Analyse et détection de l'attrition dans une entreprise de télécommunication

• EPIGRAPHE
  
• DEDICACE
  
• REMERCIEMENTS
  
• GLOSSAIRE
  
• LISTE DES FIGURES
  
• 0. INTRODUCTION GENERALE
  
  • 0.1 PROBLEMATIQUE
    
  • 0.2 HYPOTHESES
    
  • 0.3. CHOIX ET INTERET DU SUJET
    
  • 0.4. DELIMITATION DU SUJET
    
  • 0.5 METHODES ET TECHNIQUES UTILISEES
    
  • 0.6 CANEVAS DU TRAVAIL
    
• CHAPITRE I : GENERALITES SUR LE DATA WARE HOUSE (ENTREPOT DE DONNEES) [3],[5],[4]6],[8],[9], [17]
  
  • I.1 INTRODUCTION
    
  • I.1.1 Définition
    
  • I.2 LE ROLE DU DATA WAREHOUSE
    
  • I.3 OBJECTIFS DU DATA WAREHOUSE
    
  • I.4 ARCHITECTURE DE DATA WARE HOUSE
    
  • I.4.1 Caractéristique d'un Data Warehouse
    
  • I.4.2 Les composants de base du Data Warehouse
    
  • I.4.3 Différence entre les Systèmes OLTP et le Data Warehouse
    
  • I.5. MODELISATION DIMENSIONNELLE
    
  •  
    
    • I.5.1 Relation entre la Modélisation Dimensionnelle et la Modélisation Entité/Relation
      
    • I.5.2 Avantages de la modélisation dimensionnelle
      
    • I.6 SCHÉMAS D'UN DATA WAREHOUSE
      
    • A. les objets d'un schéma de Data Warehouse
      
    • I.6.1 Le Schéma en Etoile
      
    • I.6.2 Le Schéma en Flocon
      
    • 1.6.3 Les schémas en constellation de faits
      
    • 1.7 CONSTRUCTION DU DATA WAREHOUSE
      
    • 1.7.1 La Conception logique
      
    • 1.7.2 La Conception Physique
      
    • 1.7.3 Alimentation du Data Warehouse par les outils ETL
      
    • I.8 LE DATA MART
      
    • I.9 OLAP
      
    • I.9.1 Introduction
      
    • I.9.2 les différents outils OLAP
      
    • I.10 LA NAVIGATION DANS LES DONNEES
      
    • I.10.1 Drill-Down et Drill-Up
      
    • I.10.2 Data Surfing
      
    • I.10.2 Conclusion
      
• CHAPITRE II: LES TECHNIQUES DE DATA MINING [1], [8], [11], [10],[12], [14]
  
  • 
    
    • II.1 INTRODUCTION
      
    • II.1.1 Définition
      
    • II.1.2 Triple objectif du data mining
      
    • II.2 LES DIFFERENTES ETAPES D'EXTRATION DE CONNAISSANCES
      
    • II.3 PRINCIPALES METHODES DU DATA MINING
      
    • II.3.1 Méthodes descriptive
      
    • II.3.2 Méthode prédictive
      
    • II.4 LES TACHES DU DATA MINING
      
    • II.4.1 La classification
      
    • II.4.2 Estimation
      
    • II.4.3 La prédiction
      
    • II.4.4 Le regroupement par similitude
      
    • II.4.5 L' Analyse des clusters
      
    • II.4.6 La description
      
    • II.4.7 L' Optimisation
      
    • II.5 LA CONNAISSANCE
      
    • II.5.1 Définition
      
    • II.5.2 La découverte de connaissances
      
      • a. Identifier les sources de données disponibles
        
      • b. Préparer les données pour l'analyse
        
      • 1°) Regrouper les données et les transformer
        
        • 2°) Distribuer les données
          
    • II.6 LES TECHNIQUES DU DATA MINING
      
    • II.6.1 Analyse du panier de la ménagère
      
    • II.6.2 Analyse des liens
      
    • II.6.3 Les arbres de décision
      
    • II.6.4 Les réseaux de neurones
      
    • II.6.4.1 Découverte des règles
      
• CHAPITRE III MODELISATION EN UML [11],[12], [16], [17]
  
  • III.1 OBJECTIF DU TRAVAIL
    
  • IV.1.1 Diagramme de cas d'utilisation (use case)
    
  • Figure n° 6 : Diagramme de cas d'utilisation
    
    • IV.1.2 Diagramme de classe
      
    • IV.1.3 Diagramme de déploiement
      
• CHAPITRE IV : APPLICATION
  
  • IV. 1 MISE EN PLACE DE L'ENTREPOT DE DONNEES
    
  • FIG.9 : Création de la base source en SQL Server avec le management
    
    • IV.2 LA CLASSIFICATION AUTOMATIQUE HIERARCHIQUE
      
    • IV.2.1 Introduction
      
    • IV.2.2 Spad
      
    • IV.3 ANALYSE ET RESULTATS
      
    • V.3.1 Filière d'exécution
      
    • IV.3.2 Representation de l'arbre hierarchique (Dendrogramme)
      
    • IV.3.3 Représentation de la partition en 4 classes
      
• CONCLUSION
  
• Nous avons montré dans ce travail, les spécificités de l'attrition de la clientèle dans une entreprise de télécommunication et nous avons mise en place un système décisionnel permettant de maitriser le phénomène. Notre étude qui a porté sur « l'analyse et détection de l'attrition des abonnés dans une entreprise de télécommunication, étude menée au sein de Vodacom Congo/Kananga ».Celle-ci a été menée dans l'objectif d'étudier les comportements des abonnés afin de réduire le cout de la perte de la clientèle ; les opérations de marketing étant très couteuses, les décideurs ont besoin d'avoir la clarté sur les abonnés afin de savoir sur quels facteurs agir pour les fidéliser.
  
• Le logiciel coheris SPAD qui nous a aidé de faire une classification automatique hiérarchique. La classification est la technique de datamining retenue par notre étude afin de regrouper les abonnés par rapport à un critère de similarité dans une période de 6 mois pour s'imprégner sur quel facteur agir pour maitriser ce phénomène.
  
• BIBLIOGRAPHIQUE
  
• TABLE DES MATIERES