La segmentation consiste à découper une population – clients, prospects – en sous ensembles homogènes selon différents critères : données socio-démographiques, besoins, comportement d’achat, etc. Les critères de segmentation choisis doivent permettre d’obtenir des segments de taille suffisante et opérationnels, et ainsi d’effectuer des actions marketing différenciées et ciblées en fonctions des segments, voire de proposer éventuellement une offre produit spécifique à chaque segment

Exemple de mission réalisée par ENSAE Junior Etudes:

Le client : Un grand orchestre parisien

Son besoin : L’orchestre disposait d’une base de données avec les caractéristiques de ses clients, mais ne savait pas comment l’exploiter pour optimiser ses campagnes de publicité.

Notre solution : En utilisant des techniques de machine learning comme le clustering, nous avons segmenté les clients pour mettre en évidence des groupes homogènes s’agissant de l’âge ou des comportements d’achat. Cela a permis au client de mieux cibler ses campagnes publicitaires dans Paris, ainsi que dans d’autres villes. Un changement de politique de réservation a également été opéré.

L’analyse prédictive englobe une variété de techniques issues des statistiques qui analysent des faits présents et passés pour faire des hypothèses prédictives sur des événements futurs. Les modèles prédictifs capturent les relations entre de nombreux facteurs permettant l’évaluation des risques, ou celle des opportunités, associés à un ensemble spécifique de conditions, afin d’orienter la prise de décision. Cette analyse est utilisée dans de nombreux domaines, notamment en actuariat, dans les services financiers, l’assurance, le commerce de détail, le tourisme, la santé, l’industrie pharmaceutique, etc.

Exemple de mission réalisée par ENSAE Junior Études

Le client : Une société de location d’entrepôts de stockage pour  les professionnels.

Son besoin : Dans le cadre de leur collaboration avec une société de transport, ils disposaient d’une base de données de comptage des courses qu’effectuait pour eux cette société (véhicules, kilomètres parcourus, etc). Ils souhaitaient prévoir les comptages futurs à partir de ces données, cependant, ils n’arrivaient pas à les exploiter.

Notre solution : Grâce à une analyse statistique poussée, nous avons corrigé les données de leurs variations saisonnières et réussi à extrapoler les courses pour l’année suivante.

Les statistiques descriptives permettent de « résumer les données » de la façon la plus synthétique, mais fidèle, possible. En effet, aujourd’hui, l’essor des nouvelles technologies permet une récolte assez facile des données. On dispose donc, rapidement, de beaucoup d’informations, et bien souvent on se sent perdu. Il est donc important de pouvoir trouver des outils (mathématiques ou graphiques) permettant de saisir l’essentiel des informations en un coup d’œil. Les statistiques descriptives sont donc inévitables et indispensables lorsque l’on veut étudier des bases de données, c’est pourquoi, à l’ENSAE, les élèves maîtrisent parfaitement cet exercice, qu’ils appliquent à chaque projet.

Souvent, la résolution d’un problème ne nécessite pas la réalisation de modèles prédictifs complexes, les statistiques descriptives suffisent à obtenir des résultats. Dans les cas plus complexes, elles sont une première approche nécessaires afin de mieux comprendre les données à analyser.

Exemple de mission:

Notre client: Le ministère de la culture

Son besoin: Détecter d’éventuelles inégalités salariales entre les hommes et les femmes

Notre solution: Grâce aux différentes méthodes de statistiques descriptives, nous avons repérés et mis en évidence des inégalités salariales. Le ministère a pu ainsi adapter ses politiques salariales pour luter contre ces inégalités.

L’analyse de données sert à mieux comprendre ses données et notamment les différentes corrélations possibles. Elle est toujours précédée d’une phase de « statistiques descriptives » qui sert à résumer les données pour identifier les points à approfondir.

Pour une analyse plus approfondie on utilise l’analyse des données qui aide à faire ressortir les relations pouvant exister entre les différentes données et à en tirer une information statistique qui permet de décrire de façon plus succincte les principales informations contenues dans ces données. Cette analyse permet aussi de regrouper les données de façon à faire apparaître clairement ce qui les rend homogènes, et ainsi mieux les connaître.
L’analyse des données permet de traiter un nombre très important de données et de dégager les aspects les plus intéressants de la structure de celles-ci. Le succès de cette discipline dans les dernières années est dû, dans une large mesure, aux représentations graphiques fournies. Ces graphiques peuvent mettre en évidence des relations difficilement saisies par l’analyse directe des données.

Exemple de mission:

Notre client: Une banque d’investissement internationale

Son besoin: Analyser la performance de ses produits afin d’améliorer ses arguments de vente

Notre solution: En nous fondant sur du Data Mining et du Machine Learning, nous avons mené une analyse pour comparer leurs performances avec celles de leurs concurrents. Cela les a aidé à ajuster leur politique monétaire et leur a fourni des arguments concrets à donner à leurs clients quand ceux-ci leur demandaient des détails sur leurs facturations.

ENSAE Junior Etudes met à disposition de ses clients de fortes compétences en économétrie et en analyse des marchés. Un exemple de prestation fournie est l’étude des points de retournement sur les marchés de la viande en Europe.

Nos intervenants sont capables de concevoir des modèles économétriques et de les tester afin de permettre une analyse fine de différents marchés . Grâce à ses compétences en modélisation et en économétrie , l’ENSAE Junior Etudes propose également des analyses statistiques poussées dans les domaines socio-économiques tels que l’économie industrielle ou encore les statistiques sociales.

Exemple de mission:

Notre client: Un gros cabinet de conseil

Son besoin: Pricer la performance de ses fonds actions européens. En effet, à cause à la concurrence des ETFs (fonds de placement reproduisant mécaniquement les variations d’un indice boursier donné), qui se vantent d’être plus performants que les fonds actifs (moins chers, plus efficaces), ils faisaient face à une défiance croissante des investisseurs vis-à-vis de la gestion active. Ainsi, ils souhaitaient analyser la performance de leurs fonds actions pour démontrer que la gestion active était plus performante.

Notre solution: Recommandés par le président du groupe en personne auprès du directeur du marketing et de la communication, un étudiant, sélectionné par le client lui-même, a eu recours à une méthode d’économétrie de panels pour voir comment se classaient les fonds de notre client sur le marché. Le travail statistique consistait notamment à nettoyer les données des données issues de fonds semi-actifs mal gérés qui pourrissaient les statistiques des fonds actifs. Notre intervenant a exposé ses conclusions lors d’une présentation au top management : il en a conclu que les fonds actifs restaient plus performants que les ETFs, et a permis au département marketing du groupe d’avoir des arguments de vente rigoureux scientifiquement, en leur indiquant cependant un meilleur pricing pour leurs prestations. Notre client a apprécié les nouvelles méthodes et la vivacité d’esprit de l’intervenant.