EY est un chef de file mondial de l’audit, de la fiscalité, des transactions et du conseil. Dans un monde où le traitement et l’interprétation des données deviennent primordial, EY recherche en continu des outils performants et des pratiques innovantes pour assurer le succès de ses clients. Face à un volume de données croissant, de qualité souvent variable, EY fait appel à la plateforme Alteryx pour améliorer la qualité de ses services. Dans ce contexte, une form’action de 2 jours a été organisée avec SIRIUS Insight afin de permettre aux consultants d’EY d’exploiter au mieux les fonctionnalités d’Alteryx.
« Nos consultants sont confrontés à des données volumineuses, complexes et dont la qualité est aléatoire. Trop souvent, ils se retrouvaient confrontés aux limites techniques des outils traditionnels de traitement de données, contraints par un processus de nettoyage des données fastidieux, des manipulations rébarbatives, des limites de volumes de données à traiter, … » nous explique Caroline Cleppert, Senior Manager chez EY et utilisatrice d’Alteryx depuis de nombreuses années. Connaissant les points forts et l’efficacité d’Alteryx, elle était convaincue des bénéfices non seulement pour EY mais également pour les clients de la firme.
Les formations ont été organisées en petits groupes, sous forme de workshops interactifs. Deux collaboratrices de SIRIUS Insight, certifiées par Alteryx, ont fait découvrir aux consultants d’EY la puissance et les nombreuses possibilités d’Alteryx. Au travers d’exercices, les consultants ont appris à nettoyer efficacement des données, à les rassembler et à les analyser dans un simple workflow réutilisable. Une attention particulière a été portée lors de cette form’action sur les données récoltées sur internet, l’écriture de macros ainsi que les nombreux outils externes auxquels Alteryx se connecte directement (Tableau, PowerBI, Qlikview, Excel, …).
« Tout le monde a déjà rencontré des soucis avec les outils traditionnels de traitement de données au moins une fois dans sa vie. C’est pour cela que chaque consultant inscrit a pu s’exprimer sur les difficultés rencontrées et les manipulations de données qu’il souhaitait faciliter » témoigne Caroline Cleppert. C’est grâce à ces difficultés qu’un programme de formation entièrement personnalisé a été développé.
« Lors de la formation, nos consultants ont pu découvrir les forces d’Alteryx et les nombreuses opportunités qui y sont liées. Depuis lors, nous avons gagné en efficacité et nous développons de nouvelles analyses que nous n’aurions pas imaginées auparavant » se réjouit Caroline Cleppert. Nettoyer, rassembler et analyser des données se fait maintenant en un temps record chez EY.
Les tâches répétitives sont automatisées et libèrent ainsi du temps précieux pour l’analyse et la recherche des meilleures recommandations stratégiques pour les clients.
La familiarisation accrue d’Alteryx chez EY permet aux consultants de libérer plus de temps pour la consultance de haut niveau et pour approfondir les enjeux de nos clients. « L’efficacité d’Alteryx nous permet de concentrer nos efforts sur des tâches à haute valeur ajoutée. Là où joindre des données pouvait prendre énormément de temps, nous pouvons désormais travailler plus efficacement sur le traitement des données et nous concentrer sur le développement d’outils de pilotage et d’analyse très pointue, ce qui représente un avantage compétitif non négligeable » conclut Caroline Cleppert.
« La form’action à la plateforme Alteryx nous a rendus plus performants et nous donne la capacité de développer des analyses innovantes. Des manipulations rébarbatives sont automatisées et des analyses complexes sont réalisées en un temps record avec moins de risque de manipulation manuelle et donc d’erreur dans le traitement des données. L’expertise et la technicité des consultants de SIRIUS Insight ont permis de réaliser une formation parfaitement adaptée à nos besoins. » Caroline Cleppert, Senior Manager, EY
Alteryx est l’outil idéal pour rassembler, nettoyer et analyser des données avec une efficacité redoutable. L’interface ergonomique se présente sous forme d’un « workflow » et permet de répéter les opérations en un seul clic. De la préparation de données aux analyses prescriptives, prédictives et spatiales, Alteryx permet à ses utilisateurs de réaliser le tout sans recourir à un langage de programmation. Depuis plus de 10 ans, Alteryx est utilisé et proposé par SIRIUS Insight dont l’ensemble des consultants est certifié.
En Belgique :
Fidéliser un client coûte 5 à 10 fois moins cher que d’en gagner 1 nouveau. Ajoutez à cela que dans la plupart des entreprises, 20% des clients génèrent 80% des bénéfices, vous comprendrez aisément l’importance de fidéliser les clients et de détecter ceux qui risquent de quitter l’entreprise. Préparez ainsi des actions adaptées à leurs caractéristiques et comportements afin de les récupérer avant qu’il ne soit trop tard !
Il semble compliqué de donner une définition précise de la fidélité d’un client. Cette notion varie fortement en fonction des secteurs. Dans la grande distribution, le client fidèle fréquente une ou plusieurs fois par semaine une enseigne, alors que dans le secteur automobile, les contacts se limitent aux entretiens, réparations et nouveaux achats. Certains dirigeants estiment donc qu’un client fidèle est celui qui achète une fois par an dans son entreprise ou webshop, d’autres vont prendre en considération le montant dépensé. Dans d’autres secteurs comme le secteur bancaire, les assurances et les mutuelles, le nombre d’interactions peut être très faible. La fidélité sera alors définie par le nombre de transactions, l’absence de plaintes et l’absence de renom.
Pourtant, définir précisément cette notion est essentiel lorsque vous souhaitez analyser et prédire le comportement de vos clients. La définition exacte, propre à votre entreprise, se trouve dans vos données clients ! En effet, en analysant ces données, il est possible de détecter des patterns d’achat et de visite des clients de votre entreprise. Les caractéristiques sont souvent hétérogènes au sein d’un groupe de clients ; certains anticipent l’achat ou la visite, d’autres sont en retard ou sautent juste un passage ou un achat. Du coup, il s’avère intéressant d’attribuer une notion individuelle, spécifique à chaque client. Ceci permettra de détecter plus vite un accroissement du risque de perdre définitivement un client.
La fidélité des clients est caractérisée par le cycle d’achat individuel du client, ainsi que la nature de ses achats. Lorsque ce cycle n’est plus respecté ou que les achats diminuent de manière significative nous pouvons souvent soupçonner que le client va rompre sa relation avec l’entreprise.
Dès que les définitions sont bien établies, il est possible de créer deux groupes distincts (fidèles et infidèles) à partir des historiques d’interactions (achats ou autres). En analysant les caractéristiques d’achat et les profils socio-démographiques de chaque groupe, nous détectons les déclencheurs de l’infidélité. Ils peuvent être très variables et fortement dépendant du secteur d’activité : une facture très élevée, un produit qui vieillit, l’âge du client, ses revenus, un déménagement ou la fermeture du point de vente, une plainte non résolue, une campagne concurrente … ou une combinaison de ceux-ci expliquent la disparition soudaine du client.
En intégrant ces facteurs dans un modèle prédictif, il est possible de calculer un score pour chaque client de l’entreprise. Le score représente la probabilité de perdre le client. Lorsque cette probabilité atteint un certain seuil, il est judicieux d’entreprendre des actions commerciales et de marketing afin de fidéliser le client avant même qu’il ait quitté l’entreprise.
Cette approche s’applique à de nombreux secteurs d’activités tels que la banque, les assurances, la grande distribution, l’automobile, … Les avant-gardistes de ces méthodes sont indéniablement les webshops tels Amazon, Zalando, Bol.com, … Leur business model est fortement basé sur une utilisation avancée des données d’achat et de comportement de leurs clients. Ils se servent par exemple de celles-ci pour prédire les achats futurs, mais aussi afin de déterminer le moment idéal pour relancer le client avec une promotion sur mesure.
Pour réaliser un système capable de prédire le risque d’infidélité du client, il est indispensable de réunir un nombre important de données. Pensez notamment aux données suivantes :
Soyez également attentifs aux « non-événements », l’absence d’une visite ou d’un achat est également un indicateur important dans la relation avec le client.
De nombreux facteurs interviennent lorsqu’un client décide de rompre sa relation avec l’entreprise. Son départ est peut-être dû à une mauvaise expérience, une facture élevée, un déménagement, un manque de moyens financiers, … En plus de cela, certains types de consommateurs semblent plus volatils que d’autres. La plupart des ces raisons peuvent être quantifiées, et ce qui est quantifiable peut être utilisé pour réaliser une prédiction. Cette prédiction s’exprimera sous forme d’une probabilité : la probabilité que le client rompe sa relation dans un avenir proche. Idéalement, la fidélité du client doit être estimée régulièrement car tout évènement (ou non-évènement !) est susceptible de modifier le score de fidélité du client. Il ne s’agit pas d’une probabilité figée !
Quel que soit le système ou modèle que l’on mettra en œuvre pour prédire le comportement de fidélité du client, l’approche sera toujours la même : on va extraire du fichier clients deux échantillons : apprentissage et validation. Pour chaque individu, qui peuple les échantillons on peut déterminer à une date donnée s’ils sont fidèles ou non. On enrichit ces deux jeux de données avec des données externes permettant d’associer à chaque client le plus d’informations possible (notamment socio démographiques).
On se sert de l’échantillon d’apprentissage pour construire le modèle (pour lui apprendre ce qu’est un client fidèle et infidèle). Si le modèle choisi est adéquat, il détectera dans la masse de données dont il dispose les éléments utiles et la manière de les combiner pour arriver à prédire de manière la plus juste possible le comportement observé du client. On utilisera ensuite l’échantillon de validation pour tester la qualité de la prédiction sur des clients qui n’ont pas été utilisés dans la phase d’apprentissage.
Un modèle bien entrainé et validé sur des échantillons tests (dont on connait le comportement « final » du client) permettra d’estimer correctement la probabilité qu’un client reste fidèle ou non.
De nombreux modèles peuvent être déployés pour traquer les churners potentiels parmi ses clients. Chez SIRIUS Insight, nous testons plusieurs approches et modèles afin de livrer à nos clients un « système » robuste et fiable, le mieux adapté à son business.
Le « recueil de modèles » à notre disposition est très large, il commence avec des modèles de classification simple dont les régressions par arbres et logistiques font partie, jusqu’à des techniques élaborées de machine learning ou d’intelligence artificielle telles que des réseaux de neurones, random forest, support vector machine, …
Les approches par régression sont simples à mettre en œuvre et facilement interprétables (on peut « suivre » le raisonnement du modèle), ce qui est en général un facteur « rassurant ». Cependant, ces approches sont rigides et seront plutôt décevantes dans des situations ou la combinaison de facteurs est particulièrement déterminante dans le processus de churning.
Les solutions de type « machine learning » offrent une plasticité étonnante (adaptation au problème) et surclassent beaucoup de méthodes traditionnelles quand il s’agit d’identifier parmi une masse importante de données les « patterns » caractéristiques qui font qu’un client devient un « churner ». En revanche, il est beaucoup plus difficile, voire impossible, de suivre le « raisonnement » de l’algorithme. D’autre part l’« overfitting » guette l’analyste imprudent qui ne se plie pas à l’impitoyable discipline de la validation.
En effet, il arrive souvent qu’un modèle produise des résultats prometteurs sur l’échantillon d’apprentissage, mais que lorsqu’on lui présente un échantillon de validation, le modèle dérape et produise des résultats plutôt aléatoires. Dans ce cas, nous parlons de « overfitting » du modèle, c’est un phénomène qui s’observe lorsque le modèle s’ajuste trop sur le jeu de données d’apprentissage qui lui a été confié.
Le meilleur modèle est celui qui produit les résultats les plus robustes sur les échantillons de validation et est aussi le modèle le plus simple ! Il est toujours conseillé dans l’analyse du churn, après une analyse approfondie des données disponibles, de partir des méthodes les plus classiques avant de soumettre à tout va, vos données aux techniques de machine learning.
En conclusion, la clé de la réussite dans l’analyse du churn et de la mise en place d’un processus de détection fiable et industrialisable dans votre entreprise dépend de plusieurs éléments. Premièrement, il faut une base de données clients bien organisée, permettant de tracer ces interactions avec l’entreprise. Ensuite, ces données doivent être analysées sérieusement et les variables pertinentes sélectionnées. Finalement, il est important de déployer une montée maîtrisée dans la complexité des modèles mis en œuvre.
D’Ieteren est l’importateur belge des marques de voitures Volkswagen, Audi, Skoda, Seat, Porsche et Lamborghini. Chacune de ces marques dispose d’un réseau de points de vente et de service. Avec une connaissance approfondie du secteur automobile et des compétences analytiques et de géomarketing SIRIUS Insight accompagne D’Ieteren Auto pour ajuster de façon optimale cette offre en fonction des groupes cibles spécifiques. Peter de Preter, Market Research & Business Insight Manager chez D’Ieteren Auto nous raconte cette collaboration de plus de 15 ans.
Avant les années 2000, les principes du géomarketing étaient peu connus et les effets sous-estimés. Les décisions liées aux points de vente résultaient de l’intuition des managers et de la volonté de réussite des concessionnaires. Rapidement, D’Ieteren s’est rendu compte des effets combinés de la concurrence, de la cannibalisation et du profil de la population locale et a ainsi réalisé ses premiers pas vers l’optimisation de réseaux.
En 2000, démarrant d’une carte vierge, un premier réseau optimisé a été dessiné pour les différentes marques de D’Ieteren prenant en compte une multitude de données : le potentiel du marché, la concurrence présente, les caractéristiques sociodémographiques de la région, … Les compétences analytiques de SIRIUS Insight ont permis de joindre et traiter ces données afin d’obtenir une vue claire sur les différents marchés de D’Ieteren ainsi que leur potentiel commercial.
Ensuite, ces résultats ont permis de déterminer le réseau optimal des différentes marques de D’Ieteren. SIRIUS Insight a déterminé mathématiquement le nombre de concessions nécessaires et l’emplacement idéal de celles-ci pour atteindre les objectifs stratégiques. Finalement, D’Ieteren s’est employé à déployer ce réseau recommandé en tenant compte des réalités du terrain. « Avec le recul, nous constatons que les ventes calculées étaient justifiées et fiables » nous confirme Peter de Preter.
De plus en plus d’importance fut consacrée à la valeur opérationnelle des analyses et des modèles prédictifs. Pour chaque ouverture, fermeture ou déplacement d’une concession, une étude est désormais réalisée. Ainsi, D’Ieteren connait parfaitement les risques et les opportunités du projet et peut ajuster ses décisions si nécessaire.
Chaque entreprise traverse des périodes de réflexion, d’analyse, de mise en place des décisions stratégiques. La relation entre SIRIUS Insight et D’Ieteren suit également ce rythme. Lorsque les différents réseaux de points de contact sont remis en question, les entreprises connaissent une collaboration régulière et intense. « SIRIUS Insight est un partenaire très flexible. La taille modeste de l’entreprise les rend aussi agiles que fiables. Nous pouvons toujours compter sur eux ».
En dehors de ces périodes plutôt intenses, SIRIUS Insight réalise chaque année bon nombre d’autres analyses pour soutenir le management de D’Ieteren. Il s’agit par exemple du calcul du potentiel d’un emplacement précis, des zones de chalandises, du profilage de clients, des analyses prédictives, mais aussi du calcul des quotas de vente de l’ensemble des concessions.
« L’analyse de données ne peut en aucun cas être une boîte noire. Il faut toujours en comprendre le fonctionnement », déclare Peter de Preter. « En tant que client, il est capital de cerner les éléments pris en compte par le modèle et comment celui-ci fonctionne. C’est exactement cela qui permet d’avoir la confiance nécessaire dans les résultats pour vous permettre de prendre des décisions ».
« Avec une connaissance approfondie de nos données et du secteur automobile, SIRIUS Insight est pour nous un partenaire fiable et flexible depuis plus de 15 ans. Leurs compétences analytiques et leur expertise en géomarketing nous donnent des perspectives importantes qui nous permettent de répondre à nos questions stratégiques et ainsi prendre des décisions optimales et rentables. ». Peter de Preter, Market Research & Business Insight Manager chez D’Ieteren Auto
Retailers organisés en réseaux de points de vente ou de concessions, agences bancaires, mutuelles, ou encore pharmacies connaissent la difficulté de mettre en place un réseau de points de vente ou de service performant. Tout en minimisant les coûts liés à l’infrastructure, ils doivent maximiser les bénéfices ou le service rendu. Dans la recherche de la configuration la plus rentable, l’intelligence artificielle explore et évalue les solutions les plus probantes.
Nous connaissons tous des retailers qui débutent leur activité avec un seul point de vente. Après avoir rencontré un certain succès, ils en ouvrent un deuxième quelques kilomètres plus loin dans un autre centre-ville. Ensuite un troisième, un quatrième, … jusqu’à obtenir une certaine couverture du territoire. Dans ce déploiement, le retailer se base sur son intuition et, en général, avec un certain succès ! Pourtant, malgré ses investissements, la rentabilité globale s’effrite. Aujourd’hui, il se rend compte que pour assurer sa rentabilité, il doit remettre en question le réseau qu’il a construit au fil des années pour mieux tenir compte des aspects démographiques de la population et du potentiel de marché. Dans les faits, il ne doit pas forcément augmenter le nombre de points de vente pour maximiser ses résultats. L’objectif est plutôt de positionner ou repositionner ses points de vente de telle manière à assurer la meilleure couverture du potentiel de marché.
C’est ainsi que la majorité des réseaux de points de vente se développent progressivement en fonction des opportunités et de la conjoncture économique d’un moment précis. Toutefois, lorsqu’une stratégie de développement, de rationalisation, voire optimisation se met en place, il est capital de revoir son réseau et son marché sous un angle plus large.
Prenons un cas relativement simple. Dans le jargon du géomarketing, nous parlons d’une hypothèse de ‘green field’, c’est-à-dire que nous repensons la stratégie en partant d’une carte vierge. Au travers d’un processus de modélisation, qui tient compte des caractéristiques socio-démographiques, du potentiel de marché, de la concurrence,… nous déterminons précisément le nombre de points de ventes nécessaires, et où ceux-ci doivent se situer afin de proposer le réseau le plus rentable.
Et c’est ici que l’intelligence artificielle entre dans le processus. Imaginez, vous avez identifié 500 emplacements possibles pour vos points de vente en Belgique et vous souhaitez mettre en place un réseau de 50 points de vente. Dans ce cas, plus d’un milliard de configurations s’offrent à vous. Comment choisir parmi celles-ci la solution la plus profitable pour votre entreprise ? L’intelligence artificielle a la capacité de trouver parmi l’invraisemblable nombre de configurations différentes, celle qui offre la meilleure rentabilité. Dans ce cas précis, nous parlons d’un apprentissage par renforcement.
Parmi les 500 emplacements possibles, l’intelligence artificielle va sélectionner 50 emplacements. Un module calcule (évalue) la rentabilité de la configuration. La proposition de configuration, et la rentabilité qui en découle sont ensuite stockées. Ce processus est renouvelé environ 5 000 fois afin de disposer d’un large éventail de possibilités avec des valeurs (récompenses) diversifiées.
Après ce premier échantillonnage un changement de stratégie s’opère. En effet, en analysant les résultats obtenus, le moteur d’IA apprend que la présence de certains emplacements semble donner de bons résultats. Il intègre ces informations et procède à une nouvelle série de 5 000 configurations pour lesquelles le choix de points sera influencé par ce qui a été appris au tour précédent. Au fil des itérations, le moteur d’intelligence artificielle construit le réseau de points de vente final avec le meilleur rendement.
Le fonctionnement de cette approche par intelligence artificielle est illustré au travers de ce petit film. Vous y verrez comment les 500 emplacements possibles sont évalués. Certains disparaîtront, tandis que d’autres auront une plus grande probabilité d’être retenus dans la solution finale. Jusqu’au dernier moment, l’intelligence artificielle remet en question l’ensemble des propositions. Vous verrez donc que certains emplacements changent même à la fin du processus.
L’intelligence artificielle est dans ce cas basée sur l’apprentissage par renforcement. Pour cela, le moteur d’IA a besoin d’évaluer et d’attribuer un score au réseau de points de vente qu’il constitue. Un score élevé sera pour lui une forme de récompense. Au fil des configurations, l’intelligence artificielle tâchera d’obtenir la récompense maximale et rencontrera l’objectif du retailer qui est de disposer de la meilleure configuration de son réseau, celle qui lui offre la meilleure rentabilité.
La rentabilité du réseau est évaluée grâce à un simulateur. Pour cela, nous intégrons de nombreux paramètres importants : potentiel de marché, seuil de rentabilité, emplacements des concurrents, profils des consommateurs et bien plus encore !
Pour l’optimisation d’un réseau de points de vente ou de service, l’intelligence artificielle permet d’explorer un nombre de possibilités qu’aucun humain ne sait traiter analytiquement. Au-delà de cette exploration, l’intelligence artificielle permet également de rechercher les réseaux avec un rendement maximal. Ces méthodes sont utilisées et perfectionnées chez SIRIUS Insight depuis plus de 15 ans, ce qui assure la fiabilité de la démarche.
Vous désirez en savoir plus ? Visionnez la vidéo ci-dessous, téléchargez le document explicatif, ou contactez-nous pour avoir davantage de renseignements.
Téléchargez le feuillet de présentation
Lors de la création du réseau hospitalier « Réseau Phare » les institutions concernées devaient démontrer plusieurs éléments aux autorités compétentes. Ainsi, un réseau hospitalier doit constituer une zone géographique continue et couvrir plus de 400.000 habitants. Des éléments que SIRIUS Insight a analysé pour les différents sites hospitaliers en combinant des données sociodémographiques et de la consultance analytique. Didier Delval, Directeur Général du CHwapi témoigne sur l’intérêt de l’approche.
Le Réseau Phare, en province du Hainaut, est composé de 4 institutions hospitalières pour un total de 10 sites hospitaliers.
Dans la concrétisation de ce réseau, SIRIUS Insight a analysé l’origine géographique de la patientèle des différentes institutions. « L’analyse a confirmé que le Réseau Phare couvre une zone géographique continue et atteint plus de 500.000 patients » explique Didier Delval. « Nous avons également été rassurés de voir que les zones d’attraction des institutions connaissent peu de superposition » poursuit-il.
Comprendre quelle partie de la population locale est drainée vers une institution est un indicateur important pour évaluer la performance locale d’une institution. Pour cela, SIRIUS Insight a cartographié par secteur statistique, à une échelle géographique fine, le taux de pénétration de chaque institution.
Ces cartes et analyses permettent de comprendre les zones dans lesquelles l’influence d’une institution est particulièrement forte, ou au contraire plus faible.
Après avoir analysé les institutions de manière globale, SIRIUS Insight a réalisé un benchmark d’une sélection de services hospitaliers communs aux différentes institutions.
Un angle différent qui permet de distinguer les services dont l’attractivité est particulièrement importante pour le fonctionnement de l’hôpital. Ce sont généralement des services pour lesquels les patients sont prêts à parcourir de plus longues distances. Ces premières notions peuvent désormais alimenter la réflexion pour le déploiement et l’implémentation du projet médical au sein du réseau hospitalier.
L’analyse géographique et démographique permet également d’apporter des réponses à des problématiques plus complexes. Ainsi le CHwapi a été confronté pendant une année à une baisse de fréquentation de sa maternité. L’analyse comparative et évolutive de la population locale en âge de procréer, de la patientèle et des prestataires médicaux a apporté un éclairage plutôt rassurant.
« Les résultats ont démontré que la problématique n’est pas concentrée à un endroit précis, ni liée à des prestataires de l’hôpital. C’était une information importante et rassurante pour toute l’équipe » relate Didier Delval. Eléments qui se sont vus confirmer par une reprise de la fréquentation de la maternité dans les mois suivants.
Le géomarketing est d’une grande plus-value dans la prise de décisions complexes et délicates.
L’expertise de SIRIUS Insight permet de connaître et d’anticiper l’impact d’une fermeture d’un service, d’accompagner l’implémentation du projet médical d’un hôpital ou d’un réseau hospitalier, de déterminer l’emplacement optimal pour un site hospitalier ou une polyclinique, pour mieux comprendre sa patientèle et ses préférences, …
Nous apportons ainsi des recommandations qui se basent sur des données de population détaillées et des méthodes statistiques avancées.
« Les analyses de SIRIUS Insight permettent d’objectiver les impressions et sont ainsi une aide à la décision intéressante pour le secteur hospitalier. Leur écoute attentive, leur approche sur mesure et la finesse des méthodes analytiques apportent des informations fiables, facilitant une prise de décision juste et objective. »
Didier Delval, Directeur Général CHwapi
Vous souhaitez étudier vos sites hospitaliers et réseau de polyclinique ? Évaluer la performance, la proximité avec votre patientèle ? Quel que soit votre objectif, SIRIUS Insight vous accompagne vers une prise de décision éclairée.