Applications au Marketing

(1)

Data Mining

4 – Applications CRM

Françoise Soulié Fogelman francoise@kxen.com

Master MI2 Pro EID- Université Paris 13 Data mining et Business Intelligence FDON

KXEN-Confidential 2

Agenda

Le CRM

Applications au Marketing

Applications au Risque Crédit

KXEN-Confidential 3

Le CRM dans le SI de l’Entreprise

CRM = Customer Relationship Management GRC = Gestion de la Relation Client

KXEN-Confidential 4

Le CRM Analytique

Trois fonctions

KXEN-Confidential 5

Le CRM Analytique

Le CRM vise à animer la relation clients au travers

d’actions multi-canal

La connaissance clients, élaborée à partir des données clients, permet de lancer des actions efficaces

Relation Client

Actions

KXEN-Confidential 6

Win-Back

Share of Wallet

Pénétration des Partenaires

Prospection Taux d’augmentation du prix

Best Practice Moyenne du Secteur

50%

100%

50%

33%

25%

3% 18%

18%

20%

15% 35%

11%

5%

Churn 2% 4% 6% 20% 100%

Moyenne du Secteur Best Practice

Moyenne du Secteur

25% 35%

Best Practice

27% 45%

Best Practice 60%

45%

Best Practice

Moyenne du Secteur

20%

10%

3.5%

0.5%

Best Practice

Les bénéfices attendus du CRM Analytique

Mettre en œuvre des Best Practices et améliorer les KPI

■Définir les KPI, indicateurs significatifs pour le marché,

■Se benchmarker par rapport à la concurrence

■Travailler sur ses processus pour améliorer les KPI Exemple : les Télécommunications

(2)

KXEN-Confidential 7

Les bénéfices attendus du CRM Analytique

Cibler et conquérir les clients profitables

Augmenter la valeur et la durée de vie des clients

existants

Diminuer les départs vers la concurrence

Concentrer les efforts sur les segments de clientèle les plus rentables

Surveiller les clients à risque

Comprendre les comportements des clients

Augmenter l'efficacité des campagnes marketing en

améliorant le ciblage

Qu'est ce que le CRM ?

KXEN-Confidential 8

Les bénéfices attendus du CRM Analytique

Connaître le client

Quelques questions

■ Pourquoi dois-je faire cette offre personnalisée à ce client ?

■ Pourquoi ce client répond-il bien à cette campagne ?

■ A qui dois-je envoyer ce mailing pour maximiser le taux de retour ?

■ Puis-je prévoir si ce client va passer à la concurrence et quand ?

■ Quelle est la « valeur » de ce client ?

■ Puis-je déterminer les facteurs caractéristiques de la fraude ?

Dont les réponses permettent d’être :

■ Plus efficace, plus réactif, plus rapide

■ À moindre coût

■ Avec de meilleurs retours

Le data mining permet de répondre à ces questions

KXEN-Confidential 9

Le score

Un score comprend

■Un modèle

■Une régle de décision

Le modèle de score

■Associe un nombre à une observation

La régle de décision est basée sur un seuil s

■Accepter si

■Refuser sinon

Exemples

■Score d’appétence, de churn

■Score d’octroi de crédit …

Contraintes

■On souhaite souvent que le score soit « explicable »

Utilisation de « carte de score »

( ) ^x ^s

S ≥

( ) ^x

S x →

( ) ^x ^s

S p

KXEN-Confidential 10

Le score

Faire un modèle de score

Règle de décision

■ Positionner le seuil

■ Découper en bandes de score (ex : vingtiles)

■ En déduire

La décision

La probabilité

Score Seuil

0 1

( Tar get )

f get Tar

rr _ =

Target rr_Target decision_

rr_Target proba_decision

_rr_Target

0 -0,014 0 0,869

0 0,226 1 0,555

0 -0,134 0 0,950

0 -0,004 0 0,861

12 € 0 € 2 €

Revenue : Fixed Cost : Variable Cost :

Target Size : 10 000 Budget : 20 000 €

Le score

Positionner le seuil

Le score

Matrice de

confusion

(3)

Agenda

Le CRM

Applications au Marketing

■Optimisation de campagne

■Analyses en ligne

Web, centre d’appels

■Distribution sur Internet

■Fraude

■Utilisation du Texte

Applications au Risque Crédit

Les bénéfices attendus du CRM Analytique

Position du Data Mining dans le processus marketing

Plan Marketing Opérationnel Plan Marketing

Gestion des campagnes Marketing

Stratégie Marketing

Planification des Campagnes

Finaliser le Planning des Campagnes Vérifier la pression de Sollicitation Définir la Campagne &

Insérer au Planning

Conception des Campagnes

Construction de la cible et pré- comptage Définition de

la cible Définition de la Campage

Exécution de la Campagne

Suivi de l’Exécution Lancer la Campagne Finaliser la Définition de la Cible Finaliser la Définition de la Campagne

Evaluation des Résultats de la Campagne

Produire l’Analyse finale Produire les

Rapports Collecter les

Résultats

Définition de la cible

Les bénéfices attendus du CRM Analytique

Chaque campagne marketing

■… doit exploiter les données disponibles

■… pour produire un modèle adapté

■… et définir la cible en utilisant ce modèle

Le nombre de modèles nécessaires peut être très grand

… et encore plus pour les utilisations futures

■Sur le Web

■Avec des données non structurées (texte, images, videos )

Types de campagne marketing

Exécution Exécution

Starter

■Nouveau produit

■Données non disponibles

Pilote

■Produit ancien

■Données disponibles

Campagne

récurrente

■Churn …

■Données disponibles

■Modèle existant

Marketing

Les différentes sortes de score

Score de réponse / achat

■A acheté

■A répondu

Score d’appétence

■Est intéressé

Score de propensité

■A une forte probabilité

Starter

(4)

Starter

Courbe de Profit

Données financières

Sélection du seuil

Starter

Index pour l’ensemble de données : permet d’identifier le client sélectionné Variable cible pour l’ensemble de données : le client a-t-il acheté Product_C ?

Scores calculés

par le modèle Décision 1 or 0,

selon le seuil choisi

Probabilité que le client achète Product_C

(5)

Opérateur telco US

Campagnes en appels sortants sur 2 mois

■ Vente d’un nouveau téléphone

■ Cible : vente oui / non

■ Détection de « leak variables »

Renseignées après coup uniquement pour les ventes réussies

■ Elimination de ces variables et construction du modèle

Opérateur telco US

Campagnes de cross- sell

■Vente d’une connexion ADSL à des clients du mobile

■Cible : vente oui / non

■9% des clients acceptent

■Données

384 variables

263 961 clients

■Comparaison à un modèle existant en interne

Résultats

Gains

■à 10%: 22% au lieu de 21%

■à 50%: 76% au lieu de 73%

Vodafone

Un opérateur en forte croissance

http://www.teradata.com/teradata-partners/conf2005/

Vodafone

Le problème

■Une équipe experte mais réduite

■Des délais de réaction très courts

■Un environnement compétitif évoluant très vite

■Des données très complexes

■Un très grand nombre de modèles nécessaires

Vodafone

Base Teradata

■2500 variables

Call Details subs_id trans_id peak/off-peak

product_id Zero_rated amount duration count

Customers subs_id activation date

Periods Date week

Products product_id description

Demographics subs_id

Age Income Recharge

subs_id channel amount

Cus_id SumVoiceMin

#SMS………#Recharge2Months

Scores

Scoring Parameters Model

Base Sample, Target Variable Definition Data

Quality Process

Vodafone

Résultats

Environnement

analytique

■700 modèles / an

■Résultats d’analyses disponibles en temps réel

Performance

accrue

(6)

Eon

World’s largest investor- owned electricity and gas company

6M

Consumer customers and 700k B2B customers

Eon

Le Crédit Lyonnais

Etat des lieux

Offre bancaire de LCL : 400 produits

■Produits et services bancaires,

■Produits de gestion d’actifs et d’assurance,

■Gestion de patrimoine.

Campagnes marketing direct : plus de 130 actions

■Équipement en cartes bancaires,

■Assurance-vie,

■Fonds commun de placement ...

par emailings, mailings ou SMS

■soit 10 millions de contacts sur des clients ou des prospects.

Les équipes réalisent leurs campagnes à partir d’une dizaine de scores généralistes

■« Faire fructifier son capital »,

■« Percevoir des Revenus »,

■« S’assurer au quotidien ».

Le Crédit Lyonnais

Le département marketing opérationnel souhaite :

■ Disposer de scores plus précis, facilement évolutifs

■ Spécifiques aux offres intégrées des familles de produits

Avec les outils existants

■ Il faut de 2 à 5 jours pour construire les scores

■ La méthode ne permet pas d’affiner les scores.

Projet pilote sur une opération grandeur réelle (assurance MRH)

■ Deux groupes sont constitués

Le premier utilise les scores KXEN,

L’autre utilise un score généraliste «S’assurer au quotidien ».

■ Résultats

Le taux de retour X 2,5 fois avec KXEN

Score KXEN élaboré en une demi-journée au lieu de plusieurs jours.

Aujourd’hui

■ 160 modèles créés par an avec KXEN

(7)

Campagne email

Optimisation de campagnes d’un site e-commerce

■ Combien de jours après l’achat envoyer l’email

Appétence cross-enseigne pour campagnes d’acquisition

Les informations représentées ici sont fictives

Nb jours avant email

Sans ciblage Avec ciblage

Nb emails envoyés 51 968 29 999

Ouvertures totales

Nombre 18 890 34 179

Taux 36,35% 113,93%

Ouvertures uniques totales

Nombre 11 621 16 896

Taux 22,36% 56,32%

Clics totaux

Nombre 3 222 9 538

Taux 6,20% 31,79%

Clics uniques totaux

Nombre 2 619 6 879

Taux 5,04% 22,93%

Agenda

Le CRM

Applications au Marketing

■ Optimisation de campagne

■ Analyses en ligne

■ Distribution sur Internet

■ Fraude

■ Utilisation du Texte

Applications au Risque Crédit

Exploiter les données d’un site

Données dynamiques Date d’entrée Lien cliqué Navigateur URL d’origine Temps passé …

Données dynamiques Type de projet Montant demandé Mensualité …

Données statiques Nom, prénom Adresse Adresse email Date de naissance Situation familiale … ID Client Date de création En-cours Litiges …

Base Clients

Base Clients / Prospects

Exploiter les données d’un site : appétence au chat

Vente assistée sur le Web Score d’appétence

■ Temps réel

■ Proposition

■ Orientation vers l’agent compétent Résultats

■ Taux d’acceptation / taux « naturel »

■ Taux d’achat

■ Business case

Les informations représentées ici sont fictives Variables

Nb visites / an 1 000 000

Config PC supportée 80% 800 000

Filtrage 30% 240 000

Proposition (modèle - 3 déciles) 30% 72 000

Taux d'acceptation 17% 12 240

Interaction menée à terme 60% 7 344

Acheteurs 5% 367

Valeur de transaction 1 000 € 367 200 € Exemple

0 2 000 4 000 6 000 8 000 10 000 12 000 14 000

-3 sigma -2 sigma 1 sigma 2 sigma 3 sigma 0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

Nb visiteurs Taux de conversion

Exploiter les données d’un site : attrition

Modèle d’attrition des clients de la banque en ligne

■Attrition est défini comme “inactivité de plus de 6 mois”

■Modèle produit en 3 heures

200 variables réduites à 40

■44 % des clients attrités détectés dans le 1^erdécile

Caractérisation des clients attrités

■1 million de clients scorés en 43 secondes (en batch sur Teradata)

Les informations représentées ici sont fictives 0%

20%

40%

60%

80%

100%

10 % 20 % 30 %

40 % 50 %

60 % 70 %

80 % 90 %

100 % 0 2 4 6 8 10

1 2 3 4 5 6 7 8 9 10

Décile

Ancienneté

Ancienneté Banque en-ligne Ancienneté Banque

Moteur de recommandations

Appels entrants dans un centre d’appels

Internautes naviguant sur un site

Un score est calculé à la volée :

■ Appétence pour un produit / service

■ Propensité à accepter une offre

Produit, service

Co-browsing

Chat

La/les offres les meilleures sont proposées

(8)

Moteur de recommandations

Identifiant du client appelant

Moteur de recommandations

Calcul du score du client # 5

Produits qui intéressent le client # 5

Moteur de recommandations

Informations mises à jour

Produits qui intéressent le client # 5

Agenda

Le CRM

Applications au Marketing

■ Fraude

Applications au Risque Crédit

Distribution sur Internet

De la « boutique » à la boutique électronique

■Brick-and-Mortar

Wall Mart, Barnes and Noble, … Carrefour, Relay

■Boutique électronique de produits matériels

Amazon, Netflix, … fnac.com

■Boutique électronique de produits immatériels

Rhapsody, iTunes

Question

Quel pourcentage de produits est vendu chaque mois ? Réponse

Tous ! (98-99 %)

From Chris Anderson - http://www.wired.com/wired/archive/12.10/tail.html

Distribution sur Internet

From Chris Anderson - http://www.wired.com/wired/archive/12.10/tail.html Rhapsody : 735 000 chansons

Wall Mart : 30 000 chansons Amazon.com : 2.3 M livres Barnes & Noble : 130 000 livres

Netflix : 25 000 DVD BlockBuster : 3 000 DVD

(9)

Distribution sur Internet

Offrir « tout »

Aider le client à trouver ce qu’il recherche

Distribution sur Internet

Le système de recommandations

http://blog.recommenders06.com/wp-content/uploads/2006/09/bennett.pdf

65 000 films

Distribution sur Internet

Le système de recommandations

http://blog.recommenders06.com/wp-content/uploads/2006/09/bennett.pdf Satisfaction

Relative Cost

Recs Interest Search NR

Distribution sur Internet

Utiliser les règles d’association

■ Sur des milliers / millions de produits !

0.349 274 2 15 0.251 Red Bell Pepper

416 1

0.349 190 2 16 0.270 Scallions

547 1

0.352 276 2 17 0.271 Green Bell Pepper

456 1

0.262 206 2 18 0.278 Cantaloupe

572 1

0.581 277 2 19 0.331 Bounty 2-Ply Paper Towels 378

1

0.261 205 2 20 0.423 Raspberries

594 1

0.378 297 2 21 0.431 Blueberries

534 1

ar_

Confidence ar_

Support ar_

Length ar_

Rules Left ar_KI ar_Consequent ar_

RuleId CUST

ID

0.349 274 2 15 0.251 Red Bell Pepper

416 1

0.349 190 2 16 0.270 Scallions

547 1

0.352 276 2 17 0.271 Green Bell Pepper

456 1

0.262 206 2 18 0.278 Cantaloupe

572 1

0.581 277 2 19 0.331 Bounty 2-Ply Paper Towels 378

1

0.261 205 2 20 0.423 Raspberries

594 1

0.378 297 2 21 0.431 Blueberries

534 1

ar_

Confidence ar_

Support ar_

Length ar_

Rules Left ar_KI ar_Consequent ar_

RuleId CUST

ID

0 .5 0 .6 0 .7 0 .8 0 .9 1 .0

ki k r

Distribution sur Internet

Faire des milliers / millions de scores d’appétence

■Trouver les niches de produits avec score robuste

Agenda

Le CRM

Applications au Marketing

■ Fraude

Applications au Risque Crédit

(10)

Qu’est ce que la fraude ?

Définition

■Une « distortion intentionnelle de la vérité » qui permet de s’approprier un bien ou un service

Exemples

■Carte bancaire

Usurpation d’identité

Utilisation à l’insu du porteur

■Détournement de flux sur Internet (phishing)

■Téléphones mobiles

■Fausses déclarations de sinistres

Assurance

Maladie, arrêt de travail …

Catégorie de fraude spécifique déjà identifiée

Classes de Fraude

Type de fraude spécifique bien identifié

Fraude Connue

Général

Type de fraude jamais identifié précédemment Fraude inconnue

Le plus facile à détecter

Plus difficile à détecter

Le plus difficile à détecter

Détection automatique des outliers (nouveau type de règles) Détection manuelle

Règles automatiques

Modélisation prédictive

Fournit la meilleure précision dans la détection de la fraude Le grand nombre de transactions fait qu’il est impossible à l’expert de les traiter toutes

Difficile de tenir les règles à jour (nouvelles règles) Difficile de détecter de nouveaux types de fraude

Codage partiel de la connaissance de l’expert Parfait pour les règles connues

Définition de profils de fraudes pour les mécanismes de fraude identifiés

Modélisation prédictive

1 2 3

4

Méthodes de détection de fraude

Une méthode efficace d’analyse de fraude est une combinaison de 4 méthodes

Non DC 4h12

Oui NYC 1h20m Patrick

Non NJ 0h45m Bruno

Fraudeur Profil

Données du passé

Profils Client & Transactions

? NY 12h43

? CA 6h12 Victor

? MI 0h45 Bruno

Fraudeur ? Profil

Données actuelles

Processus pour la fraude connue

Profils Client & Transactions

Produire le modèle Apprendre

1

Appliquer le modèle Appliquer

2

Identifier l’infor- mation douteuse Identifier

3

Confirmer avec l’expert Valider

4 5

Agir

150 DC 4h12 Bob

100 NYC 1h20m Patrick

50 NJ 0h45m Bruno

Montant Profil

Données

150 68 45 Prévu

0 150

+2 70

-30 75

Erreur ? Montant réel

Processus pour la fraude inconnue

Les “outliers” doivent être examinés

Produire le modèle Apprendre

1

Ré-appliquer le modèle Appliquer

2

0 50 100 150 200

Montant réel Montant prévu

Identifier les outliers Identifier

3

Exemples

Une Banque canadienne

■ Fraude sur les chèques

■ 0,0016 des chèques sont frauduleux

■ 101 variables

■ 1 750 000 lignes

■ Classification

■ Segmentation

■ Fraude sur les dépôts frauduleux

■ 0,0003 des dépôts sont frauduleux

■ 94 variables

■ 1 045 000 lignes

(11)

Exemples

Une Banque turque

Fraude sur les demandes de cartes

■ Augmentation du nombre de demandes frauduleuses de 200

% (de 7 à 21 par jour)

■ Réduction des pertes de 25 000$

par jour

■ Plus de 50 fraudeurs identifiés dans l’année qui a suivi

Fraude sur les transactions de cartes

■ Réduction du nombre de fausses alertes de 300 000 à 30 000 par trimestre

■ Augmentation du nombre de cas de fraude détectés par un facteur 3

Agenda

Le CRM

Applications au Marketing

■ Fraude

Applications au Risque Crédit

Utiliser des données textuelles

Extraction des mots

1 Refinery

1 Us

1 Refineries

1 Damage

1 More

1 One

1 Cause

1 May

1 Mexico

2 Of

1 Hurricane

2 oil

Oil prices rebound to above $67 after fears Hurricane Rita, heading for the Gulf of Mexico, may cause more damage to US oil refineries. One of the refinery…

1 prices

1 rebound

1 above

2 to

1 fears

1 after

1 67

1 Heading

1 Gulf

2 The

1 For

1 Rita

Utiliser des données textuelles

Utilisation de stop lists

1 Us

1 Refineries

1 Damage

1 More

1 Cause

1 May

1 Mexico

1 Of

1 Hurricane

2 oil

1 prices

1 rebound

1 above

2 to

1 fears

1 after

1 67

1 Heading

1 Gulf

1 The

1 For

1 Rita

1 67

1 Gulf

1 Refinery

1 Damage

1 Rebound

1 Prices

1 Fears

1 Us

1 Refineries

1 Cause

1 May

1 Mexico

1 Rita

1 Hurricane

2 oil

Utiliser des données textuelles

Stemming

1 Refinery

1 Damage

1 Gulf

1 Rebound

1 Prices

1 Fears

1 Us

1 Refineries

1 Cause

1 May

1 Mexico

1 Rita

1 Hurricane

2 oil

2 refinery

1 damage

1 gulf

1 rebound

1 price

1 fear

1 us

1 cause

1 may

1 mexico

1 rita

1 hurricane

2 oil

Utiliser des données textuelles

Vectorisation

■ Ajout de colonnes

yes I am a software engineer

… 8

…

no I am an aeronautics engineer

… 1

Target Body

… Title Id

yes

… no Target

0

… 1 KTC_Body_aeronau

tics

1

… 1 KTC_Body_engineer

1 I am a

software engineer

… 8

…

0 I am an

aeronautics engineer

… 1

KTC_Body_software Body

… Title Id

Vectorisation avec codage booléen

(12)

Utiliser des données textuelles – DataMining Cup’06

eBay Germany (Data Mining Cup 2006)

■8000 enchères sur des produits en vente sur eBay

■Déterminer un modèle pour prévoir, pour chaque nouvelle enchère, si le prix de vente final sera plus grand que le prix moyen de la catégorie du produit proposé

Variables (28)

http://www.data-mining-cup.com/

■ auct_id ID An index value

■ Item_leaf_catedory_name Product category (can be considered as textual)

■ listing_title Title of auction (textual field)

■ listing_subtitle Subtitle of auction (textual field)

■ listing_start_date Start date of auction

■ listing_end_date End date of auction

■ listing_durtn_days Duration of auction

■ listing_type_code Type of auction (normal auction, multi-auction, …)

■ feedback_score_at_listing_time Feedback score by the seller at listing time of auction

■ start_price tart price (in EUR)

■ buy_it_now_price Buy-it-now price (In EUR, for buy)

■ buy_it_now_listed_flag Auction listing with buy-it-now option Boolean

■ bold_fee_flag Auction listing with boldface

■ featured_fee_flag Auction listing as homepage top offer

■ category_featured_fee_flag Auction listing as category top offer

■ gallery_fee_flag Auction listing with gallery image

■ gallery_featured_fee_flag Auction listing with gallery (just in gallery view)

■ …

■ gms Achieved sales revenue (In EUR) [CANNOT BE USED]

■ category_avg_gms Average sales revenue (In EUR) of product category

■ gms_greater_avg if gms <= category_avg_gm 0 else 1 Target

Utiliser des données textuelles – DataMining Cup’06

Champs texte

Utiliser des données textuelles – DataMining Cup’06

Mots extraits

Utiliser des données textuelles – DataMining Cup’06

Les variables textuelles extraites sont très significatives

Utiliser des données textuelles – DataMining Cup’06

Critère

■ nombre de Bonnes Classifications – nombre de Fausses Classifications

■ http://www.data-mining-cup.com/2006/News/1162545659/

■ 579 participants de 177 universités de 42 pays

68 4244

KTC DMC

1 5020

DMC winner

5356 KTC – DMC – K2R ordre 2

72 4114

KTC German

113 3104

K2R données supplémentaires

139 2320

K2R

Rang Score

Expérience

Agenda

Le CRM

Applications au Marketing

Applications au Risque Crédit

(13)

Score crédit

Le Score crédit est un instrument pour gérer un portefeuille de risques crédit

Il fournit la probabilité de défaut (PD) futur

On l’utilise

■Dès qu’un client entre en base : note de score

■Quand un client demande un crédit (par ex.) : score d’octroi

■Pendant la durée du remboursement : score comportemental

Les risques individuels sont ensuite agrégés pour fournir le risque du portefeuille clients

Score d’octroi

Le score de crédit est un nombre qui mesure, à partir des données fournies par le client dans son dossier de demande de crédit, le risque qu’il fasse « défaut » ultérieurement

Pour établir la note de score, on peut utiliser

■ Une méthode « manuelle » : la carte de score

■ Une méthode basée sur un modèle de score

Dossier de demande de

crédit

Modèle de

Score Note Décision

d’octroi

Accepté

Rejeté

Score d’octroi

Exemple d’une carte de score crédit

AGE

V A L E U R N O T E

NOMBRE D ’ENFANTS

HABITAT 18 ans – 25 ans 26 ans – 40 ans 41 et plus

23 38 46

V A L E U R N O T E

0 1 2 et plus

30 24 38

V A L E U R N O T E

Propriétaire Locataire

Autre

4545 35 35 30 30

MODELE DOSSIER CLIENT

32 ans

1 enfant

Locataire

NOTE

38 + 24

+

35

AGE

NOMBRE D ’ENFANTS

HABITAT

= NOTE DE SCORE 97

Score d’octroi

Pour chaque dossier client , on observe k caractéristiques :

Le « résultat » est

■ si le client fait défaut

■ si le client ne fait pas défaut

La décision est

■ si le crédit est accepté

■ si le crédit est rejeté

■Les données sont manquantes pour

Remarque

■Les échelles de temps :

( x x

k

)

x =

₁

,...,

{ } ⁰ ^, ¹

∈ y

= 0 y

= 1

y d ∈ { } ⁰ ^, ¹

= 0 d

= 1 d

= 0 d

M a n q u a n t

x

k

x x x

₁ ₂ ₃

...

x

t

d

t+1

y

_t₊₂

y

Score d’octroi

Défaut

■Client à rejeter : celui qui fera défaut dans le remboursement

■La définition du défaut

Nb de mois impayés …

Définir un modèle de score : estimation de la proba de non-défaut

Fixer un seuil

Décision

■Accepté

■Rejeté

Évidemment :

■Défaut / Non Défaut est connu seulement pour les Acceptés, pas pour les Rejetés

0 40 80 120 160 200 240 280 320 360 400 440 480 520 560 600 640 680 720 760 800

Score Nb de

Clients

Non défaut

Défaut

( ) ^x

S x →

( ) ^x ^s

S si

d = 1 ≥

( ) ^x ^s

S si d = 0 <

( ) ( ^x ^P ^y ^x )

S = ˆ = 1 /

s

Score d’octroi

Choisir le seuil

■ En fonction du niveau de risque, du taux d’acceptés …

Nb % Nb % Nb %

188 7 202 94,8% 399 5,2% 7 601 5,4% 5,25 94,6%

189 7 074 94,8% 387 5,2% 7 461 5,3% 5,19 89,3%

190 6 987 95,1% 363 4,9% 7 350 5,2% 4,94 84,0%

191 6 783 95,3% 335 4,7% 7 118 5,1% 4,71 78,9%

192 6 650 95,4% 324 4,6% 6 974 5,0% 4,65 74,0%

193 6 567 95,5% 310 4,5% 6 877 4,9% 4,51 69,1%

194 6 494 95,6% 298 4,4% 6 792 4,8% 4,39 64,2%

195 6 410 95,7% 287 4,3% 6 697 4,8% 4,29 59,5%

196 6 331 95,8% 275 4,2% 6 606 4,7% 4,16 54,7%

197 6 209 96,0% 262 4,0% 6 471 4,6% 4,05 50,1%

198 6 066 96,0% 253 4,0% 6 319 4,5% 4,00 45,6%

199 5 981 96,2% 239 3,8% 6 220 4,4% 3,84 41,2%

200 5 804 96,1% 235 3,9% 6 039 4,3% 3,89 36,9%

201 5 678 96,1% 228 3,9% 5 906 4,2% 3,86 32,7%

202 5 489 96,2% 215 3,8% 5 704 4,1% 3,77 28,6%

203 5 318 96,3% 203 3,7% 5 521 3,9% 3,68 24,7%

204 5 143 96,4% 190 3,6% 5 333 3,8% 3,56 20,9%

205 5 040 96,5% 185 3,5% 5 225 3,7% 3,54 17,2%

206 4 916 96,5% 179 3,5% 5 095 3,6% 3,51 13,5%

207 4 784 96,6% 168 3,4% 4 952 3,5% 3,39 10,0%

208 4 642 96,7% 157 3,3% 4 799 3,4% 3,27 6,6%

209 4 531 96,8% 148 3,2% 4 679 3,3% 3,16 3,2%

210 4 398 97,0% 138 3,0% 4 536 3,2% 3,04 0,0%

134 497 5 778 140 275 100,0%

Score

Taux d'acceptés

Good Bad Total

Risque

Score

(14)

Score d’octroi

En pratique

■Choisir le Taux de Refusés

■Choisir le rapport Good / Bad …

La stratégie est un mélange automatique / manuel

Figure d’après « Credit Scoring Development and Methods” – J. Marinopoulos

Score d’octroi

Identifiant du client appelant

Score d’octroi

Caractéristiques du client # 325

Score d’octroi

Calcul de la classe de risque du client # 325

La PD du client # 325 est faible

Score d’octroi

Le compte du client # 325 vient de passer en découvert

La PD du client # 325 augmente

Score d’octroi

Le client # 325 veut demander un crédit

(15)

Score d’octroi

Renseigner es caractéristiques

du crédit Ce crédit

est accordé

Puis calculer le score

Score d’octroi

Les caractéristiques d’un autre

crédit Ce crédit

est refusé

Applications au Marketing

Data Mining

4 – Applications CRM

Agenda

Le CRM

Applications au Marketing

Applications au Risque Crédit

Le CRM dans le SI de l’Entreprise

Le CRM Analytique

Trois fonctions

Le CRM Analytique

Le CRM vise à animer la relation clients au travers

d’actions multi-canal

La connaissance clients, élaborée à partir des données clients, permet de lancer des actions efficaces

Les bénéfices attendus du CRM Analytique

Mettre en œuvre des Best Practices et améliorer les KPI

Les bénéfices attendus du CRM Analytique

Cibler et conquérir les clients profitables

Augmenter la valeur et la durée de vie des clients

existants

Diminuer les départs vers la concurrence

Concentrer les efforts sur les segments de clientèle les plus rentables

Surveiller les clients à risque

Comprendre les comportements des clients

Augmenter l'efficacité des campagnes marketing en

améliorant le ciblage

Les bénéfices attendus du CRM Analytique

Connaître le client

Quelques questions

Dont les réponses permettent d’être :

Le data mining permet de répondre à ces questions

Le score

Un score comprend

Le modèle de score

La régle de décision est basée sur un seuil s

Exemples

Contraintes

( ) x s

S ≥

( ) x

S x →

( ) x s

S p

Le score

Faire un modèle de score

Règle de décision

( Tar get )

f get Tar

rr _ =

Le score

Positionner le seuil

Le score

Matrice de

confusion

Agenda

Le CRM

Applications au Marketing

Applications au Risque Crédit

Les bénéfices attendus du CRM Analytique

Position du Data Mining dans le processus marketing

Les bénéfices attendus du CRM Analytique

Chaque campagne marketing

Le nombre de modèles nécessaires peut être très grand

… et encore plus pour les utilisations futures

Types de campagne marketing

Starter

Pilote

Campagne

récurrente

Marketing

Les différentes sortes de score

Score de réponse / achat

Score d’appétence

Score de propensité

Starter

Starter

Starter

Starter

Starter

Starter

( ) ^x ^s

( ) ^x

( ) ^x ^s