Thierry VALLAUD, Socio
Cette étude met en lumière une méthode pour déterminer le potentiel client individuel de chiffres d’affaires, en se basant uniquement sur des données présentes dans la base de données clients de l’entreprise : des informations descriptives sur ces clients et des enregistrements de leurs transactions.
Nous définissons le potentiel client comme le chiffre d’affaires supplémentaire qu’une société donnée peut atteindre avec ses clients actuels.
Dans le but de calculer avec succès ce potentiel dans une base de données de grande taille avec des multiples variables, nous proposons de regrouper ensemble les clients « qui se ressemblent » (que nous appelons « clones ») en utilisant une technique appropriée de classification : les réseaux de Kohonen.
Puis nous divisons chaque groupe de clones par une approche de césurage particulière (déciles et médiane des déciles) qui nous permet d’obtenir un potentiel réaliste par client.
C’est l’association de ces deux approches, classification de Kohonen puis césurage du chiffre d’affaires des groupes de clones qui fait l’originalité et la validité de la méthode des clones.
Cette méthode est appliquée à un ensemble de données réelles, et plusieurs techniques sont utilisées pour vérifier la stabilité des groupes obtenus. Le potentiel est démontré de manière empirique : une application pratique à une base de données de 5 millions de clients d’un des principaux distributeurs alimentaires français.
La plupart des sociétés, quel que soit leur secteur d’activité en BtoB ou en BtoC aimeraient connaitre le potentiel de leurs clients en termes de chiffres d’affaires. Déterminer « un potentiel client » signifie identifier le chiffre d’affaires incrémental qu’une entreprise donnée pourrait générer sur ses clients actuels.
Les modèles de potentiel clients existent et sont principalement basés sur la déter- mination de la valeur client pendant la durée de vie de ce dernier : LTV (LTV = Life Time Value) (Bénavent et Crié ; Berger et Nasr 1998; Dwyer 1997; Venkasten, Rajkumar et Kumar 2004).
Au-delà de ces modèles, d’autres approches existent qui estiment la part de dépense du client (Cooil et al. 2007 ; Yuxing Du et al. ; Keimingham et al. 2007). Enfin d’autres modèles économétriques de potentiel ont été crées mais ils sont basés sur des données externes à la base de données clients (Plastria 2001, Huff 2003, Reilly 1931).
La consommation du client (sa valeur totale) représente la consommation de tous les achats d’un produit donné, sur sa durée de vie, par un consommateur donné. Elle se nomme la Valeur Totale du Client (VTC). Par exemple, au cours de sa vie la valeur totale d’un client pour un distributeur, est la somme de tous les achats qu’il aura fait dans le magasin de ce distributeur durant sa vie... Lire la suite en téléchargeant le eBook ci-dessus.
Thierry Vallaud dirige le pole data mining et modélisation depuis 4 ans qui représente aujourd’hui environ 40% de l’activité de SOCIO. Il a publié plusieurs ouvrages et articles sur le data mining, la fidélisation, les analyses de bases de données, la Business Intelligence (BI).
SOCIO est une société d’analyses de données qui existe depuis 30 ans et qui réalise un CA d’environ 5M€ en faisant uniquement des traitements statistiques sophistiqués et de la modélisation. SOCIO travaille sur cinq métiers, l’analyse de données d’enquêtes, le data mining et la modélisation, le géomarketing, l’aide à la décision et la visualisation on line, la formation aux techniques d’analyses
Nous définissons le potentiel client comme le chiffre d’affaires supplémentaire qu’une société donnée peut atteindre avec ses clients actuels.
Dans le but de calculer avec succès ce potentiel dans une base de données de grande taille avec des multiples variables, nous proposons de regrouper ensemble les clients « qui se ressemblent » (que nous appelons « clones ») en utilisant une technique appropriée de classification : les réseaux de Kohonen.
Puis nous divisons chaque groupe de clones par une approche de césurage particulière (déciles et médiane des déciles) qui nous permet d’obtenir un potentiel réaliste par client.
C’est l’association de ces deux approches, classification de Kohonen puis césurage du chiffre d’affaires des groupes de clones qui fait l’originalité et la validité de la méthode des clones.
Cette méthode est appliquée à un ensemble de données réelles, et plusieurs techniques sont utilisées pour vérifier la stabilité des groupes obtenus. Le potentiel est démontré de manière empirique : une application pratique à une base de données de 5 millions de clients d’un des principaux distributeurs alimentaires français.
La plupart des sociétés, quel que soit leur secteur d’activité en BtoB ou en BtoC aimeraient connaitre le potentiel de leurs clients en termes de chiffres d’affaires. Déterminer « un potentiel client » signifie identifier le chiffre d’affaires incrémental qu’une entreprise donnée pourrait générer sur ses clients actuels.
Les modèles de potentiel clients existent et sont principalement basés sur la déter- mination de la valeur client pendant la durée de vie de ce dernier : LTV (LTV = Life Time Value) (Bénavent et Crié ; Berger et Nasr 1998; Dwyer 1997; Venkasten, Rajkumar et Kumar 2004).
Au-delà de ces modèles, d’autres approches existent qui estiment la part de dépense du client (Cooil et al. 2007 ; Yuxing Du et al. ; Keimingham et al. 2007). Enfin d’autres modèles économétriques de potentiel ont été crées mais ils sont basés sur des données externes à la base de données clients (Plastria 2001, Huff 2003, Reilly 1931).
La consommation du client (sa valeur totale) représente la consommation de tous les achats d’un produit donné, sur sa durée de vie, par un consommateur donné. Elle se nomme la Valeur Totale du Client (VTC). Par exemple, au cours de sa vie la valeur totale d’un client pour un distributeur, est la somme de tous les achats qu’il aura fait dans le magasin de ce distributeur durant sa vie... Lire la suite en téléchargeant le eBook ci-dessus.
Thierry Vallaud dirige le pole data mining et modélisation depuis 4 ans qui représente aujourd’hui environ 40% de l’activité de SOCIO. Il a publié plusieurs ouvrages et articles sur le data mining, la fidélisation, les analyses de bases de données, la Business Intelligence (BI).
SOCIO est une société d’analyses de données qui existe depuis 30 ans et qui réalise un CA d’environ 5M€ en faisant uniquement des traitements statistiques sophistiqués et de la modélisation. SOCIO travaille sur cinq métiers, l’analyse de données d’enquêtes, le data mining et la modélisation, le géomarketing, l’aide à la décision et la visualisation on line, la formation aux techniques d’analyses