Etudes marketing et connaissance client

1

Master deuxième année

Mention : Statistique et Traitement de Données

Etudes marketing et connaissance client

Imane Hammouali

Tuteur de stage: M. Sébastien Confesson Stage effectué au Service Etudes Marketing

Du 01 Avril au 30 Septembre 2011

Je tiens à remercier et à témoigner ma reconnaissance à Monsieur Florent Ameilbonne de m’avoir accueillie au sein de l’unité « Marketing Stratégique et Relationnel » du Crédit Agricole Centre France.

Je présente mes remerciements à Sébastien Confesson, responsable d’Etudes Marketing, pour m’avoir encadrée et guidée tout au long de mon stage, ainsi que pour son aide et sa contribution à la réalisation de ce travail.

Mes remerciements vont également à Aurélie Robert, Samuel Goizet, Jérémie Goudergues, pour leur accueil, leur aide, leurs précieux conseils et surtout pour leur bonne humeur quotidienne et leur capacité de travail en équipe exemplaire.

Un grand merci à toutes les personnes avec qui j’ai eu le plaisir de travailler et que j’ai côtoyées durant mon stage, pour leur accueil chaleureux et leur gentillesse, notamment Maryline Lafon, Isabelle Raimon et Caroline Biat.

Remerciements

3

Tables des matières

Introduction……….4

I. Présentation de l’organisme : Crédit Agricole Centre France « CACF » ... 6

1. Crédit Agricole... 6

1.1 Historique... 6

1.2 Crédit Agricole: Banque Mutualiste ... 6

2. Crédit Agricole Centre France ... 7

2.1 Historique... 7

2.2 Les secteurs d’activité CACF ... 7

2.3 Les chiffres clés de CACF ... 8

3. Direction Marketing et Communication ... 9

3.1 Présentation générale ... 9

3.2 Service Etudes Marketing ... 10

II. Description des outils et des méthodes statistiques... 11

1. Méthodes de classification... 11

1.1 K-Means... 11

1.2 Classification Ascendante Hiérarchique ... 13

1.3 Classification mixte ... 13

2. Techniques de prédiction ... 14

2.1 Régression logistique ... 14

2.2 Arbres de décision... 15

3. Logiciels... 16

3.2 Business Object... 16

3.2 SAS Entreprise Guide ... 17

3.3 SAS Entreprise Miner ... 18

4. Scoring ... 19

III. Présentation des Etudes ... 20

1. Etude 1 : Profil et ciblage des souscripteurs Assurance Tous Mobiles ... 20

1.1 Présentation du produit Assurance Tous Mobiles (AssTM)... 20

1.2 Objectif ... 21

1.3 Collecte des données... 21

1.4 Préparation des données... 22

1.5 Analyse descriptive... 23

1.6 Typologie ... 24

1.7 Prédiction ... 26

2. Etude 2 : Client Moyen de CACF... 32

2.1 Contexte ... 32

2.2 Objectif ... 32

2.3 Collecte des données... 33

2.4 Traitement des données... 33

2.5 Analyse descriptive... 34

3. Etude 3 : Multi canal... 37

3.1 Contexte ... 37

3.2 Objectif ... 37

3.3 Problèmes rencontrés ... 37

3.4 L’action Assurance Tous Mobiles ... 37

3.5 Propositions... 41

Conclusion et perspectives………...41

Annexe………42

5 Dans le cadre de ma deuxième année de Master Statistiques et Traitement de Données

« STD », j'ai eu l'opportunité d'effectuer un stage de 6 mois du 1 Avril au 30 Septembre au Crédit Agricole Centre France (CACF), plus précisément au sein du service Etudes Marketing.

Le service Etude Marketing de CACF est une composante de l’unité Marketing Stratégique et Relationnel dédiée aux particuliers. Les activités majeures de cette dernière se concentrent autour du data mining, du géomarketing et de la tarification. Les principales études de l’activité data mining portent sur l’amélioration de la qualité des services et de la relation client.

Dans un environnement de plus en plus concurrentiel, les banques sont obligées, aujourd’hui, non plus de réagir au marché mais bien de l’anticiper. Offrir un service meilleur et plus rentable, d’une part, et atteindre l’excellence opérationnelle, d’autre part, sont pour la banque deux objectifs pour lesquels la technologie du data mining constitue un atout précieux.

Cette activité consiste à extraire et à analyser, par des méthodes statistiques, un large volume d’informations stockées dans les entrepôts de données de l’entreprise, en vue de découvrir des tendances ou des règles qui s'avéreront utiles pour définir la stratégie marketing et commerciale. On assiste aujourd’hui à un véritable développement de ces nouvelles technologies. Le déploiement d'un outil de scoring, comme il en existe beaucoup dans les banques, les organismes de crédit, est alors indispensable pour prédire, soit le risque d'impayé, soit la possibilité de souscrire un contrat ou d'acheter un produit.

Le travail qui m’a été confié consistait à traiter des dossiers variés ayant pour thème principal la connaissance du client. Passant par la collecte des données, le traitement des données, la réalisation des études descriptives, la mise en place de la méthodologie puis l’analyse des résultats obtenus pour chacun des dossiers traités.

Dans la première partie de mon rapport, je vous présenterai la banque Crédit Agricole et plus précisément sa caisse régionale Centre France.

Dans la deuxième partie, je vous décrirai les méthodes statistiques et les logiciels, qui ont été utilisés durant le stage.

Enfin, la dernière partie sera consacrée au traitement des trois études réalisées tout au long de ce stage :

• 1^er étude : identification des profils des souscripteurs en « Assurance Tous Mobiles » et ciblage des nouveaux clients appètent à ce produit.

• 2^ème étude : analyse du profil du client moyen de CACF selon deux critères : l’équipement (carte bancaire et compte service) et la cotisation annuelle, puis la comparaison par rapport à la concurrence.

• 3^ème étude : Croissement de l’appétence produit et l’appétence canal dans le cas de l’Assurance Tous Mobiles

Nous détaillerons pour chaque étude, le contexte général qui représentera une porte d’ouverture de l’étude, l’objectif que nous voulons atteindre, et ensuite les tâches effectuées afin de mener à bien chaque étude : collecte des données, traitement des données et analyse descriptive.

Introduction

I. Présentation de l’organisme : Crédit Agricole Centre France « CACF »

1. Crédit Agricole

1.1 Historique

L'histoire du Crédit Agricole remonte à la fin du XIX^e siècle, l’agriculture française peine à trouver des crédit adaptés à ses besoins et toutes les tentatives pour créer des banques de l’agriculture ont échoué.

En 1884 la loi sur la liberté d’association professionnelle et l’exemple des banques mutualistes, a permis donc la formation des syndicats agricoles en France. C’est ainsi que la société Crédit Agricole est née en 1885 à Salins-les-Bains (Jura).

La volonté de la troisième république de s’attacher le vote paysan en soutenant les petites exploitations familiales et les efforts du ministre de l’agriculture « Jules Méline » aboutissent au vote de la loi du 5 novembre 1894, qui autorise la constitution des caisses locales entre les membres de syndicats agricoles, qui engagent leurs responsabilités selon le principe du mutualisme et forment le premier niveau de la pyramide institutionnelle édifiée par Crédit Agricole.

La loi de 1894 ne comportait aucun avantage financier et, assez vite, les caisses locales se trouvent confrontées à des difficultés. En 1897, l’état impose à la Banque de France d’apporter des ressources au Crédit Agricole sous la forme d’une dotation de 40 millions de francs or et d’une redevance annuelle de 2 millions.

Pour répartir ces avances, la loi du 31 mars 1899 met en place une commission du ministère de l’Agriculture et, surtout, institue les caisses régionales de Crédit Agricole Mutuel au deuxième niveau dans le pyramide du Crédit Agricole, encourage la création de nouvelles caisses locales.

Pour répondre aux besoins de sa clientèle, le crédit agricole s’est engagé dans des nouveaux métiers comme l’assurance et l’immobilier. L’année 1986 a connu la création de Predica (assurance vie), quatre ans plus tard une autre filiale appelée Pacifica (assurance dommage) a vu le jour. En 2004, Crédit Agricole a lancé la filière immobilière. Ces nouveaux métiers ont permis la croissance interne du groupe.

1.2 Crédit Agricole: Banque Mutualiste

Le secteur bancaire mutualiste n’est pas un secteur marginal en France, il détient 60% des points de vente et 40% des salariés.

Le Crédit Agricole met en œuvre un mutualisme fait de réciprocité qui place le client au centre de la vie économique et sociale de sa région et s'appuie sur 3 valeurs essentielles : proximité, responsabilité et solidarité. Tout client de la caisse régionale peut devenir sociétaire de sa caisselocale de manière volontaire. Les sociétaires sont à la base de la structure mutualiste du Crédit Agricole.

Ayant acquis une fraction du capital social. Chacun de ces derniers dispose d’une voix à l’assemblée générale de sa caisse locale, quelque soit le nombre de part qu’il détient.

7 Grâce aux valeurs du mutualisme le

Crédit Agricole occupe une place importante dans le groupe qui représente le secteur bancaire mutualiste en France (Crédit Agricole, Banque populaire, Crédit Mutuel et Caisse d’épargne). Il est le leader sur le marché des clients, des salariés et des points de vente et deuxième sur le marché des sociétaires (30%)

derrière le Crédit Mutuel (35%).

Figure 1 : Part de marché des sociétaires en 2009

2. Crédit Agricole Centre France

2.1 Historique

A partir des années 1900, cinq caisses régionales ont été créé sur les deux régions : Auvergne et Limousin. La première caisse régionale implantée était celle du Puy-de-Dôme fondé à Clermont Ferrand le 21 octobre 1904.

Un an après, la caisse régionale bourbonnaise à Moulins a vu les jours le 1^er Septembre 1905. En 1906 deux caisses régionales ont été crées, une au Creuse (Guéret) et l’autre en Corrèze (Tulle).

La création de la dernière caisse régionale a lieu le 15 Juin 1907 dans le Cantal, plus exactement à Aurillac.

Créée en 1991, la caisse régionale du Crédit Agricole Centre France (CACF) regroupe les départements du Puy-de-Dôme, Allier et Creuse. Quelques années plus tard CACF fusionne avec les départements : la Corrèze en

1995 et le Cantal en 2003. Figure 2 : Carte des 5 départements de CACF

2.2 Les secteurs d’activité CACF

D'abord orienté exclusivement vers l'agriculture, l’évolution de la réglementation en 1985 a permis au Crédit Agricole Centre France d’élargir progressivement ses compétences, de diversifier ses activités en dehors du secteur bancaire et donc de s’ouvrir vers des nouveaux clients.

Les activités de CACF se composent en :

Banque des particuliers

Banque des professionnels et des entreprises Assurance (Pacifica, Predica)

Immobilier

Grâce à ses diverses activités Crédit Agricole Centre France occupe une position de leader sur tous les marchés dans les régions : Auvergne et Limousin. Sa capacité d’innovation et sa qualité des produits et des services ont permis à CACF de conduire une stratégie de développement et de renforcer dans tous les domaines (banque, assurance, immobilier) son efficacité.

Figure 3 : Part du marché de crédit à fin décembre 2009 Figure 4 : Part du marché de collecte à fin décembre 2009

2.3 Les chiffres clés de CACF

Voici quelques chiffres clés sur CACF:

• 136 caisses locales

• 917 000 clients

• Première banque régionale, prés d’un habitant sur 2 est client, 3 entreprises sur 5 clientes, 4 agriculteurs sur 5 clientes et 3 artisans sur 10.

• 1 700 administrateurs

• 340 points verts

• 367 distributeurs de billets

• 476 000 prêts

• 80% des collectivités publiques

• 1^er réseau immobilier d’Auvergne

• 2337 salariés

Mr Pascal DUPRAT

Directeur marketing et communication Membre du comité de Direction

Marché Des Particuliers

Mr Jean GILIBERT Responsable d’unité

Communication

Mr Laurent ACKERMANN Responsable d’unité

Marketing Stratégique

Mr Florent AMEILBONNE Responsable d’unité

Ciblage et Suivi Mr Guy DELMAS Responsable d’activité

(7 Personnes)

Banque accès Multiple Mme Magalie

LAVANCIER Responsable d’activité

(5 Personnes)

Service Client Mme Rachel MAZIERE Responsable d’activité

(6 Personnes)

Ecoute et Proximité Client Mr Pierre GERARD Responsable d’activité

(2 Personnes) Etudes Marketing

Mr Sebastien CONFESSON Responsable d’activité

(6 Personnes)

3. Direction Marketing et Communication

3.1 Présentation générale

Le fort engagement dans le développement et l’innovation a permis au Crédit Agricole Centre France de conquérir la place de leader dans le secteur bancaire. Offrir un meilleur service aux clients est au cœur de la stratégie appliquée par le groupe. Pour cela, il investit d’importants moyens financiers et humains dans le développement des produits et des services.

La Direction Marketing et Communication contribue à la définition des axes stratégiques du développement commercial et met en œuvre la politique de communication externe et interne. Cette direction assure le fonctionnement du marketing opérationnel en identifiant les adaptations et les rectifications dans l’objectif d’optimiser la vie du produit ou du service sur le marché des particuliers. Elle joue aussi un rôle important dans l’amélioration de l’écoute et la connaissance des clients. Pour mener à bien ses missions, la Direction Marketing et Communication dispose de trois unités :

Marketing stratégique et relationnel (sites 15, 19 et 63) Marché des particuliers (site 63)

Communication (sites 15, 19 et 63)

Figure 6 : Organisation de la direction marketing et communication

3.2 Service Etudes Marketing

Au cours de la vente, le marketing agit au niveau de la connaissance du comportement des clients, du ciblage de la population souhaitée et de l’élaboration de l’offre et du produit.

Le service Etudes Marketing de CACF est une cellule dont les activités se concentrent autour des clients particuliers. Elle regroupe trois activités : Géomarketing, Tarification et Data Mining.

L’activité « Géomarketing » porte sur la réalisation de recherches d’information sur le territoire, l’étude de l’implantation de nouvelles agences et de distributeurs de billets.

L’activité « Tarification » permet d’assurer le déroulement de la phase tarification auprès des différents marchés (marché des particuliers, marché des professionnels,…) qui déterminent les nouveaux tarifs.

L’activité « Data Mining » occupe une place stratégique au sein de CACF, car elle interagit avec l’ensemble des autres services (marché des particuliers ou professionnels, écoute et proximité de clients,…) en répondant à leurs diverses questions : à qui vendre ce produit, par quel canal atteindre le client…

De façon générale, cette activité apporte un soutien considérable au marketing, en réalisant des études qualitatives et quantitatives (typologie, scores,…), suivis de résultats et des ciblages. De plus, elle est employée pour une meilleure compréhension de la clientèle, en vue de l’application de la communication et de la stratégie commerciale.

L’étude typique effectuée par l’activité Data Mining dans le cadre de la gestion de la relation client reste le score d’appétence qui permet d’affiner les ciblages dans les campagnes de marketing.

Afin d’enrichir l’activité Data Mining, CACF a eu l’initiative de développer cette dernière auprès des autres caisses régionales composant le système d’information AMT.

II. Description des outils et des méthodes statistiques

1. Méthodes de classification

1.1 K-Means

La méthode K-means est une méthode de classification non hiérarchique, qui permet de regrouper des observations. Elle consiste à rechercher une partition unique d’un ensemble de « n » observations constituée d’un nombre de classes fixé à priori. Cette méthode se base sur l’amélioration successive de la partition initiale. A chaque itération, elle modifie le contenu des classes jusqu'à l’obtention d’une partition finale qui vérifie la condition d’optimalité.

- L’algorithme :

• Étape 0 : définition

n : nombre d’observation

i : indice désignant les observations p : nombre de variables quantitatives j : indice désignant les variables q : nombre de classe recherché k : indice désignant les classes

nbk : nombre d’observations appartenant à la classe k Xj : la variable j ( )

u^i,j : la valeur de l’observation i de la variable j

• Étape 1 :

Choisir un nombre q de classes à priori: à noter que c’est un nombre maximum car des classes ne peuvent pas se créer au cours des itérations.

• Étape 2 :

Choisir q centres arbitraires par tirage aléatoire :

G11, G12…, G1q (l’indice supérieur indique le numéro d’itération)

• Étape 3 :

Affecter chaque élément au centre le plus proche. Pour cela, il faut calculer la distance euclidienne entre chaque observation et les centres initiaux.

Ensuite, on choisit le centre d’affectation tel que la distance entre l’observation « i » et le centre initial «c » soit la plus petite.

Cette étape permet d’obtenir une partition initiale en k classes : C11, C12…, C1q. Chaque classe C1k

est constituée des observations les plus proches du centre G1k.

• Étape 4 :

Déterminer les nouveaux centres de gravité pour chaque classe à l’aide de la formule ci-dessous : Gk = (gk1,…, gkp) avec

gk

=

k nb

i ij

nb x

∑

=1

• Étape 5 :

Réaffecter les observations aux nouveaux centres de gravité de la même façon que dans l’étape 3 (Calcul de la distance euclidienne)

• Étape 6 :

Réitérer les étapes 4 et 5 jusqu’à la stabilisation des k centres, c'est-à-dire jusqu’à ce que nous trouvons à l’itération i la même répartition obtenue à l’itération i-1. Cela entraine l’arrêt de l’algorithme car toute itération supplémentaire redonnerait la même partition.

Voici un schéma qui récapitule la méthode K-means :

Figure 7 : Récapitulatif de la méthode K-means

1.2 Classification Ascendante Hiérarchique

Contrairement aux méthodes non-hiérarchiques, la classification ascendante hiérarchique (CAH) crée des suites de partitions emboitées d’hétérogénéités croissantes, entre la première partition composée de n classes où chaque classe représente une observation isolée, et la partition en 1 classe qui regroupe tous les objets.

- L’algorithme :

• ^{Etape 1 :} On considère initialement toutes les observations comme étant des clusters ne contenant qu'une seule observation (singleton)

• ^{Etape 2 :} On calcule les distances euclidiennes entre les classes

• ^{Etape 3 :} On fusionne les classes les plus proches (distance minimale), ensuite on remplace ces dernières par une seule classe.

• Etape 4 : On reprend l’algorithme à partir de l’étape (2) jusqu’à n’avoir plus qu’une seule classe, qui contient toutes les observations de départ.

Cette méthode permet de choisir le nombre de classe de façon optimale, grâce à des indicateurs comme t² [1] et R² Semi-Partial [2], autre avantage de la CAH, elle permet de classer des centres de classes obtenus à partir de l’application d’un autre algorithme comme K-means.

L’inconvénient majeur de la classification ascendante hiérarchique est sa complexité algorithmique qui n’est pas linéaire.

1.3 Classification mixte

L’algorithme de cette méthode se déroule en deux étapes : l’ensemble des observations à classer subit un partitionnement initial de façon à obtenir quelques dizaines de groupes homogènes, on procède ensuite à une classification hiérarchique sur les centres de ces groupes, dont le dendrogramme suggérera éventuellement le nombre de classes finales.

La méthode de classification mixte permet de combiner les points forts des méthodes hiérarchiques (CAH) et les méthodes de partitionnement (k-means), la précision et l’optimalité à priori des premières et la rapidité des secondes.

1 t²: mesure la séparation entre les deux classes dernièrement agrégées.

2 R²semi partial (SPRSQ): mesure la perte d’inertie interclasse provoquée en regroupant deux classes.

2. Techniques de prédiction

En parlant des techniques de prédiction, nous distinguons deux grandes opérations : le classement et la prédiction. Ces deux dernières permettent de prédire la valeur d’une variable à expliquer (dite variable cible) en fonction de la valeur des autres variables appelées les variables explicatives.

Le classement permet de placer chaque individu de la population étudiée dans une classe, parmi les classes prédéfinies, cela en fonction des caractéristiques de l’individu. L’affectation se fait généralement par une formule ou un ensemble des règles, qui constitue un modèle et qu’il faut découvrir.

En pratique, il y’a souvent deux classes à prédire : client fidèle, infidèle à la banque,

client acheteur, non acheteur du produit

…

et le modèle détermine :

la probabilité de perdre un client,

la probabilité pour un client d’acheter un produit,

…

La prédiction est une opération bien connue en analyse de données, elle consiste à estimer une valeur.

Parmi les méthodes de prédiction les plus répondues, on trouve la régression logistique et les arbres de décision.

2.1 Régression logistique

La régression logistique est une technique statistique, qui permet d’étudier la relation entre une variable réponse binaires (Y) et plusieurs variables explicatives (X). Elle a pour objectif de modéliser l’espérance conditionnelle E(Y/X=x). On veut déterminer la valeur moyenne de Y pour toute valeur de X. Pour Y valant 0 ou 1, cette valeur moyenne est la probabilité que Y=1. On a donc :

E(Y/X=x)= P( Y=1/X=x)

La régression logistique est considérée comme l’une des méthodes de modélisation les plus performantes, et plusieurs indicateurs statistiques permettent de contrôler facilement cette performance (aire sous la courbe de ROC,…). De plus, ses résultats sont très explicites.

En revanche, la généralité, l’interprétabilité et la robustesse de la régression logistique sont trois principaux atouts de cette technique.

2.2 Arbres de décision

Les arbres de décision constituent une technique d’aide à la décision la plus intuitive dans l’univers data mining. Elle représente la situation à laquelle on doit faire face, sous la forme graphique d’un arbre.

Cette technique est utilisée en classement pour détecter des critères permettant de répartir les individus d’une population en n classes prédéfinies. Les arbres de décision conçus pour le classement permettent généralement d’effectuer une prédiction.

Le succès de cette méthode réside en grande partie à ses caractéristiques :

Lisibilité : la méthode des arbres de décision fournit des règles explicites. Cette caractéristique est très importante, car le travail de l’analyste consiste à comprendre les résultats afin d’emporter l’adhésion des décideurs.

Capacité : elle supporte bien les données hétérogènes, manquantes et les effets non linéaires.

Elle permet également de sélectionner automatiquement les variables discriminantes dans un fichier de données contenant un très grand nombre de variables potentiellement intéressantes.

3. Logiciels

3.2 Business Object

Business Object (BO) est un outil d’aide à la décision, permettant l'interrogation, la présentation et l'analyse des données issues du datawarehouse. Ce logiciel s’appuie essentiellement sur deux notions : Univers et Objets métiers.

Un univers définit un secteur spécifique, par une présentation totale ou partielle de plusieurs bases de données constituées d’un ensemble d’objets. Par exemple l’univers « Base Marketing » contient la table « CC – Clients Commerciaux [3]» qui regroupe les éléments relatifs aux besoins utilisateurs par métiers.

Les objets métiers correspondent à des informations agrégées ou calculées issues de la base de données. Ces objets existent sous la forme de trois types :

Les indicateurs : des données calculées à l’aide d’une fonction d’agrégation, comme la durée d’engagement (date de début d’engagement- date de fin d’engagement).

Les dimensions : des données qui représentent les axes d’analyse.

Les informations : des données complémentaires associées à une dimension.

La création d’une requête sous BO consiste à combiner des objets qui répondent à une question spécifique. Par exemple : « quelles sont les clients qui ont quitté la banque en mars 2011 ? ». Pour cela on commence par sélectionner les objets correspondant à la question posée (l’identifiant des clients) à partir de la zone « classes et objets », on les déplace dans la zone

« sélection des champs », puis on construit les conditions (date de fin relation= mars 2011) dans la zone « définition des conditions ».

Par la suite, l'utilisateur peut créer des documents dans lesquels il présente les résultats de ses requêtes sous forme de tableaux ou graphes.

Figure 8 : Interface de BO

Zone de définition des conditions

Zone de sélection des champs

Liste des classes et des objets

Code SQL

3.2 SAS Entreprise Guide

Le logiciel SAS Entreprise Guide est une application Windows dédiée à l’aide à la décision, qui fournit des tâches prêtes à l’emploi pour l’analyse et la création des rapports. Ces tâches génèrent du code SAS et des résultats formatés. Elles comprennent les procédures du système SAS, allant des simples listes de données aux procédures les plus complexes.

Les atouts de cet outil résident dans l’interface visuelle intuitive, la possibilité d’exporter facilement les données et les résultats vers une autre application ainsi que le choix du mode d’utilisation (langage SAS ou tâches)

SAS Entreprise Guide affiche trois fenêtres principales par défaut : explorateur du projet, conception du projet et état des tâches.

Figure 9 : Interface de SAS Guide

L’interface de SAS Guide se compose d’un ruban (a) (Figure 9) qui comporte les tâches regroupées par fonctionnalité et ensuite par type

« Analyse, Graphique, … » (Figure 10).

Chaque type possède une liste déroulante de fonctionnalités (b). Cette liste contient plusieurs commandes (c). Chacune des commandes représente une tâche.

Figure 10 : Les tâches de l’onglet Analyse La liste des bibliothèques

Zone d’état des tâches Zone des

tâches et des données du projet

Zone visuelle du projet (a)

(b) (c)

3.3 SAS Entreprise Miner

SAS Enterprise Miner est l’un des modules de la base SAS. Il rationalise le processus de data mining afin de créer une très grande précision prédictive et descriptive des modèles fondés sur

l’analyse de vastes quantités de données réparties au sein de l’entreprise. Cet outil de fouille de données est basé sur une méthodologie spécifique appelée « SEMMA » :

Sample (jeu de données) Explore (analyse de données) Modify (modifications de données)

Model (apprentissage du modèle sur les données)

Access (accès aux performances des modèles, comparaison des modèles) L’interface de SAS Miner est composée d’une barre de fonctionnalité (a), chacune possédant une barre de module (b).

Figure 11 : Interface de SAS Miner

Zone visuelle des modules (a)

(b)

Zone de paramétrage

19 4. Scoring

Le scoring constitue le cœur de l’activité data mining dans le monde de l’entreprise. Dans leur quasi totalité, les banques utilisent l’analyse statistique pour prédire si un client va acheter un produit ou un emprunteur sera un bon ou un mauvais payeur et prendre ensuite la décision appropriée : proposition du produit, acceptation sans condition, refus.

Les principaux scores utilisés dans la banque sont :

- score d’appétence : mesure la probabilité d’un client d’être intéressé par un service ou un produit. Le calcul de ce score est effectué sur un client de la banque, sur la base de données caractérisant le fonctionnement de ses comptes et de ses produits, ainsi que ses caractéristiques sociodémographiques. L’utilisation de ce score permet d’améliorer le taux de retour des campagnes marketing. Par exemple, atteindre plus de clients susceptibles de souscrire à un produit sans augmenter le nombre de clients contactés ou éviter d’importuner des clients par des campagnes mal ciblées.

L’utilisation du score d’appétence permet aux commerciaux de réaliser plus de ventes en moins de contacts.

- score de comportement : calcule la probabilité d’un client détenteur d’un compte courant, une carte bancaire …, de rencontrer des problèmes de remboursement oude paiement. Il s’agit d’un score comportemental de risque. Ce score est utilisable dans le domaine du crédit, il permet d’améliorer la satisfaction des clients en optimisant le temps d’attente pour obtenir une réponse à leurs demandes de crédit et d’adapter la tarification au risque encouru.

- score d’attrition : mesure la probabilité d’un client de quitter la banque. Il est calculé pour un individu client de la banque depuis plusieurs mois, sur la base de données constituée de ses caractéristiques sociodémographique, de ses produits et de sa relation avec la banque. Ce score est beaucoup plus complexe à calculer pour un client que pour un produit, car il est moins fiable si l’on veut détecter suffisamment tôt le départ du client.

Un client peut « quitter » la banque de différentes manières : en diminuant les avoirs ou en diminuant les flux.

Le choix du score dépend des objectifs recherchés par l’entreprise et les moyens techniques disponibles. Après la phase de détermination, une série d’étapes s’impose afin de mettre en place le score :

- collecte et préparation des données - constitution de la base d’analyse - élaboration d’un modèle prédictif - utilisation du score

- déploiement du score

- suivi des outils mis à disposition

III. Présentation des Etudes

1. Etude 1 : Profil et ciblage des souscripteurs Assurance Tous Mobiles

1.1 Présentation du produit Assurance Tous Mobiles (AssTM)

A l’heure actuelle 20 000 personnes, soit plus d'un Français sur trois, âgé de 11 ans et plus, utilisent des appareils mobiles dédiés à la consommation de contenus médias/ multimédias.

Le marché d’équipement et du renouvellement des produits nomades ne cesse d’exploser, avec des clients multi équipés au sein de la même famille. Voici un récapitulatif du taux de détention des foyers français concernant certains appareils :

Face à cette explosion technologique, la filiale d’assurance de Crédit Agricole « Pacifica » a lancé en Janvier 2011 un produit appelé « Assurance Tous Mobiles ». Ce produit est destiné aux particuliers et permet de protéger des appareils numériques portables de toute la famille avec un seul contrat.

Le contrat Assurance Tous Mobiles couvre les quatre familles de produits suivantes :

Ordinateur portable : micro ordinateur portable /ultraportable, tablet PC, net-books, palette graphique …

Image et vidéo : appareil photo numérique, caméscope …

Appareil de poche : console de jeux portable, baladeur (MP3/Mp4), livre électronique…

Téléphone portable : téléphone mobile, Smartphone

Il garantie le remplacement à neuf de l’appareil portable garanti dans le cas des sinistres suivants :

Dommage matériel accidentel résulte d’un événement extérieur à l’assuré.

Vol avec agression ou par effraction

L’utilisation frauduleuse du téléphone portable au vol du téléphone portable Vol d’accessoire avec l’appareil garanti

1.2 Objectif

Du fait que l’Assurance Tous Mobiles est un nouveau produit, le service « marché des particuliers » a mis en place une animation commerciale pour le lancement de cette offre au 1^er trimestre 2011. Cette dernière avait comme objectif d’assurer tous les appareils mobiles du client et de sa famille. Le service « ciblage et suivi » a identifié 47000 clients, âgés de 30 à 50 ans et ayant au moins un enfant, comme cible potentiellement intéressée par ce produit. La communication autour du produit AssTM pour cette compagne se fait en mode multicanal:

email courrier

email suivi d’une relance SMS (s’ils sont opt-in* SMS) courrier suivi d’une relance SMS (s’ils sont opt-in SMS)

Selon le Rapport d’Activité Commercial (RAC) d’Avril 2011, le produit Assurance Tous Mobiles a été proposé à 4800 clients. 828 clients ont souscrit ce produit. Parmi ces souscripteurs seulement 249 ont été ciblés.

Pour améliorer la productivité et pour augmenter le taux de souscription, on réalise une étude sur les 828 détenteurs. Celle-ci a pour objectif d’identifier les différents profils des souscripteurs à l’aide d’une typologie. Ensuite, nous mettons en place un score d’appétence afin de fournir une cible de 3000 clients au service téléphonique.

1.3 Collecte des données

Méthodologie

On effectue la collecte des informations sous BO et sous SAS Guide en fonction de la disponibilité des données.

On récupère sous BO les identifiants des souscripteurs sur la période Janvier-Mars, et sous SAS Guide les caractéristiques de cette population (sociodémographique, niveau d’équipement, niveau de relation…) disponibles dans la table des clients commerciaux (CC) de fin mars.

Résultat

A partir de cette collecte, on obtient la table « Asstm » contenant les identifiants des clients commerciaux qui ont souscrit l’AssTM et les caractéristiques de chacun d’eux, tel que :

age, profession,… (sociodémographique)

montant du crédit consommation,… (détention de produit) nombre d’opération, nombre de produit,… (niveau d’équipement) SNP (annexe-I), MIRE (annexe-II), … (informations agrégées)

* accord d’envoi

1.4Préparation des données

Méthodologie

Pour préparer les données collectées, on utilise le logiciel SAS Guide pour : - discrétisation des variables

- création des nouvelles variables

a) Discrétisation :

On discrétise les variables de deux façons :

automatique : à l’aide de la « proc rank() » pour les variables : montant d’épargne, montant de crédit conso, flux créditeur, nombre de produits et nombre d’opérations

manuel : pour les variables : MIRE, âge, profession et SNP

b) Création :

Ensuite, on crée les variables suivantes :

- nbradulte : nombre de PP adultes dans le CC

- situation_fami : combinaison de la nouvelle variable « nbradulte » et nombre des mineurs dans le CC « nbbrpp3 »

Résultat

/*discrétisation automatique*/

proc rank data=table

groups=nbrgroup out=tempr(keep=id var rk_var);

var var;

ranks rk_var;

run;

/*discrétisation à la main pour la MIRE*/

if (mire>=0 and mire<=25)then mire=1;/*très faible*/

if (mire>=25.01 and mire<=50)then mire=2;/*faible*/

if (mire>=50.01 and mire<=75)then mire=3;/*intense*/

if (mire>=75.01 and mire<=100)then mire=4;/*très intense*/

if (nbradulte=1 and nbbrpp3=0)

then situation_fami=1;/*célibataire sans enfant*/

if (nbradulte=1 and nbbrpp3>=1)

then situation_fami=2;/*célibataire avec enfant*/

if (nbradulte=2 and nbbrpp3=0)

then situation_fami=3;/*couple sans enfant*/

if (nbradulte=2 and nbbrpp3>=1)

then situation_fami=4;/*couple avec enfant*/

…

1.5 Analyse descriptive

Méthodologie

Pour établir un profil général des souscripteurs Assurance Tous Mobiles, on réalise une analyse descriptive des caractéristiques de cette population. Puis, nous comparons le profil des détenteurs AssTM donné par l’analyse descriptive aux clients de CACF.

Cette étape se déroule sous SAS Guide, pour la mise en place des requêtes puis sous Excel pour la réalisation des graphiques.

Résultat

Nous concluons que les souscripteurs en Assurance Tous Mobiles sont une clientèle grand public jeune ou intermédiaire, selon la segmentation nature de potentiel de CACF. Ils sont majoritairement des ouvriers ou des employés, qui possèdent une épargne faible et des flux importants.

Figure 13 : Répartition des souscripteurs par profession Figure 14 : Répartition des CC par profession sur CACF

C’est une population très active (90% avec une MIRE intense ou très intense). Elle est très bien équipée et réalise beaucoup d’opérations. La majorité des souscripteurs sont célibataires avec des enfants ou en couple avec des enfants et sont âgés de 18 à 50 ans. Il s’agit de clients ‘Pacifica’, 40%

sont équipés de A4 (assurance Auto) et 50% de MH (assurance habitation). 66% d’entre eux détiennent un crédit conso ou open à montant faible.

Figure 15 : Répartition des souscripteurs par MIRE Figure 16 : Répartition des CC par MIRE sur CACF

L’étude descriptive sur les enfants et les âges des souscripteurs, nous a permis de constater que 79% des souscripteurs âgés entre 41-45 ont au moins un enfant. La moyenne d’âge de leurs enfants est de 12 ans

Figure 17 : Répartition des clients avec enfant selon leur âge

1.6 Typologie

Afin d’identifier les profils des souscripteurs, on réalise une typologie sous SAS Guide en utilisant une classification mixte (K-means + CAH).

Méthodologie

Dans un premier temps, on effectue la méthode K-means sur les 828 observations de la table

« Asstm » avec la procédure « proc fastclus », en fixant le nombre de classes à 20. Cette valeur doit être choisie suffisamment grande pour limiter le risque de fusion des classes et pour augmenter l’inertie interclasse. Puis, on réalise une classification ascendante hiérarchique sur les centres de ces classes à l’aide de la procédure «proc cluster », suivi par un découpage optimal du dendrogramme issu de la CAH qui fournit les classes finales. Ces classes comportent les observations initiales affectées par l’intermédiaire de leurs pré-classes obtenues de la méthode K-means.

/* etape1: k-means*/

proc fastclus data=AssTM

maxclusters=20 /*nombre de classes prédéterminées*/

summary

out=partitio /*les variables initiales + distance + cluster*/

Drift

mean=centres /*le contenu des classes /* on récupére ici 12 classes*/

delete=5

cluster=presegm converge=0.02;

var agecc1 segmar ir situation_fami nbopd nbpdt type_commune fluxnp mtmoco5 mtcoll moy_ageenf;

run;

/* etape2: CAH*/

proc cluster data=centres method=ward

outtree=tree /*la table qui permet de dessiner le dendrogramme*/

pseudo ccc;

var agecc1 segmar ir situation_fami nbopd nbpdt type_commune fluxnp mtmoco5 mtcoll moy_ageenf;

copy presegm;/*permet d'avoir un identifiant pour le tableau*/

Résultat

Suite à la classification, on subdivise la population des souscripteurs Assurances Tous Mobiles en 5 segments.

Pour représenter ces segments nous croisons deux critères qui caractérisent le mieux cette population : le niveau de la MIRE et le montant des flux par an.

Figure 18 : Représentation graphique des segments

Voici la description de chacun des segments:

Seniors (13%) : Ce sont des employés ou des retraités, ils n’ont pas d’enfant mineur et leur âge est supérieur à 50 ans. Ce sont des clients très actifs avec une MIRE très intense, nombre d’opérations et produits élevées. La moyenne des flux est de 44 000 euros.

La moitié de ce groupe a plus de 10 000 euros d’épargne et détient un crédit consommation d’une moyenne de 15 000 euros. Il s’agit de clients Pacifica car ils possèdent au moins l’un de ces produits : A4, MH, GAV.

Couples intermédiaires (52%) : Ils sont des employés ou des ouvriers âgés de 41 à 50 ans, l’âge moyen de leurs enfants est de 12 ans. Ce sont des clients très actifs (MIRE très intense) et bien équipés (plus de 16 produits).

Ils possèdent des flux importants de 35 000 € en moyenne, mais un montant d’épargne faible ne dépasse pas 10 000 €. La majorité des clients détiennent un crédit open et au moins un produit Pacifica.

Jeunes actifs (22%) : représentent 22% des souscripteurs AssTM. Ce groupe est constitué de célibataires sans enfant, âgés entre 18 et 30 ans.

Il s’agit des clients actifs (MIRE intense), bien équipés (10 produits) et qui possèdent des flux moyens et une faible épargne. Ils sont équipés d’un crédit à la consommation (en moyenne de 8000 euros).

Etudiants (10%) : L’âge de ce segment se situe entre 18 et 24 ans. Ils sont sans activité, célibataires et sans enfant.

Le niveau de MIRE et d’équipement de cette population est faible. Ils ne sont pas clients Pacifica.

Agriculteurs (2%) : Il est constitué dés agriculteurs âgés de 30 à 50 ans, très actifs et très bien équipés.

Ils possèdent des flux supérieurs à 35 000 euros, et sont majoritairement clients Pacifica. Ils détiennent un crédit conso ou open.

1.7 Prédiction

Dans l’objectif, de fournir une cible pertinente au « service téléphone » pour la deuxième compagne d’AssTM. On réalise une prédiction des clients appètent en AssTM.

1.7.1 Echantillonnage

Méthodologie

On construit dans un premier temps une table « score » composée des clients CACF majeurs.

Puis, nous créons une variable cible afin d’identifier les détenteurs et non détenteurs AssTM. Le nombre des détenteurs est faible ce qui amène à un taux de souscription égal à 0,0016. Afin d’augmenter ce taux, on décide donc de réaliser un échantillonnage sur les non souscripteurs en deux phases :

1- On choisit les clients non détenteurs avec une MIRE intense ou très intense (223 460 CC), car 90% des souscripteurs ont une MIRE élevée (voir page 22)

2- On effectue un échantillonnage aléatoire simple de 7000 clients non détenteurs, ce qui donne un taux de souscription de 12%

Résultat

Enfin, on obtient une table « score » constituée des 828 détenteurs (cible AssTM=1) et 7000 non détenteurs (cibleAssTM=0).

1.7.2 Méthode 1 : Arbre de décision

Méthodologie

L’étape suivante consiste en un calcul de score d’appétence, ou plus généralement d’un modèle prédictif, nous avons donc poursuivi l’étude sous SAS Miner pour construire un arbre de décision.

Résultat

Les règles obtenues à partir de ce dernier n’ont pas été satisfaisantes (nombre d’effectifs dans les feuilles trop faible …).

1.7.3 Scoring

construction du score

Méthodologie

On réalise un score d’appétence via une régression logistique. Cette méthode calcule directement la probabilité d’apparition du phénomène recherché (souscription en Assurance Tous Mobiles). Pour une meilleure fiabilité et une bonne capacité de généralisation du modèle, on divise la table « score » en deux échantillons :

un échantillon d’apprentissage : composé de 70% des individus de la table « score », il permet de construire la règle de discrimination un échantillon test : composé de 30 % individus de la table score, il a pour objectif de valider la règle de discrimination.

Ensuite on applique la méthode de la régression logistique, avec une sélection du modèle pas à pas (stepwise).

Résultat

Le modèle obtenu est d’un niveau de complexité égal à 8. Les variables qui discriminent au mieux la détention d’AssTM sont dans l’ordre d’importance :

Nombre de produits (produit) Montant d’épargne (epargne) Age (agecc1)

Profession (prof) Flux créditeurs (flux)

Situation familiale (situation)

Nombre d’opérations sur le compte (operation) Montant initial de crédit consommation (mtcredit)

Figure 21 : Description du modèle

Pour visualiser le pouvoir discriminant du score, nous avons choisi: la courbe de ROC. Cette dernière représente (sur l’axe Y) la proportion de souscription en Assurance Tous Mobiles, en fonction (sur l’axe X) de la proportion de la population totale ciblée par note décroissante.L’objectif est de récupérer un maximum de souscripteurs de souscripteurs en ciblant un minimum de clients.

Exemple :

La courbe de ROC ci-dessous passe par le point x=50 et y=87. Cela veut dire qu’en ciblant 50% de la population de nos clients on récupère 87,5% des souscripteurs.

Figure 22 : Courbe de Roc de l’échantillon validation et apprentissage

test du score

Méthodologie

Par la suite, on réalise un test opérationnel du modèle obtenu sur d’autres clients et une autre période que celle qui a servi à construire le modèle. Pour cela, nous choisissons une base constituée des CC non détenteurs AssTM à fin Février. Puis, nous regardons parmi ces clients qui sont devenus des détenteurs AssTM sur les mois de Mars à Avril.

Au CACF, la cellule Etudes Marketing a mis en place pour chacun de ces scores 3 types de populations :

cœur de cible : les clients avec les scores les plus élevés ciblable : les clients qui ont des score moyens

non-appètent : Les clients dont le score est faible

Remarque : la sélection des clients dans chaque groupe dépend de la volumétrie et du taux de souscription désiré.

Résultat

Pour vérifier la stabilité du modèle obtenu et déterminer la note minimum à avoir pour nos clients pour être considérer comme appètent AssTM, nous réappliquons le score AssTM sur la base test. Puis, nous divisons notre population en 50 groupes (Tableau 1).

Pour chacune des tranches on a le nombre de non-souscripteurs (cibleAssTM=0), le nombre des souscripteurs (cible AssTM=1) et le taux de souscription. Comme nous pouvons constater à partir du tableau, la tranche « 50 » possède le taux de souscription le plus élevée avec une volumétrie de 9939 clients. Nous avons donc décidé de la considérer comme « cœur de cible ». La note minimum du score dans cette population est égale à 0,321.

Tableau 2 : Taux de souscription par tranche

Nous répartissons les clients selon leur note de score en 3 groupes : cœur de cible, ciblable et appètent.

Tableau 3 : Résultat du scoring sur la base test

Il ressort que le groupe « cœur de cible » (tranche 50) constitué de 9939 clients (2% de la population) possède un taux de souscription de 0,59 %. Le taux naturel de souscription sur toute la population était de 0,07%. Ce groupe possède 8,45 fois plus de chance de souscrire que si l’on prend un individu de la population au hasard. Le groupe « ciblable » représente un gain de 0,32% alors que les « non- appètent » possède un gain de 0,59.

(*) : La note du score (ou seuil) est multiplié par 1000

/*groupe coeur de cible*/

if score >= 0.321

then do LIRES="COEUR CIBLE";

end;

/*groupe ciblable*/

if score >= 0.119 and score < 0.321 then do LIRES="CIBLABLE";

end;

/*groupe non-appétent*/

if score < 0.119

then do LIRES="NON APPETENT";

end;

Ciblage

Méthodologie

Pour déterminer la cible de clients appétant à Assurance Tous Mobiles, on réapplique notre score d’appétence sur la clientèle à fin d’avril non détentrice AssTM. Puis, on sélectionne les clients qui représentent le cœur de cible.

Figure 20 : Cheminement de la réalisation du score

Résultat

Pour définir la cible souhaitée, nous appliquons le score réalisé et testé auparavant, sur les clients de Fin Avril sans AssTM. Pour chaque client on attribut donc une note. Voici un extrait du tableau contenant l’identifiant du client ainsi que sa note de score :

Tableau 4 : Note du score (Période Fin Avril)

A partir de ce tableau, on sélectionne les clients dont la note de score est supérieure ou égale à 0,321, autrement dit les clients appartenant au groupe « cœur de cible » (voir le tableau 3). Suite à cette sélection, on obtient un groupe « cœur de cible » de 10 026 appétant à Assurance Tous Mobiles.

Janvier Mars Avril

période construction

période test

Le fichier contenant ces clients (identifiant+note de score) a été envoyé au service « Ciblage et Suivi », qui a sélectionné les clients vérifiant les conditions suivantes :

- sans incident - non décédés - non risqués - opt-in email

- accord des appels sortants

Cette étape a permis de déterminer 5366 CC vérifiant les critères précédents, le service

« ciblage et suivi » a décidé d’extraire les 3600 clients avec les notes les plus élevées.

- Conclusion

C’est de cette cible de 3600 qui a été donnée au service téléphone de CACF. L’équipe du marché des particuliers a créé une nouvelle animation commerciale pour Assurance Tous Mobiles.

Cette dernière s’est déroulée en deux phases. Une première phase concerne l’envoi d’Email informatif afin de présenter le produit « AssTM » et une deuxième phase de vente via le service téléphone. En effet, la réglementation oblige l’entreprise d’informer le client sur le produit pour pouvoir faire de la sollicitation téléphonique.

2. Etude 2 : Client Moyen de CACF

2.1 Contexte

En Février 2011, deux enquêtes sur la tarification bancaire ont été effectuées, une par l’organisme de consommation « CLCV » et l’autre par le journal « Le Monde ».

L’enquête de « CLCV » a été réalisée au prés de 134 établissements bancaires, y compris ceux en ligne. Elle a étudié trois profils : petit consommateur, couple actif et couple boursicoteur. Cette enquête a conclu que CACF est la banque la moins chère sur le profil de petit consommateur devant BNP et la Banque Postale. Sur le profil de couple actif, elle est le 2^ème établissement bancaire sur la région d’Auvergne avec 177,16€ de cotisation annuelle derrière la Banque Postale (154,34€).

Concernant le dernier profil « couple boursicoteur », CACF est classé en 2^ème position avec 476,58€

derrière LCL (444,62€).

L’enquête du journal « Le Monde » s’est portée sur 5 profils : Budget serré, client standard, client aisé sans package, client aisé avec package et investisseur sur bourse. Les résultats de cette dernière sont les suivants:

- Client à budget serré : CACF est l’une des banques les plus chères (33^ème sur 34 établissements) avec une cotisation annuelle de 239,08€.

- Client standard : 105.03€, 15ème position sur 38 établissements, en 1^ère position : la Banque Postale.

- Client Aisé sans package : 139.83€, 7^ème position derrière les Banques en ligne et Groupama Banque sur 40 établissements.

- Client aisé avec package : 171,80€ pour une moyenne de 177,95€ (1^ère Axa Banque), 19^ème position sur 38 établissements.

- Investisseur en Bourse : 359,90€ pour une moyenne de 331,11€ (1^ère Fortuneo Banque), 20^ème position sur 41 établissements.

Cependant, ces enquêtes donnent l’image d’une réalité relative car elles utilisent des profils différents ne reflétant pas forcément les besoins des clients. De plus, le compte service n’est pas valorisé dans les classements effectués par les deux enquêtes (services à la carte moins intéressants que le Package) vu les profils retenus (pas de besoin de découvert ou d’assurance de moyens de paiement)

2.2 Objectif

Pour compléter ces enquêtes, et en vue d’un éventuel changement dans la tarification de CACF pour l’année 2012. On réalise une étude sur quatre profils de clients :

détenteur d’un compte service sans incident détenteur d’un compte service avec incidents non détenteur d’un compte service sans incident non détenteur d’un compte service avec incidents

Celle-ci a pour objectif de connaître la cotisation annuelle de ces profils et d’établir une comparaison avec celle des mêmes types de clients dans les établissements bancaires suivants :

- Caisse d’épargne - Crédit Mutuel - Banque Populaire - Banque Postale

2.3 Collecte des données

Méthodologie

Sous SAS Guide, on travaille sur la table CC où on sélectionne l’identifiant de chaque client et les produits les plus importants de CACF : la carte bancaire (Mozaic, Mastercard,…) et le compte service (Mozaic, Souplesse,…).

Sous BO on récupère les clients avec incidents, c’est-à-dire ceux qui ont eu au moins un rejet de chèque (inférieur à 50€ ou supérieur à 50€) ou un rejet d’avis de prélèvement. Puis, on sélectionne les opérations tarifées réalisées sur une période d’un an, à savoir :

- commission d’intervention - opposition chèque

- chèque banque - alerte SMS - virement externe - virement permanent

Résultat

A partir de l’indicateur « compte service », on obtient les deux tables suivantes :

- detenteur : contient les clients détenteurs d’un compte service et les cartes bancaires possédées par ce client

- nndetenteur : représente les clients non-détenteurs d’un compte service et les cartes bancaires possédées par ce client La collecte des indicateurs incidents et les opérations tarifiées, permettent d’avoir des tables où chaque ligne représente un indicateur (virement permanent, refus de chèque,…) et le client qui l’a réalisé.

2.4 Traitement des données

Méthodologie

Cette étape se déroule sous SAS Guide, pour la mise en place des requêtes entre les deux tables : detenteur et nndetenteur et les autres tables des indicateurs. Afin de créer les profils demandés et étudier les opérations tarifées.

Résultat

Suite à la réalisation des différentes jointures on obtient quatre tables, chacune correspond à l’un des profils demandés. Chaque ligne de la table contient les informations suivantes :

- l’identifiant du client

- les comptes services appartenant à ce client - les cartes bancaires possédant par ce client - le nombre total de chaque opération tarifée

2.5 Analyse descriptive

Méthodologie

On utilise SAS Guide pour étudier chaque profil dans sa globalité, en récupérant le type de la carte bancaire ainsi que le type de compte service (seulement pour les détenteurs), et plus en détail avec le nombre d’utilisation de chaque opération tarifées par an.

Sous Excel, on détermine la cotisation annuelle de chaque profil auprès des huit établissements bancaires (voir page 30 avec CACF inclus). En calculant les indicateurs suivants:

- nombre moyen d’une opération tarifée=

on tteopérati utilisésce

ientsayant nombredecl

opération ndel

utilisatio ld

nombretota ' '

- prix moyen de chaque opération= nombre moyen d’une opération tarifée*prix de l’opération

Résultat

1^er profil : détenteur sans incident

Figure 23 : Répartition des détenteurs sans incident par carte bancaire

Figure 24 : Répartition des détenteurs sans incident par

compte service

Les détenteurs de compte service sans incident représentent 57% des clients CACF. Prés de la moitié de ces clients détiennent un compte service

« souplesse ». La majorité de cette population possède une carte bancaire et il s’agit pour 74% d’entre eux équipés en

« Mastercard »

2ème profil : détenteur avec incidents

Figure 25 : Répartition des détenteurs avec incidents par carte bancaire

Figure 26 : Répartition des détenteurs avec incidents par compte service

3% des clients CACF sont des détenteurs de compte service avec incidents.

52% de cette population détient un compte service « souplesse ». Chacun de ses clients possède au moins une carte bancaire et la moitié d’entre eux est équipée d’une carte de type« Mastercard ».

3ème profil : non détenteur sans incident

Figure 27 : Répartition des non détenteurs sans incident par carte bancaire

Seulement 43% de la clientèle non détenteur de compte service et sans incident détient une carte bancaire CACF. Il s’agit pour la majorité d’entre eux des clients équipés d’une « Mastercard ».

4ème profil : non détenteur avec incidents

Figure 28 : Répartition des non détenteurs avec incidents par carte bancaire

28% des clients appartenant à ce profil ne possèdent pas de carte bancaire. En revanche, la majorité de la clientèle restante détient une carte de type « autres cartes ».

Dans le but d’approfondir l’étude du client moyen de CACF, on divise chacun des deux profils « non détenteurs avec et sans incidents » en deux sous-profils « avec carte ou sans carte ».

L’étude du profil de client moyen s’est axée sur le positionnement de CACF par rapport à la concurrence. En collaboration avec Monsieur Antoine Sabatier (stagiaire sur le pôle tarification et géomarketing), nous avons élaboré un tableau résumant le prix des opérations tarifées (commission d’intervention, chèque banque…) ainsi que la cotisation mensuelle et annuelle pour chacun des profils.

Tableau 6 : Cotisation annuelle du client non détenteur d’un compte service avec incidents et carte bancaire en 2011

3. Etude 3 : Multi canal

3.1 Contexte

L'irruption des nouvelles technologies dans ces dernières années (Internet et téléphonie mobile, Smartphone) a bouleversé les canaux traditionnels comme le téléphone et le courrier, grâce à leur très large diffusion, avec des coûts d'accès réduits. Cette évolution technologique a incité les entreprises à revoir leurs moyens de communication en adaptant une stratégie multi canal. Il s’agit pour les entreprises d’adapter leurs canaux aux besoins spécifiques des différents segments de clients, en vue de proposer la bonne offre au bon client au bon moment, via le bon canal.

Afin d’évoluer vers de nouveaux formats de commercialisation de ses services et de ses produits, CACF a orienté sa stratégie depuis 3 ans au développement multi canal. Le premier pas vers cette stratégie s’est concrétisé par la réalisation d’une étude sur l’utilisation des canaux par les clients. Ensuite, par la mise en œuvre d’une segmentation multi canal (annexe-III), qui permet de regrouper les clients en trois segments : clients agence, multi canal ou internet.

3.2 Objectif

Pour croiser l’appétence univers de besoins (crédit, assurance, épargne…) avec l’appétence au canal et du fait que CACF ne possède pas de score canal, il m’a été demandé d’en créer un.

3.3 Problèmes rencontrés

La réalisation du score canal nécessite une recherche des actions commerciales réalisées en multi canal (SMS, Email,…) pendant les années 2010 et 2011. Malheureusement, la seule action multi canal est celle d’Assurance Tous Mobile « AssTM » : la réalisation du score n’est plus possible.

3.4 L’action Assurance Tous Mobiles

On oriente donc l’étude vers l’analyse de la seule animation multi canal trouvée. Afin de dresser un bilan sur les résultats de la segmentation multi canal et ainsi de discuter la rentabilité de l’action AssTM d’un point de vue canal.

3.4.1 canal privilégié

Méthodologie

On s’intéresse d’abord au canal privilégié par les souscripteurs, c’est-à-dire le canal avec lequel on a sollicité les clients et pour lequel on obtient le plus de retour (ou plus d’inscription). On doit récupérer le nombre de souscripteurs d’AssTM selon les canaux de sollicitation suivants : courrier, courrier et relance sms, email, email et relance sms.