Confidential

Étudiante: Tebib Hanen

Entreprise d’accueil:
National Pen Promotional Products Limited
Customer Intelligence Team
33700 Mérignac, Bordeaux

Tuteur de stage: Benjamin Boraud

Tuteur académique: Ben Said Hayet
 Sommaire

I. Contexte générale

II. Missions

III. Problématique

IV. Le cheminement méthodologique

V. Résultat et cas pratique

VI. Conclusion
I. Contexte générale

II. Problématique

III Missions

I. Le cheminement méthodologique

 RECHERCHE BIBLIO

 COMPTE RENDU DE LA RECHERCHE ET D2FINITION DES CONCPTS ET FORMULATON DES HYPOTH7SES

 EXPERIENCE R2SULTAT ET INTERPRETAION

I. Conclusion

 Ptrincipaux résultats

 Limites
3
 Contexte general

• le recours vers les data est nécessaire

pour conquérir le marché et pour attirer
plus de clientèle.

• les entreprises considérées

matures en France sont celles
qui ont lancé une étude
d’opportunité du Big data

• connaissance acquisition de
clients
4
 Contexte general

 Leader dans la vente des produits

marketing de qualité
 Opère dans 29 pays dans le monde

• Une large gamme de

produits

5
 Contexte general

• Mailing Prospection  Recruter des nouveaux clients .

(Prospects)

• Mailing Fidelisation  Maintenir le contact avec ses

(Customers) clients

6
 Sommaire

I. Présentation du cadre de stage

II. Missions

III. Problématique

IV. Le cheminement méthodologique

V. Résultat et cas pratique

VI.
 Missions

• Equipe Customers intellegence :

Optimiser les ciblages

Créer des modèles / score

Aide à la prise de decision

• Outils :

8
 Missions

• Base de données :

DMT_MAILINGS
1
CUSTOMER_NUMBER + MAILNO
_CUST
N
DMT_ORDERS 1
Orders

CUSTOMER_NUMBER

CUSTOMER_NUMBER
1

DMT_CUST
Customers

9
 Missions

• Mes missions :

 Création d’un modèle /score pour l’Allemagne pour le produit LPP

10
 Sommaire

I. Présentation du cadre de stage

II. Missions

III. Problématique

IV. Le cheminement méthodologique

V. Résultat et cas pratique

VI. Bilan
 Problematiques

 Sur quelle période allons-nous modéliser et tester le modèle ?

 Quelle variable allons-nous modéliser ?

 Quelle méthode statistique choisir pour construire le modèle

et pour quels critères ?

12
 Sommaire

I. Présentation du cadre de stage

II. Missions

III. Problématique

IV. Le cheminement méthodologique

V. Résultat et cas pratique

VI. Bilan
 • Variables a expliquer : contribution
 Nature : Quantitative
 Description : profit net des charges d’un client

• Variables explicatives
Variables Description des variables Type Origine Role
Customer number Identifiant unique Identifiant DMT_CUST Id
Amount of capital Valeur de capitale de l’entreprise Quantitative DMT_CUST input
Profile class Le profil de l’entreprise Qualitative DMT_CUST Input
Number of employees Nombres d’employées dans l’entreprise Quantitative DMT_CUST Input
Duration Durée d'existence de l'entreprise calculée à partir de l'année de fondation Quantitative Recodée Input
Top_FTB Un nouveaux client ou non Binaire Créée Input
Top_prospectable L’acceptation de client a être mailé par l’entreprise ou non Binaire DMT_CUST Input
Nb_order Nb d’ordre de clients Quantitative DMT_CUST Input
Previous product Le produit qui l’a acheté avant Qualitative DMT_CUST Input
Previous product category La famille de produit qui a acheté avant Qualitative DMT_CUST Input
Origpur date La data origine de son premier achat Qualitative DMT_CUST Input
sales local L’achat en euro Quantitative DMT_CUST Input
Sales USD Les achats en dollars Quantitative DMT_CUST Input
Last pay date Dernier data de paiement Qualitative DMT_CUST Input
Last pur date Dernier date de passer commande Qualitative DMT_CUST Input
nb_month_last mail Nombre de mois depuis le dernier mail Quantitative DMT_CUST Input
nb mailing since last order Nombre de mailing reçu après que le client a passé une commande Quantitative DMT_CUST Input
nb of product mails Nombre de produits mailé Quantitative DMT_CUST Input
nb mail Nombre totale des mailings reçus Quantitative DMT_CUST Input
nb email Nombre totale des emailing reçu Quantitative DMT_CUST Input
nb call Nombre totale d'appels reçus Quantitative DMT_CUST Input
nb orders Nombre de commande total Quantitative DMT_CUST Input
units orders orig Nombres d’unités totales commandées Quantitative DMT_CUST Input
AOV La valeur moyenne des Orders Quantitative DMT_CUST Input
AOU La valeur moyenne des unités Quantitative DMT_CUST Input
Contribution Valeur net des charges par client Quantitative Créée target 14
• Preparation des données :

 Le périmètre de temps :

 Base de modélisation
 Base de validation ( back analysis )

DMT_Customer

2016
2017 2018

Modélisation Back analysis

15
• Méthodologie sas:

 Sas miner facilite la communication des

résultats.

 Structure des nœuds et fonctionnalités

 La possibilité de tester plusieurs

méthodes statistiques

16
 Traitement des valeurs manquantes : 80%
 Ré-échantillonnage: 30% , 70%
 Partitionnement : 40% ,60%

17
 Forets aleatoire  Reseaux neuronnes

18
• Résultat issue de sas miner :

 Erreur quadratique

 Courbe de roc / lift

 Variable qui explique le mieux le modèle

19
• Scoring :  un ensemble de méthodes permettant de
classer un individu dans l’un des groupes
définis au vu de certaines caractéristiques

 Mesure de performance .

20
 Sommaire

I. Présentation du cadre de stage

II. Missions

III. Problématique

IV. Le cheminement méthodologique

V. Résultat et cas pratique

VI. Bilan
 Resultats

• Indicateurs statistiques

 Volume : la volume de clients maile par note de score

 Orders : le nombre de commande pour chaque volume

 RR : Orders/ Volume

 CPN : Contribution / Volume

22
 Resultats

 Fôrets aleatoire  Réseaux neuronnes

 Critères de selection : Bonne hierarchies

Dispersion par note de score

23
 Resultats

• Validation :  Résultat sur une même quantité du mailing

 La méthode des forets aléatoires ‘méthode 2’

apporte plus de contribution .

24
 Cas pratique

• Cas pratique et recommandation

 Mail no : ABC
 Pays :DE
 Product : LPP
 Forecast:20,000 clients
 Mailing for back analysis : ABD,ABE
 Model used : DE_LPP

• Recommandation :
Prior Keycode Select1 Select2 Select3 Select4 Select5 Qty
ECZA01 BB 2016-2018 Previous Products: EBA 362
ECZA02 BBM 2018 Previous Products: EWC/ EWD / NTE / NUC Exclude Mail Numbers: ATTB CFCB WBKC WTEA score CAL 1-7 287
ECZA03 BBM 2017 Previous Products: EWC/ EWD / NTE / NUC Exclude Mail Numbers: ATTB CFCB WBKC WTEA score CAL 1-7 768
ECZA04 BBS 2017 Previous Products: EWC/ EWD / NTE / NUC Exclude Mail Numbers: ATTB CFCB WBKC WTEA score CAL 1-7 20
ECZA05 BBM 2016 Previous Products: EWC/ EWD / NTE / NUC Exclude Mail Numbers: ATTB CFCB WBKC WTEA score CAL 1-7 117
ECZA06 BBS 2016 Previous Products: EWC/ EWD / NTE / NUC Exclude Mail Numbers: ATTB CFCB WBKC WTEA score CAL 1-7 4
ECZA07 BBM 2018 Previous Products: EWC/ EWD / NTE / NUC score CAL 1-6 801
ECZA08 BBM 2017 Previous Products: EWC/ EWD / NTE / NUC score CAL 1-6 1,699
ECZA09 BBS 2017 Previous Products: EWC/ EWD / NTE / NUC score CAL 1-6 4
ECZA10 BBM 2016 Previous Products: EWC/ EWD / NTE / NUC score CAL 1-6 361
ECZA11 BBS 2016 Previous Products: EWC/ EWD / NTE / NUC score CAL 1-6 1

25
 Sommaire

I. Présentation du cadre de stage

II. Missions

III. Problématique

IV. Le cheminement méthodologique

V. Résultat et cas pratique

VI. conclusion
 Conclusion

 Accessibilité et qualité de données .

 une image beaucoup plus concrète de ce que pouvait être le

domaine de l’exploration de données et de modeling .

 Une opportunité unique , une expérience internationale

très enrichissante.

 Des apports sur le plan professionnel, mais également sur le

plan personnel .
 Un contrat CDI en poste data entry au sein de national Pen
Tunisie crée en mars 2018 .

27
Merci pour votre attention

28