Cas d’usage Classifier

 

Dans le monde de la distribution BtoB:

 

Score d’attrition (churn) : identification des clients qui vont partir à la concurrence. Mise en place de plan d’action commerciaux pour limiter l’érosion de la clientèle.

Enjeu : perte de 30% annuelle de clientèle. Épuisement de la force commerciale pour conquérir de nouveaux marchés afin de compenser les pertes de clients.

Eléments :

profils clients (code APE, situation géographique… INSEE)

Comportement d’achat (produits, date, montant, fréquence..), historique de relation clients (télévente, litiges…)

Chaque mois, à l’issue de la facturation clients, les scores sont mis à jour et les statuts clients (risques très fort à faible) sont réintégrés dans la fiche client.

 

Cas d’un distributeur en BtoB:

 

Un distributeur disposant de 200.000 clients de toutes tailles et dans différents métiers, souhaitait trouver une solution pour les classer automatiquement parmi 20 segments de marché. Pour 80% d’entre-eux cela était clair, mais pour les 40.000 restant non. Le Code Naf ne permettait pas de faire le tri, car beaucoup de clients pouvaient avoir le même et être dans des segments différents.

L’idée a été donc de chercher à savoir, comment le client définissait son activité, comment il présentait son métier. Ainsi, à partir de la vitrine du client, son site internet, on peut récupérer automatiquement l’ensemble des termes utilisés, des tags, des liens… Un modèle de machine learning va apprendre d’un échantillon de clients correctement classés, puis automatiquement, il sera capable d’affecter le bon segment à chaque client.

Et bien d’autres cas, structuration de données non-structurées sans règle déterministe, qualification de comptes rendus d’intervention,…