SPSS met la statistique à portée de l’utilisateur

Après 40 ans d’existence – exact ?- SPSS a suivi les multiples évolutions des outils statistiques. Quelles ont été les avancées majeures ?La société a effectivement débuté son activité dans les années 60. Alors, les solutions s’adressaient essentiellement à des spécialistes des statistiques, et le marché travaillait exclusivement à base d’échantillons et de panels. Depuis les années 90, l’arrivée du Datamining et l’avancée technologique permettent de travailler directement avec les utilisateurs métier, en s’appuyant sur les données de populations globales.

Aujourd’hui, l’utilisateur de nos produits conçoit ses modèles et sélectionne le plus efficace selon ses besoins. De plus, le modèle statistique est intégré au processus métier, sans intervention de l’utilisateur final. Ainsi, tout logiciel ou progiciel de l’entreprise peut l’invoquer en lui envoyant des données et recevoir directement des résultats. Ces fonctions sont donc transparentes et généralisées.

L’entreprise doit décider vite, car les consommateurs exigent une réponse rapide. Pour y parvenir, elle a besoin de résultats en temps réel, tenant compte de l’historique complet du client, mais aussi du risque et des possibilités de fraude. Car une bonne connaissance du client lui permet d’augmenter les revenus et d’améliorer son efficacité.

Face à la multiplication des points de contacts (face à face, téléphone, e-mail, web…), et à la diversité des clients, les systèmes informatiques nécessitent un apprentissage continu pour aider les décideurs à comprendre les comportements des clients. Et c’est une évolution majeure, car la compréhension d’aujourd’hui ne vaut pas pour demain.

À quels enjeux, pour les entreprises répond ce type de logiciels ?

Il s’agit de capturer l’information où qu’elle se trouve. Actuellement, les systèmes fonctionnent en silos : le directeur financier est isolé dans son système transactionnel, tandis que le marketing utilise ses bases de données (comportementales, géographiques) et que les consommateurs naviguent et interagissent au téléphone (centres d’appel, utilisation de données non structurées) ou sur le web (navigation, origine, parcours…), etc. Tous les points de contact doivent être considérés et analysés où qu’ils se trouvent si l’on souhaite déclencher la bonne action sur la cible considérée.

Par ailleurs, les modèles doivent s’auto-enrichir en fonction du travail réalisé pour apporter des réponses pertinentes. Ainsi, si une réponse semble incohérente, le modèle doit pouvoir proposer automatiquement des modèles statistiques en fonction des règles métier définies par le client.

Aujourd’hui, les acteurs investissent dans l’analyse prédictive. Pouvez-vous nous illustrer son utilisation ?

Je récupère de l’information qui me permet de mieux connaître mon client afin d’optimiser l’action. Par exemple, lors d’une demande de crédit, une analyse du profil et du risque immédiate permet de fixer un taux et un montant de crédit possible. Il ne reste ensuite plus que les aspects juridiques à traiter (commission d’accord…).

Il s’agit d’aller bien au-delà des données descriptives : âge, nombre d’enfants, nombre de crédits…). C’est déjà un premier pas. Mais beaucoup d’autres données sont disponibles dans les entreprises, qui permettent d’obtenir des informations supplémentaires et pertinentes sur le client. Ainsi, lorsque le client appelle le service client, toutes ces informations restent souvent dans le centre d’appel et ne remontent pas vers le service marketing. C’est là un exemple qui illustre combien la prise en compte des différents points de contact s’avère primordiale pour mieux connaître le client.

Et il en va de même en recoupant ces données avec les informations issues du Web, avec les e-mails, les courriers… Si on n’utilise pas ces informations en plus des données descriptives, il peut facilement arriver que le ciblage manque de pertinence et que l’action soit inefficace. Enfin, pour apporter une valeur ajoutée optimale, l’analyse prédictive doit s’intégrer aux processus métier de l’entreprise.

En deux mots, comment vos principales solutions couvrent-elles ce besoin ?

Chez SPSS nous définissons les objectifs de l’analyse prédictive à partir de cinq idées-clés : acquérir, retenir (ou fidéliser), étendre (la base client, et le panier), gérer la fraude et anticiper le risque.

Ce sont là autant de considérations qui permettent d’améliorer l’efficacité et d’augmenter les revenus. Comme je l’ai, expliqué, il s’agit dans un premier temps de capturer les données partout où elles se trouvent afin d’obtenir une vue complète du client. La compréhension du client permet de prédire ses choix ou comportements afin de planifier l’action ciblée la plus efficace. En fonction de la réaction du client, on réajuste alors l’action en temps réel.

Notre plate-forme intégrée Predictive Enterprise Services 3.5 permet de gérer les ressources analytiques. Intégrée aux processus de production, elle offre une visibilité sur les résultats. Et cette version 3.5 améliore encore l’automatisation et la gestion des ressources (tâches et étapes basées sur des messages ou des événements, clusters pour les serveurs SPSS et Clementine…). L’interface a été enrichie, ainsi que la gestion des modèles et le reporting. L’utilisation de graphiques et de symboles simplifie l’utilisation par tous. C’est ce que disent nos clients : SNCF CRM services, La Redoute, Sephora, Carrefour, Europages, Center Parcs, Fnac.com, Apple, Crédit Agricole…

Notre plate-forme modulaire SPSS Statistics 17 existe en versions mono poste, réseau ou serveur. Ouvertes et personnalisables, son interface et ses fonctions la rendent accessible aux non-initiés, et très performante pour les experts.

Et les rapports peuvent être créés et publiés dans plusieurs formats : PDF, Office, fichiers image, et web.

SPSS propose cet outil puissant aux utilisateurs métiers, en intégrant aussi toutes les fonctions attendues par les experts et statisticiens.