classification floue appliquee aux ... -...

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

[email protected]

Encadré par :

Professeur Dr. Andreas Meier

Assistants : Nicolas Werro et Daniel Fasel

Juillet 2008

mailto:[email protected]

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

http://fr.wikipedia.org/wiki/Client

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


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


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:


Classe C1 : 60 minutes et 40 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.


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.


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].


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


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 ».


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:


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.


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


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


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


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.


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


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%


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-


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


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


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


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].


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.


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


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]


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.


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.


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;


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.


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 :


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.


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


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].


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


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


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.


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


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.


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.

http://www.commentcamarche.net/entreprise/help-desk.php3


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.


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


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 :


- 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



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 :


- 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




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


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.


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.


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,


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


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.


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


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


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


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


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.


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).


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


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


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


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


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 :


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


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 :


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.


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.


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


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)


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


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)


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 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 du SMS : 0.13*0.05 + 0.36*0.10 + 0.14*0.15 + 0.37*0.20 = 0.14 CHF


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 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.

http://www.lcc.uma.es/~ppgg/FSQL.html

http://matisse.univ-paris1.fr/doc2/mse019.pdf

http://www.tsr.ch/tsr/index.html?siteSect=200001&sid=6564482

http://www.evb.ch/fr/p25011578.html

http://www.sunrise.ch/fr/sunrisecenternews.pdf

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.

http://nl.sunrise.ch/business/index.cfm/do/s/lang/fr

http://content.hello-orange.ch/no/ems/action/fr/orange/subscribe.do

http://content.hello-orange.ch/no/ems/action/fr/orange/subscribe.do

http://www.sportstrategies.com/outils-voir-11.html

http://www.orange.ch/aboutus/sponsoringevents/aboutSponsoringEvents?ts=1207751464509

http://www.orange.ch/aboutus/sponsoringevents/aboutSponsoringEvents?ts=1207751464509

http://www.swisscom.com/GHQ/content/Engagement/Sponsoring/

http://www.sunrise.ch/fr/uebersunrise/sponsoring.htm

http://www.journaldunet.com/management/marketing-commercial/conseil/07/070926-reconquerir-client/1.shtml

http://www.journaldunet.com/management/marketing-commercial/conseil/07/070926-reconquerir-client/1.shtml

http://www.presseportal.ch/fr/pm/100000688/100475171/sunrise_tdc_switzerland_ag

http://www.presseportal.ch/fr/pm/100000688/100475171/sunrise_tdc_switzerland_ag

classification floue appliquee aux ... -...

Documents