réalisation d’un système d’aide à la décision pour la prédiction d’attrition dans les contextes non-contractuels e-commerce

Abstract

Le thème de recherche abordé dans ce travail s’inscrit dans le cadre applicatif de la Gestion de la Relation Client (Customer Relationship Management ou CRM). Avec l’avènement des nouvelles Technologies de l’Information et de la Communication (TIC) et le développement du commerce électronique en particulier, une nouvelle philosophie de Gestion de la Relation Client est apparue : le CRM électronique (eCRM). L’eCRM se repose sur les concepts développés par le marketing relationnel et par les canaux électroniques afin qu’il automatise les processus de satisfaction, de fidélisation et le plus important ceux de rétention. Par la croissance ininterrompue du nombre de site e-commerce, les clients auront plus de choix qu’auparavant. Ce qui les encourage à diviser leurs achats sur plusieurs sites et à comparer les produits et les services de concurrents, cela augmente finalement le risque d’attrition (perte de clientèle). Les entreprises de vente en ligne perçoivent actuellement la nécessité d’une stratégie de rétention dans laquelle elles peuvent prédire les clients fidèles en voie de quitter partiellement ou totalement le site marchand afin que ces entreprises puissent anticiper un tel comportement défectueux. Le secteur de commerce électronique s’opère dans le cadre non contractuel où la perte des clients est difficile à définir et à tracer. Ce qui rend la prédiction d’attrition n’est pas facile à réaliser. L’objectif applicatif de ce travail de recherche est de concevoir une nouvelle approche de définition et de prédiction d’attrition adaptée à ce type d’environnement. L’approche conçue dans la thèse permet, en effet, d’élaborer une définition raisonnable d’attrition partielle et totale sur la base de laquelle des modèles prédictifs seront construits. Cette approche est basée sur deux techniques de data mining : la clustering et la classification. Nous effectuons comme première étape, une segmentation de clients basée sur l’algorithme k-means et sur le modèle LRFM (Longueur, Récence, Fréquence et Montant) afin d’identifier les différents types de clients et d’analyser la valeur de chacun de ces types. Cette segmentation sert à arriver par la suite, à la définition du concept d’attrition partielle et d’attrition totale dans un cadre non contractuel. Sur la base des résultats obtenus au court de la première étape, nous utilisons dans la deuxième étape trois modèles de classification pour prédire l’attrition, à savoir, les réseaux de neurones, les arbres de décision et les méthodes d’ensemble dans lesquelles la variable cible (prédite) classe un client particulier soit en tant que client partiellement défectueux, totalement défectueux, soit en tant que client poursuivant son comportement d’achat fidèle. Pour tester nos modèles sur une base de données réelle d’un site e-commerce, nous appliquons une validation croisée à 10 fold. En termes de problèmes de prédiction multi-classes, nous évaluons l’efficacité de ces modèles par la mesure Macro-averaging comprennant l’efficacité moyenne, PrecisonM, RecallM et F-scoreM. Nous effectuons une analyse comparative des différents modèles construits. Par conséquent, la performance du modèle basé sur les méthodes d’ensemble (Ensemble d’arbres de décision) est plus robuste et efficace que les autres modèles. Nous présentons ainsi, une procédure qui permet de classer, selon l’importance, les variables prédictives utilisées dans la phase d’apprentissage de ces trois modèles. En comparant les résultats de notre approche avec d'autres recherches récentes qui traitent la prédiction d’attrition dans les cadres de commerce électronique, nous montrons que les variables qui décrivent les taux d’abondan de session à chaque étape de processus de paiement, sont plus importantes dans la phase d’apprentissage que les autres variables prédictives classiques du modèle RFM, à savoir, la récence, la fréquence et le montant.