Le datamining à  moindres frais

L’exemple de scénario implique l’entreprise
imaginaire Conference Corp,
qui informe l’industrie sur les nouvelles
tendances et technologies informatiques
au moyen de conférences,
d’ateliers et de séminaires. La nature
« sur invitation seulement » exclusive
des événements exige le développement
d’outils promotionnels ciblés et de grande qualité, comme des offres
personnalisées et des brochures de
conférences. Le ciblage est particulièrement
important parce que les outils
et les supports de qualité coûtent cher
à  produire et à  adresser. La société vise
des taux de réponse et d’assistance élevés,
en analysant continuellement l’efficacité
de ses campagnes promotionnelles.

La base de données de la société
est organisée autour d’une entité
client: la table Customers. Cette table
et deux autres – Promotions et
Conferences – définissent l’objet
Customer. La figure 1 montre les tables
et leurs champs constitutifs.

Les clients reçoivent de nombreuses
promotions pour de nombreux
événements et, après avoir reçu une promotion, soit ils l’ignorent soit
ils l’enregistrent et assistent à  l’événement
correspondant. Disons que votre
travail consiste à  examiner les « touchés
et ratés » promotionnels et à  déterminer
quelles caractéristiques prédisposent
les clients à  assister à 
l’événement en question. Quand vous
les connaîtrez, vous pourrez mieux cibler
les promotions d’événement suivantes.
Un ciblage précis diminue les
coûts promotionnels et vous permet
de mieux servir vos clients en leur offrant
les informations pertinentes pour
leurs centres d’intérêt. Une telle personnalisation
bâtit la fidélité durable
du client.

Pour déterminer les caractéristiques
des clients et des prospects les
plus susceptibles de répondre à  votre
offre promotionnelle, vous devez
d’abord regrouper et analyser les ensembles
de données contenant des réponses
et des non-réponses à  une ou
plusieurs offres. De plus, vous devez
constituer un ensemble de données
contenant suffisamment d’informations
distinctives pour vous aider à  estimer
la probabilité d’une réponse
d’après certaines caractéristiques.

Votre observation de la réussite ou
de l’échec des précédentes campagnes
de marketing de Conference Corp indique
que la probabilité de réponse est
fonction du type de travail du client, de
la taille de la firme, et de ses ventes annuelles.
Il vous semble aussi que les
taux de réponses varient d’après les caractéristiques
de la relation client : depuis
quand la personne est-elle cliente,
la présence à  des événements précédents
et autres. De plus, les managers
de Conference Corp ont observé que la
réponse semble être liée au type
d’offre, à  la remise, et aux politiques de
coupons, ainsi qu’au nombre de promotions
précédemment envoyées au
prospect visé.

Il est difficile de faire le tri de tous
ces prédicteurs potentiels pour trouver
la combinaison unique d’attributs
qui décrit le mieux le client le plus
suceptible de répondre, sauf si l’on dispose d’un algorithme de recherche
de profil automatisé. Comme je le démontre
plus loin, les arbres de décision
de datamining conviennent parfaitement
pour effectuer ce genre de recherche
de profil.