Sébastien P.

Modernisation des outils d’analyse de la performance commerciale
Objectif : Proposer une interface d’analyse des ventes Sell-In et Sell-Out de nouvelle génération
Mission : Collecte des besoins métiers, développement agile R, Qlik, PowerBI et support au déploiement
Secteur et métier : Luxe, Directions Financières & Marketing

Quel est l’apport du Machine Learning en termes de segmentation client ?
Objectif : Enrichir la segmentation client en intégrant des données comportementales (CLV, NPS, Social…)
Mission : Clustering par opposition à une segmentation ne reposant que sur des attributs fixés a priori
Outils : R (hclust), Qlik Sense Desktop
Résultat : Un plan d’actions sous forme de Next Best Action par cluster de clients

A quoi ressemble le parcours client et quels sont les impacts sur la Satisfaction Client ?
Objectif : Visualiser les points de contacts avec la marque et suivre la satisfaction sur le cycle de vie
Mission : Collecte des données en silo, construction d’un modèle puis développement de l’interface
Résultat : Fournir un outil d’analyse pour identifier les moments du parcours client à améliorer
Outils : QlikView (Script, Set analysis, Extensions)

Comment l’analyse du comportement client peut permettre de limiter le churn ?
Objectif : Estimer le risque de churn par client pour intervenir en amont
Mission : Data collection, cleansing puis mise au point de modèles de prédiction avec optimisation
Outils : R (glmnet, caret, zv, PCA, Random forest, Decision tree), Qlik Sense (Extension 3D cluster)
Résultat : Précision de 0.92 reposant sur du Ramdom Forest avec Cross Validation

Comment anticiper les risques grâce à une maintenance prédictive ?
Objectif : Agréger puis analyser un flux important de données pour aider la DSI dans ses opérations
Mission : Détection d’anomalies, recherche des causes profondes et identification des sites à risque
Outils : Data Lake, R (AnomalyDetection), Qlik Sense