classification floue appliquee aux ... -...
Post on 03-Aug-2018
221 Views
Preview:
TRANSCRIPT
Information Systems Research Group Département d’Informatique Université de Fribourg, Suisse
CLASSIFICATION FLOUE
APPLIQUEE AUX OPERATEURS TELEPHONIQUES
Travail de bachelor
Rédigé par :
Cung Hong Phu
hongnguyenphu.cung@unifr.ch
Encadré par :
Professeur Dr. Andreas Meier
Assistants : Nicolas Werro et Daniel Fasel
Juillet 2008
i
Abstract De nos jours, face à une concurrence intense sur le marché global, l’objectif des entreprises,
notamment les opérateurs téléphoniques, se focalise sur une bonne gestion de la clientèle.
Grâce aux nouvelles technologies, il est désormais possible d’enregistrer les informations sur
les clients dans de grandes bases de données relationnelles. Afin de gérer de manière
optimum toutes ces informations et de générer des décisions de management adéquates,
cette thèse propose la méthode de la classification floue qui permet d’établir des relations
durables et profitables avec la clientèle.
Contrairement à une segmentation traditionnelle des clients, la classification floue, laquelle
est une combinaison de bases de données et de la logique floue, permet de classer les
clients dans plusieurs classes à la fois et de suivre leur évolution. Avec cette approche, il est
possible de déterminer la juste valeur du client et d’y appliquer les actions de marketing
nécessaires ; l’individu est dans ce cas traiter selon le principe de mérite. Suivant son cycle
de vie, des programmes de fidélisation sont lancés afin de le conserver au sein de
l’entreprise.
Au niveau sémantique, le fCQL (fuzzy Classification Query Language) peut être défini comme
un langage de requête orienté humain, c’est-à-dire l’interrogation des bases de données se
réalise avec des variables et termes linguistiques. Ainsi, les utilisateurs peuvent formuler des
requêtes de manière plus intuitive, sans valeurs numériques.
Aussi, afin de réduire la complexité due à la présence de plusieurs attributs dans une
classification, le principe de la décomposition hiérarchique consiste à sous classer ces
attributs afin de maintenir les classes avec une sémantique significative.
Mots clés : gestion de la relation avec la clientèle, opérateurs téléphoniques, classification
floue, bases de données relationnelles, fCQL, variables et termes linguistiques,
décomposition hiérarchique.
ii
Remerciements
Je tiens à remercier tous ceux qui ont contribué au développement de cette thèse En
premier, je remercie l’assistant Nicolas Werro qui m’a aiguillé dès le début de mon travail de
bachelor et apporté une grande assistance dans la rédaction de ma thèse. Ensuite je
souhaiterai adresser mes remerciements envers l’assistant Daniel Fasel qui a contribué à
l’achèvement de mon travail.
Je tiens également remercier Prof. Dr Andreas Meier, sans qui ce projet ne peut être réalisé.
Et sans oublier, j’adresse mes remerciements à tous mes proches qui m’ont soutenu tout au
long de mes études.
iii
Table des Matières
I. INTRODUCTION ............................................................................................................ 1
1.1 MOTIVATION ............................................................................................................................................. 2
1.2 OBJECTIFS ................................................................................................................................................. 3
1.3 STRUCTURE DU TRAVAIL ............................................................................................................................... 3
II. APPROCHE DE LA CLASSIFICATION FLOUE .................................................................... 5
2.1 LA CLASSIFICATION TRADITIONNELLE ............................................................................................................... 6
2.1.1 Analyse de la méthode ...................................................................................................................... 6
2.1.2 Exemple d’application ....................................................................................................................... 7
2.2 LA CLASSIFICATION FLOUE ............................................................................................................................. 9
2.2.1 Analyse de la méthode ...................................................................................................................... 9
2.2.2 Variables linguistiques et exemple d’application ............................................................................ 10
2.2.3 Langage de requête fCQL ................................................................................................................ 14
2.2.4 Architecture des bases de données ................................................................................................. 16
2.2.5 Autres approches similaires............................................................................................................. 17
2.3 LES APPLICATIONS DE LA CLASSIFICATION FLOUE .............................................................................................. 19
2.3.1 L’équité dans le traitement ............................................................................................................. 19
2.3.2 La personnalisation de masse ......................................................................................................... 20
2.3.3 Le marketing .................................................................................................................................... 21
2.3.4 La décomposition hiérarchique ....................................................................................................... 22
III. OPERATEURS TELEPHONIQUES ................................................................................. 24
3.1 EXPOSITION DU DOMAINE .......................................................................................................................... 25
3.1.1 Le marché des télécommunications ................................................................................................ 25
3.1.2 Le marché suisse des télécommunications ...................................................................................... 26
3.2 LE MARCHE DES MOBILES ........................................................................................................................... 28
3.2.1 La téléphonie mobile en Suisse ........................................................................................................ 28
3.2.2 Les produits et services .................................................................................................................... 30
3.3 METHODES DE MARKETING ......................................................................................................................... 32
3.3.1 La fidélisation .................................................................................................................................. 32
3.3.2 Le marketing mobile ........................................................................................................................ 33
3.3.3 Le sponsoring ................................................................................................................................... 34
3.4 PUBLIC-CIBLE ........................................................................................................................................... 36
IV. APPLICATION CONCRETE DE LA CLASSIFICATION FLOUE ............................................ 37
4.1 CLASSIFICATION FLOUE DANS LE CYCLE DE VIE DU CLIENT ................................................................................... 38
4.1.1 Traitement des informations récoltées ........................................................................................... 39
4.1.2 Fidéliser le client .............................................................................................................................. 40
4.1.3 Détecter la sous-activité du client ................................................................................................... 41
4.2 CLASSIFICATION FLOUE DANS LA GESTION DE LA CLIENTELE ................................................................................ 42
4.2.1 L’avant-vente ................................................................................................................................... 42
iv
4.2.2 Les ventes ........................................................................................................................................ 43
4.2.3 La gestion du service clientèle ......................................................................................................... 44
4.2.4 L’après-vente ................................................................................................................................... 44
4.3 EXEMPLE APPLIQUE ................................................................................................................................... 45
4.3.1 Collecte d’informations sur les clients ......................................................................................... 45
4.3.2 Analyse de l’évolution des clients .................................................................................................... 46
4.3.3 Actions de marketing....................................................................................................................... 48
4.3.4 Gestion de la clientèle ..................................................................................................................... 48
4.4 LA CLASSIFICATION FLOUE DANS LES OFFRES PROPOSEES AU PUBLIC-CIBLE ............................................................ 50
4.3.1 Les clients privés .............................................................................................................................. 50
4.3.2 Les entreprises ................................................................................................................................. 55
V. EXEMPLE APPLIQUE DANS LE CHOIX D’UN ABONNEMENT DE TELEPHONIE MOBILE ... 57
5.1 PORTFOLIO CLASSIQUE DE SERVICE ............................................................................................................... 58
5.2 PORTFOLIO FLOU DE SERVICE ....................................................................................................................... 61
5.3 DECOMPOSITION D’UNE OFFRE D’ABONNEMENT CIBLEE ................................................................................... 64
5.3.1 Décomposition du concept « catégorie de client » .......................................................................... 65
5.3.2 Décomposition du concept « Consommation » ............................................................................... 66
5.3.3 Sommet de la décomposition des offres ciblées .............................................................................. 68
5.3.4 Calcul des degrés d’appartenance ................................................................................................... 70
5.3.5 Détermination des prix d’abonnements et services : ...................................................................... 73
VI. CONCLUSION ........................................................................................................... 75
6.1 RESULTAT DU TRAVAIL ............................................................................................................................... 76
6.2 FAIBLESSES DE LA CLASSIFICATION FLOUE ....................................................................................................... 77
6.3 PERSPECTIVES FUTURES .............................................................................................................................. 78
REFERENCES ................................................................................................................... 80
v
Table des figures
Figure 1. Classification traditionnelle définie par les minutes et SMS .................................................... 8
Figure 2. Concept de variables linguistiques ......................................................................................... 11
Figure 3. Classification floue avec fonction d'appartenance................................................................. 12
Figure 4. Opérateur Gamma de Microsoft Excel ................................................................................... 14
Figure 5. Différence entre une requête en SQL et fCQL ........................................................................ 15
Figure 6. Arichitecture du fCQL toolkit .................................................................................................. 17
Figure 7. Le trois opératuers principaux en Suisse ................................................................................ 29
Figure 8 Raccordement à la téléphonie mobile en Suisse [en 1'000] ................................................... 29
Figure 9. Parts de marché de la téléphonie mobile en Suisse [en %] ................................................... 30
Figure 10. Base de données clients ....................................................................................................... 46
Figure 11. Evolution des clients ............................................................................................................. 46
Figure 12.Hiérarchie de la classification floue....................................................................................... 51
Figure 13. Sommet (top) de la classification floue ................................................................................ 52
Figure 14. Sous-classification de la catégorie de client ......................................................................... 53
Figure 15. Sous-classification de la consommation ............................................................................... 53
Figure 16. Sous-classification de la consommation générale................................................................ 54
Figure 17. Portfolio classique de service ............................................................................................... 59
Figure 18. Portfolio classique de service détaillé .................................................................................. 60
Figure 19. Portfolio de service ............................................................................................................... 62
Figure 20. Portfolio flou de service détaillé .......................................................................................... 63
Figure 21. Exemple concret de sous-classification de la catégorie de client ........................................ 65
Figure 22. Exemple concret de sous-classification des services supplémentaires ............................... 66
Figure 23. Exemple concret de sous-classification de la consommation générale ............................... 67
Figure 24. Exemple concret de sous-classification de la consommation .............................................. 68
Figure 25. Exemple concret du sommet de la décomposition des offres ciblées ................................. 69
Figure 26. Hiérarchie des valeurs d’appartenance aux groupes d’attributs ......................................... 70
Figure 27. Liste des prix et rabais pour les quatre classes .................................................................... 73
1 I. Introduction
I. INTRODUCTION
2 I. Introduction
1.1 Motivation
Au sein de toute entreprise, le client est le facteur clé de la réussite. C’est pour cette raison
que les organisations tentent à mettre en œuvre des stratégies qui leur permettront
d’acquérir et de retenir l’actif le plus précieux qui est le client. La gestion de la relation avec
la clientèle est donc devenue le centre des préoccupations des dirigeants. La fidélité de la
clientèle étant très bénéfique, c’est pourquoi chaque entreprise doit répondre et satisfaire
au mieux les demandes de ses clients. Cette notion va dans le sens de la loi de Pareto selon
laquelle dit : « mieux fidéliser ces meilleurs clients plutôt que de chercher à recruter de
nouveaux prospects dont la valeur n'est pas assurée ».
Afin de mieux gérer leur clientèle, les entreprises adoptent une approche personnalisée de
prestations de services : chaque individu est considéré distinctement afin de mieux fournir
les services lui correspondant.
Les opérateurs téléphoniques appartiennent à cette catégorie de prestataires de services.
Face au développement du commerce en ligne et à une concurrence accrue sur le marché de
la télécommunication en pleine croissance, leurs activités principales consistent à offrir les
meilleurs produits et services et surtout de fidéliser au mieux leur clientèle.
Dans la pratique, il n’est pas évident pour les entreprises de connaître précisément chaque
client auquel elles fournissent leurs prestations de services. Toutefois, grâce aux systèmes de
bases de données, ces organisations peuvent stocker les données personnelles de leurs
clients et de s’en servir pour répondre à leurs demandes précises. Mais la question à se
poser est comment utiliser de manière adéquate ces bases de données afin d’extraire des
informations pertinentes.
La classification traditionnelle est une méthode de segmentation qui divise le domaine
d’appartenance des clients en différentes segments (catégories). Chaque individu se trouve
ainsi dans une catégorie précise en fonction des informations récoltées. Mais l’inconvénient
réside dans le fait que la segmentation possède des limites entre les segments : l’individu est
positionné sans aucune précision sur son degré d’appartenance. Il est difficile de connaître
3 I. Introduction
s’il se trouve proche ou éloigné d’une limite. A cela s’ajoute le fait que cette méthode est
une description statique de la réalité qui va à l’encontre du caractère évolutif d’un individu.
Afin de résoudre les problèmes rencontrés dans la segmentation, une solution alternative
subsiste pour une utilisation appropriée des informations récoltées : la classification floue.
Elle permet donc à un individu de se situer sur plusieurs segments à la fois et définit ainsi le
comportement du client de manière dynamique.
1.2 Objectifs
Le but recherché de ce travail consiste à analyser la classification floue appliquée au
domaine des opérateurs téléphoniques. Cette méthode met l’accent sur le fait qu’un
individu peut appartenir à plusieurs classes à divers degrés.
Ainsi, en se basant sur les informations récoltées, les agents téléphoniques peuvent traiter
individuellement chaque client et d’adapter en conséquence les offres d’abonnements
correspondants à un individu spécifique.
Il s’agit donc de démontrer que l’application de la classification floue s’avère importante
dans la gestion de la relation avec la clientèle. Pour ces opérateurs, cette approche peut
représenter un avantage concurrentiel dans leur offre de produits et services. Dans cette
même approche, les thèmes tels que l’équité dans le traitement de la clientèle, le marketing,
la personnalisation de masse et la décomposition hiérarchique seront analysés dans la suite
de ce travail.
1.3 Structure du travail
Le travail se décompose tout d’abord par la présentation de la classification floue. Dans cette
partie conceptuelle, il est judicieux, en premier lieu, de comparer cette méthode avec
l’approche traditionnelle, d’expliquer son fonctionnement et son utilité et ensuite de
l’appliquer à un exemple.
4 I. Introduction
Le prochain chapitre est réservé uniquement à la description du domaine des opérateurs
téléphoniques, sans mettre en rapport avec le thème de la classification floue. Cette étape
se focalise sur l’exposition de ce secteur, la présentation des produits et services, ainsi que
les méthodes de marketing adoptées et le public-cible.
Après avoir défini la classification floue et le contexte du travail, il est alors possible d’établir
un lien entre ces deux aspects. Dans cette partie, la classification floue sera utilisée dans des
exemples d’application au domaine des opérateurs téléphonique. C’est dans ce cadre
d’analyse que le cycle de vie du client, la gestion de la clientèle et les offres proposées au
public-cible seront analysés.
Afin de mieux saisir les concepts développés jusqu’ici, deux exemples seront traités dans ce
dernier chapitre. Le premier analysera les critères d’évaluations, sur lesquels un opérateur
se base, dans la détermination d’un abonnement téléphonique mobile proposé à un client
particulier. Dans cet exemple, L’utilité da la classification floue réside dans le fait qu’elle
permet de calculer le tarif optimal d’un abonnement en fonction du comportement de
l’usage du téléphone mobile de chaque client. Et dans le second exemple, une
décomposition hiérarchique des offres ciblées permet de déterminer le prix d’abonnement
et services fournis pour chaque client.
5 II. Approches de la classification
II. APPROCHE DE LA CLASSIFICATION
FLOUE
6 II. Approches de la classification
Dans l’économie concurrentielle de nos jours, les entreprises recherchent avant tout la
satisfaction des besoins de leur clientèle. Leur tâche est de proposer aux consommateurs
ciblés les produits et services qui répondent à leurs demandes. Afin de connaître les attentes
de chaque personne et de développer une relation commerciale durable, les entreprises
procèdent au classement de leurs clients dans le but de mieux les personnaliser. Deux
méthodes distinctes de classification seront traitées dans ce chapitre.
2.1 La classification traditionnelle
2.1.1 Analyse de la méthode
Le concept de cette méthode consiste à poser des limites distinctes entre chaque segment.
Chaque client est placé dans une classe unique délimitée. Les bornes entre ces segments
restreignent alors l’appartenance stricte d’un individu. De ce fait, cette méthode est une
description statique: elle ne tient pas compte de l’état changeant et évolutif des personnes.
Cependant, un individu est de caractère dynamique; la classification traditionnelle va à
l’encontre de cette définition.
Cette segmentation des individus représente, d’autre part, une entrave à la notion d’équité.
Concrètement, au sein d’une classe, les clients sont traités de façon identiques, malgré leurs
emplacements opposés dans le segment : étant donné que cette classe est définie de
manière étendue, les clients peuvent avoir des propriétés divergentes à l’intérieur de celle-
ci. A l’inverse, les clients dont leurs comportements sont très similaires peuvent être classés
dans des segments différents en dépit de leurs positionnements proches de la limite les
séparant.
En plus, s’il existe plusieurs attributs dans la classification, il s’avère difficile de procéder à
une segmentation ciblée : le nombre de segments et de clients par segment s’accroîtraient.
Dans ce cas, l’objectif de la personnalisation de la clientèle ne serait plus atteint.
Ainsi, dans cette stratégie de classement, l’appartenance d’un individu ne peut prendre que
la valeur 1 ou 0. Cela signifie que soit un client appartient strictement à une classe, soit il n’y
7 II. Approches de la classification
appartient pas. Dans la réalité, cette classification « stricte » ne permet pas de traiter
équitablement les clients selon leur valeur réelle.
2.1.2 Exemple d’application
Dans le but de mieux cerner la segmentation traditionnelle, un cas d’exemple de campagne
publicitaire sera appliqué dans le contexte des agents téléphoniques. Afin de récompenser
ses clients fidèles, l’opérateur offre des minutes et messages SMS gratuits en fonction de la
durée de conversation mensuelle de chaque individu ainsi que le nombre de messages
envoyés dans le mois.
Dans cet exemple, les clients seront évalués sur la base de deux critères : les minutes de
conversation et le nombre de SMS. Dans ce contexte, le temps de communication est
déterminé suivant un tarif unique. En pratique, la durée peut être facturée selon le tarif
normal ou réduit et également selon les appels sur les réseaux fixes ou mobiles.
La base de données des clients est présentée dans le tableau ci- dessous :
Nom Minutes conversation/mois SMS envoyés/mois
Dupont 117 97
Favre 235 198
Piller 30 15
Pugin 125 105
Client
Il convient ensuite d’introduire des valeurs limites pour chaque critère:
Les minutes de conversation par mois sont divisées en deux intervalles [0, 119] et
[120, 240].
Les SMS envoyés par mois sont aussi scindés en deux intervalles [0, 99] et [100, 200].
Cette division entre les attributs crée 4 classes permettant à l’opérateur téléphonique de
définir à quel segment appartient un individu et ainsi de cibler son offre promotionnelle
correspondante:
8 II. Approches de la classification
Classe C1 : 60 minutes et 40 SMS offerts
Classe C2 : 45 minutes et 20 SMS offerts
Classe C3 : 15 minutes et 40 SMS offerts
Classe C4 : 0 minutes et 0 SMS offerts
La définition des classes précitées conduit à l’espace de classification suivant :
200 100 99 0 SMS
240 • Favre
C1 C2
120 Pugin •
119 • Dupont
C3 C4
0 Piller •Minutes
Figure 1. Classification traditionnelle définie par les minutes et SMS
Dans cette segmentation traditionnelle de la clientèle, deux constatations importantes sont
à souligner : les individus appartenant à une classe sont traités de la façon identique; et
entre chaque classe existe une forte disparité.
Ainsi, dans l’exemple, le client Favre qui se situe au sommet de l’évaluation, reçoit la même
offre que Pugin qui, par contre, est proche de la plus basse classe C4 dont l’offre est
beaucoup moins conséquente. Bien qu’ils se situent dans un même segment et sont traités
de manière semblable, il existe toutefois une divergence entre eux.
La deuxième observation est que les clients Pugin et Dupont se positionnent proche de l’un
et l’autre dans le graphique, mais cependant ils reçoivent une offre totalement opposée : ils
ont un comportement similaire, mais pourtant sont classés à des extrémités. Pour quelques
minutes et SMS utilisés de moins, Pugin basculerait dans la classe C4.
9 II. Approches de la classification
En résumé, les clients, dont leurs valeurs sont très proches, peuvent être classés dans les
classes complètement différentes. Et les clients, dont leurs valeurs sont très différentes,
peuvent être classés dans la même classe.
Par conséquent, cette classification stricte et inexacte entrave la notion d’équité dans la
segmentation des clients. Cette méthode s’avère peu efficace dans une gestion de la
clientèle.
Afin de trouver des solutions à ces problèmes susmentionnés, la classification floue est en
mesure de fournir aux entreprises les concepts pertinents dans l’élaboration d’une bonne
gestion de l’information concernant leurs clients.
2.2 La classification floue
2.2.1 Analyse de la méthode
Dans la gestion de la clientèle, les individus sont enregistrés dans de grandes bases de
données. Afin d’extraire ces informations pour prendre des décisions de marketing, la
classification floue s’avère plus efficace que la méthode traditionnelle. Elle permet une
analyse plus exacte et surtout plus équitable. L’avantage principal par rapport à la
segmentation classique est qu’un individu peut appartenir à plusieurs classes à la fois. De ce
fait, il existe une transition entre les classes. Chaque individu possède une ou plusieurs
degrés d’appartenance aux différentes classes. Ces degrés, compris entre l’intervalle 0 et 1,
décrivent avec plus de précision les clients classés : à partir des différents contextes et
attributs qui leur sont liés, les clients sont classés à leur juste valeur, et il est alors possible
de cibler leurs besoins, et en conséquence de leur proposer une offre optimale.
Le concept d’appartenance permet donc à l’entreprise de détecter le potentiel et la faiblesse
des clients et d’y agir ainsi suivant la situation: dans le premier cas, il est avantageux pour
l’entreprise de conserver les bons clients et dans le second cas, il faut améliorer leur
comportement de consommation.
10 II. Approches de la classification
A cet avantage majeur, deux autres points sont à relever. Au niveau sémantique, il faut
souligner l’importance de l’utilisation des variables linguistiques dans la requête des bases
de données. Au lieu d’utiliser les valeurs numériques pour définir les différentes classes
d’équivalence des attributs, la classification floue fait appel aux termes linguistiques qui
facilitent la compréhension des requêtes. Et afin de réduire la complexité dans la
classification, cette méthode offre la possibilité de décomposer les classes dans une
hiérarchie : cette procédure permet ainsi de déterminer plus précisément la valeur du client.
Afin d’apporter une comparaison significative entre les 2 méthodes de classification,
l’exemple précédent sera réutilisé mais analysé cette fois-ci dans la cadre de la classification
floue.
La littérature de ce chapitre fait référence aux résultats de recherche sur la classification
floue par le groupe de recherche en système d’information de l’Université de Fribourg [1],
[2], [3], [4], [5] et [6].
2.2.2 Variables linguistiques et exemple d’application
Avant d’entrer dans l’analyse de l’exemple, il est nécessaire de comprendre la définition des
classes dans la base de données relationnelle. Ce modèle relationnel est une extension du
modèle de contexte préconisé par Chen : pour tout attribut Aj défini par un domaine D(Aj),
un contexte K(Aj) est ajouté. Un contexte est une division du domaine en classes
d’équivalence. Une base de données relationnelle avec contextes R(A,K) est alors un
ensemble d’attributs A = (A1, …, An) associé à un contexte K = (K1(A1),…, Kn(An)) [7].
Dans l’exemple de la campagne publicitaire lancée par l’opérateur téléphonique, les deux
attributs pris en considérations sont les minutes de conversation (A1) et le nombre de SMS
envoyés (A2) durant le mois.
A partir de ces 2 attributs, le contexte K(Aj) peut être défini de la manière suivante :
Pour les minutes de conversation (A1), le domaine D(A1) représente l’intervalle *0, 240+
et est divisé en deux classes d’équivalence «basics» pour [0, 119] et «élevées» pour
[120, 240].
11 II. Approches de la classification
Pour les SMS envoyés (A2), le domaine D(A2) représente l’intervalle [0, 200] et est
divisé en deux classes d’équivalence «peu» pour [0, 99] et «beaucoup» pour [100,
200].
A la différence avec la méthode traditionnelle, la classification floue emploie les variables
linguistiques pour qualifier les attributs et les termes verbaux sont utilisés pour définir les
classes d’équivalence [8]. Grâce aux variables linguistiques, les classes d’équivalence des
attributs peuvent être décrites de manière plus intuitive.
Minutes conversation Variable
linguistique
Basics Elevées Termes
0 119 120 240 Domaine
*Classe d’équivalence+ *Classe d’équivalence+ Contexte
SMS envoyés Variable
linguistique
Peu Beaucoup Termes
0 99 100 200 Domaine
*Classe d’équivalence+ *Classe d’équivalence+ Contexte
Figure 2. Concept de variables linguistiques
Ainsi, la définition des classes d’équivalence des deux attributs minutes de conversation et
SMS envoyés détermine un espace de classification bidimensionnel représenté dans la Figure
3 ci-dessous. Les classes C1 à C4 peuvent être caractérisées de la manière suivante :
C1 : très bons clients à maintenir
C2 : bons clients à suivre
C3 : clients à améliorer
C4 : clients inintéressants
12 II. Approches de la classification
Chaque terme de la variable linguistique représente un ensemble flou. Celui-ci est déterminé
par une fonction d’appartenance μ sur le domaine correspondant à l‘attribut en question.
μ beaucoup μ peu
1
0.59
0
1 0.55
0 200 100 99 0 SMS
240 • Favre
μ élevées
C1 C2
Pugin
120 •119 • Dupont
C3 C4
μ basics
0 Piller •Minutes
Figure 3. Classification floue avec fonction d'appartenance
Avec l’application du modèle de contexte, l’usage de variables linguistiques et la fonction
d’appartenance, les limites entre les classes, imposées dans la classification traditionnelle,
disparaissent. Il y donc une transition continue entre les différentes classes. Cela a pour
conséquence que le client peut appartenir à plusieurs classes à la fois et que son degré
d’appartenance dans les différentes classes peut être calculé.
Dans la figure 3, les termes élevées et basics de la variable linguistique minutes sont associés
avec les fonctions d’appartenance μ élevées et μ basics qui sont définies sur le domaine entier de
l’attribut minutes. Plus précisément, il est possible pour une valeur spécifique de l’attribut
minutes, par exemple 125 minutes de conversation consommées par Pugin, d’être en même
temps jugée comme « élevées » et « basics ». Le même raisonnement est ainsi appliqué à la
variable linguistique SMS avec les termes « beaucoup » et « peu ».
13 II. Approches de la classification
Dans cet exemple, les attributs minutes et SMS contiennent respectivement les valeurs
numériques dans les intervalles de *0, 240+ et *0, 200+. Ainsi, les fonctions d’appartenance
des termes de chaque variable linguistique minutes et SMS sont des fonctions continues, à
l’opposé des attributs qualitatifs dont les termes de la variable linguistique sont associés aux
fonctions d’appartenance discrète (chaque terme correspond à une valeur discrète).
Le degré d’appartenance μ (Oi|Ck ) d’un objet Oi (par exemple un client) dans une classe Ck
peut être calculé par un opérateur d’agrégation sur les termes de la variable linguistique qui
définissent la classe. Dans l’exemple, la classe C1 est décrite par les termes « élevée » et
« beaucoup ». Le degré d’appartenance à la classe C1 est donc une conjonction des valeurs
correspondantes aux fonctions d’appartenance μ élevées et μ beaucoup.
Il existe plusieurs opérateurs qui calculent la conjonction des valeurs d’appartenance
[Zimmermann, 1992]. Dans la pratique, un manager doit souvent prendre les décisions
managériales en tenant compte de plusieurs attributs (arguments). Par conséquent, en
utilisant l’opérateur pour deux arguments, il est possible de compenser peu de SMS par
minutes élevées. Cet opérateur (μ compensation) pour m arguments xi se calcule de la manière
suivante :
Ainsi, les fonctions d’appartenance permettent de calculer le degré de correspondance entre
une entité et un terme. Le degré est déterminé à l’intérieur d’un intervalle compris entre 0
et 1, 0 étant une correspondance nulle et 1 étant une correspondance totale. Toutefois, afin
de normaliser le résultat, le total des degrés d’appartenance d’un objet, en l’occurrence un
client, aux différentes classes doit être égal à 1.
Enfin, il est à souligner que le degré d’appartenance peut être calculé soit avec l’opérateur ,
comme décrit ci-dessus, soit avec l’opérateur Gamma de Microsoft Excel:
14 II. Approches de la classification
MD att 1 MD att 2 Gamma arg MD MD norm Grade Results
C1 0.55 0.59 0.5 0.514421763 0.297716444 10 2.977164436
C2 0.55 0.41 0.406976351 0.235533487 5 1.177667437
C3 0.45 0.59 0.453464166 0.262437845 3 0.787313535
C4 0.45 0.41 0.35302939 0.204312224 0 0
1.727891669 1 4.942145408
Membership degree calculation for two attributes
Figure 4. Opérateur Gamma de Microsoft Excel
L’opérateur Gamma de Microsoft d’Excel est un solveur qui permet de calculer
automatiquement les degrés d’appartenance d’un individu aux différentes classes. Dans la
figure 3, par exemple le degré d’appartenance de Pugin aux différentes classes peut être
calculé en introduisant uniquement dans les colonnes « MD att 1 » et « MD att 2 » de la
figure 4 les deux valeurs numériques qui sont de 0,55 et 0.59 correspondant aux fonctions
d’appartenance μ élevées et μ beaucoup. Le solveur détermine les degrés d’appartenance
normalisés aux quatre classes. Le résultat est alors affiché dans la colonne « MD norm » :
Le degré d’appartenance de Pugin à la C1 est de 0.29, C2 est de 0.24, C3 est de 0.26 et C4 est
de 0.21. Ainsi les degrés d’appartenances de chaque client peuvent être définis de cette
manière là.
2.2.3 Langage de requête fCQL
Dans la classification floue, l’interrogation des bases de données relationnelles diffère de
celle de la classification traditionnelle.
En effet, SQL (Structured Query Language) est le langage standard pour interroger les bases
de données relationnelles. Si à ces bases de données s’ajoute le modèle de contexte avec les
variables linguistiques et les classes floues, une extension du langage SQL s’avère nécessaire.
C’est dans ce contexte que fCQL (fuzzy Classification Query Language) est utilisé pour
faciliter l’utilisateur de la base de données dans la formulation des requêtes de classification,
car qu’elles sont plus intuitives, c’est-à dire qu’elles sont exprimées linguistiquement.
15 II. Approches de la classification
Pour mieux saisir la distinction entre SQL et fCQL, le tableau de comparaison suivant relève
les différences entre les deux langages :
fCQL
Select attributs Classify objet
From nom de la relation From nom de la relation
Where prédicats de sélection With prédicats de classification
SQL
Figure 5. Différence entre une requête en SQL et fCQL
Avec le langage SQL, la sélection de la liste d’attributs est spécifiée dans la clause select,
alors qu’avec le langage fCQL, le nom de la colonne objet à classer est défini dans la clause
classify. La clause from ne change pas dans les deux cas. Et enfin, la clause where du SQL est
transformée en une clause with dans fCQL : contrairement à la clause where qui définit un
prédicat de sélection, la clause with spécifie un prédicat de classification. Ainsi, dans la
clause with, l’utilisateur entre les variables linguistiques prédéfinies et leurs termes verbaux
associés. Il peut alors créer des conditions de classification en utilisant les mots-clés.
Après avoir défini la syntaxe des deux langages, une comparaison de requêtes peut être
entreprise à partir de l’exemple d’application traitée auparavant qui sélectionne les clients
ayant consommé des minutes de conversations élevées et ayant envoyé beaucoup de SMS :
Select Nom
From Client
Where Minutes de conversation >= 120 and Minutes de conversation <= 240 and
SMS envoyés >= 100 and SMS envoyés <= 200
Par contre, en utilisant le fCQL, la requête est moins complexe et plus intuitive :
Classify Nom
From Client
With Minutes de conversation is élevées and
SMS envoyés is beaucoup
Cette requête retourne la classe C1 comportant tous les clients qui ont un degré
d’appartenance basé sur les fonctions d’appartenance μ élevées et μ beaucoup. Il est donc
16 II. Approches de la classification
possible de simplifier la requête en spécifiant uniquement la classe C1 nommée « très bons
clients à maintenir » :
Classify Nom
From Client
With Class is très bons clients à maintenir
Dans les bases de données complexes, où la classification des clients nécessite plus de deux
attributs, l’utilité de fCQL se révèle importante. La capacité d’interrogation sur les variables
linguistiques peut être considérée comme un découpage en tranche et en dés sur un espace
de classification floue multidimensionnelle.
2.2.4 Architecture des bases de données
L’application de la classification floue nécessite également l’extension de l’architecture des
bases de données relationnelles : les méta tables sont ainsi ajoutées au système de gestion
de la base de données (RDBMS en anglais). Ces méta tables contiennent la définition des
variables linguistiques et des termes, la description des classes, ainsi que les méta
informations concernant les fonctions d’appartenance.
Dans cette architecture, une nouvelle couche comprenant l’ensemble d’outils fCQL (fCQL
toolkit en anglais) est ajoutée entre l’utilisateur et le RDBMS, afin de permettre des
interactions entre eux.
Cette caractéristique rend fCQL indépendant des systèmes de bases de données crées pour
être utilisées avec SQL. De ce fait, fCQL peut être réalisé avec toutes les bases de données
relationnelles sans besoin de migrer les données et l’utilisateur a toujours la possibilité
d’interroger les bases de données avec les requêtes SQL (cas 1, Figure 5). Dans le cas 2, la
couche additionnelle fCQL toolkit permet d’analyser et de traduire les requêtes fCQL en
langage SQL. Et finalement dans le cas 3, le fCQL toolkit accède aux données et aux métas
donnés, et calcule les degrés d’appartenance des objets classés. Le résultat de la
classification est ensuite affiché à l’écran de l’utilisateur. De plus, avant d’interroger le fCQL
17 II. Approches de la classification
toolkit, l’architecte de données a pour tâche de définir la classification floue et de dessiner
graphiquement les fonctions d’appartenance.
Figure 6. Arichitecture du fCQL toolkit
2.2.5 Autres approches similaires
Comme vu jusqu’à présent, en appliquant la classification floue dans la gestion de la relation
avec la clientèle, une entreprise est capable de transformer les données sur les clients en
connaissances utiles pour la prise de décision concernant les stratégies de marketing.
A part ce concept de classification floue, d’autres approches similaires ont été présentées
dans la littérature de marketing. En voici quelques exemples:
Takahashi [9] proposait le langage de requête floue FQL (Fuzzy Query Language en anglais). Il
s'agit d'une base théorique pour le développement d'une interface orientée humain avec les
bases de données relationnelles.
Un autre langage de requête est le SQL flou (SQLf) [10] traité par Bosc et Pivert [11]. SQLf est
une extension de SQL qui permet ainsi d’interroger les bases de données, en utilisant des
requêtes avec des termes linguistiques et des comparateurs flous.
Server
18 II. Approches de la classification
Un dernier exemple est le langage MIQUEL qui a été illustré par Finnerty et Shenoi [12]. Ce
langage se distingue des requêtes SQL dans la clause WHERE qui contient un prédicat de
sélection avec une description du contexte.
Il est important de souligner que ces approches autorisent l’utilisateur de formuler les
requêtes floues sur les bases de données relationnelles, contrairement à d’autres langages
qui acceptent les requêtes standards sur les systèmes de bases de données floues, mais dans
ce cas, une migration des données existantes vers le système de bases de données floues
s’avère nécessaire. Ces derniers ne sont pas traités ici.
Ces langages flous FQL, SQLf et MIQUEL sont donc une extension de SQL qui nécessitent que
les utilisateurs doivent connaître la manipulation des requêtes floues : ils doivent par
exemple définir les relations floues, ou indiquer les conditions floues dans les prédicats de
sélection.
En comparaison avec ces langages mentionnés ci-dessus, l’utilisateur du fCQL ne traite pas
avec les requêtes floues de SQL. Le langage fCQL est plus intuitif, c'est-à-dire que
l’interrogation des requêtes se réalise avec l’utilisation des variables linguistiques
prédéfinies et des termes verbaux qui leur sont associés.
19 II. Approches de la classification
2.3 Les applications de la classification floue
L’approche de la classification floue peut être caractérisée comme étant une méthode
d’analyse et de gestion de bases de données multidimensionnelles. Elle représente donc un
intérêt dans le domaine de la gestion des relations avec la clientèle, c'est-à-dire qu’elle
permet à une entreprise de mieux cibler ses clients en utilisant les différentes applications
telles que l’équité dans le traitement, la personnalisation de masse, le marketing, le principe
de décomposition.
2.3.1 L’équité dans le traitement
La gestion des clients peut être un avantage concurrentiel s’ils sont considérés et traités à
leur juste valeur. En effet, les classes floues auxquelles appartiennent les clients
représentent mieux la réalité et permettent de mesurer plus exactement le degré
d’appartenance des clients. Ainsi, il est possible de personnaliser et de cibler une offre
proposée à un client. En effet, dans la classification traditionnelle, les clients se situant
pourtant proches de l’un et de l’autre sont traités de manière totalement opposée. L’équité
n’est dans ce cas pas respectée.
Dans la figure 3, Pugin et Favre sont traités de la même façon, malgré que Pugin se trouve
proche de la classe des clients inintéressants. Par conséquent, le client Pugin n’est donc pas
incité à augmenter sa consommation de minutes et de SMS puisqu’il appartient à la classe
C1 et a déjà reçu la même offre que le meilleur client Favre. Mais Favre aura le sentiment
de ne pas être traité équitablement, selon son mérite. Il sera contrarié par le fait qu’il reçoit
la même offre que Favre. Dans le cas de Dupont, il est situé à proximité de la classe C1 mais
il est jugé comme Piller appartenant à la classe C4.
L’équité dans le traitement des clients peut être réalisée par la suppression des séparations
entre les classes. Comme déjà mentionné au point 2.2.1, cette équité permet de traiter les
clients à leur juste valeur. Par exemple, les clients Favre et Pugin se trouvant dans la même
classe, sont désormais traités différemment en fonction de leur degré d’appartenance aux
différentes classes, de manière plus équitable. Le client Favre recevra une offre plus
20 II. Approches de la classification
conséquente que Pugin qui se situe près de la classe C4 à laquelle appartient Dupont.
Désormais, Pugin et Dupont sont considérés de manière plus semblable.
2.3.2 La personnalisation de masse
La production de masse permet d’obtenir un coût bas mais conduit inéluctablement à une
uniformité des produits et services. Selon Joseph Pine, la personnalisation de masse est
nécessaire afin d’individualiser une offre de produits ou de services à un prix comparable à
celui de la production de masse [13]. En effet, cette définition peut être appliquée dans les
entreprises actuelles dans lesquelles le traitement personnalisé de la clientèle est
primordial. Ces entreprises cherchent à proposer des offres qui conservent chacune des
caractéristiques spécifiques, correspondant aux attentes des individus.
L’avantage de la classification floue dans la personnalisation de masse est de pouvoir
accorder des privilèges personnalisés. En effet, le degré d’appartenance des clients aux
différentes classes distinctes détermine les privilèges dont ces individus méritent.
Afin d’étendre l’exemple de la figure 3, l’opérateur décide d’accorder, en plus des minutes
de conversations et de SMS gratuits, une offre privilégiée à sa clientèle : un rabais
personnalisé sera déduit sur le montant de la facture de chaque client. Ainsi, chaque classe
reçoit un taux de rabais, telle que C1 obtient une réduction de 10%, C2 une réduction de 7%,
C3 une réduction de 3% et C4 une réduction de 0%. Le rabais personnalisé attribué à un
client est obtenu par le résultat de la somme des rabais calculée en fonction de son
appartenance aux différentes classes. A partir du programme GammaOperator d’Excel qui
permet de définir le degré d’appartenance normalisé pour 2 attributs, il est possible de
déterminer les taux de rabais accordés aux clients suivants :
Favre (C1 : 1.0, C2 : 0.0, C3 : 0.0, C4 : 0.0) :
1.0*10% + 0.0*7% + 0.0*3% + 0.0*0% = 10%
Pugin (C1 : 0.29, C2 : 0.24, C3 : 0.26, C4 : 0.21) :
0.29*10% + 0.24*7% + 0.26*3% + 0.21*0% = 5.36%
21 II. Approches de la classification
Dupont (C1 : 0.21, C2 : 0.26, C3 : 0.24, C4 : 0.29) :
0.21*10% + 0.26*7% + 0.24*3% + 0.29*0% = 4.64%
Piller (C1 : 0.0, C2 : 0.0, C3 : 0.0, C4 : 1.0) :
1.0*10% + 0.0*7% + 0.0*3% + 1.0*0% = 0%
Grâce à la classification floue, les individus sont jugés de manière plus équitable. Favre,
meilleur client que Pugin, profite d’un plus grand taux de rabais que Pugin bien qu’ils
appartiennent tous les deux à la même classe. Pugin et Dupont, se trouvant proche de l’un
et de l’autre, bénéficient des taux de rabais presque équivalents, bien qu’ils soient situés
dans des classes opposées. Et enfin, Piller, mauvais client, ne reçoit aucun rabais malgré qu’il
appartienne à la même classe que Dupont.
En appliquant la classification floue, les clients sont traités selon leur mérite et sont donc
plus encouragés à accroître leur consommation de produits ou de services.
2.3.3 Le marketing
Le marketing évolue aujourd'hui vers une véritable prise en compte du client, fondée sur
une relation individualisée, consentie et de longue durée. Il crée une relation entre une
entreprise et son marché cible. Les campagnes de marketing souhaitent obtenir et renforcer
la fidélité du client, grâce à son consentement volontaire ("Opt-in"), à une communication
personnalisée ("One to One") et des offres sur mesure ("Mass Customization"). Afin de gérer
les clients en fonction de leur importance pour l'entreprise, la gestion relationnelle de la
clientèle et le marketing ont besoin d’un système de mesure pour analyser et évaluer les
performances des clients. L’approche de la classification floue peut donc apporter des
moyens adéquats pour faciliter la réalisation de ces campagnes de marketing.
En effet, grâce à la classification floue, il est possible de focaliser les efforts de marketing sur
les clients ciblés. L’exemple de la figure 3 ci-dessus peut être illustré par l’application de la
classification floue dans une campagne de marketing basé sur la théorie de Pareto du 20/80
qui précise que dans toute activité commerciale, 20% des clients ("les meilleurs")
contribuent à 80% du chiffre d'affaires. La stratégie consiste alors à sélectionner un sous-
22 II. Approches de la classification
groupe de meilleurs clients de la classe C1 et de surveiller l’évolution de ce sous-ensemble
de clients.
Avec la classification floue, cette segmentation de la clientèle peut être vérifiée à tout
moment. Il est alors possible de détecter si un bon client a augmenté, maintenu ou diminué
son degré d’appartenance par rapport à la classe C1. Si son comportement de
consommation à décliner, les responsables du marketing sont tout de suite alertés et par
conséquent peuvent entreprendre des actions adéquates afin de maintenir le client.
Ainsi, grâce aux bases de données et de la gestion de la clientèle, le marketing permet de
conserver et de fidéliser les clients à travers des campagnes de promotions et d’offres
personnalisées.
2.3.4 La décomposition hiérarchique
Dans les applications concrètes, les clients peuvent être classés selon plusieurs attributs.
Mais une classification floue comportant plusieurs variables linguistiques et termes conduit
forcément à une classification multidimensionnelle. Dans ce cas, un grand nombre de
classes compliqueraient la classification. Il serait alors difficile, en combinant tous les
attributs, d’attribuer une stratégie adéquate pour chaque classe résultante.
Le principe de la décomposition est de ne pas utiliser tous les attributs, afin de réduire la
complexité liée à la présence d’un grand nombre de classes finales. Dans le but de conserver
les classes avec une sémantique significative, une décomposition de la classification floue
multidimensionnelle dans une hiérarchie de classification floue s’avère judicieuse. Il consiste
donc de grouper les attributs dans les sous-classifications pour obtenir une définition plus
précise de chacune des classes. Chaque niveau de sous-classification de la hiérarchie
correspond alors à un concept déterminé par une classification floue. Ces concepts peuvent
être ensuite utilisés comme de nouvelles dimensions (attributs) dans la construction d’autres
classifications floues, menant ainsi à une hiérarchie de classification floue.
L’approche de la décomposition permet une meilleure modélisation des applications
concrètes et par conséquent de trouver des actions de marketing adéquates. En effet, il est
23 II. Approches de la classification
possible d’analyser la valeur du client aux différents niveaux hiérarchiques et de ressortir ses
potentiels et ses faiblesses. En, fonction du résultat de l’analyse, les dirigeants du
département de marketing peut prendre des mesures nécessaires afin de maximiser la
valeur du client en question.
Le principe de décomposition peut être réalisé par les approches top-down et bottom-up. En
utilisant le top-down, la sémantique des classes finales est déjà définie dès le début. Il s’agit
donc de déterminer les attributs pertinents dans l’ensemble des classifications floues. Par
contre, l’approche bottom-up est appliquée lorsque les attributs sont combinés dès le
départ pour atteindre les classes finales.
Un exemple détaillé de la décomposition sera appliqué aux propositions d’offres ciblées
dans le domaine des opérateurs téléphoniques par la suite dans le chapitre 4.
24 III. Opérateurs téléphoniques
III. OPERATEURS TELEPHONIQUES
25 III. Opérateurs téléphoniques
Ce chapitre est réservé uniquement à la description du domaine des opérateurs
téléphoniques, sans mettre en rapport avec le thème de la classification floue. Cette étape
se focalise sur l’exposition de ce secteur, le marché des mobiles, ainsi que les méthodes de
marketing choisies.
3.1 Exposition du domaine
L'évolution rapide de la technologique et une volonté politique de démocratisation par
l'accès au grand public obligent rapidement la Communauté Européenne à libéraliser les
différents marchés des télécommunications afin d'en améliorer les structures et la
compétitivité. Dans cette section, le marché des télécommunications en général et la
situation actuelle des opérateurs téléphoniques en Suisse seront analysés.
3.1.1 Le marché des télécommunications
Sur le marché global des télécoms, le monopole tend à disparaître et fait place à une forte
concurrence entre les opérateurs téléphoniques. Cette compétitivité entre les industries
permet d’accroître l’efficacité économique et se dirige vers un abaissement des prix de la
télécommunication. En effet, les clients attendent de plus en plus de prestations et de
performances pour des prix toujours plus bas, ce qui oblige les fournisseurs à réduire leurs
coûts et à accroître leur efficacité. Les gouvernements de nombreux pays continuent à
encourager la compétitivité dans le domaine des infrastructures de communication.
Personne ou presque ne conteste le fait que la libéralisation des marchés au cours de la
décennie passée ait un impact positif sur la concurrence.
L’arrivée de nouveaux concurrents permet de régler les dysfonctionnements et les
distorsions en matière d’offre. Les fournisseurs de réseaux de communication et de services
se font concurrence sur la base d’une différence de prix et de qualité. Leur réussite ou leur
échec dépend de leur sens des affaires et leur aptitude à maximiser leurs compétences par
26 III. Opérateurs téléphoniques
le biais d’un sérieux dosage de compétitivité et de collaboration avec les fournisseurs des
divers biens et services composant les réseaux.
Durant ces dernières années, les télécommunications connaissent un essor spectaculaire.
Chaque jour, des innovations technologiques sont annoncées : elles assurent le
développement de l’internet, de la téléphonie mobile et de la transmission des données.
Face à cette évolution, les opérateurs tentent de construire de nouvelles infrastructures afin
de répondre au mieux les besoins des utilisateurs. Ces entreprises de services sont donc
incitées à développer des nouveautés dans le domaine de la technologie de l’information et
de la communication, mais également à créer de nouvelles prestations de services [14].
3.1.2 Le marché suisse des télécommunications
En comparaison internationale, le marché suisse des télécommunications est très
développé. Le monopole juridique des Telecom PTT (devenu Swisscom) en matière de
télécommunications est tombé avec la libéralisation du marché en 1998. Swisscom est
définitivement passée de sa situation de monopole à un statut d'entreprise permettant
d'autres opérateurs de télécommunications d'offrir aussi leurs produits et services sur ce
marché. Aujourd'hui, Swisscom n'est plus le seul fournisseur de services de
télécommunication et doit au contraire s'affirmer face à l’arrivée de nouveaux opérateurs
entrant sur le marché helvétique. Parmi les principaux concurrents de Swisscom, il y a
Sunrise, Orange, Cablecom et Tele2.
En mars 2006, le marché suisse de la téléphonie est marqué par la décision prise par le
Parlement d'une libéralisation de la boucle locale ("dernier kilomètre"). Désormais, les
concurrents de Swisscom obtiennent l'accès total sur le réseau au raccordement d'abonnés
ainsi que l'accès Internet à haut débit qui est limité à une durée de quatre ans. Le
dégroupage du dernier kilomètre est vu comme un pas important vers la libéralisation totale
du marché suisse des télécommunications et consolide ainsi la compétitivité entre les
opérateurs [15].
27 III. Opérateurs téléphoniques
Le marché helvétique des télécommunications s’adresse aux clients privés et commerciaux
très exigeants à propos des prix, de la qualité et de la sécurité. Au niveau de la clientèle
privée, les clients demandent toujours plus de services et réclament des tarifs avantageux,
d’où la nécessité pour les opérateurs de baisser les prix et d’augmenter leur performance. En
ce qui concerne la clientèle commerciale, les entreprises, attentives aux coûts, les
répercutent sur les fournisseurs de services de télécommunications. Elles veulent bénéficier
des avantages offerts par la télécommunication pour augmenter leur rendement tout en
voulant diminuer les coûts engendrés par l’utilisation des prestations fournies par les
opérateurs.
Sur ce marché suisse, les fournisseurs de services de télécommunications opèrent dans 3
domaines distincts :
le domaine de la téléphonie fixe est presque saturé. La communication vocale classique doit
faire face aux offres de téléphonie sur l'Internet proposées par différentes compagnies (ex. :
Skype). Actuellement, la téléphonie par IP (VoIP), c'est-à-dire passant par internet, est
marginale, mais elle semble promise à un bel avenir, selon une étude de Gartner Dataquest
citée par l'Ofcom.
Le domaine de la téléphonie mobile a également atteint un niveau de saturation. Les
produits et services offerts par les opérateurs se coïncident, ce qui conduit à une forte
concurrence entre les agents téléphoniques. Le prix devient alors l’argument central de
compétitivité entre les entreprises. La baisse des prix est donc élevée sur ce marché.
Le domaine des accès à l’Internet possède un fort potentiel et est donc très convoité. La
demande en bande passante et en débit élevé ne cesse de croître. L’ADSL est le produit
leader sur ce marché.
Globalement, la concurrence entre les agents téléphoniques s’accroît sur le marché suisse. A
long terme, les opérateurs doivent imposer leur position sur ce marché en offrant à leur
clientèle privée et commerciale de nouvelles prestations et parvenir aussi à les fidéliser
durablement par une qualité de service élevée.
28 III. Opérateurs téléphoniques
3.2 Le marché des mobiles
Au cours de cette dernière décennie, le marché de la téléphonie mobile a pris de l’ampleur.
L’introduction du standard numérique GSM autorise le développement d’un marché de
masse et la diffusion très rapide du mobile. Les opérateurs mobiles sont ainsi les nouveaux
entrants sur le marché des télécoms. Ce marché dynamique est en constant évolution et il
s’avère important d’analyser ce domaine dans cette section.
Au niveau international, la libéralisation de la téléphonie mobile a eu pour conséquence
d’augmenter le nombre d'opérateurs. Afin de mieux rentabiliser leurs infrastructures et leurs
nouveaux services, les opérateurs cherchent à élargir leur clientèle, en visant les jeunes par
exemple, et à s'étendre hors des frontières par l'acquisition de concurrents ou le partenariat
avec d'autres opérateurs.
Cette croissance exceptionnelle est marquée par un cadre tarifaire très incitatif des services
proposés aux abonnés (spécialement le prix des communications) et une compétition entre
les opérateurs qui innovent en permanence pour se différencier, par exemple vente de
téléphones portables à prix réduits puis offerts avec l’abonnement, forfait mensuel, cartes
prépayées.
3.2.1 La téléphonie mobile en Suisse
La téléphonie mobile connaît en Suisse un véritable succès. Plus de la moitié de la population
est aujourd’hui équipée d’un téléphone portable, et selon la figure 7 cette proportion ne
cesse de s’accroître. Cet enthousiasme s’accompagne également d’une forte demande pour
un service de qualité: pouvoir téléphoner partout et sans interruption. Sur ce marché saturé,
où l'offre a entièrement créé la demande, les opérateurs se livrent une compétition
acharnée pour acquérir de nouveaux clients et fidéliser leurs abonnés.
Le marché suisse de la téléphonie mobile vit comme dans de nombreux pays une situation
d’oligopole (plus de 60% du marché est détenu par un seul opérateur, Swisscom) et est
disputé par trois opérateurs (Swisscom, Orange et Sunrise) qui possèdent leurs propres
29 III. Opérateurs téléphoniques
réseaux mobiles. Les autres fournisseurs de services ont fait leur apparition en 2005, tels que
Migros, Coop, Cablecom, Yallo, Tele2 et Mobilezone empruntent leurs réseaux aux trois
opérateurs principaux. Ils proposent des tarifs très intéressants, orientent leurs efforts sur
les offres prépayées (sans abonnement) mais leur part de marché reste très faible [16].
Figure 7. Le trois opératuers principaux en Suisse
(Source: Comcom)
état au 30 juin 2007
98 99 00 01 02 03 04 05 06 06/07
Swisscom 1670 2255 2970 3370 3605 3792 3908 4280 4632 4776
Sunrise 0 430 675 944 1134 1260 1190 1267 1361 1467
Orange 0 250 770 925 963 1085 1137 1249 1395 1441
1670 2935 4415 5239 5702 6137 6235 6796 7388 7684
Figure 8 Raccordement à la téléphonie mobile en Suisse [en 1'000]
30 III. Opérateurs téléphoniques
98 99 00 01 02 03 04 05 06 06/07
Swisscom 100% 76.8% 67.3% 64.3% 63.2% 61.8% 62.7% 63.0% 62.7% 62.2%
Sunrise 0% 14.7% 15.3% 18.0% 19.9% 20.5% 19.1% 18.6% 18.4% 19.1%
Orange 0% 8.5% 17.4% 17.7% 16.9% 17.7% 18.2% 18.4% 18.9% 18.8%
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
Figure 9. Parts de marché de la téléphonie mobile en Suisse [en %]
(Sources : Swisscom, Sunrise, Orange)
Certe, Swisscom occupe une position de leader mais doit faire face à des concurrents
soutenus par de grands groupes, tel que Sunrise (TDC), Cablecom (Liberty Global) ou Orange
(France Télécom) lui grignoter des parts de marché. La concurrence au niveau des prix
semble continuer à jouer un rôle important dans le domaine de la téléphonie mobile.
3.2.2 Les produits et services
Les compagnies des télécommunications fournissent des services qui constituent le cœur de
l’offre des entreprises. Sur le marché, les services correspondent à l’ensemble des
prestations proposées par les agents téléphoniques aux clients. Ces offres ne sont pas
toujours comparables. La couverture dans les grandes villes et la qualité de service est assez
semblable pour l’ensemble de ces opérateurs.
Parmi les offres proposées, il y existe :
des abonnements traditionnels avec ou sans minutes de communications offertes.
Ces abonnements sont souscrits pour une durée de 12 ou 24 mois.
des offres spécialement étudiées pour les travailleurs frontaliers.
des offres illimitées (forfaits) permettant d'appeler autant de fois qu'on le souhaite
(limitées ou non à un ou plusieurs numéros, à des appels sur un réseau spécifique...).
des offres prépayées dont les appels sont payés d'avance. Il est possible de créditer
sa carte dans de nombreux magasins et kiosques.
31 III. Opérateurs téléphoniques
En plus de ces offres de bases, la télécommunication mobile propose également des services
à valeur ajoutée : une fois activé par le client, le service génère automatiquement la
réception d’informations payantes (uniques ou répétitives) sur un sujet donné (actualité,
météo, bourse, etc.), sous forme de minimessage (SMS) ou de message multimédia (MMS).
Les services de discussion instantanée (chat), les sonneries, les logos ou les concours sont
d’autres types de services à valeur ajoutée.
L’arrivée des technologies à large bande (UMTS, GPRS) se traduit par une offre nouvelle
(WAP, commerce en ligne, loisirs en ligne). Ces systèmes de téléphonie mobile de la
troisième génération offrent un accès sans fil à toutes sortes de services multimédia tels que
l'Internet, le télé-achat ou la téléphonie vidéo.
Il n’existe pas de différenciation dans les services proposés par les opérateurs, dans chacun
des segments de clientèle : ces derniers offrent les mêmes services. Ce qui départagera les
opérateurs, ce sera la capacité de développer rapidement et à moindre coût puis d'offrir des
services exclusifs.
A côté de ces services, les opérateurs vendent également des produits tels que les
téléphones portables avec abonnement ou avec carte prépayée (Prepaid en anglais). Dans le
cas des mobiles avec abonnement, le client a le choix entre plusieurs offres de téléphones à
des prix avantageux qui varient selon la durée contractuelle (12 mois ou 24 mois) et du type
d’abonnement auquel il a souscrit. En ce qui concerne les mobiles avec carte prépayée, le
client n’a pas de contrat d’engagement, mais par contre le choix des téléphones portables
est plus restreint. Les produits à prix attractifs ont ainsi pour objectif d’attirer et de retenir la
clientèle au sein de l’entreprise.
32 III. Opérateurs téléphoniques
3.3 Méthodes de marketing
Actuellement, que ce soit pour la téléphonie mobile, la téléphonie fixe ou l’Internet, l’offre
des différents fournisseurs reste très homogène en Suisse. Les offres, les prix et les options
proposées se ressemblent fortement et ne motivent pas souvent les clients à changer
d’opérateur. De plus, même si dans l’absolu les clients tendent à demander des prix plus bas,
il semble qu’ils restent très fidèles à leur opérateur. Afin d’attirer et de conserver la
clientèle, les agents téléphoniques essaient de gérer au mieux la relation avec leurs clients.
Pour parvenir à ce but, ils doivent développer des stratégies de marketing adéquates afin
d’instaurer une gestion efficace des relations avec la clientèle.
Dans ce sous-chapitre, les principales méthodes de marketing utilisées par les opérateurs
téléphoniques seront analysées, telles que la fidélisation, le marketing mobile et le
sponsoring.
3.3.1 La fidélisation
Le coût de la perte d’un client est plus en plus lourd et la prospection dans le but d’en
recruter de nouveaux se trouve face à une concurrence et un marché de plus en plus
souvent saturé. Il est donc nécessaire pour une entreprise de se concentrer sur la
conservation de sa clientèle.
Une stratégie de fidélisation découle d’une réflexion approfondie, sur les éléments de
différenciation que l’entreprise se doit de mettre en avant afin d’apparaître aux yeux de ses
consommateurs comme étant véritablement différente de ses concurrents. Il s’agit par
exemple de promotion des produits et services permettant d’augmenter les ventes, ou de
donner une image adéquate de l’entreprise.
La fidélisation d’un client permet de profiter d’un effet de levier important sur la rentabilité.
Les raisons principales en sont les suivantes :
baisse des coûts d’acquisition de clients, la marge nette actualisée sur la durée de vie
du client devant couvrir ces coûts;
33 III. Opérateurs téléphoniques
diminution des coûts de gestion, un client fidèle connaissant mieux l’entreprise et
ayant tendance à moins utiliser son front-office pour effectuer ses achats;
effet de recommandation ;
augmentation du chiffre d’affaires par client.
C’est dans cette perspective que les opérateurs téléphoniques mobiles tentent de trouver
des stratégies de marketing qui permettent de conserver les clients. Par exemple, les
opérateurs offrent des téléphones portables aux clients qui prolongeraient leur abonnement
en guise de remerciement de leur fidélité. Ou encore, ils accordent la possibilité de
téléphoner et d’envoyer des SMS gratuitement à leur clientèle, afin de récompenser leur
loyauté. Et pour fidéliser les plus jeunes, les offres proposées sont plus séduisantes, telles
que les téléchargements de musiques, de jeux, ou l'envoi de photos. De nouveaux forfaits
conçus spécialement pour les adolescents font leur apparition [17]
La fidélité peut donc être définie comme la relation de confiance qu’un client peut avoir avec
une entreprise, une marque ou un produit. La fidélisation consiste pour l’entreprise à mettre
en œuvre une stratégie permettant d’établir cette relation. Les programmes de fidélisation
sont aujourd’hui considérés comme fondamentaux par les entreprises car elles estiment que
retenir un client coûte moins cher qu’en acquérir et qu’un client fidèle est un client rentable
[18].
3.3.2 Le marketing mobile
Durant ces dernières années, un nouvel outil de gestion des relations avec la clientèle a fait
son apparition : le marketing par SMS permet d’atteindre des objectifs multiples, tels que la
mobilisation et la fidélisation des publics cibles ou la diffusion de promotions. En raison d’un
pourcentage d’utilisateurs croissant, l’efficacité d’une campagne marketing par SMS est
même supérieure à celle générée par Internet. Parmi les avantages de cette méthode, il y a
notamment des cibles toujours plus nombreuses, prêtes à utiliser leur téléphone portable
pour des transactions commerciales et demeurant atteignable à pratiquement tous les
moments de la journée.
34 III. Opérateurs téléphoniques
Le marketing mobile consiste à envoyer des informations ou des messages commerciaux,
des jeux ou des concours au moyen de SMS, en s’assurant toutefois préalablement de
l’accord du destinataire, c’est-à-dire demander au titulaire du mobile son consentement
pour recevoir des SMS correspondant à son profil et à ses centres d’intérêt. Ces derniers
peuvent être collectés via un site Web ou au moyen de campagnes créées spécialement afin
de générer les adresses. Pour motiver les destinataires potentiels, un petit cadeau leur est
promis sur simple présentation de ces SMS. Plus qu’un outil de récolte de données sur le
profil de ces cibles potentielles, le SMS est un vecteur de relai du message publicitaire vers
d’autres sources, multipliant ainsi les points de contact entre la marque et les clients. Il sert
ainsi de base à ce qu’on nomme le « marketing viral » [19].
Les opérateurs téléphoniques se sont lancés les premiers dans les campagnes
promotionnelles par SMS. Les notifications par messages SMS (nommées « newsletter »)
offrent la possibilité pour l'opérateur téléphonique de cibler ses clients, pour leur proposer
de nouvelles offres ou les fidéliser [20], [21].
Le mobile offre en conséquence de réelles opportunités en matière de marketing
promotionnel, pour accroître la notoriété et l'image d'une marque, pour générer du trafic en
points de vente ou pour améliorer la relation avec la clientèle.
3.3.3 Le sponsoring
Les opérateurs téléphoniques utilisent le sponsoring comme un outil de communication
marketing qui consiste pour les entreprises à contribuer à une action sociale, culturelle ou
sportive. Plusieurs formes de contributions se présentent: financières, matérielles, ou
techniques. En retour, l'organisme en partenariat avec l'entreprise, doit fournir une visibilité
à l'entreprise lui permettant d'améliorer ses valeurs, d'augmenter sa notoriété et son image
[22].
Les entreprises se focalisent sur les activités de sponsoring pour divers raisons :
35 III. Opérateurs téléphoniques
Accroître la visibilité : en sponsorisant les événements, les entreprises bénéficient de
grandes opportunités de communications et peuvent être vues par les milliers de
gens dans les médias.
Maintenir les relations publiques : les programmes de sponsoring accordent aux
sociétés l’occasion de renforcer les relations commerciales avec leurs clients et
d’encourager des contacts professionnels.
Augmenter la vente : le parrainage permet de consolider la marque de l’entreprise,
de construire une notoriété, de gagner des parts de marché, et par conséquent
d’accroître les ventes [23].
Les engagements des opérateurs téléphoniques dans les activités de sponsoring contribuent
ainsi à leur bonne réputation. Avec des programmes ciblés, ces prestataires de services de
télécommunication veulent dégager une image dynamique et fiable qui accompagne des
projets novateurs, sources de nette plus-value. Le sponsoring permet à l’opérateur de se
rapprocher de ses clients, d’en identifier les besoins essentiels et de rendre ses valeurs plus
perceptibles et plus vivantes. C’est aussi le moyen pour l’opérateur d’associer sa marque à
l’association partenariat, en espérant que l’événement sponsorisé va provoquer un effet de
contagion de ses valeurs sur l’image de l’entreprise et finalement ses ventes [24],[25],[26].
Le sponsoring procure aux entreprises un avantage commercial compétitif face à la
concurrence. Les opérateurs téléphoniques utilisent par conséquent les droits d’exploitation
associés au partenariat, à l’événement et les exploitent afin d’offrir à leur clientèle une
image positive de leur entreprise. L’objectif final est de générer de la fidélité à leur marque
et ainsi d’accroître les ventes.
36 III. Opérateurs téléphoniques
3.4 Public-cible
Afin d’atteindre tous les clients potentiels possible sur le marché de la téléphonie, les
opérateurs téléphoniques proposent leurs produits et services suivant deux catégories de
publics : les particuliers (clients privés) et les entreprises (clients business). Ces opérateurs
leur offrent une vaste gamme de choix spécifiques, et tentent de cibler au mieux le besoin
de leur clientèle.
Les offres de prestations destinées aux clients privés concernent en général le réseau fixe,
l’internet et tout particulièrement le réseau mobile. A part les abonnements mensuels, les
opérateurs proposent, dans le secteur de la téléphonie mobile, un vaste éventail de choix
optionnels. En effet, les changements technologiques fulgurants permettent de proposer
des prestations de services novatrices. Et c’est par ce biais que les opérateurs tentent de
viser un large public afin d’accroître leur clientèle privée. Les agents téléphoniques
accordent également des offres adaptées au budget de chaque groupe d’individus, dans le
but de toucher un grand nombre de public.
En ce qui concerne les clients business, les offres pour les particuliers sont également
accessibles pour les entreprises, ce qui implique une certaine cohérence entre les offres
présentées aux deux catégories de clientèle. Des services spécifiques adressés aux
entreprises sont proposés en option, en supplément de l’offre destinée aux clients privés.
Ces services additionnels permettent donc de mieux cibler la clientèle professionnelle et par
conséquent de répondre d’avantage à leurs besoins. Il est à souligner que les grandes
entreprises bénéficient de taux de remise substantiels par rapport à la clientèle des petites
entreprises et du grand public, car ils représentent une part importante de revenu pour les
opérateurs.
C’est autour de ce public-cible que les entreprises de télécommunication orientent leurs
offres de prestations. Ils essaient de fournir un grand éventail de services, telles que les
abonnements sur mesure, des combinaisons d’offres ou des forfaits économiques, afin
d’attirer les clients potentiels ou de conserver leur clientèle actuelle.
37 IV. Applications concrètes de la classification floue
IV. APPLICATION CONCRETE DE LA
CLASSIFICATION FLOUE
38 IV. Applications concrètes de la classification floue
Dans le but de saisir la notion de la classification floue, il s’avère utile d’appliquer ce concept
dans des applications concrètes. Dans ce chapitre, l’application de la classification floue dans
le domaine des opérateurs téléphoniques sera traitée, en particulier dans l’analyse du cycle
de vie du client, la gestion relationnelle avec la clientèle et les offres proposées au public-
cible.
4.1 Classification floue dans le cycle de vie du
client
Le client est généralement la principale source de revenus pour les entreprises. Or, avec le
changement de l'économie dû notamment à l'intégration des nouvelles technologies dans
les relations client-entreprise, la concurrence devient de plus en plus serrée et les clients
peuvent ainsi désormais se permettre de choisir leur fournisseur ou d'en changer facilement.
Les critères de choix des clients sont notamment des critères financiers, de réactivité de
l'entreprise mais également des critères purement affectifs (besoin de reconnaissance,
besoin d'être écoutés, ...). Ainsi dans un marché de plus en plus concurrentiel, les
entreprises sont dans l’obligation d’instaurer une gestion de la clientèle efficace, afin
d’attirer et de conserver les clients. Il est donc important de gérer au mieux le cycle de vie du
client, c’est-à-dire de le fidéliser.
Les nouvelles technologies, notamment les grandes bases de données, permettent aux
entreprises de mieux connaître leur clientèle et de gagner leur fidélité en utilisant les
informations les concernant de telle manière à mieux cerner leurs besoins et donc de mieux
y répondre.
Ainsi il s'est avéré que fidéliser un client coûtait 5 fois moins cher que d'en prospecter des
nouveaux. C'est la raison pour laquelle un grand nombre d'entreprises orientent leur
stratégie autour des services proposés à leurs clients. Par conséquent, il faut donc
développer un marketing relationnel approprié afin de conserver la clientèle au cœur de
l’entreprise [27].
39 IV. Applications concrètes de la classification floue
Le marketing relationnel consiste pour les entreprises à récolter et stocker une quantité
importante d’informations sur les clients, afin de connaître précisément le comportement de
chacun, et d’entreprendre des actions de marketing ciblées. Ce type de marketing permet
ainsi de développer une relation privilégiée et personnalisée avec la clientèle. Dans ce cas,
une base de données efficace s’avère nécessaire afin de manipuler correctement ces
informations qui représentent l’axe majeur dans le suivi du cycle de vie du client.
Le concept de la classification floue peut être d’une grande utilité dans la gestion du cycle de
vie du client. A partir des informations récoltées, la classification floue permet de suivre
dynamiquement l’évolution du comportement de consommation d’un individu tout au long
de sa durée de vie au sein de l’entreprise, et d’appliquer en conséquence des stratégies de
marketing selon ses modifications comportementales, c’est-à-dire le récompenser ou réagir
au déclin de sa consommation.
4.1.1 Traitement des informations récoltées
La première tâche pour les entreprises est de récolter les informations personnelles sur les
clients et de les stocker par la suite dans les grandes bases de données. Ici, la classification
floue est d’une grande utilité puisqu’elle se repose également sur une architecture de base
de données et facilite la formulation des requêtes de classification plus intuitives pour les
utilisateurs.
Par la suite, tout au long du cycle de vie du client, les entreprises collectent les informations
relatives aux changements d’attitude des consommateurs et essaient d’en déterminer les
causes. Les entreprises peuvent à tout moment suivre l’évolution de chaque client. Etant
donné que les individus peuvent se situer dans plusieurs segments à la fois, ils se déplacent
de manière dynamique entre les classes. Selon leur degré d’appartenance, les clients
bénéficient des privilèges personnalisés. Chaque client est déterminé ainsi de manière
précise en fonction d’attributs pertinents. Les données relatives aux clients permettent donc
une analyse approfondie de leur évolution.
Concrètement, la classification floue permet de redéfinir les degrés d’appartenance des
clients aux différentes classes selon leurs changements de comportement, et appliquer ainsi
40 IV. Applications concrètes de la classification floue
les actions de marketing s’y rapportant, c’est-à-dire soit fidéliser les clients, soit détecter leur
déclin de consommation et d’y remédier.
4.1.2 Fidéliser le client
La fidélisation est l’un des préoccupations majeures de développement de la relation
durable avec les clients. Les stratégies de marketing telle que « One to One » développent
des processus à suivre pour l’entreprises afin de fidéliser sa clientèle. En tirant parti des
informations qu'elle a sur un client, l'entreprise pourra le récompenser ou devancer ses
désirs, avant même qu'il n'ait commencé à s'intéresser aux produits ou services offerts
[28].
La fidélisation repose avant tout sur le principe du traitement équitable. Si le client a le
sentiment d’être traité selon sa juste valeur, il a tendance à vouloir rester au sein de
l’entreprise. En effet, le client apprécie d’être reconnu et traité selon son mérite. Par contre,
malgré son activité de consommation active, aucun avantage ne lui soit accordé, il sera attiré
par les offres concurrentielles et va quitter l’entreprise. Il est donc primordial pour
l’entreprise de récompenser sa clientèle de leur activité par des offres personnalisées afin de
les conserver.
Dans le domaine de la téléphonie, les opérateurs téléphoniques sont confrontés à une
concurrence féroce. Désormais, le traitement selon le mérite et la personnalisation des
offres ne suffisent plus pour garder les clients. Afin d’inciter continuellement l’activité de
consommation du client, il est indispensable d’anticiper les besoins du client, c’est-à-dire de
répondre aux besoins encore latents ou en sensibilisant le client à d’autres produits ou
services nouveaux.
C’est dans cette direction que la classification floue peut fournir un avantage concurrentiel.
En utilisant la classification floue, les dirigeants de marketing peuvent suivre de près
l’évolution des clients à travers les classes. Suivant leur degré d’appartenance dans les
différentes classes, les clients sont ainsi récompensés en fonction de leur comportement de
consommation. A partir des informations personnelles des clients enregistrées dans les
bases de données, la classification floue permet de prévoir de manière proactive les besoins
41 IV. Applications concrètes de la classification floue
futures du client et également de détecter le déclin de consommation du client et par
conséquent d’y remédier.
4.1.3 Détecter la sous-activité du client
Retenir un client coûterait moins cher que d’en conquérir de nouveaux. En effet, un ancien
client est une personne dont on connaît les coordonnées, le comportement d'achat, voire
même les raisons pour lesquelles il est parti. Ce qui signifie que l'on a toutes les informations
en main pour le séduire à nouveau, contrairement à un prospect [29].
C’est la raison pour laquelle les dirigeants tentent d’éviter que les clients quittent
prématurément l’entreprise. Le symptôme principal d’un départ est la baisse de fréquence
de consommation du client. Il est donc nécessaire de le détecter et de réagir à temps à son
inactivité au sein de l’entreprise. Cela consiste à relancer son comportement en
l’encourageant par des actions de marketing.
C’est dans cette optique que la classification floue s’avère intéressante dans l’analyse du
comportement du client. Cela est traduit par le calcul des valeurs d’appartenance d’un
individu tout au long de son évolution. A partir de ces résultats, il est alors possible de
détecter un changement probable dans son comportement et d’agir en conséquence.
L’étape suivante consiste pour les entreprises à sélectionner les clients pertinents à
reconquérir. Si l’individu en question ne fait pas partie du groupe de clients ciblés et qu’il
appartient à la classe des clients inintéressants, alors l’entreprise ne réagit pas à son
inactivité. Dans ce cas, le client la quittera tôt ou tard. Par contre, si l’individu est un bon
client, l’entreprise essaiera de le maintenir dès qu’il manifeste une baisse de fréquence de sa
consommation. Elle lui proposera des privilèges afin de relancer son activité.
Avec la classification floue, il est envisageable de mettre en place une procédure pour
générer une alerte en cas d’absence prolongée d’un client, suivant un délai que les
dirigeants auront fixé. Dans ce cas, si le comportement d’un bon client a tendance à décliner,
le département de marketing sera signalé et prendra des mesures nécessaires dans le but de
le retenir.
42 IV. Applications concrètes de la classification floue
4.2 Classification floue dans la gestion de la
clientèle
Dans un marché de plus en plus concurrentiel, les entreprises de la télécommunication sont
confrontées au même problème : elles doivent réduire leurs coûts d’exploitation ainsi que
maintenir leur rentabilité face à des clients toujours plus exigeants. Elles sont donc dans
l’obligation de définir une stratégie bien précise et la suivre pour pouvoir exploiter au
maximum les informations mises à leurs dispositions. Il s’avère que la gestion de la relation
avec la clientèle est une stratégie de marketing qui permet d’apporter une réponse à ce
problème. Plus exactement, elle vise à proposer des solutions technologiques permettant de
renforcer la communication entre l'entreprise et ses clients afin d'améliorer la relation avec
la clientèle en automatisant les différentes composantes de la relation client.
Dans cette partie, les avantages de l’application de la classification floue dans ces différentes
composantes seront illustrés en détails.
4.2.1 L’avant-vente
Il s'agit du marketing, consistant à étudier le marché, c'est-à-dire les besoins des clients et à
démarcher les prospects. L'analyse des informations collectées sur le client permet à
l'entreprise de revoir sa gamme de produits afin de répondre plus précisément à ses
attentes. L'Enterprise Marketing Automation (EMA) consiste ainsi à automatiser les
campagnes marketing.
Dans ce premier composant, l’utilisation de la classification floue permet aux opérateurs
téléphoniques de stocker les informations dans les bases de données relationnelles. Cette
connaissance de chaque client individuellement est essentielle pour développer des actions
de marketing appropriées : les clients sont ainsi classés selon les informations recueillies ; en
fonction de ces classes, l’entreprise définit les stratégies à prendre pour chaque individu.
L’historique de ses consommations, ses préférences et intérêts en termes de services, autant
d’informations strictement nécessaires au développement de relations à long terme. Grâce à
la classification floue, notamment au langage de requête fCQL, les responsables de
43 IV. Applications concrètes de la classification floue
marketing peuvent interroger la base de données de manière plus intuitive afin d’étudier les
besoins de l’individu et de lui proposer une offre ciblée.
4.2.2 Les ventes
L'Automatisation des forces de ventes (Sales Forces Automation, SFA), consiste à fournir des
outils de pilotage aux commerciaux afin de les assister dans leurs démarches de
prospection :
Sélection des clients intéressants
élaboration de propositions commerciales
suivi des clients (alerte et relance)
plans d'actions
analyse de ventes
assistance à la gestion des contacts clients
Dans les démarches de vente, les entreprises télécoms tentent de mettre l’accent sur le
développement durable de la relation avec leurs clients. Elles privilégient ceux qui sont les
plus profitables. Il ne suffit plus pour les vendeurs d’exécuter des transactions commerciales
afin d’optimiser la rentabilité de l’organisation, mais il faut également sélectionner un
public-cible et d’y tisser un lien, c’est-à dire de maintenir un contact avec cette clientèle
après l’exécution de la vente. La connaissance et la satisfaction du client rend difficile la
rivalité pour les concurrents de l’entreprise.
C’est dans cet objectif que la classification floue peut fournir une aide. Suite à une analyse
régulière des ventes, les commerciaux peuvent classer les clients selon leur degré de
consommation. A partir de ces données, ils peuvent sélectionner un groupe de clients
intéressants et vont élaborer des propositions commerciales qui leur permettront de réaliser
des ventes futures. Cette segmentation de la clientèle permet d’avoir un suivi précis sur ce
public-cible et d’y entretenir un bon contact.
44 IV. Applications concrètes de la classification floue
4.2.3 La gestion du service clientèle
Le client aime se sentir connu et reconnu de l'entreprise et ne supporte pas devoir
récapituler, à chaque prise de contact, l'historique de sa relation à l'entreprise. Sous cet
angle, il est nécessaire à l’entreprise de personnaliser le service clientèle. Actuellement, les
technologies de l’information telles que les bases de données permettent de suivre des
préférences individuelles des clients tout au long de son cycle de vie au sein de l’entreprise.
Les tâches pour l’entreprise consistent alors à trouver le moyen de mieux exploiter les
données clients et à gérer l’ensemble de ces informations dans le but de répondre à leurs
attentes en termes de service, de façon à satisfaire le mieux que possible la clientèle cible.
Dans ce cas, en appliquant la classification floue, il est possible de simplifier la gestion de
l’historique du client en stockant les renseignements dans les bases de données. La précision
dans la manipulation de ces informations permet de fournir des prestations personnalisées
et accroître la rapidité et l'efficacité des services. Et par conséquent, la rapidité de
l'intervention améliore la satisfaction du client au niveau des services.
4.2.4 L’après-vente
L'après-vente consiste à fournir une assistance au client notamment via la mise en place de
centres d'appel (appelés généralement Call centers) et via la mise en ligne d'informations de
support technique. Ces centres sont au cœur de la relation client de beaucoup d'entreprises
aujourd'hui.
En effet, afin de créer une bonne gestion de la relation avec la clientèle, le service après-
vente est une étape aussi importante. Il représente en quelle que sorte une plus-value pour
l’entreprise face à la concurrence. Comme mentionnée précédemment, le client apprécie
que l’entreprise porte une attention particulière à son égard, soit à son écoute et s’occupe
de lui. La qualité d’un service après-vente peut donc être un caractère décisif dans la vente
d’un produit ou service. C’est la raison pour laquelle les agents télécoms ne doivent pas
négliger ce service.
45 IV. Applications concrètes de la classification floue
Dans le cas du domaine téléphonique, le client peut être amené à poser des questions
relatives à son abonnement. Par exemple, il aimerait connaître les fonctionnalités offertes
dans son forfait, le détail de facturation de ses appels, ou encore quelle offre promotionnelle
peut-il en bénéficier suite à son renouvellement d’abonnement. Les réponses à toutes ces
questions nécessitent une connaissance personnalisée de chaque client. Afin de maintenir la
continuité d’une bonne gestion de la relation client, la classification floue peut apporter un
soutien à de tel service clientèle. Au moyen des systèmes de bases de données, les employés
des centres d’appel peuvent accéder aux informations pertinentes sur les clients afin d’être
en mesure de leur fournir une assistance en cas de besoin. Grâce à la fonctionnalité des
requêtes linguistiques, ils ont la possibilité d’interroger les bases de données de manière
plus intuitive, contrairement aux bases de données classiques où une connaissance en
informatique est requise dans la formulation des requêtes SQL par exemple. En plus, grâce
aux fonctions d’appartenance, les employés peuvent situer en temps réel la position du
client dans les différentes classes et ainsi leur fournir une réponse exacte concernant par
exemple sa consommation en minutes de conversation ainsi que sa facturation détaillée ou
également l’offre personnelle attribuée en cas de prolongement du contrat.
4.3 Exemple appliqué
Dans cette partie, un petit exemple pratique illustre l’utilité de la classification floue dans le
suivi du cycle de vie du client et de la gestion clientèle.
4.3.1 Collecte d’informations sur les clients
Il consiste pour les opérateurs de déterminer pour les 2 périodes P1 et P2 le prix des
abonnements, les nombres de minutes de conversation et de SMS utilisés ainsi que leurs
décomptes de factures respectifs, ensuite accorder un taux de rabais selon le mérite du
client, et pour finir relever les achats de téléphones mobiles s’il y a lieu. Toutes ces
informations sont enregistrées dans une base de données.
46 IV. Applications concrètes de la classification floue
CLIENT
Nom Taxe Min. SMSDécpte
min.
Décpte
SMS
Achat
natelTaxe Min. SMS
Décpte
min.
Décpte
SMS
Achat
natel
Dupont 43.2 160 90 54.4 16.2Sony
V6040.2 119 80 42.85 15.2
__
Favre 44.2 125 110 43.75 17.6__
50.0 240 190 72.0 28.5nokia
8600
PERIODE 2PERIODE 1
Figure 10. Base de données clients
4.3.2 Analyse de l’évolution des clients
μ beaucoup μ peu
1
0
1 0 200 100 99 0 SMS
240 • Favre P2
μ élevées
C1 C2
• Dupont P1
120 Favre P1 •
119 • Dupont P2
C3 C4
μ basics
0
Minutes
Figure 11. Evolution des clients
C1 : Taxe 50 CHF, min 0.30, sms 0.15
C2 : Taxe 45 CHF, min 0.30, sms 0.20
C3 : Taxe 40 CHF, min 0.40, sms 0.15
C4 : Taxe 35 CHF, min 0.40, sms 0.20
47 IV. Applications concrètes de la classification floue
Dupont
1. Degrés d’appartenance à la P1 2. Degrés d’appartenance à la P2
C1 : 24% C1 : 10%
C2 : 39% C2 : 27%
C3 : 13% C3 : 20%
C4 : 24% C4 : 43%
Période P1 :
- Taxe d’abonnement : 24%*50 + 39%*45 + 13%*40 + 24%*35 = 43.15 CHF
- coût minute : 24%*0.30 + 39%*0.30 + 13%*0.40 + 24%*0.40 = 0.34 CHF
- coût SMS : 24%*0.15 + 39%*0.20 + 13%*0.15 + 24%*0.20 = 0.18 CHF
- Décompte de facture des minutes consommées : 160*0.34 CHF = 54.40 CHF
- Décompte de facture des SMS consommées : 90*0.18 CHF = 16.20 CHF
Période P2 :
- Taxe d’abonnement : 10%*50 + 27%*45 + 20%*40 + 43%*35 = 40.20 CHF
- coût minute : 10%*0.30 + 27%*0.30 + 20%*0.40 + 43%*0.40 = 0.36 CHF
- coût SMS : 10%*0.15 + 27%*0.20 + 20%*0.15 + 43%*0.20 = 0.19 CHF
- Décompte de facture des minutes consommées : 119*0.36 CHF = 42.85 CHF
- Décompte de facture des SMS consommées : 80*0.19 CHF = 15.20 CHF
Favre
1. Degrés d’appartenance à la P1 2. Degrés d’appartenance à la P2
C1 : 39% C1 : 100%
C2 : 17% C2 : 0%
C3 : 32% C3 : 0%
C4 : 12% C4 : 0%
Période P1 :
- Taxe d’abonnement : 39%*50 + 17%*45 + 32%*40 + 12%*35 = 44.15 CHF
- coût minute : 39%*0.30 + 17%*0.30 + 32%*0.40 + 12%*0.40 = 0.35 CHF
- coût SMS : 39%*0.15 + 17%*0.20 + 32%*0.15 + 12%*0.20 = 0.16 CHF
- Décompte de facture des minutes consommées : 125*0.35 CHF = 43.75 CHF
- Décompte de facture des SMS consommées : 110*0.16 CHF = 17.60 CHF
48 IV. Applications concrètes de la classification floue
Période P2 :
- Taxe d’abonnement : 100%*50 + 0%*45 + 0%*40 + 0%*35 = 50 CHF
- coût minute : 100%*0.30 + 0%*0.30 + 0%*0.40 + 0%*0.40 = 0.30 CHF
- coût SMS : 100%*0.15 + 0%*0.20 + 0%*0.15 + 0%*0.20 = 0.15 CHF
- Décompte de facture des minutes consommées : 240*0.30 CHF = 72 CHF
- Décompte de facture des SMS consommées : 190*0.15 CHF = 28.50 CHF
4.3.3 Actions de marketing
Selon les résultats de la figure 11, les dirigeants du département de marketing vont fidéliser
le client Favre. En effet, son comportement de consommation en minutes et SMS a
augmenté dans la période 2 par rapport à la période 1. En plus, il se trouve dans la C1 qui
correspond à la classe des bons clients à maintenir. Son évolution positive peut être
récompensée afin de le maintenir au sein de l’entreprise. L’action de marketing consiste à lui
accorder des minutes et SMS gratuits et un taux de rabais sur son abonnement de base, par
exemple : 60 minutes et 30 SMS offerts et un rabais de 15% sur sa taxe de base.
Au contraire, l’attitude de consommation de Dupont a décliné dans la période 2 : il passe de
la C2, classe des bons clients à suivre, à la C4, classe des clients inintéressants. Afin d’éviter
qu’il quitte définitivement l’entreprise, les dirigeants vont tenter de le maintenir et de
relancer son activité. Ils vont par exemple encourager le comportement de consommation
de Dupont par des tarifs incitatifs sur les minutes de conversations et SMS.
4.3.4 Gestion de la clientèle
Dans l’étape de l’avant-vente, les responsables de marketing analysent les besoins des
clients avant de proposer des offres ciblées. Par exemple, les dirigeants veulent offrir un
abonnement forfaitaire comprenant beaucoup de minutes et SMS aux clients qui seraient de
grands consommateurs de téléphonie mobile, c’est-à-dire nombre de minutes élevé et
beaucoup de SMS. Si la base de données ci-dessus comporterait un grand nombre de clients,
il ne serait pas facile de trouver quel individu correspondrait aux critères de recherche.
49 IV. Applications concrètes de la classification floue
Grâce au langage de requête fCQL, les responsable de marketing peuvent interroger la base
de données de manière plus intuitive :
Classify Nom
From Client
With Minutes de conversation is élevées and
SMS envoyés is beaucoup
Le résultat de cette requête retourne la classe C1 comportant le client Favre qui a un degré
d’appartenance basé sur les fonctions d’appartenance μ élevées et μ beaucoup. Par conséquent,
les dirigeants vont proposer l’offre d’abonnement forfaitaire à Favre.
L’étape de la vente consiste à sélectionner les clients intéressants et d’élaborer des
propositions de vente. Dans la figure 11, Favre semble être le public-cible et les dirigeants
vont lui présenter par exemple un abonnement comportant également d’autres services
(MMS, internet mobile…). Ils vont aussi tenter de nouer un lien avec Favre en lui accordant
des privilèges afin de ne pas le perdre.
En ce qui concerne le service clientèle et l’après-vente, les opérateurs ont pour objectif de
personnaliser le service clientèle. Cela se traduit par exemple par des assistances techniques
pour le téléphone mobile acheté par Favre au cours de la période 2: l’employé du centre
d’appel est en mesure de répondre à toutes sortes de questions relatives aux fonctionnalités
de l’appareil mobile. Grâce aux bases de données détaillées, il voit que Favre a acquis le
téléphone nokia 8600 et peut ainsi lui venir en aide. En plus, étant donné que Favre soit
classé comme bon client, l’employé du centre d’appel peut lui proposer une offre pour un
téléphone plus performant moyennant un prix avantagé. Souvent, les clients souhaitent
connaître en détails la facturation de leur abonnement : Dupont désire savoir le décompte
de facture de ses minutes consommées et SMS envoyés durant la période 1. De nouveau,
ces informations sont calculées de manière personnalisées en fonction des degrés
d’appartenance du client Dupont aux quatre classes et enregistrées dans la base de
données : décompte minutes est de 54.40CHF et décompte de SMS est de 16.20 CHF. C’est à
travers ce petit exemple que les avantages de l’application du principe de la classification
floue dan la gestion de cycle de vie du client et la gestion de la clientèle peuvent être mis en
évidence.
50 IV. Applications concrètes de la classification floue
4.4 La classification floue dans les offres
proposées au public-cible
Dans la perspective de satisfaire un large public-cible, les entreprises de la téléphonie
élaborent et proposent à leurs clients une gamme de produits et services de
télécommunications adaptées à leurs besoins. Comme déjà dit au chapitre 3, la clientèle est
classée dans deux catégories qui sont les particuliers et les entreprises. Et c’est en fonction
de ces deux groupes que les opérateurs développent les offres ciblées.
4.3.1 Les clients privés
Sur le marché de la téléphonie, les clients privés ont un vaste choix d’abonnements accordés
par les différents opérateurs, que ce soit pour le réseau fixe, l’internet ou le réseau mobile.
Ces offres sont souvent proposées selon le système d’abonnements forfaitaires. Cela
correspond à une classification traditionnelle de la clientèle où les bornes des segments sont
nettement délimitées. Et par conséquent, les clients appartenant à des grands segments
bénéficient tous d’offres d’abonnements semblables. Afin de rendre plus attractifs ces
promotions, il serait plus intéressant de pouvoir les personnaliser selon les besoins du client.
Le problème devient encore plus complexe dans le domaine de la téléphonie mobile où de
nombreux abonnements et options sont présentés aux clients selon différents attributs, tels
que l’âge, le statut du client, les habitudes de consommation en termes de minutes et SMS,
ou encore l’utilisation des services supplémentaires. Ici, la question à poser est « quel offre
d’abonnement correspondrait le mieux au comportement de consommation d’un
individu ? ».
Concrètement, les opérateurs segmentent leurs offres selon les différentes tranches d’âge et
le statut de leurs clients. Par exemple, ils proposent des abonnements sans taxe mensuelle
ou des prépayés aux tarifs préférentiels adressés aux jeunes de moins de 27 ans, comme
c’est le cas chez Sunrise avec l’offre jeunes Sunrise 360o ou Natel xtra-liberty chez Swisscom
et des abonnements adressés spécialement aux clients qui ont un statut étudiant tel que
Orange Student chez Orange. En ce qui concerne les plus jeunes, c’est-à-dire les adolescents,
51 IV. Applications concrètes de la classification floue
les téléchargements de musiques et de jeux sur leurs téléphones mobiles leur sont
particulièrement destinés. Pour les autres catégories de clients, plusieurs sortes
d’abonnements forfaitaires avec des minutes et SMS inclus leur sont proposées en fonction
de leurs besoins. Les services supplémentaires comme les MMS, l’internet mobile ou encore
le TV mobile, les SMS info services et les sonneries sont à tout moment disponibles à toute la
clientèle moyennant un tarif additionnel pour chaque service complémentaire consommé.
Devant la complexité de tous ces attributs, il est difficile pour les opérateurs de cibler les
besoins individuels pour chaque client. Dans la pratique, les clients, qui se trouvent dans les
grands segments, profitent tous des mêmes abonnements. Dans le cas d’un client âgé de 20
ans, à priori c’est par exemple l’abonnement Sunrise 360o destiné aux jeunes de moins de 27
ans qui lui semble le plus approprié. Mais ce client n’a peut être pas la même attitude de
consommation que le reste des jeunes appartenant à cette catégorie de clients. Pourtant il
reçoit la même offre.
Afin d’écarter ce problème, l’utilisation de la classification floue peut être envisageable dans
le but de cibler les offres proposées aux clients. En appliquant le principe de la
décomposition, il est alors possible de réduire cette complexité en sous-classant les
différents attributs dans une hiérarchie de classifications floues :
Offre ciblée
Catégorie client Consommation
Age Statut étudiant Services Consommation Suppl. générale
MMS Internet mobile Minutes SMS
Figure 12.Hiérarchie de la classification floue
52 IV. Applications concrètes de la classification floue
Dans la figure 9, le sommet de la classification floue exprime l’offre ciblée et est défini par le
groupe d’attributs catégorie de client et consommation. La notion catégorie de client
spécifie l’âge du client et le statut du client, c’est-à-dire s’il est encore étudiant ou non. Et la
notion consommation désigne le comportement de consommation du client en minutes et
SMS ainsi que son utilisation des services supplémentaires ; ici, afin de ne pas compliquer
l’exemple, seules les deux services principaux MMS et internet mobile seront pris en
considération. Le résultat de cette classification permet aux opérateurs de cibler des offres
d’abonnements selon ces 2 groupes d’attributs. Aussi, les valeurs discrètes établies sont
définies par rapport à la moyenne de consommation de la clientèle.
μ bon 1
μ mauvais 0
1 0très élevé élevé moyen peu Consommation
12μ jeune-étudiant C1 C2
Bon client jeuneClient jeune à
améliorer
27
28
C3 C4Bon client âgé Client âgé à améliorer
μ âgé-étudiant
43
Catégorie Client
Figure 13. Sommet (top) de la classification floue
La décomposition de la catégorie de client est illustrée dans la figure 10. L’âge est subdivisé
en deux classes d’équivalence. Les termes attribués à ces classes sont « jeune » ou « âgé ».
En plus, le statut étudiant est aussi pris en compte dans la détermination d’offres ciblées. Il
est à soulever qu’ici une combinaison de classification floue et traditionnelle est nécessaire
car le statut du client implique une segmentation nette délimitant les individus qui sont ou
ne sont pas étudiants.
53 IV. Applications concrètes de la classification floue
1
0
1 0 oui non Etudiant
12
μ jeune C1 C2
Jeune étudiant Jeune non étudiant
27
28
C3 C4
étudiant âgé âgé non étudiant
μ âgé
43
Age
Figure 14. Sous-classification de la catégorie de client
Le concept de la consommation illustré dans la figure 11 reflète le comportement de la
consommation générale en minutes et SMS et le comportement d’utilisation des services
supplémentaires par le client.
μ bon 1
μ mauvais 0
1 0très élevé élevé moyen peu Consommation générale
très
élevé
μ beaucoup C1 C2
Bon comportement
consommation
Mauvaise
consommation
générale
élevé
moyen
C3 C4
peu
Faible utilisation des
servcies suppl.
Mauvais
comportement
consommationμ faible
Services supplémentaires
Figure 15. Sous-classification de la consommation
54 IV. Applications concrètes de la classification floue
μ élevé 1
μ peu 0
1 0très élevé élevé moyen peu MMS
très
élevé
μ beaucoup C1 C2utilisation élevée
des services suppl.utilisation peu de MMS
élevé
moyen C3 C4Faible utilisation de
l'internet mobile
utilisation minime des
services suppl.μ faible peu
Internet mobile
Figure 12. Sous-classification des services supplémentaires
La sous-classification de la consommation générale dans la figure 13 est définie par les
attributs minutes de conversation et le nombre de SMS utilisés mensuellement.
μ élevé 1
μ peu 0
1 0très élevé élevé moyen peu SMS
très
élevé
μ beaucoup C1 C2Utilisation élevée de
la consommation
générale
Utilisation peu de SMS
élevé
moyen C3 C4Faible utilisation de
minutes
conversation
utilisation minime de
la consommation
généraleμ faible peu
Minutes conversation
Figure 16. Sous-classification de la consommation générale
55 IV. Applications concrètes de la classification floue
Ainsi, en se basant sur la décomposition hiérarchique, les opérateurs peuvent parcourir les
différents niveaux de l’arbre afin de connaître plus en détails le client et ses besoins et en
conséquence accorder des offres ciblées. Une analyse pratique de la décomposition sera
traitée dans le sous-chapitre 5.3.
4.3.2 Les entreprises
Les clients business représentent une part importante pour les opérateurs de
télécommunication. En plus des offres accordées à la clientèle privée, ils bénéficient des
prestations spécifiques à leur activité professionnelle. C’est dans ce cadre que les opérateurs
essaient de satisfaire les besoins propres à chaque entreprise. Comme les besoins varient
selon la taille des entreprises, il est nécessaires pour les opérateurs de cibler les offres.
En effet, Les clients business profitent des fonctions et des services supplémentaires conçus
spécialement pour répondre à leurs besoins et inclus gratuitement dans les abonnements
mobiles, comme par exemple :
les appels téléphoniques gratuits à l’intérieur de l’entreprise (mobile vers mobile et
mobile vers réseau fixe),
le Business Hotline qui apporte une assistance aux entreprises
les tarifs avantageux pour les appels internationaux passés avec le mobile Cette
option convient pour tous ceux qui entretiennent des contacts professionnels ou
souvent en déplacement à l’étranger.
les tarifs de roaming réduits permettent d’accéder au réseau mobile des pays
partenaires. Il est alors possible d’utiliser les services de transferts de données tels
que les MMS, ainsi que tous les services mobiles à large bande (GPRS, EDGE, UMTS).
En plus, des abonnements internet mobiles à haut débit permettent d'accéder à Internet et
au réseau d’entreprise en toute sécurité et sans fil grâce au réseau mobile. Par exemple, les
offres mobiles Sunrise, combinées à Microsoft ActiveSync, ou BlackBerry® Professional de
Swisscom offrent une excellente synchronisation entre le serveur d’échange professionnel
au bureau et le mobile. De ce fait, une consultation des emails, une planification des tâches
et un accès à tous les documents et données de l’entreprise sont possibles. Ou encore le
56 IV. Applications concrètes de la classification floue
service de sauvegarde (backup en anglais) qui est une solution efficace pour archiver toutes
les données de manière centralisée dans un environnement sécurisé.via internet. Et de
nombreuses autres options sont aussi proposées aux clients business.
Face à cette multitude de services, la tâche des opérateurs téléphoniques consiste à étudier
les besoins de chaque entreprise et leur proposer des offres ciblées en conséquence. C’est
dans cette voie que la classification floue peut les assister dans leur analyse. Par le
traitement des bases de données, les informations concernant les besoins et exigences de
chaque entreprise peuvent être définies. En fonction du résultat, les offres ciblées peuvent
être accordés aux différents clients professionnels. Ou la méthode de la décomposition est
aussi utile dans ce cas : en sous-classant les différents services dans les groupes d’attributs, il
est plus facile de déterminer les besoins de chaque entreprise. Et une analyse plus
approfondie à chaque niveau hiérarchique permet de détecter la potentialité ou la faiblesse
d’un client business.
57 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
V. Exemple appliqué dans le choix d’un
abonnement de téléphonie mobile
58 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
Afin de mieux personnaliser le souhait des clients, le principe de la classification floue
permettrait de proposer, à la place des services (ou produits) classiques avec des
caractéristiques prédéfinis, des offres dont les spécifications sont ajustées sur mesure à la
demande de la clientèle, c’est-à-dire des services flous ainsi que des offres ciblées [1]. Ce
chapitre est consacré à la présentation des avantages que la classification floue serait en
mesure de fournir aux opérateurs téléphoniques, afin d’améliorer ce qui se fait actuellement
dans les propositions d’abonnements de téléphonie mobile. Dans cette partie, un exemple
d’un portfolio flou de service sera traité en détails. Le principe de la décomposition
hiérarchique dans le cadre de proposition d’offres au public-cible sera également présenté
ici.
5.1 Portfolio classique de service
Sur le marché de la téléphonie mobile, les opérateurs proposent d’une part des
abonnements standards où les clients paient une taxe de base mensuelle ainsi que les
minutes de communication consommées. Et d’autre part, des abonnements forfaitaires,
soumis à une taxe de base, qui incluent des minutes de conversations et des SMS gratuits. Ce
type d’abonnement procure des avantages pour le client : il accorde des prix plus
intéressants comparés aux abonnements standards, dans le but d’attirer et de retenir la
clientèle. Et en souscrivant à un forfait, le client est au moins certain de ne pas dépasser le
montant dépensé par mois, s’il n’excède pas les minutes et SMS offerts. Et en ce qui
concerne les opérateurs, ce genre d’abonnement est aussi attrayant car ces entreprises
peuvent calculer à l’avance le bénéfice minimal des clients abonnés. En plus, il peut être
rentable pour les opérateurs si les clients n’utilisent pas toutes les minutes de conversation
et tout le nombre de SMS offerts dans le mois.
Un exemple de portfolio classique d’abonnements téléphoniques mobiles est présenté dans
la figure 8 ci-dessous. Ce portefeuille de service est composé de minutes de conversation et
du nombre de SMS inclus dans un abonnement. Il est à relever que l’offre de l’abonnement
P1 est la plus grande avec un crédit de 120 minutes et 80 SMS gratuits. A l’opposé,
l’abonnement P9 ne comporte pas de forfaits.
59 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
100 SMS 50 SMS 0 SMS
120
Min P1 P2 P3
60 P4 P5 P6
Min
0 P7 P8 P9
Min
SMS offertsM
inu
tes
off
ert
es
Figure 17. Portfolio classique de service
La figure 9 représente un exemple illustrant en détail chaque abonnement cité ci-dessus
avec sa taxe de base mensuelle ainsi que les prix pour les minutes et SMS additionnels. Il est
à noter que les prix et offres incluses varient selon les différents opérateurs. Et que les tarifs
de conversation mentionnés sont uniques quel que soit la période de la journée (pas de tarif
normal ou réduit).
60 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
P1 P2 P3 P4 P5 P6 P7 P8 P9
Taxe mensuelle 60 CHF 55 CHF 50 CHF 40 CHF 35 CHF 30 CHF 20 CHF 15 CHF 10 CHF
Inclus 120 min
80 SMS
120 min
40 SMS
120 min
0 SMS
60 min
80 SMS
60 min
40 SMS
60 min
0 SMS
0 min
80 SMS
0 min
40 SMS
0 min
0 SMS
Communication
supplémentaire
0.40
CHF/min
0.40
CHF/min
0.40
CHF/min
0.45
CHF/min
0.45
CHF/min
0.45
CHF/min
0.50
CHF/min
0.50
CHF/min
0.50
CHF/minSMS
supplémentaire 0.15 CHF 0.15 CHF 0.20 CHF 0.15 CHF 0.15 CHF 0.20 CHF 0.15 CHF 0.15 CHF 0.20CHF
Figure 18. Portfolio classique de service détaillé
En termes de profitabilité, ce portfolio de service n’est pas optimal pour les clients. En effet,
ce type d’abonnements forfaitaires est avantageux seulement si le client est dans la mesure
de calculer à l’avance la quantité moyenne de minutes et de SMS utilisés par mois. Cette
consommation mensuelle devrait être régulière afin de ne pas choisir un abonnement
inapproprié et de payer un prix élevé en conséquence.
Afin de guider sa clientèle dans le choix d’un abonnement, certains opérateurs, comme
Sunrise [30], ont mis à la disposition de ses clients un service « fairpay » qui informe si leur
abonnement mobile est en adéquation avec leurs habitudes de téléphonie. Dans le cas où
l’abonnement choisi ne correspond pas à leur consommation actuelle, les clients ont le droit
de passer à un abonnement supérieur ou inférieur.
Mais ce service ne représente pas une solution idéale. La raison est que si un client, utilisant
en moyenne un volume de 90 minutes de conversation par mois, est confronté à un choix
difficile à prendre dans sa souscription d’abonnement : il n’a seulement la possibilité de
choisir entre l’abonnement supérieur P1 avec 120 minutes ou l’abonnement inférieur P4 avec
60 minutes. En souscrivant à l’abonnement P1, le client ne consommerait probablement pas
toutes les 120 minutes de conversation offertes. Dans la deuxième alternative, vu que le
client téléphone en moyenne 90 minutes mensuellement, il devra payer un coût additionnel
pour les 30 minutes de communication supplémentaires, après que le forfait des 60 minutes
soit écoulé. Il est à relever qu’ici, la priorité de l’utilisateur se porte sur les minutes. Si le
61 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
paramètre des SMS est aussi inclus dans sa décision, alors il faudrait aussi en tenir compte
dans son choix d’abonnement.
Les bornes des différentes classes d’abonnements de ce portfolio classique sont délimitées
par une classification traditionnelle. Le désavantage réside dans le fait qu’il est difficile de
personnaliser le besoin de chaque client. Comme expliquer ci-dessus, l’individu qui
téléphone 90 minutes par mois, se trouve face à la difficulté de choisir son abonnement car
il n’y pas de classe d’abonnement ciblé répondant à sa demande.
5.2 Portfolio flou de service
Dans le but de résoudre ce problème, le concept de portfolio flou de service serait une
solution possible. L’abonnement flou personnalisé permet donc de satisfaire la demande
individuelle de chaque client et d’offrir en conséquence le forfait adéquat dont l’utilisateur a
besoin.
Une première proposition de solution consiste pour les opérateurs à attribuer les minutes de
conversation et le nombre de SMS selon le besoin individuel de chaque client. De ce fait, sa
consommation mensuelle correspondra exactement au forfait offert. Cette situation est
optimale pour le client, mais par contre n’est pas la plus bénéfique pour les opérateurs
téléphoniques. Etant donné que les clients ne consomment pas de minutes et de SMS
supplémentaires, il n’existe pas de profit additionnel qui pourrait s’ajouter au prix de base
des abonnements. Donc cette proposition serait probablement écartée par les entreprises
téléphoniques.
Une deuxième possibilité de définir un portfolio flou d’abonnements consiste à déterminer
la consommation moyenne des clients en minutes de conversation et SMS durant une
période précise. Sur la base de cette information, les opérateurs peuvent proposer des
abonnements personnalisés répondant à l’habitude de consommation de chacun et suivre
l’évolution des consommateurs dans le temps. Contrairement à la première proposition de
solution, cette méthode est plus profitable aux entreprises de télécommunication car les
clients doivent payer des coûts additionnels engendrés par l’excès de la limite du forfait s’ils
62 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
consomment des minutes et SMS supplémentaires. Pour mieux illustrer ce deuxième cas, un
exemple d’abonnements flous sera analysé.
A partir du portfolio classique de service de la figure 9, il est possible de dériver un portfolio
flou. Celui-ci ne comporte plus de segmentation mais plutôt une transition entre les classes.
En conséquence, les classes intermédiaires peuvent être supprimées. Il en résulte un
portfolio comportant quatre classes d’abonnements flous P1, P3, P7, P9 qui permettent de
répondre au besoin de chaque individu. La figure 10 ci-dessous illustre un exemple
d’abonnements personnalisés. Le client Favre consomme en moyenne 80 minutes et 70 SMS
par mois. A l’inverse, Le client Piller ne téléphone que 25 minutes et envoie aucun SMS par
mois.
μ beaucoup μ peu
1
0
1 0 100 70 51 50 0 SMS
120
μ élevées
P1 P3
80
61 Favre
60
P7 P9
μ basics25
0 Piller
Minutes
Figure 19. Portfolio de service
En appliquant le principe de la personnalisation de masse, l’abonnement approprié pour
chaque client peut être déterminé, ainsi que la taxe de base mensuelle et les coûts pour les
minutes et SMS supplémentaires peuvent être calculés. A partir des degrés d’appartenance
63 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
calculés avec le programme GammaOperator d’Excel de chaque client aux différentes
classes, il est alors possible d’effectuer les opérations suivantes :
Favre
Degrés d’appartenance:
P1 : 37%
P3 : 25%
P7 : 27%
P9 : 11%
- Taxe de base : (37%*60) + (25%*50) + (27%*20) + (11%*10) = 41.20 CHF
- Coût minute : (37%*0.40) + (25%*0.40) + (27%*0.50) + (11%*0.50) = 0.44 CHF
- Coût SMS : (37%*0.15) + (25%*0.20) + (27%*0.15) + (11%*0.20) = 0.17 CHF
Piller
Degrés d’appartenance:
P1 : 0%
P3 : 33%
P7 : 0%
P9 : 67%
- Taxe de base : (0%*60) + (33%*50) + (0%*20) + (67%*10) = 23.20 CHF
- Coût minute : (0%*0.40) + (33%*0.40) + (0%*0.50) + (67%*0.50) = 0.47 CHF
- Coût SMS : (0%*0.15) + (33%*0.20) + (0%*0.15) + (67%*0.20) = 0.20 CHF
Favre Piller
P1: 37% 33%
P3: 25% 0%
P7: 27% 67%
P9: 11% 0%
Taxe base: 41.20 23.20
Coût min: 0.44 0.47
Coût SMS: 0.17 0.20
Figure 20. Portfolio flou de service détaillé
64 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
Dans la figure 11, la taxe mensuelle des abonnements personnalisés pour Favre s’élève à
41.20 CHF et à 23.20 CHF pour Piller. Les coûts des minutes et SMS additionnels sont de 0.44
CHF et 0.17 CHF pour Favre et de 0.47 CHF et 0.20 CHF pour Piller.
En proposant un portfolio flou de service, les opérateurs téléphoniques ciblent plus
exactement les demandes des clients. Grâce à la personnalisation des abonnements offerts,
les utilisateurs de téléphonies mobiles auront la certitude d’utiliser le forfait mobile le mieux
adapté à leurs besoins. Au contraire, le service « fairpay » n’offre que la possibilité de choisir
entre un abonnement avec une taxe de base mensuelle plus ou moins élevé par rapport à la
taxe actuelle et non un abonnement individualisé selon les propres habitudes téléphoniques
des clients. Le deuxième avantage réside dans le fait que le nombre de classes est réduit,
facilitant ainsi la gestion du portfolio flou de service. Dans certain cas, plusieurs attributs
sont pris en considération dans les offres d’abonnements, ce qui rend plus complexe
l’analyse du portfolio. Il est donc nécessaire de décomposer ces attributs afin de proposer
des abonnements flous encore plus ciblés.
5.3 Décomposition d’une offre d’abonnement
ciblée
Dans cette partie, un exemple concret est analysé à partir de la théorie de la décomposition
décrite au point 4.3.1. En se basant sur ce principe de la décomposition hiérarchique, les
opérateurs peuvent calculer les prix des abonnements et des services appropriés selon la
catégorie à laquelle un client appartient et son attitude de consommation.
En effet, dans le souci de répondre au mieux la demande des clients, les opérateurs
téléphoniques tendent de proposer des abonnements spécifiques en fonction de leur public-
cible. Pour connaître avec précision leurs clients, ces entreprises enregistrent des
informations sur ces derniers afin de les classer selon leurs degrés d’appartenance aux
différentes classes et par conséquent de déterminer les actions de marketing à
entreprendre. Voici une application se basant sur quelques individus :
65 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
Nom Age Statut étudiant MMS Internet mobi le Minutes SMS
Dupont 40 non moyen peu élevé moyen
Favre 18 oui très élevé très élevé très élevé très élevé
Pi l ler 20 non peu peu élevé élevé
Pugin 29 oui élevé élevé peu peu
CLIENTS
A partir de cette base de données complexe, les opérateurs peuvent donc décomposer ces
informations dans une classification hiérarchique pour déterminer les offres adressées au
public-cible.
5.3.1 Décomposition du concept « catégorie de client »
La catégorie de client est déterminée par l’âge caractérisé par les termes « jeune » ou
« âgé » et le statut étudiant du client. La sous-classification de la catégorie de client est donc
définie par les concepts âge et statut du client. A partir des informations ci-dessus, les
opérateurs peuvent classer les clients dans les différentes classes.
1
0
1 0 oui non Etudiant
12 100 66
μ jeune Favre C1 C2
Jeune étudiant Jeune non étudiant
Piller
27
28 Pugin 33 0
C3 C4étudiant âgé âgé non étudiant
μ âgé Dupont
43
Age
Figure 21. Exemple concret de sous-classification de la catégorie de client
66 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
5.3.2 Décomposition du concept « Consommation »
La consommation désigne le comportement d’utilisation du client des services
supplémentaires (MMS et Internet mobile) et de la consommation générale (minutes et
SMS). Avant de définir la décomposition de la consommation, il faut d’abord effectuer une
sous-classification des services supplémentaires et de la consommation générale. Ensuite, à
partir des résultats de classement des clients, il est alors possible de les intégrer dans la
sous-classification de la consommation.
Les services supplémentaires désignent l’utilisation des MMS et de l’internet mobile par le
client. La sous-classification de ces services se présente ainsi :
μ élevé 1
μ peu 0
1 0très élevé élevé moyen peu MMS
très
élevéFavre 100 66
μ beaucoup C1 C2utilisation élevée
des services suppl.utilisation peu de MMS
élevéPugin
33 0moyen C3 C4
Faible utilisation de
l'internet mobile
utilisation minime des
services suppl.μ faible peu Dupont
Piller
Internet mobile
Figure 22. Exemple concret de sous-classification des services supplémentaires
La consommation générale indique le nombre de minutes de conversations et de SMS
consommés par le client. La sous-classification de cette consommation générale peut être
illustrée de la façon suivante :
67 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
μ élevé 1
μ peu 0
1 0très élevé élevé moyen peu SMS
très
élevé Favre 100 66
μ beaucoup C1 C2Utilisation élevée de
la consommation
générale
Utilisation peu de SMS
élevéPiller Dupont
33 0moyen C3 C4
Faible utilisation de
minutes
conversation
utilisation minime de
la consommation
générale
μ faible peu Pugin
Minutes conversation
Figure 23. Exemple concret de sous-classification de la consommation générale
La sous-classification de la consommation peut alors maintenant être établie selon le
classement des clients obtenu dans les dimensions de services supplémentaires et de la
consommation générale. Il en déduit les résultats suivants :
Dupont :
Mauvais comportement de consommation :
faible utilisation de services supplémentaires et pas beaucoup de SMS.
Favre :
Bon comportement de consommation.
Piller :
Faible utilisation des services supplémentaires.
Pugin :
Faible utilisation de la consommation générale.
68 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
μ bon 1
μ mauvais 0
1 0très élevé élevé moyen peu Consommation générale
très
élevé Favre 100 66
μ beaucoup C1 C2
Bon comportement
consommation
Mauvaise
consommation
générale
élevéPugin
moyen 33 0
C3 C4
peu
Faible utilisation des
servcies suppl.
Mauvais
comportement
consommationμ faible Dupont
Piller
Services supplémentaires
Figure 24. Exemple concret de sous-classification de la consommation
5.3.3 Sommet de la décomposition des offres ciblées
Après avoir défini les deux concepts catégorie de client et consommation, le sommet de la
décomposition permet donc de déterminer les offres d’abonnement ciblées. Il est basé sur
les groupes d’attributs catégorie de client et consommation. La décomposition des offres
d’abonnements ciblées est illustrée de la manière suivante :
Dupont :
Etudiant âgé et mauvais comportement de consommation
Favre :
Jeune étudiant et bon comportement de consommation.
Piller :
Jeune étudiant et faible utilisation des services supplémentaires.
Pugin :
Etudiant âgé et faible utilisation de la consommation générale.
69 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
μ bon 1
μ mauvais 0
1 0très élevé élevé moyen peu Consommation
12 100 66μ jeune-étudiant Favre C1 C2
Bon client jeune Client jeune à
améliorer
Pugin
27
28 33 Piller 0
C3 C4 Bon client âgé Client âgé à améliorer
μ âgé-étudiant Dupont
43
Catégorie Client
Figure 25. Exemple concret du sommet de la décomposition des offres ciblées
Suivant comment les clients sont classés, les responsables de marketing décident quelles
stratégies à entreprendre afin de déterminer les prix les mieux adaptés à chacun des
individus. Selon le classement à la figure 23 ci-dessus, les opérateurs décident d’appliquer
des rabais d’abonnements en fonction de l’âge et du statut des clients et tarifs avantageux
selon leurs niveaux de consommation. De cette manière, chaque classe bénéficie d’un rabais
sur l’abonnement de base ainsi que des tarifs préférentiels pour les diverses services fournis.
Il est à mentionner qu’une valeur « note » (grade en anglais) allant de 0 à 100 a été assignée
à chaque classe afin de dériver la valeur d’appartenance du client à chaque groupe
d’attributs qui se calcule de la manière suivante :
La valeur d’appartenance d’un client à un groupe d’attributs est obtenue par la somme des
multiplications des valeurs« grade» 100, 66, 33, 0 par les degrés d’appartenance du client
aux différentes classes.
Ainsi, la décomposition d’une classification floue multidimensionnelle fusionne les sous-
attributs qualifiés dans des groupes d’attributs composés. Ces groupes d’attributs sont
70 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
ensuite inclus comme variables linguistiques dans les niveaux supérieurs des classifications
floues, conduisant ainsi à une hiérarchie de classifications floues :
μc
μcc
Etudiant μcg
Age μss
μss μcg
MMS SMS
int. mob. Minute Conommation gén.
Offre ciblée
μcc μc
Catégorie client Consommation
Services suppl.
Figure 26. Hiérarchie des valeurs d’appartenance aux groupes d’attributs
5.3.4 Calcul des degrés d’appartenance
Groupe d’attributs « Catégorie de client »
Dupont (C1 : 0.0, C2 : 0.0, C3 : 0.0, C4 : 1.0)
Favre (C1 : 1.0, C2 : 0.0, C3 : 0.0, C4 : 0.0)
Piller (C1 : 0.0, C2 : 0.75, C3 : 0.0, C4 : 0.25)
Pugin (C1 : 0.45, C2 : 0.0, C3 : 0.55, C4 : 0.0)
71 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
μcc Dupont : 0.0*100% + 0.0*66% + 0.0*33% + 1.0*0%= 0.0
μcc Favre : 1.0*100% + 0.0*66% + 0.0*33% + 0.0*0% = 1.0
μcc Piller : 0.0*100% + 0.75*66%+ 0.0*33% + 0.25*0%= 0.495
μcc Pugin : 0.45*100% + 0.0*66% + 0.55*33%+ 0.0*0% = 0.631
Groupe d’attributs « Services suplémentaires »
Dupont (C1 : 0.0, C2 : 0.0, C3 : 0.58, C4 : 0.42)
Favre (C1 : 1.0, C2 : 0.0, C3 : 0.0, C4 : 0.0)
Piller (C1 : 0.0, C2 : 0.0, C3 : 0.0, C4 : 1.0)
Pugin (C1 : 0.36, C2 : 0.24, C3 : 0.25, C4 : 0.15)
μss Dupont : 0.0*100% + 0.0*66% + 0.58*33% + 0.42*0% = 0.191
μss Favre : 1.0*100% + 0.0*66% + 0.0*33% + 0.0*0% = 1.0
μss Piller : 0.0*100% + 0.0*66%+ 0.0*33% + 1.0*0%= 0.0
μss Pugin : 0.36*100% + 0.24*66% + 0.25*33%+ 0.15*0% = 0.601
Groupe d’attributs « Consommation générale »
Dupont (C1 : 0.24, C2 : 0.36, C3 : 0.15, C4 : 0.25)
Favre (C1 : 1.0, C2 : 0.0, C3 : 0.0, C4 : 0.0)
Piller (C1 : 0.36, C2 : 0.24, C3 : 0.25, C4 : 0.15)
Pugin (C1 : 0.0, C2 : 0.0, C3 : 0.0, C4 : 1.0)
μcg Dupont : 0.24*100% + 0.36*66% + 0.15*33% + 0.25*0% = 0.287
μcg Favre : 1.0*100% + 0.0*66% + 0.0*33% + 0.0*0% = 1.0
μcg Piller : 0.36*100% + 0.24*66%+ 0.25*33% + 0.15*0%= 0.601
μcg Pugin : 0.0*100% + 0.0*66% + 0.0*33%+ 1.0*0% = 0.0
Groupe d’attributs « Consommation »
Calculé à partir des résultats obtenus μss et μcg
72 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
MD att 1: μss MD att 2: μcg
Dupont 0.191 0.287
Favre 1.0 1.0
Piller 0.0 0.601
Pugin 0.601 0.0
Ces résultats sont reportés dans la figure 22 afin de positionner les clients dans les
différentes classes. En entrant les valeurs de MD att 1 et MD att 2 pour chaque client dans le
solveur Gamma Oprérateur de Microsoft Excel, les degrés d’appartenance à chaque classe
sont alors déterminés de la façon suivante :
Dupont (C1 : 0.1, C2 : 0.2, C3 : 0.26, C4 : 0.44)
Favre (C1 : 1.0, C2 : 0.0, C3 : 0.0, C4 : 0.0)
Piller (C1 : 0.0, C2 : 0.0, C3 : 0.55, C4 : 0.45)
Pugin (C1 : 0.0, C2 : 0.55, C3 : 0.0, C4 : 0.45)
μc Dupont : 0.1*100% + 0.2*66% + 0.26*33% + 0.44*0% = 0.217
μc Favre : 1.0*100% + 0.0*66% + 0.0*33% + 0.0*0% = 1.0
μc Piller : 0.0*100% + 0.0*66%+ 0.55*33% + 0.45*0%= 0.181
μc Pugin : 0.0*100% + 0.55*66% + 0.0*33%+ 0.45*0% = 0.363
Groupe d’attributs « Offre ciblée »
Calculé à partir des résultats obtenus μcc et μc.
MD att 1: μcc MD att 2: μc
Dupont 0 0.217
Favre 1.0 1.0
Piller 0.495 0.181
Pugin 0.631 0.363
Ces résultats sont reportés dans la figure 23 afin de positionner les clients dans les
différentes classes.
Dupont (C1 : 0.0, C2 : 0.0, C3 : 0.35, C4 : 0.65)
Favre (C1 : 1.0, C2 : 0.0, C3 : 0.0, C4 : 0.0)
73 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
Piller (C1 : 0.13, C2 : 0.36, C3 : 0.14, C4 : 0.37)
Pugin (C1 : 0.24, C2 : 0.35, C3 : 0.16, C4 : 0.25)
5.3.5 Détermination des prix d’abonnements et services :
C1 C2 C3 C4
Taxe mensuel le 15 CHF 20 CHF 25 CHF 30 CHF
Rabais sur taxe 15% 10% 5% 0%
MMS 0.35 CHF 0.40 CHF 0.45 CHF 0.50 CHF
Internet mobi le 0.04 CHF/20 Ko 0.06 CHF/20 Ko 0.08 CHF/20 Ko 0.10 CHF/20 Ko
Minute 0.30CHF 0.35 CHF 0.40 CHF 0.45 CHF
Figure 27. Liste des prix et rabais pour les quatre classes
Dupont
Taux rabais : 0.0*0.15 + 0.0*0.10 + 0.35*0.05 + 0.65*0.0 = 1. 75%
Prix abon. : 0.0*15 + 0.0*20 + 0.35*25 + 0.65*30 = 28.25CHF – 1.75%*28.25 CHF = 27.75 CHF
Prix du MMS : 0.0*0.35 + 0.0*0.40 + 0.35*0.45 + 0.65*0.50 = 0.48 CHF
Prix internet mobile (pour 20 Ko) : 0.0*0.04 + 0.0*0.06 + 0.35*0.08 + 0.65*0.10 = 0.09 CHF
Prix de la minute : 0.0*0.30 + 0.0*0.35 + 0.35*0.40 + 0.65*0.45 = 0.43 CHF
Prix du SMS : 0.0*0.05 + 0.0*0.10 + 0.35*0.15 + 0.65*0.20 = 0.18 CHF
Favre
Taux rabais : 1.0*0.15 + 0.0*0.10 + 0.0*0.05 + 0.0*0.0 = 15%
Prix abon. : 1.0*15 + 0.0*20 + 0.0*25 + 0.0*30 = 15 CHF – 15%*15 CHF = 12.75 CHF
Prix du MMS : 1.0*0.35 + 0.0*0.40 + 0.0*0.45 + 0.0*0.50 = 0.35CHF
Prix internet mobile (pour 20 Ko) : 1.0*0.04 + 0.0*0.06 + 0.0*0.08 + 0.0*0.10 = 0.04 CHF
Prix de la minute : 1.0*0.30 + 0.0*0.35 + 0.0*0.40 + 0.0*0.45 = 0.30 CHF
Prix du SMS : 1.0*0.05 + 0.0*0.10 + 0.0*0.15 + 0.0*0.20 = 0.05 CHF
Piller
Taux rabais : 0.13*0.15 + 0.36*0.10 + 0.14*0.05 + 0.37*0.0 = 6.25%
Prix abon. : 0.13*15 + 0.36*20 + 0.14*25 + 0.37*30 = 23.75CHF – 6.25%*23.75 = 23.75CHF
Prix du MMS : 0.13*0.35 + 0.36*0.40 + 0.14*0.45 + 0.37*0.50 = 0.43 CHF
Prix internet mobile (pour 20 Ko) : 0.13*0.04 + 0.36*0.06 + 0.14*0.08 + 0.37*0.10 = 0.07 CHF
Prix de la minute : 0.13*0.30 + 0.36*0.35 + 0.14*0.40 + 0.37*0.45 = 0.39 CHF
Prix du SMS : 0.13*0.05 + 0.36*0.10 + 0.14*0.15 + 0.37*0.20 = 0.14 CHF
74 V. Exemple appliqué dans le choix d’un abonnement de téléphonie mobile
Pugin
Taux rabais : 0.24*0.15 + 0.35*0.10 + 0.16*0.05 + 0.25*0.0 = 7.9%
Prix abon. : 0.24*15 + 0.35*20 + 0.16*25 + 0.25*30 = 22.10CHF – 7.9%*22.10 = 20.35 CHF
Prix du MMS : 0.24*0.35 + 0.35*0.40 + 0.16*0.45 + 0.25*0.50 = 0.42 CHF
Prix internet mobile (pour 20 Ko) : 0.24*0.04 + 0.35*0.06 + 0.16*0.08 + 0.25*0.10 = 0.07 CHF
Prix de la minute : 0.24*0.30 + 0.35*0.35 + 0.16*0.40 + 0.25*0.45 = 0.37 CHF
Prix du SMS : 0.24*0.05 + 0.35*0.10 + 0.16*0.15 + 0.25*0.20 = 0.12 CHF
Avec l’application de la décomposition, la complexité liée aux plusieurs attributs pris en
compte dans la détermination de l’offre ciblée est diminuée. A chaque niveau hiérarchique,
les groupes d’attributs sont clairement définis et permettent aux opérateurs de connaître
avec plus de précision leurs clients ainsi que leur comportement de consommation. En
décomposant chaque groupe d’attributs, il est possible de calculer les degrés
d’appartenance des individus à ces groupes et par conséquent de remonter la hiérarchie afin
de fixer les prix et rabais accordés au public-cible, de manière plus personnalisée pour
chaque client.
En effet, l’avantage de la classification floue est que les clients reçoivent des offres
individualisées en fonction de leur degré d’appartenance aux classes. Dans l’exemple, si les
clients Piller et Dupont seraient classés selon le principe de la classification traditionnelle, ils
doivent recevoir la même offre malgré que Piller se trouve à proximité des classes C1 et C2.
Dans ce cas, ils ne sont pas jugés à leur juste valeur. Selon les résultats obtenus avec la
classification floue, l’offre ciblée adressée à Piller est plus avantageuse en termes de prix
d’abonnement et de services fournis. Dans ce cas, le principe de l’équité est respecté. En
plus, Pugin et Piller bénéficient des offres de prix qui sont assez semblables. Ce qui ne serait
pas le cas si une classification traditionnelle serait appliquée : l’offre de Piller s’éloignerait
celle de Pugin et correspondrait à la même offre que reçoit Dupont. A cela s’ajoute le fait
que les taux de rabais accordés en fonction de l’âge des clients se rapprochent pour Pugin et
Piller dans une classification floue due à l’effet de compensation entre μjeune et μâgé. Dans le
cas d’une classification traditionnelle, la limite d’âge d’un client caractérisé comme jeune est
fixée à 27 ans par exemple chez Sunrise. Etant donné que Pugin a 29 ans, il serait considéré
comme un client âgé. Dans ce cas, aucun taux de rabais lui sera attribué, contrairement à
Piller qui a 20 ans et jugé comme jeune.
75 VI. Conclusion
VI. Conclusion
76 VI. Conclusion
6.1 Résultat du travail
Dans cette thèse, l’analyse de la classification floue a prouvé qu’elle est une méthode
efficace dans la gestion de la relation avec la clientèle. Les différents exemples d’applications
de la classification floue traitées dans ce travail ont permis de démontrer qu’elle n’est pas
seulement une théorie mais qu’elle représente une notion concrète qui pourrait être utilisée
dans différents domaines de produits et de services. Elle peut donc être appliquée dans
diverses entreprises afin d’apporter une aide non négligeable dans la prise de décision de
stratégies marketing.
Tout au long de ce travail, l’application de la classification dans le domaine des opérateurs
téléphoniques a permis de souligner les avantages qu’elle peut leur apporter afin de cibler
les besoins des clients. L’un de leurs objectifs principaux est de sélectionner les données
pertinentes sur des individus afin d’adapter les meilleurs tarifs en fonction de leur demande.
En s’appuyant sur la classification floue, ces compagnies est dans la mesure de traiter
individuellement chaque client de façon dynamique et par conséquent de proposer un
portfolio flou d’abonnements spécifiés à chacun. Dans la pratique, une classification
incorrecte des clients peut avoir des effets négatifs pour l’entreprise, par exemple elle peut
passer à côté d’un client profitable ou encore elle peut accorder des avantages aux clients
qui ne les méritent pas. Afin de contourner ce problème, la fonction d’appartenance dans la
classification floue joue un rôle essentiel dans le positionnement des individus dans les
différentes classes. L’utilisation de la classification floue est donc bénéfique dans la gestion
de la clientèle.
Contrairement à la classification traditionnelle qui restreint l’appartenance d’un individu à
un segment unique, la classification floue accorde la possibilité de suivre l’évolution d’un
client à travers les classes, c’est-à-dire qu’il y a une transition continue entre les classes et
par contre les bords délimitant les segments sont supprimés. Grâce à ce suivi, les
compagnies télécoms peuvent lancer des campagnes de marketing adéquates par rapport au
résultat de comportement de chaque client et ainsi d’augmenter la valeur de leurs clients et
dans la même direction leurs bénéfices. Ces stratégies entreprises représentent donc des
avantages concurrentiels.
77 VI. Conclusion
La classification floue permet aussi d’éviter une segmentation classique trop vaste des
clients qui pourrait entraver la notion d’équité : dans ce cas, ils ne sont pas traités selon leur
mérite. Il en résulte donc que la classification floue peut jouer un rôle important dans la
gestion de la relation avec la clientèle notamment la gestion du cycle de vie du client, la
fidélisation ou l’équité dans le traitement.
Au niveau sémantique, la classification floue emploie des variables et termes linguistiques
qui facilitent la compréhension des requêtes. En effet, l’utilisation du fCQL, qui est un
langage orienté humain, permet d’interroger les bases de données avec des requêtes plus
intuitives. Ce langage facilite ainsi le travail des utilisateurs dans l’analyse de grandes bases
de données. En plus, comme le toolkit fCQL est ajouté entre l’utilisateur et les bases de
données relationnelles, cette architecture le rend indépendant vis-à-vis d’eux. De ce fait,
aucune migration des bases de données relationnelles n’est nécessaire : fCQL peut être
utilisé avec toutes les bases de données existantes.
D’autre part, l’approche de la décomposition permet aux entreprises de mieux modéliser la
réalité et par conséquent d’appliquer les stratégies de marketing nécessaires. En combinant
les différents attributs dans une hiérarchie de classification floue, il est possible de réduire la
complexité liée à la présence d’un grand nombre de classes et de les conserver avec une
sémantique clairement définie. A chaque niveau hiérarchique, la valeur de chaque client
peut être analysée et les actions de marketing appropriées sont alors appliquées afin de
maximiser leur valeur.
6.2 Faiblesses de la classification floue
L’application de la classification floue n’a pas seulement des avantages, elle doit aussi faire
face à un certain nombre de problèmes. En effet, son utilisation n’est pas facile à
comprendre et à implémenter, contrairement à la classification traditionnelle. Sa mise en
place dans les entreprises nécessite que tous les employés soient informés de son
fonctionnement et comprennent son implémentation. La communication du principe de la
classification floue peut s’avérer une tâche difficile pour les dirigeants.
78 VI. Conclusion
Par ailleurs, l’application de la classification n’est pas toujours profitable pour les
entreprises. Sa réalisation implique parfois des coûts trop élevés en ressources humaines ou
financières, temps et infrastructure informatique, par rapport à ce qu’elle peut réellement
leur fournir comme avantages. Dans ce cas, il n’est pas bénéfique pour ces entreprises de
recourir à la mise en œuvre de la classification floue.
En plus, le champ d’application de la classification floue ne s’y prête pas à toutes les
situations. Dans certains cas, une classification traditionnelle s’y impose. Par exemple dans le
domaine des opérateurs téléphoniques, la prise de décision stratégique de marketing
concernant l’offre de produits tels que les téléphones mobiles ne peut être traitée avec la
classification floue. Cette décision se base en effet uniquement sur deux caractères
principaux, c’est-à-dire soit l’achat d’un mobile avec souscription d’abonnement, soit avec
carte prépayée. Dans chaque cas, un nombre déterminé de produits sont ainsi proposés aux
clients. Il subsiste donc une délimitation rigide entre ces deux segments.
6.3 Perspectives futures
Dans l’économie actuelle, la technologie des systèmes d’information constitue un support
essentiel dans le traitement des données pour les entreprises. L’utilisation de la classification
floue dans les domaines d’application managériale apporte un soutien important pour les
dirigeants. Dans cette thèse, la logique floue a été développée dans le cadre des opérateurs
télécoms : l’aspect du marketing relationnel a été traité à travers des exemples de produits
et services. Mais le champ d’application de la classification floue peut être étendu dans
d’autres domaines. Il est tout à fait concevable de l’utiliser dans la théorie du marketing mix.
A l’opposé de la gestion client, le concept flou peut aussi être appliqué dans le cas de suivi
des fournisseurs. Cette analyse permet de les évaluer dans leur activité, notamment la
qualité de leurs produits ou leur délai de livraison [4].
Les recherches à propos de l’intégration du principe de la classification floue dans les
entrepôts de données (en anglais, Data Warehouses) sont également en cours d’étude. Les
points essentiels à soulever ici consistent à développer les moyens qui permettent de
79 VI. Conclusion
mesurer la valeur du client dans une classification floue multidimensionnelle : l’utilisation de
la logique floue dans un entrepôt de données nécessite une extension des opérateurs
spécifiques à un cube de données multidimensionnelles, ainsi qu’une redéfinition de
l’opérateur d’agrégation. En autre, il faut également se poser la question à propos du design
qu’aura l’architecture de l’entrepôt de données flou. Ou encore, comment représenter
graphiquement une classification floue dans une base de données à plusieurs dimensions.
Il est également possible d’appliquer la classification floue dans divers domaines tels que la
banque, les assurances, la santé, les magasins en ligne ou les sondages basés web
(echopoll.com). Dans ce dernier cas, l’avantage de la classification floue dans les sondages
en ligne permet de collecter un grand nombre d’information utiles, par exemple dans une
campagne de publicité ciblée.
80
Références
[1] G. Schindler, A. Meier, N. Werro. "Extending Relational Databases with Fuzzy Classification", Internal working paper no 07-05, February 2007.
[2] A. Meier, N. Werro, M. Albrecht, M. Sarakinos. "Using a fuzzy classification query language for customer relationship management", in Proc. of the 31 st VLDB Conference, Trondheim, Norway, 2005.
[3] C. Nançoz. "mEdit- Membership Function Editor for fCQL-Based Architecture", Master Thesis, Departement of Informatics, University of Fribourg, 2004.
[4] A. Meier, N. Werro, C. Mezger, G. Schindler "Concept and implementation of a fuzzy classification query language", in Proc. of the International Conference on Data Mining, World Congress in Applied Computing, Las Vegas, 2005.
[5] H. Stormer, N. Werro, A. Meier. "A hierarchical Fuzzy Classification of Online Customers", 2006.
[6] H. Stormer, A.Meier, N. werro. "Personalized Discount - A Fuzzy Logic Approach", in Proc. of the 5 th IFIP International Conference on eBusiness, eCommerce and eGovernment, Poznan, Poland, 2005.
[7] S. Shenoi. "Fuzzy Set, Information Clouding and Database Security", in P. Bosc, J. Kacprzyk (Eds). Fuzziness in Database Management Systems. Physika-Verlag, Heidelberg, 1995.
[8] H.-J Zimmermann. "Fuzzy Set Theory and its Applications", 2nd ed., Kluwer Academic Publishers, London, 1992.
[9] Y. Takahashi. "A fuzzy query language for relational databases", in Fuzziness in Database Management Systems, P.Bosc, and J.Kacprzyk, Physica Publisher, Heidelberg, 1995, pp.365-384.
[10] FSQL. Site disponible: http://www.lcc.uma.es/~ppgg/FSQL.html, dernier accès le 6 novembre 2007.
[11] O. Pivert, P. Bosc. "SQLf : a Relational Database Language for Fuzzy Querying". In IEEE Transactiom on Fuzzy Systems, volume 3, Elsevier, 1995, 1-17.
[12] S. Shenoi, S. Finnerty. "Abstraction-Based Query Languages for Relational Databases". In Wang P.P (Ed.). Advances in Fuzzy Theory and Technology. Volume I, Bookwrights Durham, 1993, 195-218.
[13] J.Pine. "Mass customization, the new frontier in business competition", éd. Harvard Business School Press, 1993.
[14] E. Samuelides, A.Hamdouch. "Nature et dynamique des innovations dans les entreprises de services: une analyse à partir des innovations organisationnelles et commerciales dans les services de télécommunications mobiles en France". Site disponible: http://matisse.univ-paris1.fr/doc2/mse019.pdf, dernier accès le 5 mars 2008. .
[15] tsr info. "last mile: levéé du monopole de Swisscom". Site disponible: http://www.tsr.ch/tsr/index.html?siteSect=200001&sid=6564482, dernier accès le 7 mars 2008.
[16] Déclaration de Berne. "Les Suisses et la fièvre du portable". Site disponible: http://www.evb.ch/fr/p25011578.html, dernier accès le 20 mars 2008.
[17] Sunrise. "Les différentes offres". Site disponible: http://www.sunrise.ch/fr/sunrisecenternews.pdf, dernier accès le 4 avril 2008.
81
[18] F.Reichheld. J. Dawkins. "Customer retention as a competitive weapon", Directors and Boards, 1990.
[19] A. Perruchoud. "Le marketing via SMS et MMS va s'accentuer". PME Magazine, novembre 2002, pp. 60.
[20] Sunrise. "Sunrise Business Newsletter". Site disponible: http://nl.sunrise.ch/business/index.cfm/do/s/lang/fr, dernier accès le 7 avril 2008.
[21] Orange. "Orange Newsletter". Site disponible: http://content.hello-orange.ch/no/ems/action/fr/orange/subscribe.do, dernier accès le 7 avril 2008.
[22] J.L. Chandon, M.Mazodier. "L'impact du sponsoring sportif sur le comportement du consommateur". Université Aix-Marseille III, Puyricard, 2004.
[23] Sport Stratégies. "Pourquoi les sociétés font du sponsoring?". Site disponible: http://www.sportstrategies.com/outils-voir-11.html, dernier accès le 9 avril 2008.
[24] Orange. "Sponsoring". Site disponible: http://www.orange.ch/aboutus/sponsoringevents/aboutSponsoringEvents?ts=1207751464509, dernier accès le 9 avril 2008.
[25] Swisscom. "sponsoring". Site disponible: http://www.swisscom.com/GHQ/content/Engagement/Sponsoring/, dernier accès le 9 avril 2008.
[26] Sunrise. "Sponsoring and evets". Site disponible: http://www.sunrise.ch/fr/uebersunrise/sponsoring.htm, dernier accès le 9 avril 2008.
[27] J.-C. Boisdevesy. "Le marketing relationnel, à la découverte du conso-acteur", éditions d'Organisation, Soft computing, 2004.
[28] M. Roger, Don Peppers. "Le One to One", pratique Marketing, éditions d'Organisation, 1998.
[29] Journal du Net. "La reconquête: plus rentable que le recrutement de nouveaux clients". Site disponble: http://www.journaldunet.com/management/marketing-commercial/conseil/07/070926-reconquerir-client/1.shtml, dernier accès le 14 mai 2008.
[30] Presse portal. "Sunrise garantie une transparance dans la téléphonie mobile". Site disponible: http://www.presseportal.ch/fr/pm/100000688/100475171/sunrise_tdc_switzerland_ag, dernier accès le 25 avril 2008.
top related