Chapitre 2 : Gestion de la relation client

1.Du Marketing Relationnel à La Gestion de la Relation

Client
Une recherche sur Internet du mot marketing relationnel montre une corrélation directe
avec le CRM entendu en français par Gestion de la relation client (GRC).
Suite à une enquête menée en 2006 par Bonnemaizon, Cova et Louyot auprès des experts
européens du marketing, les experts suggèrent de bien différencier le marketing
relationnel et la gestion de la relation client (CRM).

Pour les experts interrogés, le marketing relationnel est la philosophie et le cadre

stratégique de réflexion de l’entreprise orientée sur la relation tandis que le CRM est la
technique managériale rendant opérationnelle la pensée marketing relationnel en
s’appuyant notamment sur les TIC.
Pour Robert Clamart Expert CRM chez Teradata, le CRM peut être considéré comme la
déclinaison technologique de la démarche du marketing relationnel. Avant l’irruption de
l’informatique et des TIC dans la pratique managériale, on parle de marketing relationnel,
mais après la dénomination a changé et on parle de gestion de relation client (CRM).
 2. Les définitions du CRM
Auteurs Définitions du CRM
Dionne (2001) Conçoit le CRM en tant que stratégie d’entreprise déployée suivant une méthodologie puis
supportée par des technologies.
Missi et ses collaborateurs Le CRM comme un ensemble qui englobe la gestion de la technologie, des procédés, des
(2002) ressources informationnelles, des individus nécessaires pour atteindre les objectifs.
Plakoyiannaki et Tzokas Le CRM se base sur les TIC pour identifier, développer, intégrer et concentrer les diverses
(2002), compétences de la firme vers l’écoute du client afin de lui fournir une valeur supérieure et à
long-terme en échange d’un profit.
Pierre Alard et Pierre « une démarche organisationnelle qui vise à mieux connaître et à mieux satisfaire les clients
Arnaud Guggémos (2005) identifiés par leur potentiel d’activité et de rentabilité, à travers une pluralité de canaux de
contact, dans le cadre d’une relation durable, afin d’accroître le chiffre d’affaires et la
rentabilité de l’entreprise ».
Philip Kotler, Kevin, Le C.R.M ou la gestion de la relation client consiste à ressembler des informations détaillées et
Manceau, Dubois 2009 individualisés sur les clients et a gérer avec soin tous les moments de contact avec eux en vue
de maximiser leur fidélité à l'entreprise.
Auteurs Définitions du CRM

G. ARMSTRONG et Ph. « La gestion de la relation client désigne le processus consistant à bâtir et à entretenir des
KOTLER – 2010 relations rentables avec les clients, en leur apportant une valeur et une satisfaction
accrues. L’objectif est de générer un capital client le plus élevé possible. Pour établir une
relation durable, valeur et satisfaction constituent deux éléments essentiels.

René lefébure (2004) « le CRM est la capacité à bâtir une relation profitable sur le long terme avec les meilleurs
clients en capitalisant sur l’ensemble des points de contacts par une allocation optimale
des ressources »

Annie Dillard « une stratégie d’entreprise qui, à l’aide des TIC, vise à optimiser la rentabilité de
l’organisation et la satisfaction du client, en se focalisant sur des segments de clientèle
spécifiques en favorisant les comportements propres à répondre aux souhaits du client et
en appliquant des processus centrés sur le client ».
 2.1 Le CRM comme une stratégie d’entreprise
Le CRM entendu comme une stratégie qui place le
client au cœur des processus , cette stratégie permet
de créer un avantage concurrentiel, permettant aux
firmes de se différencier par rapport aux concurrents
via l’établissement d’une relation optimale avec leurs
portefeuilles clients.
En effet acquérir un nouveau client coûte
généralement plus cher que satisfaire et fidéliser les
clients actuels. Fidéliser des clients acquis se révèle
souvent cinq fois moins coûteux que d’en conquérir de
nouveaux.
Il semble donc important que la rétention des bons
clients a un impact stratégique évident surtout dans le
marché actuel, de nature hyperconcurrentiels et à
faible croissance..
 Les deux stratégies CRM
Selon Benavent et Lars (2001) on peut recenser au moins deux stratégies:

1.Gestion de la diversité des clients : Cette stratégie se situe au cœur de la stratégie CRM et nécessite une
action de personnalisation et d’individualisation de l’offre en fonction des besoins individuels des clients .

2. Contrôle du comportement des clients . Cette stratégie consiste a modifier le comportement du client
créer une relation privilégiée comprenant une forme d’avantage et donc le retenir ( en créant des barrières
à la sortie ).Par exemple des communauté virtuelles de clients dont la fidélité sera obtenue non pas par la
satisfaction , mais plutôt par la création d’un environnement social favorable et incitatif .
Les stratégies du CRM
 2.2 Le CRM en tant que Processus Technologique

Le CRM est l’ensemble des processus et des technologies qui supportent la planification, l’exécution et la
gestion-coordination des interactions avec le client au travers de différents canaux
(Wilson, Daniel et Mc Donald, 2001 ; Hobby, 1999).

La GRC est ici décrite comme étant un ensemble d’outils, techniques et logiciels privilégiés par les
entreprises pour gérer plus efficacement leur relation client. En effet, avec l’essor des TIC technologies de
l’information et de la communication, plus particulièrement l’internet, l’entreprise a la possibilité de
s’informer davantage sur le client, puis l’inciter à dévoiler ses attentes et de le pousser vers ses offres et
services pour on lui offrir le meilleur.
Le CRM en tant que processus technologique
 Le CRM en tant que processus technologique

Le CRM comprend le CRM analytique et Le CRM opérationnel :

Les objectifs du CRM analytique .

Fournir une vision complète et unifiée du client dans l’entreprise et mieux comprendre son
profil et ses besoins.

L'objet du CRM analytique est l’extraction, le stockage, l’analyse et la restitution des

informations informatiques pertinentes permettant de fournir une vision complète et
unifiée du client dans l’entreprise et de mieux comprendre son profit et ses besoins.

La matière première du CRM analytique est la donnée, et ses composants sont le data
warehouse , le data mart, l’analyse multidimensionnelle (OLAP) , le data mining et les outils
de reporting.
 Les objectifs du CRM opérationnel

- mise en œuvre optimale des stratégies identifiées grâce au CRM analytique.

La gestion des différents canaux (forces commerciales, centres d’appels téléphoniques, serveurs
vocaux, bornes interactives, téléphonie mobile, internet…) et la gestion des campagnes marketing.

De plus en plus, les outils de CRM opérationnel s’interfacent avec les applications métiers de back-
office, les progiciels de gestion intégrés, les outils de Work-flow, de gestion des agendas et des
alertes commerciales (Berland, 2009).
Le CRM opérationnel qui s’appuie sur les résultats du CRM analytique (Fogelman, 2007), alimente
en retour le CRM analytique en données à analyser (Tuffery, 2005).
Customer relationship marketing
Acquisition Rétention
canaux d’acquisition
Acquérir Satisfaction,

Fidéliser
l’entonnoir de la confiance
transformation programme de
faire des clients des fidélisation, gestion
promoteurs NPS de la réclamation et
( net promotor score des retours
)

Développement
Filtrer

Cross selling
et up selling
développer éducation et
capacitation
12
 Les 3. outils du CRM :Le Data mining

Le terme de Data Mining signifie forage de données.

Constat : Informations cachées ou gisement de
données.
But : Extraire la connaissance
Le Data Mining est une démarche ayant pour objet de
découvrir des relations et des faits sur de grands
ensembles de données.
Sans priorisation et sans poser d’hypothèses.
 Est-ce une révolution ?

L’idée de découvrir des faits à partir des données

est aussi vieille que la statistique.
• Dans les années 60: Analyse Exploratoire
(Tukey, Benzécri).
«L’analyse des données est un outil pour
dégager de la gangue des données le pur
diamant de la véridique nature.» (J.P.Benzécri
1973)
 Et l’Analyse des Données ?

A l’occasion de sa conférence donnée le 4

octobre 2006 à l’INA-PG en introduction au
cycle Jean-Pierre Fénelon, Jean-Paul
Benzécri nous fait l’honneur de confier à
MODULAD le texte
« In memoriam : Pierre Bourdieu », où il se
propose de répondre à la question de son
ami « Qu’est-ce que l’analyse des données ?
».

Né en 1932, mort 19 novembre 2019 , ancien élève de l'École

normale supérieure (1950 ), professeur à l'Institut de Statistique de
l'Université de Paris, statisticien français fondateur de l’école
française d’analyse des données – 1960-1990
16
16
 Data mining un outil ou processus?

Le DM est souvent présenté comme un ensemble

intégré d’outils permettant entre autres de
comparer plusieurs techniques sur les mêmes
données.
Mais le DM est bien plus qu’une boîte à outils:
Données.

Information
Connaissance
 De la donnée à la connaissance
Données :
Les données étaient classiquement des tableaux croisant des individus et des variables, mais aujourd'hui, il peut
tout aussi bien s'agir de textes, d'images, de vidéos, de sons, ou de tout autre support traitable par un
ordinateur. Elles sont générées en quantité importante par les entreprises (publiques ou privées) mais aussi par
les particuliers. On distingue :

•Les données opérationnelles (ou transactionnelles): elles varient de plus en plus régulièrement avec le temps
(par exemple, un ticket de caisse). Elles sont générées à la suite d'une action, sans optique d'analyse a priori.
Elles feront l'objet d'une analyse a posteriori, dite analyse secondaire ;

•Les données non-opérationnelles (ou de référence): elles ne varient pas ou peu, et ne dépendent pas des
données transactionnelles (par exemple, l'adresse du client);

•Les méta-données : ce sont des données portant sur la donnée elle-même (par exemple, le numéro de la
caisse où a été généré le ticket).
•Information
•Des associations et relations entre toutes ces données émergent des informations. Par exemple, l'analyse des
données de transactions dans un magasin permet d'identifier les produits les plus fréquemment achetés
ensemble
Connaissances
. Cette information permet alors de mieux appréhender les comportements du client et améliore ainsi
les connaissances de l'entreprise vis-à-vis de son client .
 Data mining
« Le Data Mining est une étape dans le processus d’extraction des connaissances,
qui consiste à appliquer des algorithmes d’analyse des données «

Source: http://www.kdnuggets.com/polls/2002/methodology.htm
 Les differentes phases d’un processus de data mining
( CRISP-DM)

CRISP-DM, which stands for Cross-Industry Standard Process for Data Mining
Les sources de données
 4. Données commerciales par secteurs d’activité
Secteur bancaire
Le secteur bancaire est un des secteurs où le data-mining joue un rôle des plus importants. En effet, les
banques disposent de dossiers sur leur différents clients, d'information sur le fonctionnement de leurs
comptes ainsi que sur les produits bancaires auxquels ils ont souscrit. A partir de ces données, elles
cherchent notamment à déterminer la probabilité qu'un client soit un bon payeur, ou qu'il soit
intéressé par un service donné. C'est ce que l'on appelle le scoring.

Grande distribution
Un autre secteur ou le data-mining est omniprésent et le secteur de la grande distribution. Ici aussi la
quantité de données à disposition est importante, ne serait-ce que par l'intermédiaire des tickets de
caisse et des cartes de fidélité. Les objectifs pour l'entreprise vont, par exemple, consister à identifier
les règles d'association entre les achats de produits ou les séquences d'achats afin d'améliorer le
rayonnage.

Téléphonie
Le domaine de la téléphonie mobile fait face à une saturation du marché. Chaque année, plus d'un
million d'utilisateurs changent d'opérateur. La problématique ici est plus d'évaluer la probabilité qu'un
client parte chez un concurrent et lui proposer des offres en conséquence pour le conserver. On
utilisera à nouveau des méthodes de scoring, mais on pourra aussi s'appuyer sur le contenu des lettres
de réclamation, on parle de text mining.
 5.Les pplications du data mining au CRM

✔Études d’appétence dans les sociétés commerciales

pour concenter les mailings et le phoning sur les clients
les plus susceptible de répondre favorablement.

✔Prédiction de l’attrition dans la téléphonie mobile

attrition = depart d’un client pour un concurrent.

✔Analyse du ticket de caisse dans les grandes surfaces

pour determiner les produits souvent achetés simultanément, et
agencer les rayons et organiser les promotions en conséquence
Du SGBD au BIG DATA

● Volume
● Vitesse
● Variété

25
Processus d’extration des connaissance cas du medias sociaux
 Segmentation de la clientèle Segmentation non supervisée
Segmentation non supervisée approche qui part de la recherche de
caractéristiques communes entre les clients pour aboutir a des
classifications .
Analyse typologique :
 Méthodes hiérarchique.
 Méthode s non hiérarchique.
 Méthodes mixtes

Distance euclidienne = mesure de ressemblance

 Méthodes non supervisé
Exemple Analyse des données textuelles
( textmining )

Les données textuelles (corpus) de notre application sont représentées

sous la forme de 25 textes, obtenues à partir des forums de discussion
qui sont relatives aux plaintes clients de la compagnie Air France en
cas de défaillance de service de base (surbooking, retard, annulation
de vol).
Le but est de comprendre le processus de réclamation et de
récupération de service à travers l’analyse des textes des
réclamants.ua
des textes au Tableau de contingence
 Une segmentation très fine de la clientèle

Segmentation supervisée
Cette segmentation vise a déterminer les groupes auxquelles on
souhaite aboutir avant de réaliser la segmentation .

1: acheter le produit
Y=
0: ne pas acheter le produit
Acheteur

Y= F(X1,X2,X3 ….XP)
Non acheteur

F est une fonction mathématique définie en fonction des

caractéristiques des clients
exemple de fonctions : régression logistique , SVM, arbre de décision
 Démarche de scoring
BDD de 102.000 clients 2.000 clients sollicités au hasard
Noms Enfants Salaires 100 ont répondu favorablement (RR=5%)
Natalia
Elise
2
1
1408
1294
Noms
Natalia
Enfants
2
Salaires Retour
1408 +
Fonction de score
Echantillon
Jose
Jean
0
5
1810
1800
Elise
Jose
1
0
1294
1810
+
- d’apprentissage S(R)=(X)
phanie
StŽ 1 1770 Jean 5 1800 +
Constance 2 1550 phanie
StŽ 1 1770 +
Tiphaine Constance
Echantillon de
2 1561 2 1550 -
Nicolas 1 1561 Tiphaine 2 1561 + validation
Paul RenŽ 0 1660
Juliette 1 1408
Elizabeth 0 1402
Indre 1 862
Maria 1 1914
Mathieu 1 2324 Noms Enfants Salaires Retour vision
Score PrŽ
ThimotŽ e 0 862 phanie
StŽ 1 1770 + 0,99 +
Sandra 0 892 Constance 2 1550 - 0,45 -
Eleni 1 2214 Tiphaine 2 1561 + 0,87 +
Cyndi 1 2021
Barthelemy 2 1425
Marcela 0 1863
Adriana 2 1318
Marie 1 1800 Matrice de confusion Courbe ROC
Louis 0 981
Delphine 5 2900 prévision 1

Guillaume 1 5400 + -
+ % % 0,8

Noms Enfants Salaires Score réel

- % % 0,6
Nicolas 1 1561 0,985
Sandra 0 892 0,985 0,4

Eleni 1 2214 0,985 0,2

Cyndi 1 2021 0,985
Barthelemy 2 1425 0,98 0

0
05

15

25

35

45

55

65

75

85

95

1
1

9
0,98

0,

0,

0,

0,

0,

0,

0,

0,

0,
Mathieu 1 2324

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,
Marcela 0 1863 0,98
Nicolas 1 1561 0,98
Adriana 2 1318 0,98
Marie 1 1800 0,97
Louis 0 981 0,96
Delphine 5 2900 0,96 Si la prévision est satisfaisante :
Guillaume 1 5400 0,96 1/ appliquer la fonction score sur le reste de la BDD
Juliette 1 1408 0,96 2/ trier la BDD selon le score
Maria 1 1914 0,96 3/ cibler en priorité les clients à fort score
ThimotŽ e 0 862 0,96
Paul RenŽ 0 1660 0,95
4/ prévoir la performance du ciblage grâce à la courbe ROC
Indre 1 862 0,95
Elizabeth 0 1402 0,95
Principe des modèles d’apprentissage

Application des modèles sur de nouvelles données et

prédiction du comportement
 La validation des modèles

L’échantillon d’apprentissage conduit souvent à des résultats

trop optimistes :
Les coefficients ayant été optimisés sur cet échantillon conduit
, a des estimations biaisées du vrai taux d’erreur, que l’on aura
sur de nouvelles données issues de la même population.
On peut en effet obtenir de très bons taux de reconnaissance
sur l'échantillon d'apprentissage si le nombre de variables
explicatives est très élevé : à la limite avec autant de variables
que d’observations on pourrait classer sans erreur toute
observation, mais ce résultat est purement artificiel.

La validation du score se fait donc à l’aide d’observations

supplémentaires, mises de côté, pour lesquelles on connaît Y , et
qui servent à simuler le comportement futur du score.
Sur- apprentissage en classement

Source : Olivier Bousquet- Stéphane Tuférry

Erreur Globale d’ajustement et complexité du modèle

Nombre de paramètre dans

le modèle
 Mesure de Performance des modèles prédictifs

Capacité prédictive du modèle :

– Comparer les valeurs observés au valeurs prévues par le modèle.
– Les indicateurs :
1. Matrice de confusion
2. L’AUC ou Courbe ROC
3. La courbe de Gain ou de Lift
 SENSIBILITE ET SPECIFICITE

Pour un score devant discriminer un groupe A (les positifs ) par rapport à

un autre groupe B (les négatifs), on définit 2 fonctions du seuil de
séparation s du score :

• Sensibilité = α(s) = Proba (score ≥ s / A) = probabilité de bien détecter

un positif
• Spécificité = β(s) = Proba(score < s / B) = probabilité de bien détecter
un négatif
•
Pour un modèle, on cherche s qui maximise α(s) tout en minimisant les
faux positifs 1 - β(s) = Proba(score ≥ s / B)

• faux positifs : négatifs considérés comme positifs à cause du score

Le meilleur modèle : permet de capturer le plus possible de vrais positifs

avec le moins possible de faux positifs
 Matrice de confusion

Une observation i est affectée à la classe [Y=1] si ̂ i  c.

On a la table de classification (c=0,5)

Sensibilité = 26/43=60,5%

Spécificité = 48/ 57=84,2 %

Faux Positif = 9/57

Faux Négatif = 17/43

• Sensibilité : capacité à prédire un évènement

• Spécificité : capacité à prédire un non-événement
 Matrice de confusion et courbe ROC
PREVU
0 1 Pourcentage
correct
0 45 12 78,9
OBSERVE
Point de césure à 0,5 1 14 29 67,4
74,0
Tableau de classement
Une observation appartient a la
classe 1 si P>0,5

Sensibilité=29/43=0,67
Seuil à 0,5 (= césure de
la matrice de confusion)

1 - Spécificité = 1-(45/57) = 0,21

Le modèle détecte 67 % de vrais positifs et 21% de faux positifs avec un score >0,5
Interprétation de la courbe ROC
Receiver Operating Characteristic
Indicateur de mesure de la performance du modèle

Un indicateur synthétique de mesure est l’aire sous la courbe

ROC, il s’agit de l’AUC (Area Under Curve – Aire Sous la
Courbe), C’est
La probabilité d’un individu positif d’être classé devant un
individu négatif. Il existe une valeur seuil, si l’on classe les
individus au hasard, l’AUC sera égal à 0.5.
 Receiver Operating Characteristic ( ROC )

Une observation i est affectée à la

classe [Y=1] si ̂ i  c.

Le modèle est d'autant meilleur que

l’AUC est plus proche de 1
• Si l'AUC = 0,5 : modèle pas meilleur
qu'une notation aléatoire. Il existe un
intervalle de confiance sur l’AUC et un
test associé :

Permet de comparer des modèles de

types différents sur tout échantillon
 la courbe de « lift » ou d’efficacité

La courbe de lift :
• sur l’axe Y : on a la sensibilité =
α(s) = Proba(score ≥ s / A)
• sur l’axe X : on a Prob(score ≥ s)

• ¨Proportion y de vrais positifs en

fonction des individus sélectionnés,
lorsque l'on fait varier le seuil s du
score même ordonnée que la courbe
ROC, mais une abscisse
généralement plus grande

la courbe de lift est généralement

sous la courbe ROC
• Très utilisée en marketing % d'individus ciblés

Lift=20/10
 Démarche de scoring : 5 étapes clés

1. Extraction d’un échantillon

• Apprentissage : à partir duquel les méthodes sont définies

• Validation : Fichier sur lequel les méthodes sont validées

2. Envoi de la campagne => stockage des comportements

3. Modélisation des comportements => fonction de score = f (x1, x2, …)

4. Analyse de la performance du scoring

 Vérification de la performance (minimiser les erreurs) via une des 3

principales méthodes (matrice de confusion, courbe de Lift, courbe de ROC)

5. “Scoring” de ensemble de la base

– Classement des individus selon un score

 Les différentes stratégies de ciblage.

Marketing
Marketing Marketing
personnalisé
de masse segmenté

CRM

Choix d’un ou de
Marché de plusieurs Marché de
consommateurs segments de consommateurs
aux besoins marché aux besoins
hétérogènes
hétérogènes
 Les outils de mesure de la performance du GRC

La gestion de la relation client est souvent désignée comme une stratégie visée afin d’identifier, attirer et fidéliser
les clients à forte valeur. En effet, le concept fondamental de ‘‘valeur client’’ c’est évidement la finalité
prioritaire de la GRC.

Dans la littérature du marketing, deux approches du concept de la valeur client sont distinguées :

1. La première est d’ordre économique (Wayland et cole, 1997 ; Anderson,Mittal, 2000), définit la valeur par
la différence entre les ressources employées par l’entreprise pour acquérir, retenir le client et les revenus que
celui –ci génère.

2. La seconde approche s’intéresse au concept de satisfaction pour déterminer la valeur client, autrement dit à
son niveau de fidélité à la marque et donc à une progression de la part de marché de l’entreprise.
De la chaîne des causalités

Qualité
indus
Résolution
des conflits Recommand Acquisition
Qualité Confiance ation (NPS)
perçue

Satisfaction
Engagement CLV
Attentes
CA

Effort
Consentement Prix
consenti Marge
à payer
 La valeur client

« Le concept de valeur client est un concept relativement nouveau qui consiste à mesurer dans le temps la

rentabilité sur les ventes et à mettre en relation les investissements de l’entreprise pour atteindre cette
résultat. La valeur client mesure la rentabilité des efforts fournis au niveau client ou segment de clients. Elle
est donc un indicateur important permettant d’évaluer la performance des stratégies de différenciation. »

La valeur client = sommes des gains espérés – sommes des coûts

dégagés
 Autre mesure de la performance CRM : ROI

Le Retour sur Investissement ou Return On Investment en anglais correspond à un ratio financier exprimé
généralement en pourcentage, permet comme leur nom l’indique de mesurer à postériori la rentabilité d’un
investissement.
Il aide les décideurs à identifier les meilleures opportunités d’investissements et à l’analyse de performance de
l’entreprise. . Plus simplement, il est définit comme le ratio entre les bénéfices issus de l’investissement et les
coûts initiaux consentis.
La formule de base est la suivante :

ROI = (Gains liés à l’investissement – Coûts de l’investissement) / coûts de

l’investissement