Score d’appétence

La direction du marché des particuliers (DMPA) d’Engie commercialise des contrats d’énergie (gaz et électricité) ainsi que des services associés pour les particuliers. Le service DEPEX (Dépannage Electricité) est une assistance 24h/24 et 7j/7 en cas de pannes sur les installations d’électricité pour 3,99€ TTC/mois. Ce service a été lancé en janvier 2014 et a notamment été proposé via le canal Télévente (appel d’un conseiller Engie vers notre portefeuille client).

Chaque appel d’un conseiller étant facturé, il est important pour Engie de cibler les clients les plus appétents au service pour diminuer le coût d’acquisition. Dans ce cadre, la création d’un score d’appétence au service DEPEX est nécessaire. Les données des actions de la Télévente 2015 sont fournies à cet effet.

L'équipe DataForce0ne

Elle est composé de 4 étudiants : FARRIMI Mohammed, ABOUDOU Ansa (chef de projet), Condère Jérome, BLESSOU Brian.

Next

Méthode

Nous avons commencé par une phase de prétraitement, pour transformer certaines valeurs ou bien remplacer celles manquantes. A la suite de ça, une régression logistique nous a permis de retenir les attributs les plus pertinants pour notre problème.

Nous avons construit un Modèle d'apprentissage supervisé à partir des données des clients d'Engie. Nous avons appliqué un processus de traitement de données complet partant de la préparation des données jusqu'au visualisation des résultats. Notre travail a permis à Engie de reconnaitre et de cibler ses clients avec une plus grande précision. Le modèle d'apprentissage déployé est basé sur des algorithmes scientifiques et des librairies puissantes ce qui le rend plus performant et plus précis : Le Gradient Boosting et xgboost.

Next

L'Application

Un apperçu de l'application.

Next

Resultats

Deux méthodes ont été utilisés : une où l'échantillon d'apprentissage est créé aléatoirement, et l'autre où l'on fait de sorte à ce qu'on a 50% de souscrit et donc 50% de non souscrit l'échantillon d'apprentissage.

La 1ère méthode arrivait à prédire 89% des individus avec un Rappel de 22,9%.

La 2ème méthode arrivait à prédire 67% des individus avec un Rappel de 60,7.

Le Rappel étant la capacité à prédire les "Vrai Positif", la deuxième méthode est plus efficaces pour trouver des nouveaux clients.

Next

Technologies

Un apperçu des technologies utilisées.

Next

Remerciement

Un grand merci à Intech, CGI, Engie, TELECOM Nancy et notre professeur Adrien Coulet pour l'accompagnement durant le projet.

Ecrivez nous.

Pour tout renseignement completez le formulaire ci-dessous.