le management de la relation client le cas des banques n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Le management de la relation client : le cas des banques PowerPoint Presentation
Download Presentation
Le management de la relation client : le cas des banques

Loading in 2 Seconds...

  share
play fullscreen
1 / 53
castor-slater

Le management de la relation client : le cas des banques - PowerPoint PPT Presentation

111 Views
Download Presentation
Le management de la relation client : le cas des banques
An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Le management de la relation client : le cas des banques • Raisons : • L’essence même du service • Image • Dérégulation • Meilleur connaissance du fournisseur réduit le risque perçue du client • Le développement des TIC • MRC basée sur le cycle de vie et le PNB • Cycle de vie : la dépendance (16/30 ans), l’autonomie (30/65 ans), la maturité (+ 65 ans). • Produit net bancaire (PNB) • Le recrutement : • Lors de la dépendance (événements : placements, première bancarisation, prêt étudiant ) • Produits (livret A, compte avec carte retrait et/ou paiement) • Moyens (téléphonie , internet , RP écoles-universités, jeux-concours) • Lors de l’autonomie (événements : mariage, achat patrimoine, travail, déménagement) • produits (prêt immobilier, prêt voiture, prêt personnel et à la consommation, assurances) • Moyens (internet, mailing, Agence) • L’augmentation : • Lors de la dépendance • Produits (PEL, CEL, assurance voiture, prêt au logement ) • Moyens (internet, téléphonie, agence) • Lors de l’autonomie • Produits (valeurs monétaires, immobilières, PEA, capitalisation, revolving, assurance, prévoyance, mutuelle santé) • Moyens (téléphone, internet, agence) • Lors de la maturité • Produits (assurance décès, obsèques, patrimoine, transfert héritage) • Moyens (Agence, commerciaux domiciles) • La rétention : • Dépend du type de fidélité (inertie, rétention, fidélité pure) • Jouer sur : les nouvelles attentes des clients, l’amélioration de ses comptes d’exploitation, la différenciation des concurrents, démonstration de la proximité, et qualification de son image de marque

  2. cas de programme de fidélisation chez les jeunes • Une approche globale de la fidélisation Valeur centrale du programme : la solidarité Famille Association de proximité Grandes causes 2 1 Famille Individu Bénéfices pour la banque et le client 3 4 Solidarité Renforcement de l’intensité de la relation Renforcement de la proximité avec le client Donner du sens à la communication 1. Egoïsme du programme (service et produits dédiés, cadeaux et avantages, communication personnalisée). 2. Logique famille (cautions, transfert de droits, gestions des risques, mutualisation des programmes avec l’ensemble des membres de la familles). 3. Socialement responsable (affecter les points de fidélisation à une cause). 4. Synergie des 3 pôles (permettre la création d’une asso solidaire par la famille grace au programme de fidélité ) • Eduquer et responsabiliser le client • Renforcer la proximité géo et affect. • Renforcer la marque et les valeurs qu’elle véhicule.

  3. Conclusion • CRM analytique • CRM opérationnel

  4. Marketing des bases de donnéessupport et stratégie d’origine du MR

  5. L’infrastructure Le cœur du MRC …

  6. Les technologies du MRC : l’infrastructure Applications Front-office Applications middleware Système d’automatisation de la force de vente Entrepôts de données : Data warehouse et datasmart Back office Système de gestion de campagne marketing Système d’extraction et de transformation des données Système de gestion des partenaires Système de gestion de contenus Centre d’appel Automates/ sites Web autres technologies : Datamining, mesure et analyse de l’audience du site web, business intelligence, SIG, workflow, Knowledge management, équipements mobiles, outils web-téléphonie.

  7. Infrastructure BDM SurajitChaudhuri and UmeshDayal, An Overview of Data Warehousing and OLAP Technology, ACM SIGMOD Record,26:1, 1997. P Legrand - Groupe ESC Clermont - 2009-10

  8. Entrepôt de Données « Un datawarehouse est une collection de données thématiques, intégrées, non volatiles et historisées pour la prise de décisions. » (Bill Inmon) Outil généraliste spécialisé dans : • Le stockage optimal de très grande quantité de données • L’optimisation des flux en lecture /écriture

  9. Entrepôt de données • Fondation : la base de données • Différentes couches applicatives : • Mise en forme • Structuration • Compression • Gestion optimale des flux • Exploitation des données

  10. Infrastructure : choix d’une solution MRC • 1. Progiciels de gestion intégrés (PGI) ou Enterprise Resources Planning (ERP). • SAP, Oracle, Microsoft Navision.  Relient les différents services de l’entreprise. • 2. Suites de MRC • Microsoft CRM, Pivotal, Siebel  Élaboration d’une solution complète MRC. • 3. Plates-formes MRC • Chordiant, Graham technology ou Pegasystems.  Idem suites MRC mais laisse plus de liberté dans la construction de son application. • 4. Best of breed  L’entreprise compose son système en se procurant et assemblant la meilleure solution pour chaque fonction. • 5. Progiciel maison • Élaboré avec l’aide d’IBM, Oracle, Sun, etc…  Bâtir une solution sur mesure. (peu ou pas adapté pour les PME) Système ERP + CRM

  11. Etude de sous-systèmes MRCEMA et SFA • Système de gestion de campagne (EMA) • Fonctions : • Identification d’opportunités; • Planification relationnelle; • Interaction avec le client; • Évaluation. • Système d’automatisation des forces de ventes (SFA) • Fonctions : • Accompagnement des équipes de vente; • Suivre les activités commerciales de chaque vendeur; • Synchronisation PDA, portable, Smartphone,…. Et intégration aux principaux outils bureautique comme open office, Microsoft office • Mise en commun des informations recueillies par chaque vendeur; • Affecter les leads, gestion des portefeuilles et les territoires commerciaux, évaluer la performance, analyser et prédire les ventes, réalisation de tableaux de bord (visite, suivi objectifs,…).

  12. Application • Construire base de données pour une entreprise de vente par correspondance en click (quelles variables retenir) et décrivez la segmentation que vous pouvez obtenir avec ces variables (segments).

  13. Correction • Création d’une base de données • Qd contacter le client ? (pro-activité) • Quel offre lui proposer ? • Quels attributs (produit/service) mettre en valeur ? (message) • Historique des clients • Commandes et dates (Fréquence et Récence) • Types de produits/services • Volume en € (Montant) • Rentabilité • Historique des paiements (moyen, accidents,…) • Type de communication  RFM Base de données avec les informations essentielles pour le renforcement du lien et proposition d’offres dédiées

  14. Le cerveau du MRC LES DONNEES

  15. Le fichier • Types de données • Sociodémographique (100%) • Comportementale (75%) • Critères d’adéquation au MR • Style de vie (aio) • Ilotypes • Constitution d’un fichier • Location • Fichiers extérieurs de société spécialisées (géronimo) • Fichiers extérieurs de société en activité annexe (la redoute) • Fichiers de compilation ( acxiom France) • Intra • Compilation de plusieurs fichiers de loc. • Base de données interne http://www.acxiom.fr/

  16. Base de données • Fichier comprenant des informations qui vont au-delà des simples prénom et nom

  17. Base de données • Une Base de données relationnelle … • Exemple : Access, dbase ,….

  18. … Une base de donnée statistique

  19. Stockage des données Importance des ERP et bases de données : • Données cohérentes : « pas de manques » • Données non redondantes : « chaque donnée est mémorisée une et une seule fois » • Intégrité des données : « pas de facture non reliée à un client » Données mémorisées pour être exploitées

  20. Stockage des données Toutes les données quotidiennes (stocks, production, ventes,… , données sur les salariés, les clients) : Flux instantanés très importants Toutes les données historiques Quantité croissante

  21. OLAP • Exemple : analyse des ventes produits Jour J vendeur date

  22. Point sur OLAP • 4D en rajoutant la dimension région Pour une région produits jour j vendeur date

  23. Infrastructure • Conception et vue multidimensionnelle • Transparence • Accessibilité • Rapidité • Architecture Client Serveur • Dimensions génériques • Gestion des matrices creuses • Multi-utilisateurs • Croisement inter dimensions illimité • Intuitifs • Affichage flexible

  24. Exemple d’indicateurs extraits de données

  25. Critères de qualité des données Source : Informatica

  26. La commission nationale de l’informatique et des libertés (CNIL)

  27. Utiliser une base de données La formule magique RFM Points de récence : 24 pts : achat dans les 3 derniers mois 12 pts : 6 derniers mois 6 pts : 9 derniers mois 3 pts : 12 derniers mois Points de fréquence : Nbre d’achat dans la dernière année X 4 pts Points de montant 10 % des achats en € plafonné à 9 pts. 9 Montant 8 3 6 Fréquence 7 5 2 1 4 Récence

  28. Exemple RFM Que pouvons nous faire des outputs ?

  29. Exemple RFM Que penser de la différence entre cumul et total ?

  30. Segmentation RFM 1 – clients perdus 2 – clients non confirmés 3 – clients réguliers perdus 4 – clients récents CA (-) 5 – clients récents CA (+) 6 – clients réguliers baisse 7 – clients régulier CA (-) 8 – clients réguliers hausse 9 – très bon clients réguliers Les segments 9 Montant 8 3 6 Fréquence 7 5 2 1 4 Récence

  31. Cas • La société Copytoutvite vise deux populations de prospects pour son nouveau service de location d’imprimante laser : • Les particuliers • Question : • Calculer le lifetime value de ce type de clients • Analyser la rentabilité des clients. Quelles sont vos conclusions ?

  32. Correction Clients particuliers Pierre Piré-Lechalard, Groupe ESC Clermont

  33. Correction Clients particuliers Pierre Piré-Lechalard, Groupe ESC Clermont

  34. Datamining Domaine récent (années 1990) utilisant parfois des méthodologies du … XIX siècle! Apparition face aux quantités croissantes de données à appréhender. Autres noms • Fouille de données • Extraction de connaissance • KnowledgeDiscovery in Databases (KDD) • …

  35. Datamining Discipline transversale : • Statistiques / Mathématiques • Intelligence Artificielle • Informatique • Bonne connaissance du domaine d’application

  36. Datamining : définition • Évolutions technologiques : • Très grosses bases de données • Accroissement performances ordinateurs • Emergence de « l’Intelligence Artificielle » • Evolution des algorithmes statistiques et probabilistes

  37. Datamining : définition • Processus d’extraction (semi) automatique de connaissances • Pas de modèle a priori • Posture épistémologique : ne va pas dans le sens du canon hypothético déductif de la gestion

  38. Datamining : définition • Objectif : • Rechercher de l’information • Découvrir des relations, des dépendances entre données • découvrir des structures (« patterns ») dans les grandes bases de données • voire découvrir un modèle de données

  39. Datamining : définition • Utilisé à des fins • D’analyse • De caractérisation • De description • De …prévisions • Grand besoin de discernement • Liens parfois dus au hasard

  40. Définition du data mining • Ensemble des techniques mathématiques, informatiques, outils et applications permettant de découvrir automatiquement des connaissances nouvelles au sein des (grandes) bases de données. Champ pluridisciplinaire

  41. Définition du data mining But recherché : découvrir des interactions entre variables : • Règles de classement • Règles de prédiction Procédé de production de connaissances

  42. Définition du Data mining • Ce n’est pas une boule de cristal • Ce n’est pas un outil automatique • Conséquence des innovations technologiques • Capacité croissante de stockage de données • Evolution des algorithmes de traitement

  43. Définition du Data mining Le monde numérique : • Très pauvre en informations • …Malgré une quantité croissante exponentielle des données DM permet donc de chercher de l’information dans ces grandes masses de données

  44. Applications du Datamining • Domaine médical : efficacité d’un traitement, évolution de maladies… • « Profiling » des terroristes • « connaissances potentielles » sur les sites de réseaux sociaux

  45. Applications du Datamining • Domaine de la relation clients • profils clients / marketing personnalisé : exemple actuel : le site amazon • Domaine des assurances • profils des clients à risque / détection des fraudes • Domaine bancaire • automatisation prêts / détection des fraudes

  46. Aujourd’hui Le Data Mining est sorti des laboratoires de recherche : • Les données : colonne vertébrale de l’entreprise • Intérêt grandissant des industriels • Nombreux outils « plus simples / ergonomiques»

  47. Aujourd’hui • Domaine en expansion • De plus en plus de logiciels commerciaux et libres • Evolution permanente • Communauté internationale très active www.kdnuggets.com

  48. Nouveaux métiers • Bonne connaissance de : • Mathématiques : statistiques et probabilités • Informatique : programmation • Grands domaines de la gestion « Business analysts »

  49. Etapes projet Datamining • Projet « assez lourd »

  50. Graphe d’interactions