Mise en place d’un système de valorisation client par analyse du CA et des données commerciales

1. Projet de fin d’étude Pour l’obtention d’un diplôme d’ingénieur Mise en place d’un système de valorisation client par analyse du CA et des données commerciales Encadré par : M. Ghazi Bel Mufti M. MarwenKrifa Réalisé par : Maha Aoun

2. Plan Introduction Problématique Concepts généraux Modélisation Réalisation Conclusion 2

3. Plan Introduction Problématique Concepts généraux Modélisation Réalisation Conclusion 3

4. Introduction La technologie informatique a permis d’accumuler et de stocker une quantité incroyable de données. Ces données sont souvent accessibles seulement par une partie du personnel de l’entreprise. Inégalité entre ceux qui savent retrouver et travailler les données et ceux qui en dépendent pour prendre des décisions. 4

5. Introduction Créer une architecture technique qui utilise les multiples sources d’information. La naissance des systèmes décisionnels 5

6. Plan Introduction Problématique Concepts généraux Modélisation Réalisation Conclusion 6

7. Problématique Données éparpillées Système actuel Données décomposées sur plusieurs tables Systèmedestiné aux Reporting et non pas à l’analyse Données sur plusieurs supports L’implémentation d’une application dédiée à l’analyse 7

8. Plan Introduction Problématique Concepts généraux Modélisation Réalisation Conclusion 8

9. Concepts généraux Collecter Consolider Modéliser Restituer 9

10. Concepts généraux • Les étapes de la chaîne décisionnelle L’exploitation de ces données grâce au reporting, au data mining, aux outils OLAP, aux tableaux de bords L’extraction puis la transformation des données de l’entreprise vers une base de données décisionnelles La conception d’une base de données de stockage 10

11. Approche d’implémentation (1/3) On a deux grandes philosophies à l’heure actuelle celle de Bill Inmonet Ralph kimball. Bill Inmon Ralph kimball 11

12. Approche d’implémentation (2/3) Top-Down Bottom-Up On ne fait rien tant que tout n'est pas désigné, le data warehouse doit être exhaustif! Que chacun construise ce qu'il veut, on intégrera ce qu'il faudra quand il faudra! Bill Inmon Ralph kimball 12

13. Approche d’implémentation (3/3) Dimension Schéma en étoile Table des faits Dimension Dimension 13

14. Approche d’implémentation (3/3) Dimension Schéma en Flocon Table des faits Dimension Dimension Dimension Dimension 14

15. Segmentation Optimiser les actions commerciales et marketing vers les clients les plus rentables 15

16. Segmentation Nombre de fois où le client a effectué des achats toute au long de la période étudiée Montant accumulé des dépenses Date du dernier achat RFM R F M ontant réquence écence 16

17. Lasolution Microsoft BI • Intégrer des donnéesprovenant de différentes sources pour les ranger dans un entrepôt central • Stockage des données SSIS SSMS SSRS SSAS • Permet de créer, gérer et publier des rapports L’analyse des données 17

18. Concepts généraux Analyse des données 18

19. Plan Introduction Problématique Concepts généraux Modélisation Réalisation Conclusion Analyse des données 19

20. Modélisation 20

21. Plan Introduction Problématique Concepts généraux Modélisation Réalisation Conclusion 21

22. 3 Reporting Réalisation CRM Topnet Data warehouse Data mart Billing CUBE OLAP 2 Création des Cubes OLAP L’alimentation de l'entrepôt de données 1 PowerPivot SSRS SSIS SSMS SSAS 22

23. L’alimentation (1/2) La mise à jour des dimensions Alimentation des tables de faits Alimentation des dimensions SSIS 23

24. L’alimentation (2/2) Exemple de chargement de la dimension Client SSIS Source Datamart Tâche de flux de données 24

25. La restitution des données : les cubes OLAP (1/2) • Déploiement sur le serveur • Organisation du groupe de mesures Création des dimensions et de leurs hiérarchies Création de vue de source de données • Création de source de données SSAS 25

26. La restitution des données : les cubes OLAP (2/2) Quelle est le chiffre d’affaire réalisé par famille et sous famille de produit pour les clients satisfaits ? SSAS 26

27. La restitution des données :Reporting(1/2) • Déploiement sur le serveur Mettre en forme le rapport • Création de source de données • Configurer SSRS SSRS 27

28. La restitution des données :Reporting (2/2) • Enregistrer la feuille de calcul Excel obtenue • Mettre en forme le tableau de bord • Créer des tables et des gra-phiquescroisés dynamiques Importer les tables et définir les relations entre eux • Création de source de données PowerPivot 28

29. Segmentation RFM (1/2) Déterminer le score RFM par client Attribuer une note par variable à chaque client • Identifier les tranches par l’arbre de régression CHAID • Calculer les trois variables de l’RFM 29

30. Segmentation RFM (2/2) :Détection des classes 30

31. L’exploitation des données L'algorithme MDT (Microsoft DecisionTrees) est un algorithme de classification et de régression fourni par Microsoft SQL Server Analysis Services et est utilisé pour la modélisation prédictive d'attributs discrets et continus. 31

32. Plan Introduction Problématique Concepts généraux Modélisation Réalisation Conclusion 32

33. Conclusion • Travail effectué : • La conception et le design du modèle de données ; • L’alimentation de l’entrepôt de données ; • La création des cubes OLAP ; • Le Reporting à l’aide de deux outils de Reporting : SSRS et PowerPivot ; • Segmentation des clients ; • Création d’un scénario d’aide à la décision à l’aide de l'algorithmeMDT Microsoft DecisionTrees. 33

34. Conclusion • Perspectives : • Automatiser les opérations de gestion de l’entrepôt de données ; • Faire une analyse avancée sur le comportement des clients ; 34

35. Merci de votre attention 35