse illustre cette difficult gagner et conserver des parts de march en se focalisant uniquement sur le produit. Ds les annes 80, les techniques de marketing de masse napportant gure de rsultats positifs pour les entreprises, elles cdent leurs places un marketing direct, orient vers le client, quil faut comprendre, satisfaire et avec qui il faut communiquer directement afin doptimiser le succs futur de lentreprise. Le CRM sinscrit clairement dans cette volution et reprsente, dune certaine manire, le dernier marketing direct. Afin de construire une relation avec le client dans le but daboutir une fidlit de ce dernier, les entreprises sorientent donc actuellement et de plus en plus vers la gestion de la relation client. Le CRM est un processus qui consiste gagner, conserver, largir et fidliser une clientle. Sa stratgie est de placer le client au centre des proccupations de lentreprise en instaurant un dialogue, une relation de confiance et un respect mutuel avec les clients. La communication bidirectionnelle ainsi que la circulation de linformation sont des donnes primordiales pour laborer une stratgie CRM. Il est effectivement indispensable pour lentreprise de comprendre ce que veut le client, ce dernier tant plac au centre des proccupations. Les connaissances que lentreprise se doit davoir du march sur lequel elle se trouve ainsi que lacquisition des informations rcoltes sur le client chaque contact avec celui-ci, vont permettre lentreprise, pour autant quelles soient utilises bon escient, doptimiser la satisfaction de sa clientle. Comme nous le verrons plus tard dans le travail, la technologie revt un rle essentiel dans le CRM. Elle va permettre dextraire des connaissances partir de donnes stockes et gres dans un entrept de donnes, puis analyses grce aux outils OLAP et au data mining.

1.1 Le CRM : une culture dentreprise Le succs du CRM ncessite un engagement rel qui ne concerne pas seulement un dpartement de vente ou de marketing mais ncessite lengagement de lensemble du personnel concern. La culture dentreprise est ainsi un facteur de russite dterminant dans la gestion de la relation client. Lentreprise se doit ainsi dvoluer dans une atmosphre et un climat favorable afin que le client se sente en confiance, laise et apprci. Le dveloppement de la culture dentreprise passe par le bien tre et la motivation des employs. Lidentification de lemploy envers son entreprise amne celui-ci rester fidle son employeur. Ceci tant, lemploy pourra construire une relation long terme et personnelle avec le client, ce qui conduira la comprhension des

besoins du client par lemploy. Si la communication entre les diffrents dpartements de lentreprise est ralise, lemploy va se transformer en vecteur de communication et va ainsi permettre lentreprise entire de comprendre les besoins de la clientle.

1.2 Les trois phases du CRM Dans La gestion de la relation client , Stanley Brown divise la stratgie CRM en trois phases quil nous parat important de citer. En effet, elles rsument elles seules les enjeux et fondements du Customer Relationship Management : La conqute permanente de nouveaux clients. La fidlisation de ces derniers. La gestion stratgique du service client : lentreprise doit identifier ses clients les plus prometteurs et ainsi, tout en conservant un service de bonne qualit lensemble de ses clients, leurs offrir des services de qualit encore plus levs.

Le concept de fidlisation est central. Son but est loptimisation de la relation client et il reprsente la cl de laugmentation des recettes au sein dune entreprise. A linstar de son importance dans le CRM, il sera en outre le fil conducteur de notre travail. Pour ce faire, lentreprise devra faire voluer sa relation avec le client comme une relation amoureuse, en construisant progressivement les valeurs de loyaut et de confiance et ce, afin de se dmarquer de ses concurrents. En se montrant lcoute, lentreprise va faire voluer ces valeurs afin dinstaller une alliance entre les deux parties. Les intrts des clients tant compris, il sera alors possible pour lentreprise dadresser des messages ainsi que des services cibls au client, services pouvant tre des avantages offerts par lentreprise. Ds lors que le client devient un rel partisan de lentreprise, la fidlit est tablie et ce dernier va vhiculer une image positive de lentreprise en la recommandant dautres personnes.

2. Les trois dimensions du Customer Relationship Management Au cours de notre recherche, nous avons frquemment retrouv le CRM divis en trois domaines dactivit interdpendants : le CRM oprationnel, le CRM collaboratif et le CRM analytique. La collaboration de ces trois parties a pour finalit de raliser lobjectif ultime de la stratgie CRM de lentreprise, cest--dire le dveloppement et loptimisation de la relation client. Le tableau ci-dessous montre de manire schmatique les trois lments du CRM et leur interdpendance.

Schma 1: extrait de larticle The designing of CRM based on Data Warehouse 1

Notre travail se focalisera essentiellement sur lanalytique ( droite dans le schma) et spcifiquement la fonction du data warehouse (ou entrept de donnes), des outils danalyse OLAP et du data mining. Cependant, afin de mieux comprendre le CRM dans son ensemble et de bien se reprsenter le rle et la participation de chacun des ses lments dans le fonctionnement optimal du tout, il est ncessaire de dfinir ce que lon entend par CRM oprationnel et collaboratif.

2.1 Le CRM oprationnel Le CRM oprationnel peut tre dfini comme lautomatisation et lamlioration constante des processus de vente, de marketing et de service client. Celles-ci sont rendues possibles grce lanalyse des donnes qui sont produites lors des diffrentes oprations, analyse qui par effet boomerang permet dapporter des amliorations ces mmes processus. Par exemple, le public cible dune action marketing sera dfini plus prcisment ou encore le canal de distribution dun produit sera adapt selon les prfrences de chaque client.

2.2 Le CRM collaboratif Le CRM collaboratif fait rfrence aux moyens de communication au travers desquels lentreprise entre directement en contact avec le client. On pense notamment au call center, Internet ou encore la correspondance par emails. Un des objectifs du CRM collaboratif est de donner une image de lentreprise positive et uniforme au client et dtablir une relation de confiance avec lui en proposant un service personnalis et de qualit. Cest galement, dans cette mme ide, loccasion de rcolter de trs prcieuses informations sur le client, qui seront stockes et permettront de mieux cibler ses besoins et ses attentes. Enfin, un des enjeux principaux du CRM collaboratif est dassurer chaque employ laccs une information la plus complte et la plus rcente possible sur son interlocuteur, afin que ce dernier se sente suivi et considr personnellement.
1

Dans le partie opration, relevons les abrviations suivantes: SFA pour Sales Force automation, MA pour Marketing automation, CSS pour Client Support Service.

2.3 Le CRM analytique Le rle du CRM analytique est la vritable cl de vote du systme. Nous laborderons plus dans les dtails par la suite mais en rsum, il consiste stocker et analyser la trs vaste quantit de donnes gnres en bonne partie par le CRM oprationnel et collaboratif. A partir de ces donnes, les diffrents outils danalyse se chargent dextraire des connaissances qui servent de support la prise de dcision et permettent damliorer notamment les processus du CRM oprationnel et collaboratif.

3. Le data warehouse, une dfinition Lorsque lon pense CRM, parler de data warehouse est incontournable. Il permet le stockage et lanalyse de donnes, et est la base du partage de linformation et de la cration des connaissances indispensables la comprhension des clients et la prvision de leurs comportements. Avant daborder ses activits, donner une dfinition dun entrept de donnes nous donnera des lments de comprhension utiles pour la suite. Celle-ci comporte quatre points principaux sur lesquels nous allons nous attarder dans ce chapitre. A Data warehouse is a subject oriented, integrated, non-volatile, and time variant collection of data in support of managements decisions (Inmon, 1996). Lentrept de donnes est orient sujet , cest--dire organis autour des thmes majeurs qui touchent au mtier de lentreprise (Grenier, C. et Moine, C., 2003). Les donnes sont lorigine regroupes par processus fonctionnels, alors quici elles sont structures par thme. Ces donnes se doivent donc dtre intgres lentrept de donnes. Elles sont de fait mises en forme et runies partir de systmes htrognes et de sources externes dans une seule et mme base de donnes. Cette phase du processus est la plus complexes du data warehousing. Troisimement, lentrept de donnes stocke des donnes non-volatiles , ce qui veut dire quelles ne sont pas mises jour, ni modifiables. Elles sont comme photographies, seule leur lecture est possible ce qui nest pas le cas des donnes contenues dans les systmes dinformation oprationnels. Enfin, dans la continuit, les donnes sont simplement ajoutes les unes aprs les autres au sein de lentrept de manire chronologique. Chaque donne est ainsi associe une date laquelle elle a t cre.

3.1 Le data warehouse la croise des trois CRM Avant daller plus en avant dans le CRM analytique, dans la dfinition et lusage des outils de recherche OLAP et du Data mining, il est important de parler du rle fondamental que tient le data warehouse au sein du CRM.

Schma 3 : extrait de larticle Customer Analytics Making the Difference in CRM : Customer Analytics Amplify the value of integrated CRM Solutions

A limage du tableau ci-dessus, parler de data warehouse ou dentrept de donnes sinscrit dans un concept plus gnral qui est celui de lintgration de systmes dinformation htrognes. Le data warehouse fait rfrence en loccurrence, lintgration par les donnes qui sont partages par des systmes autonomes. En observant le schma ci-dessus, on peut constater que lentrept de donnes fait littralement office de pivot entre chacun des lments du CRM. Prenons un exemple. Que lon parle de lanalyste, du chef de produit, du marqueteur ou encore du collaborateur du centre dappels, chacun a accs, grce lentrept de donnes, la mme source de donnes et aux mmes informations. Lanalyste utilise ses outils danalyse pour trouver dans le Customer Data Warehouse les rsultats de ses requtes et des nouvelles connaissances qui aideront les managers ou les ingnieurs dans leurs dcisions comme dans loptimisation des diffrents processus oprationnels de lentreprise. Le chef de produit focalisera son attention sur les ventes de son produit, par rgion, par priode et ce, souvent par lintermdiaire dun data mart2. A laide de ces mme data marts, le marqueteur a la possibilit de voir lefficacit ou non dune campagne de publicit et de la rajuster si besoin est. Et finalement, le collaborateur du centre dappels aura accs linformation la plus complte possible sur chacun des clients avec qui il est amen communiquer grce au Operational Data Stores 3.
Un data mart est une partie du data warehouse. Il permet de faire des requtes sur une base de donnes plus petite qui regroupe les donnes qui correspondent aux besoins de lutilisateur. Le responsable marketing, le chef de vente disposent ainsi chacun dun extrait du data warehouse spcifique leur domaine dactivit. Les donnes y sont moins nombreuses et permettent des analyses plus rapides et cibles. 3 Un Operational Data Stores est comme un intermdiaire entre lutilisateur et lentrept de donnes. Il est remis jour tout au long des oprations commerciales et permet des requtes simples sur une petite quantit de
2

3.2 Le stockage des donnes dans lentrept de donnes Comme on la vu ci-dessus, le CRM analytique a pour fonction de permettre le stockage et lanalyse des donnes gnres notamment par les oprations de marketing, de vente, le service client ainsi que les informations rcoltes sur le client lors de contacts tlphoniques, lectroniques ou encore grce des questionnaires. Comme on peut le voir dans le tableau ci-dessous, ltape qui prcde lanalyse est celle qui consiste extraire les donnes de l o elle se trouve et de les stocker dans un entrept de donnes ou un data warehouse. Cette phase du processus est cruciale et comporte certaines difficults et des risques quil est important dnoncer ici.

Schma 2 : extrait de larticle The designing of CRM based on Data Warehouse

On peut constater tout dabord, que les donnes que lon va intgrer au data warehouse ne proviennent pas seulement des CRM oprationnel et collaboratif. En effet, il existe deux autres sources qui viennent complter lentrept de donnes et permettre daffiner la qualit des rsultats du travail danalyse. Il sagit des donnes internes lentreprise contenues dans les progiciels de gestion intgre (ERP), celles produites par le Supply Chain Management et enfin celles qui proviennent que des sources externes. La diversit des sources desquels vont tre extraites les donnes vers le data warehouse implique une premire difficult technologique. Effectivement, il sagit ici dintgrer ou de regrouper des donnes de nature diffrente, provenant de sources et de systmes dinformation distincts les uns des autres. Cette tche est ralise par un logiciel middleware appel ici ETL4. Comme son nom lindique, ce logiciel primordial permet dextraire des donnes de sources multiples, de les transfrer et de les charger dans lentrept de donnes. Un autre aspect ne pas minimiser dans cette tape du processus est le choix des donnes que lon va choisir dintgrer lentrept de donnes. En effet, il sagit ici de dfinir pralablement les besoins des utilisateurs afin dy rpondre le plus
donnes comme dfinir ltat dune commande. Cest lquivalent de la mmoire court terme au contraire de lentrept de donnes qui stockent des donnes qui peuvent entre cinq et dix ans. 4 Extraction-transfer-Load

prcisment possible mais galement pour viter que lentrept de donnes soit une prison de donnes 5 , dans laquelle on ne puisse finalement pas accder ce que lon recherche.

4. Des systmes dinformation OLTP au data warehouse Comme nous lavons vu, le data warehousing est un lment fondamental du CRM analytique puisquil permet dextraire et de stocker les donnes dans un seul endroit afin dy tre analyses et den tirer des connaissances qui serviront de support la prise de dcisions et lamlioration des processus au sein de lentreprise. La distinction qui fait lobjet de ce chapitre entre les systmes OLTP, soit Online Transactional Processing, et OLAP ou Online Analytical Processing a t plusieurs reprises abordes plus haut. Nous avons cependant dlibrment choisis dattendre avant dvoquer plus spcifiquement ces deux concepts. En effet, bien quil eut t possible de les noncer dans la partie sur le data warehousing, il nous a sembl plus simple de ne pas tout mlanger et den faire un chapitre part entire. Labrviation OLTP fait rfrence aux systmes dinformation qui facilitent et grent les transactions oprationnelles de lentreprise. Comme nous lavons vu prcdemment, ce sont justement ces derniers qui produisent de manire indpendante les uns des autres, les donnes que la tche du data warehousing va runir dans une seule et mme base de donnes afin dy tre analyses grce aux outils OLAP et au data mining. En rsum, linformation quil [le data warehouse] contient provient, pour la majeure partie, de systmes oprationnels configurs en systmes transactionnels ou OLTP, conus lorigine pour traiter et enregistrer un grand nombre de petites transactions. La structure des bases de donnes OLTP vise au traitement rapide de telles transactions, ce qui rduit autant que possible le dlai de raction dun systme oprationnel. Lentrept de donnes, quant lui, consiste en un ou plusieurs systmes aptes non seulement rpondre rapidement des questions demandant un important volume de donnes mais aussi stocker ces dernires de manire efficace (Ed Peelen, 2006).

4.1 Lanalyse des donnes : le data warehouse et les outils OLAP Nous lavons vu prcdemment, les systmes OLTP soccupent de grer les processus oprationnels au sein de lentreprise linverse du data warehouse qui sert stocker les donnes et des outils OLAP qui sont destins leur analyse. Nayant pas les connaissances de linformaticien de gestion, nous avons choisis concernant les outils danalyse OLAP, de nous arrter la prsentation du cube OLAP6. Ce concept est effectivement souvent utilis pour reprsenter les possibilits que les outils danalyse offrent lutilisateur.

Tir de larticle scientifique Building a Data Warehouse step by step , p. 2 Nous naborderons notamment pas les diffrentes modles OLAP, savoir MOLAP, ROLAP, HOLAP et DOLAP, bien trop techniques et compliqus comprendre pour nous.
6

10

Avant de poursuivre dans le chapitre suivant sur les usages et le potentiel du cube OLAP, citons encore lextrait dun article qui explique la relation qui lie le data warehouse et les outils OLAP. Les applications OLAP sont intimement associes aux entrepts de donnes c'est--dire les bases qui, au sein d'une plate-forme de business intelligence7, se chargent de consolider (par le biais d'outils d'intgration de donnes notamment) l'ensemble des informations mtier d'une activit, en vue d'en permettre ensuite l'analyse. En fait, un datawarehouse se rsume en une architecture trois tiers : Une base relationnelle qui stocke et structure les contenus, La couche d'analyse OLAP en tant que telle (ou serveur OLAP), Les interfaces client de reporting (Antoine Crochet-Damais, 2008).

4.2 Le cube OLAP, Drill Down Roll Up et Slicing Comme nous lavons voqu plus haut, le concept OLAP fait rfrence une mthode danalyse qui peut tre reprsente par un cube. Comme nous pouvons le voir dans le schma ci-dessous, le cube sorganise autour de deux concepts fondamentaux, le fait et les dimensions. Le fait, en principe numrique, est linformation que lon veut mesurer puis analyser alors que les dimensions (par exemple la priode de temps, la zone gographique ou la gamme de produits), constitues dune hirarchie dattributs, reprsentent les axes partir desquels le fait est calcul.

Schma extrait du cours intitul Systmes dinformation de lentreprise , dispens par le Dr. Stefan Huesemann lUniversit de Fribourg au semestre dautomne 2007-2008.

Un des grands avantages dune telle organisation des donnes est la flexibilit et la facilit avec lequel lutilisateur peut adapter ses requtes selon ses besoins. Le schma ci-dessus, constitu du chiffre daffaire pour le fait et du temps, du lieu et du produit pour les dimensions (elles peuvent tre plus nombreuses), suggre
7

La Business Intelligence, en franais informatique dcisionnelle, dsigne lensemble des technologies qui permettent de collecter les donnes dune entreprise et de les analyser dans le but de servir de support la prise de dcisions et llaboration de stratgies.

11

intuitivement les vastes possibilits offertes par un tel dispositif. A linstar de limage de droite qui montre comment on peut savoir le nombre de vido vendue en 2001 Bern, les alternatives dun tel modle sont en ralit aussi nombreuses quil y a dutilisateurs et de besoins spcifiques. Voyons pour illustrer cela les deux schmas suivants :

Schma extrait du cours intitul Systmes dinformation de lentreprise , dispens par le Dr. Stefan Huesemann lUniversit de Fribourg au semestre dautomne 2007-2008.

Le premier schma dcrit une fonction extrmement intressante qui permet de rpondre de manire trs flexible aux diffrentes questions que lutilisateur peut se poser. En effet, laide des dimensions, elles-mmes constitues dune hirarchie dattributs, il est possible de savoir combien de vidos ont t vendues par jour, par mois ou encore par anne en ajustant simplement la dimension en fonction des besoins. De la mme manire, en centrant sa requte sur la dimension lieu , on pourra dterminer combien de vidos furent vendues dans un canton, dans une ville ou encore pour chaque magasin. Le second dessin, quant lui, dmontre lui aussi la richesse et la flexibilit quoffrent un tel outil danalyse. En effet, on constate que lon peut galement littralement couper le cube en tranches . Le directeur financier cherchera savoir combien de produits ont t vendus dans le monde pour une priode prcise. Le directeur rgional des ventes quant lui, cherchera connatre le chiffre daffaire total pour la zone dont il est responsable. Enfin, le chef de produit, sintressant un produit spcifique, cherchera connatre le nombre total des ventes dans le monde sans prciser une priode particulire.

4.3 Exemples dapplication des outils danalyse OLAP Pour avoir une vision plus pragmatique de lutilit des outils OLAP, exposons trois cas pratiques dans lesquels ils sont mis contribution et quoi ils peuvent concrtement servir. Pour ce faire, nous nous inspirerons en grande partie de larticle OLAP applications disponible gratuitement sur le site www.olapreport.com.

12

Le marketing de base de donnes est lapplication des outils danalyse OLAP, souvent combins aux technologies de data mining, qui est la plus directement lie la gestion de la relation client. En effet, il permet par exemple au professionnel de dterminer les meilleurs clients et de fidliser ces derniers en leur proposant des offres promotionnelles. A linverse, lutilisateur peut en profiter pour identifier les mauvais clients ou encore certains profils de clients auxquels une offre ne correspond pas, afin soit de rajuster celle-ci soit de labandonner. Lanalyse des ventes est une autre des fonctions essentielles des outils OLAP. Ces derniers peuvent effectivement apporter des connaissances profitables pour les entreprises, en particulier dans lindustrie des biens de consommation et des services financiers ainsi que dans le commerce de dtails. Le seul fait dvoquer quelques-unes des questions auxquelles ces outils sont en mesure dapporter une rponse dcrit tout lintrt de ces derniers : Est-on en mesure datteindre nos objectifs de ventes par produit et par rgion dans une priode donne ? Lvolution des ventes dun nouveau produit est-elle identique partout ? Est-ce que les actions de promotions ont un effet sur les ventes ? Etc.

Lanalyse des clic de linternaute sur un site Internet peut galement tre dune trs grande utilit, en particulier pour les entreprises consacres au e-business. Pratiquement, les outils OLAP rendent possible par exemple la rcolte de donnes dmographiques, parfois personnelles, sur le client, lidentification du chemin par lequel il est arriv sur le site de lentreprise ou encore le calcul du nombre de clics que celui-ci a d faire pour trouver sur le site Internet ce quil est venu y chercher.

5. Dfinition du data mining Le data mining signifie littralement fouille de donnes ou forage de donnes . Ce procd, bas sur une srie dalgorithmes8 ou modles de data mining que nous nallons pas aborder dans ce travail, permet dextraire des informations partir de donnes, informations qui, grce lanalyse, se convertissent en connaissances. Le data mining est lanalyse dun ensemble dobservations qui a pour but de trouver des relations insouponnes et rsumer les donnes dune nouvelle manire, de faon quelles soient plus comprhensibles et utiles pour leurs dtenteurs (David Hand, 2001). Autrement dit, il consiste analyser des informations collectes dans des entrepts de donnes afin dy dtecter des relations quil serait a priori impossible didentifier sans cet outil. Cest un lment essentiel dans la relation client et de systme daide la dcision. Partant de l, on comprend mieux pourquoi le data mining est annonc comme tant un des dveloppements technologiques les plus rvolutionnaires des dix
Par exemple : les arbres de dcisions, les rseaux de neurones, les rseaux de Kohonen ou encore les algorithmes de la mthode de classification hirarchique. Voir les chapitres 5, 6, 7, 8 et 9 de Des donnes la Connaissance, une introduction au Data mining de Daniel T. Larose.
8

13

prochaines dcennies selon le magasine en ligne ZDNET News. (Rachel Konrad, fvrier 2001). En effet, cette technologie est perue comme tant rellement indispensable de nos jours lanalyse de la quantit toujours plus vaste dinformations produites par tous les systmes dinformation de lentreprise. Enfin, comme nous lavons dit, en tant que processus, il est pertinent de souligner ici que le data mining ne se rfre pas seulement des outils et une technologie informatique trs dveloppe. Effectivement, il faut galement relever le rle fondamental de lhumain dont limplication se doit dtre totale dans chaque phase du processus. Il est erron de penser que le data mining est une entit qui fonctionne de manire autonome.

5.1 Les facteurs de succs du data mining Lorsque nous passons la caisse dun supermarch, il est difficile de ne pas entendre les bip, bip des scanners lisant les codes barres sur les produits. Mais quoi servent ces donnes enregistres ? Chacune dentre elles, cest--dire chaque bip reprsente une nouvelle observation , une nouvelle information concernant nos habitudes dachat. Toutes ces informations sont collectes et stockes dans des bases de donnes destines lanalyse et vont permettre ensuite lentreprise didentifier, par exemple, les mauvais clients ou alors, au contraire, de lancer une campagne de fidlisation en offrant des produits ses meilleurs clients. A limage des scanners des caisses qui enregistrent quotidiennement des milliers et des milliers de transactions, laugmentation de la production de donnes reprsente un des facteurs dterminants de la monte en puissance du data mining. Dautres causes alimentent ce phnomne, comme par exemple, la pression concurrentielle pour accrotre la part de march dans un march mondialis, le dveloppement de logiciels de data mining prts lemploi, lnorme croissance de la puissance informatique et de la capacit de stockage et, enfin, le stockage des informations dans les entrepts de donnes qui permettent toute lentreprise daccder une base de donnes fiable . ( Des donnes la connaissance , 2005) 5.2 La prparation des donnes Il est trs important, avant toute opration de data mining, de procder un nettoyage des donnes se trouvant dans le data warehouse. Celles-ci ont besoin dtre prpares et transformes afin dtre exploitables pour le data mining. En effet, les data warehouse contiennent trs souvent des donnes incompltes qui peuvent tre : des champs obsoltes ou redondants des valeurs aberrantes, Des donnes manquantes, Des valeurs dnues de sens pour la logique, 14

Des donnes sous une forme non adapte au modle de data mining.

Il est ainsi trs important et mme capital de minimiser les dchets afin doptimiser au maximum le travail de data mining. Ce travail de nettoyage est norme et il reprsente lui tout seul 60% du temps de travail lors du processus de data mining. (Selon Daorian Pyle dans son livre Data Preparation for Data Mining).

5.3 Les tches effectues par le data mining Aprs avoir dfini ce quest le data mining, il convient de prsenter les tches que celui-ci peut effectuer. Ces dernires sont au nombre de six, chacune dentre elles revt une fonction spcifique pour lanalyse et est ralise grce des algorithmes diffrents. Bien quon retrouve ces six alternatives dans toute la littrature sur le sujet, nous nous sommes nouveau inspir pour ce chapitre du livre Des donnes la connaissance de Daniel T. Larose.

5.3.1. La description Limportance de cette tche est de permettre lanalyste dinterprter les rsultats dun modle de data mining, soit dun algorithme, de manire la plus transparente et efficace possible. Ainsi, les rsultats du modle de data mining doivent dcrire des caractristiques claires qui puissent amener une interprtation et une explication intuitive. Certaines mthodes de data mining sont plus adaptes que dautres pour une interprtation transparente (Daniel T. Larose, 2005)

5.3.2 Lestimation La variable cible9 est numrique. Lestimation permet par exemple destimer la somme dargent quun couple va dpenser pour des produits solaires cet t ou encore destimer le nombre de buts que va marquer lquipe de Suisse lors de lEuro. On pourra galement estimer le revenu dune famille en fonction de divers critres (profession, catgorie de voiture...). Lintrt principal de cette tche est de pouvoir ordonner les rsultats afin davoir la possibilit de retenir seulement les meilleurs valeurs, technique qui sera surtout utilise en marketing dans le but de pouvoir proposer des offres aux meilleurs clients potentiels de lentreprise.

On peut dfinir ici la variable cible comme tant celle que lon cherche, laide des modles de data mining, expliquer ou prdire la valeur.

15

5.3.3 La segmentation Ici, la variable cible nest pas numrique, mais catgorielle, comme par exemple le revenu, qui peut tre divis en trois catgories : faible revenu, revenu moyen et revenu lev. La segmentation consiste rpartir les clients en groupes homognes, quil convient ensuite daborder par des moyens spcifiques et adapts aux caractristiques et attentes de chaque groupe. Les membres dun mme groupe ragissent de la mme manire aux stimuli marketing. Ils ont en commun un mode de communication, des comportements dachat et/ou des besoins spcifiques (Ed Peelen, 2006).

5.3.4 La classification La classification est diffrente de la segmentation en ce sens quil ny a pas de variable cible pour segmenter. La classification va sintresser au regroupement de donnes ou dobservations en groupes dobjets similaires. En dautres termes, elle va segmenter lensemble des donnes afin de former des sous-groupes homognes. Ceux-ci sappellent des clusters, savoir des classes, qui sont des groupes dans lesquels les donnes sont similaires entre elles et, par dfinition diffrente des autres groupes.

5.3.5 La prvision Les rsultats de la prvision portent, comme son nom lindique, sur le futur, ce qui la diffrencie de lestimation. Pour le reste, elle est similaire ces deux tches expliques prcdemment. La prvision permet par exemple de prvoir quels vont tre les gagnants du championnat de basket-ball en tenant compte de la comparaison des rsultats de chaque quipe ou encore de prvoir quel va tre la taux de dcroissance des dcs sur la route lanne suivante en prenant compte de laugmentation des limitations de vitesse et des mesures de rprimande plus strictes adoptes par la police en ce qui concerne lalcool au volant.

5.3.6 Lassociation Cette fonction du data mining permet de dcouvrir quelles variables vont ensemble, quelles sont les rgles qui vont permettre de quantifier les relations entre deux ou plusieurs variables. Par exemple, si lon sintresse 500 clients qui viennent faire leurs courses au supermarch le vendredi soir et que lon constate que sur ces 500 clients, 100 achtent des fruits et que sur ce nombre, 30 achtent du lait, ainsi, la rgle dassociation est si lon achte des fruits, alors on achte du lait , avec une mesure de support de 100/500 = 20% et un seuil de confiance de 30/100 = 33%.

16

6. La Poste et le CRM Dans le cadre de ce travail de sminaire, il tait demand de raliser une tude de terrain en collaboration avec une entreprise afin daborder la question de la gestion de la relation client de faon plus pragmatique. Pour ce faire, nous avons choisi de nous adresser La Poste. Ce choix sest fait relativement par hasard. En effet, en faisant quelques recherches sur Internet, nous sommes tombs sur plusieurs documents trs intressants et dtaills sur le marketing direct en gnral et le CRM en particulier. Aprs avoir lu les diffrents dossiers mis disposition par la Poste sur leur site10, nous avons dcid dcrire un mail la socit en demandant sil serait possible dobtenir un entretien avec la personne responsable du CRM au sein de lentreprise. Trs rapidement, Monsieur Peter Kohler, responsable de la gestion de la relation client au sein de la Poste, nous a rpondu et propos de nous rencontrer. Il est intressant de relever que ce ntait pas la premire fois que Monsieur Kohler prsentait des tudiants lintrt de la Poste pour le CRM. Son enthousiasme et notre intrt pour le sujet nous ont men dans un entretien ralis en allemand de prs de 3 heures. Monsieur Kohler nous a expos la stratgie CRM de la Poste laide dune prsentation PowerPoint, destine a priori aux clients plutt qu des tudiants. Pendant celle-ci, nous avons retenu plusieurs points importants sur lesquels nous allons revenir ici.

6.1 La fin annonce dun monopole Depuis le premier janvier 2004, PosteColis, cest--dire lenvoi de paquets, volue dans un environnement ouvert la concurrence. En avril 2006, la limite du monopole pour les lettres est passe cent grammes et va tre baisse cinquante grammes ds avril 2009. Nous constatons de ce fait que le monopole, dtenu jusque l par la Poste sestompe petit petit et quil va cder sa place une ouverture totale du march suisse des tlcommunications en 2012. Cest dans cet environnement quest n lintrt de la Poste pour la gestion de la relation client et pour la solution CRM Siebel11. Sans entrer dans une dfinition des enjeux dune telle libralisation (cela pourrait faire lobjet dun travail de sminaire part entire), il est essentiel de comprendre que la Poste se doit, dans cette situation, de rorganiser en consquence sa stratgie, son organisation et son offre, afin de faire face la croissance exponentielle de la concurrence. Il sagit dsormais de considrer le client comme une ressource sans laquelle lentreprise ne peut pas survivre. Cest dans ce contexte que le concept de la gestion de la relation client a pris toute son importance pour la Poste et quelle va devenir capitale au vu de la libralisation du march.

10

http://www.postmail.ch/fr/index_pm/pm-geschaeftskunden/pm-directpoint/pm-dm-wissen/pm-dmpublikationen/pm-directexpert.htm 11 Siebel est leader mondial sur le march des solutions de CRM.

17

A limage dun des slides de la prsentation de Monsieur Kohler, La Poste ne peut donc plus se contenter dtre un simple livreur de courrier. Avec les concurrents allemands ou franais contre lesquels la Poste suisse ne pourra terme pas lutter, Monsieur Kohler nous a expliqu que la nouvelle stratgie est dans un futur proche de se positionner sur des marchs de niche, en proposant des services personnaliss, de qualit suprieure. Du simple livreur, le but est de devenir un conseiller stratgique, qui anticipe les besoins de ses clients et leur propose des solutions adaptes, un partenaire disponible et comptent sur lequel le client pourra compter en tout temps.

6.2 Limportance de lmotion dans la relation client Laspect que nous allons aborder dans cette partie, sur lequel Monsieur Kohler sest beaucoup attard et qui nous a particulirement marqu est limportance donne la dimension sentimentale dans la gestion de la relation client. En effet, que ce soit le simple individu qui se rend la Poste faire ses paiements ou lentreprise, comme Nestl, qui reprsente une manne financire primordiale, la Poste, par lintermdiaire de notre interlocuteur, montre attacher beaucoup dimportance au dveloppement dune relation qui ne se limite pas seulement aux simples transactions mais qui, en plus, les emballent dans un paquet de sympathie et de confiance. A limage de sa publicit institutionnelle ralise pour lanne 2008, la Poste se positionne donc comme une entreprise proche et lcoute de ses clients et de ses besoins, comme en tmoigne le slogan : nous avons la Poste dans le sang . Dans cette mme ide, Monsieur Kohler nous a rvl les rsultats dune recherche, pas encore publie, effectue auprs de ses clients commerciaux, qui dmontre que pour plus de 60% dentre eux, lavenir du CRM est dans le face--face et non, comme on pourrait le penser, dans linformatique.

6.3 La qualit et la mise jour constante des donnes 18

Un des points sur lesquels Monsieur Kohler a galement beaucoup insist sur linvestissement norme que requirent la rcolte et surtout la mise jour des donnes. Sans parler des consquences que peuvent avoir des donnes incompltes ou fausses dans le travail danalyse par exemple, voquer seulement la tche norme qui dcoule du seul fait davoir la bonne adresse de chaque client, quil soit priv ou commercial, donne une bonne ide de son ampleur. Si lon sintresse aux clients privs dans un premier temps, nous avons t trs surpris dapprendre que 20% dentre eux changent dadresse chaque anne. Sur 9.4 millions de clients (une personne peut avoir plusieurs adresses), linvestissement en temps et en argent que reprsente la mise jour denviron 1.9 millions dadresses par anne est considrable. Quant la clientle prive, et plus particulirement les 500 Top Kunden , quil sagit de soigner tout particulirement, il est galement fondamental que toutes les adresses, ainsi que les personnes de rfrence soient correctes. En effet, si lon prend lexemple de Nestl qui possde au moins 50 adresses rien qu Vevey, nous imaginons facilement le labeur li au fait davoir, pour chaque dpartement, ladresse juste et surtout le nom de la bonne personne de contact.

6.4 Siebel et le CRM analytique, un exemple concret Pour des raisons de manque de temps et de connaissances sur les solutions CRM telles que Siebel, mais aussi cause des limites lies notre matrise relative de la langue allemande, nous ne nous sommes pas attard avec Monsieur Kohler sur le fonctionnement et toutes les possibilits offertes par la solution CRM de la Poste. Nous avons cependant rcolts quelques informations pertinentes que nous allons voquer ci-dessous. La Poste a dcid de travailler avec le software Siebel sous sa forme standard. Ctait effectivement une dcision stratgique que de ne pas investir plus que le prix du software, et de ne pas se lancer dans un processus de programmation qui aurait cot encore bien plus de temps et dargent. En sintressant plus particulirement aux fonctions analytiques de ce software (bas sur un moteur OLAP et une architecture data mart), nous avons appris que, sous sa forme standard, il propose pas moins de 48 modles danalyse permettant notamment deffectuer des segmentation de clientle ou encore toute une srie de mesures trs pertinentes, dont nous allons prsenter deux exemples. Avant cela, ajoutons encore que la Poste ne fait pas recours aux outils de data mining. Elle limite effectivement son travail danalyse au potentiel de son systme CRM. Le premier exemple est la dcouverte que plus de 80% du chiffre daffaire est d seulement 500 clients ( Top Kunden ). La consquence de cette observation ft immdiate. En effet, conscient de limportance que reprsentaient ces 500 clients, la Poste a dcid de crer des quipes destines exclusivement la gestion de la relation avec ces clients privilgis dont la perte dun seul peut se rvler dangereuse pour lentreprise dans sa globalit.

19

La seconde illustration de lutilit dun pareil systme danalyse pour la Poste sest rvle en apprenant que seulement trois produits ralisaient 44% du chiffre daffaire total et que 10 produits taient garants du 83%. Ces connaissances ont eu pour effet daugmenter dune part la promotion de ces produits phares , et dautre part, den dvelopper de nouveaux pour tenter de rduire les risques en diversifiant le portefeuille dactivit de lentreprise.

20

Conclusion Lobjectif de ce travail tait de dfinir le CRM analytique et de comprendre ses enjeux en nous focalisant sur les outils danalyse OLAP et le data mining. Nous avons ralis au long de ce travail que le Customer Relationship Management est bien plus quune thorie sur la fidlisation du client. En effet, linstar du rle fondamental quy joue linformatique, le CRM est extrmement complexe et difficile dfinir. Malgr les difficults rencontres, nous sommes toutefois parvenu dcrire les principes fondamentaux de la gestion de la relation client en partant du sujet que nous avions choisi au dpart. Nous avons dfini le CRM et montr son importance de manire gnrale. Nous avons ensuite prsent les notions indispensables la comprhension de la partie analytique du CRM pour enfin aboutir un exemple concret dans le but de confronter la thorie la pratique. Bien que nous ayons atteints la plupart de nos objectifs, nous avions le sentiment qu force de faire des recherches et de rflchir sur le CRM, celui-ci nous paraissait toujours plus flou, vaste et difficile saisir. En effet, les multiples manires daborder le CRM nous ont en quelques sortes empches den avoir une vision globale. Outre sa dimension informatique, son intrt stratgique ou encore sa place dans lvolution du marketing en gnral, cest la culture dentreprise que nous retenons comme tant llment central de la gestion de la relation client. Que ce soit au niveau de la communication linterne ou vers lextrieur, le CRM est avant tout une philosophie qui doit permettre idalement de redfinir lensemble des processus et des valeurs de lentreprise. Sans revenir sur le contenu de notre travail, nous tenons finalement voquer deux questions importantes qui apparaissent dans la littrature et qui nous ont hantes tout au long de nos recherches : le CRM analytique, dfini comme tant fondamental en thorie, lest-il rellement dans la pratique ? Est-ce que le CRM nest-il pas un simple phnomne de mode promu par les socits dsireuses de vendre leur solution informatique ?

21

Bibliographie Ed Peelen, Frdric Jallat, ric Stevens et Pierre Volle : Gestion de la relation client, 2me dition, Pearson Education Benelux, Gap, 2006. Grenier, C. et Moine, C. : Construire le systme dinformation de lentreprise, Editions Foucher, Paris, 2003. Line Lasserre et Bernard Legrand : CRM, les attentes des clients, Village Mondial Press, Paris, 2002. Pierre Morgat : Fidlisez dOrganisation, Paris, 2000. vos clients, Stratgies, outils et GRC, dition

Jean-Marc Lehu : La fidlisation client, dition dOrganisation, Paris, 1999. Amrit Tiwana : Gestion des connaissances, Applications CRM et e-business, CampusPress, Paris, 2001. Daniel T.Larose, Des donnes la connaissance, une introduction au data mining, Editions Vuibert Informatique, Paris, 2005. Stanley Brown, Customer Relationship Management, La gestion de la relation client, Pearson Education France, 2006. Pierre Mayor, CRM, Etude des besoins du segment de la clientle daffaires, The iimt University Press, Fribourg/Suisse, 2003. Articles scientifiques tir dinternet Dominique Cri : De lextraction des connaissances au Knowledge Management, Revue franaise de gestion 2003/5, n145, p.59-79. Disponible :http://www.cairn.info/article_p.php?ID_ARTICLE=RFG_146_0059, accd le 7 avril 2008. Jean-Fabrice Lebraty : Les systmes dcisionnels. Disponible : http://www.gestionsic.net/documents/SAD.pdf, accd le 7 avril 2008.

Jiayi Yao, Yuying Zhang: The Designing of CRM Based on Data Warehouse. Disponible : http://www.china-review.org/news/manage/image/12The%20Designing%20of%20ACRM%20Based%20on.pdf, accd le 7 avril 2008. Michael J. Schroeck : Customer Analytics Making the Difference in CRM : Customer Analytics Amplify the value of integrated CRM Solutions. Disponible : http://www.dmreview.com/issues/20010901/3955-1.html, accd le 8 avril 2008.

Prof. Manole Velicanu, Ph. D. et Gh. Matei, Ph.D : Building a Data Warehouse step by step. Disponible : http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1028461, accd le 7 avril 2008.

22

Mihaela Muntean, Claudiu Brandas : Business Intelligence Support Systems and Infrastructure. Disponible : http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1082465, accd le 7 avril 2008. Eric Attention Consumption. Disponible : http://papers.ssrn.com/sol3/papers.cfm?abstract_id=685241, accd le 7 avril 2008. Gerrit H. van Bruggen and Berend Wierenga : When are CRM Systems Successful ? The Perspective of the User and of the Organization. Disponible : http://papers.ssrn.com/sol3/papers.cfm?abstract_id=828168, accd le 7 avril 2008. Ren Lefbure, Gilles Venturi : Gestion de la relation client, dition 2005. Disponible : http://www.softcomputing.com/documents/pdf_generaux/gestion-relation-client-c13.pdf, accd le 7 avril 2008. OLAP applications. http://www.olapreport.com/Applications.htm, accd le 13 avril 2008. The OLAP Report : Disponible : Goldman : Data Mining and

Antoine Crochet-Damais, JDNet : OLAP pour Online Analytical Processing. Disponible : http://www.journaldunet.com/solutions/0301/030108_olap.shtml, accd le 15 avril 2008. Georges El Helou et Charbel Abou Khalil : Data mining, Techniques dextraction des connaissances. Disponible : http://www.lri.fr/~mdr/DataMining.Doc, accd le 12 avril 2008. Stphane Tuffry : Datamining et statistique dcisionnelle, Lintelligence dans les bases de donnes, dition TECHNIP, 2005. Disponible : http://books.google.ch/books?isbn=2710808676, accd le 12 avril 2008.

23