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

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.

Ensuite, mettre en place un entrepôt de données et l'utilisation des outils de datamining pour en dégager des connaissances pour une prise de décision.

Pour y parvenir, nous avons subdivisé notre travail a quatre chapitres ;dont le premier donne bien évidement une idée sur les généralités sur les entrepôts de données. Le deuxième sur les différentes techniques de datamining ; celui-ci détaille les panoramas des techniques de datamining de résolution. Suivi du troisième sur la modélisation En UML ;qui est en fait, une image nous aidant à comprendre le problème. et l'application qui présentent les résultats trouvés par notre expérience.

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.

Notre réflexion se « termine » ainsi sur une ouverture, une enquête à poursuivre et à approfondir par des études ultérieures.

BIBLIOGRAPHIQUE

1. Benzécri, J.P., Benzécri, F. (1985) - Introduction à la Classification Ascendante hiérarchique d'après un exemple de Données Economiques. J. Soc.Stat. de Paris, 1, 14-34

2. Archaux C., Martin A. , Khenchaf A., Détection par SVM-Application à la détection de churn en téléphonie mobile prépayée, Extraction et Gestion des connaissances (EGC), in Revue des Nouvelles Technologies de l'Information, Vol 2, pp 597, Clérmont Ferrand, France, 20-23 Janvier 2004.

3. E. F. Codd, Providing OLAP to user-analysts: an IT mandate, Technical Report, E. F. Codd and associates, 1993;

4. Georges Gardarin, Internet, Intranet et bases de données, Edition DUNOD, 2000 ;

5. Jean Michel Franco et Sandrine de lignerolles, Piloter l'entreprise grâce au data ware house, Ed Eyrolles, 2000, P25 ;

6. Kimball R.,Ross M. Entrepot de données. Guide pratique de modelisation dimensionnelle,2^e éd., ISBN :Vuibert, 2003 

7. R.E. Shannon, Systems Simulation, the art and science, Prentice Hall 1975;

8. SEAN KELLY, DataWarehousing: the route to mass customization, John Wiley & Sons, 1996;

9. W. Inmon. Building the Data Warehouse. QED Technical Publishing Group, Wellesley, Massachusetts, U.S.A., 1996

10. Zighed D.A., Rakotomala R., Extraction des connaissances à partir des données IBN :2746200724,Hermès,2000. BURQUIER Bertrand, «Business Intelligence avec SQL server 2008, DUNORD 2008.

III. NOTES DE COURS

11. CT. Kafunda, « infocentre », U.KA, 2012 ;

12. CT. Kafunda, « Question Spéciale du génie logiciel », U.KA, 2012 ;

13. CT. Muamba, « Note de cours d'analyse des organisations », U.KA, 2010 ;

14. Prof. Ntumba, « Analyse de données », U.KA, 2012 ;

III.SITES WEB

15. http://www.datawarehouse.com/consulté le 12/03/2012 à 12h 01'

Portail dédié au datawarehouse

16. http://www.guideinformatique.com/consulté le01/05/2012 à 16h 09'

L'information professionnelle des decideurs

17. http://www.decisionnel.net/ consulté le 26/06/2012 à 10h 47'

Site consacré à l'information décisionnelle de l'entreprise.