Cybermarché et analyse

comportementale
Antoine-Eric Sammartino
aesammartino@e-laser.fr

Séminaire Data Mining - Educasoft Formations

18 juin 2001

-1-
 MENU
Le Groupe LaSer
Le processus Data Mining
L’industrialisation
Du Data Mining au Web Mining

-2-
 e-commerce e-LaSer-IB G EIE ECHAN G E U R

subsidiaries
ASP
LibertyTV.com VISP / FAI Réseau Echangeur
Customer Centers Autobytel.eu Web Appliances
(Futuroscope, Tours) Hub e-commerce W.Hosting
Loyalty Applications
Web Agency, Consultancy EC HA N G E U R PARIS
LibertyContact
e-LaSer contact Benelux

-3-
 MENU
Le Groupe LaSer
Le processus Data Mining
L’industrialisation
Du Data Mining au Web Mining

-4-
 Le Processus

Expliciter l’objectif

Identifier les données

Définir des indicateurs

Collecter et rapprocher les données

SybaseSQL
AS/400
DB2 OracleAutres

Préparer les données

Analyser et interpréter

Automatiser et appliquer

Décider et Agir
-5-
 L’objectif

Pas de Data Mining sans Objectif !

œ Identifier des logiques d’achat des internautes à

travers les différentes boutiques
œ Définir des actions personnalisées sur le Web

-6-
 Les données : Back Office (1/2)

Code Client

CLIENTS Numéro Commande

TOPAGE R/F
PROSPECTS

LIGNES Famille Produit

COMMANDES
Code Client COMMANDES

PRODUITS BOUTIQUES
Code Produit

-7-
 Les données : Web (2/2)

Code Session
Code Session

IDENTIFICATION
SESSIONS
CLIENT
COMMANDES PANIERS

Code Session

BANNIERES

-8-
 Les Indicateurs (1/2)

Données de détail : OUI

Mais pas de Data Mining sur données brutes !

œ Passer du transactionnel au relationnel :

➥ Une ligne par client (indicateurs individuels)
Transactions Client

= Identifiant client

-9-
 Les Indicateurs (2/2)

Des indicateurs : OUI

Mais des indicateurs métier !

Niveaux Situations Problématiques Solutions

CLIENT Un client a autant de Caractéristique du client Taux de nourriture

lignes que de commandes (famille de produits…)

COMMANDE Une commande a autant Contenu du Panier Taux de présence de

de lignes que de produits famille de produits
différents

- 10 -
 Collecter et rapprocher les données (1/2)

Pas de Data Mining sans Data Management !

œ Recherche et sélection des données :

➥ Plusieurs tables,
➥ Plusieurs niveaux,
➥ Des clefs différentes.
œ Constitution d’une table d’analyse :
➥ Juxtaposition de tables,
➥ Empilement de tables,
➥ Dédoublonnages.
+

- 11 -
 Collecter et rapprocher les données (2/2)

Le Data Mart : Autant de bases d'analyse

que de niveaux d’observation

Clients

Sessions Commandes

Produits

- 12 -
 Analyser et interpréter : La démarche (1/4)

Commandes produits et Indicateurs

Navigation des clients
services des clients

Exploration/Modélisation basée Analyses

sur des indicateurs métier

Segmentation, probabilité, Résultats

cible de clients

Définition d’actions Actions

marketing et de personnalisation

- 13 -
 Analyser et interpréter : Les techniques (2/4)

EXPLORATION MODELISATION

Scores :
- Taux de Cross-selling Segmentations : - Appétence
pénétration - clients/panier - Attrition
- Panier moyen - clients/navigation - Potentiel

ASSOCIATIONS ARBRE DE DECISION

REGRESSION LOGISTIQUE
RESEAUX DE NEURONES SUPERVISES

STATISTIQUES CLUSTERING
GRAPHIQUES RESEAUX DE NEURONES NON SUPERVISES

- 14 -
 Analyser et interpréter : Associations (3/4)

Pas de Data Mining sans hypothèse !

Commande
poisson
vin blanc
légume vert
fruit
alcool fort

œ Validation d’une démarche d’hypothèses marketing :

➥ Sélection de produits cible,
➥ Définition du niveau des produits d’appel
(univers, familles, produits),
➥ Exclusion de règles commerciales.

- 15 -
 Analyser et interpréter : Segmentation (4/4)

Pas de Data Mining sans point de vue !

œ Autant de segmentations que de points de vue :

➥ Selon le cycle de commandes,
➥ Selon la nature du panier (détention),
➥ Selon la construction du panier sur le WEB.

- 16 -
 MENU
Le Groupe LaSer
La problématique Télémarket
Le processus Data Mining
L’industrialisation
Du Data Mining au Web Mining

- 17 -
 Industrialiser le processus : Système
d’Information Décisionnel (1/5)

Données opérationnelles Données Web

Table A Table B Table N

Interface

Extraction Transformation Alimentation

Data Warehouse
Espace
Industrialisé
Niveau
Niveau élémentaire référentiel

Niveau agrégé

Sélection Chargement

Data Mart

Restitutions
Tableaux Analyse
de bord Rapports Libre Requêtes Data Mining / Etudes
Espace Etudes

- 18 -
 De l’Espace Etudes à l’Espace
Industrialisé (2/5)

Espace Industrialisé

Data Warehouse Automate Résultats

Bibliothèque
DataMart

Echantillon

Espace Etudes
- 19 -
 Espace Industrialisé - Bibliothèque (3/5)

œ Bibliothèque de fonctionnalités :
¾ Programmes de mise à jour des modèles (règles
d’appartenance, scores…),
¾ Masques de simulations (scénario économiques),
¾ Masques de restitutions (indicateurs),
¾ Extraction vers Outils Bureautique (Word, Excel…).

- 20 -
 Espace Industrialisé - Data Mart (4/5)

œ Nécessité de construire un DataMart :

¾ Production :
• intégrer les données-sources,
• mettre à jour régulièrement les indicateurs,
• appliquer les modèles.
¾ Fourniture :
• alimenter le « front-office » en données-
résultats de façon automatique.
- 21 -
 Espace Industrialisé - Données résultats (5/5)

œ Données-résultats qui alimentent le « Front-Office » :

¾ Indicateurs métier,
¾ Scores (de potentiel, de vulnérabilité,
d’appétence…),
¾ Segmentations (profils de comportements...).

- 22 -
 MENU
Le Groupe LaSer
La problématique Télémarket
Le processus Data Mining
L’industrialisation
Du Data Mining au Web Mining

- 23 -
 Du Data Mining au Web Mining (1/2)

œ A chacun sa définition :
¾ Analyse d’audience du site,

¾ Analyse (MACRO)comportementale des

internautes,

¾ Data Mining appliqué à des données Web,

¾ Data Mining On Line sur le Web.

- 24 -
 Du Data Mining au Web Mining (2/2)

œ Data Mining On Line sur le Web :

¾ Mise en place de balises Web,
¾ Collecte et traitement de l’information utile,
¾ Connexion entre Back-Office et Front-Office,
¾ Intégration de nouvelles approches statistiques.

- 25 -