Institut Sous-régional gn Orange – Direction Technique

de Statistique et d’Économie Direction du Marketing

Appliquée et Communication
ISSEA O.C.M./D.M.C.

Organisation Internationale Multinationale

B.P. 294 Yaoundé, (Rép. du Cameroun) B.P. 1864 Douala, (Rép. du Cameroun)
Tel. (237) 222 22 01 34, Fax. (237) 222 22 95 21 Tel. (237) 233 42 75 37, Fax. (237) 233 42 75 30
Site Web : www. issea-cemac. org Site Web : www. orange. cm

Mémoire professionnel
Mémoire professionnel de fin d’études présenté en vue de l’obtention
du diplôme d’Ingénieur Statisticien Économiste (ISE)

Programme de Fidélité :
Impact sur le Comportement de
Consommation et Churn
Stage effectué à Orange Cameroun du 07 Août au 06 Novembre 2019

Rédigé par :

ATONZONG-GUEDIA-Dorchelle
Élève Ingénieur Statisticien Économiste, 3ème année

Encadreur correspondant : g fgfhfgjn, Encadreur professionnel :

M. Dieudonné KINKIELELE M. Christol TSANGA

Coordonnateur de la filière ISE. Campaign Management Specialist

Année académique 2019 - 2020

PROGRAMME DE FIDÉLITÉ : IMPACT SUR LE
COMPORTEMENT DE CONSOMMATION ET LE
CHURN.

ATONZONG-GUEDIA-Dorchelle

4 janvier 2020
 L’ISSEA et Orange Cameroun
n’entendent donner aucune approbation
ni improbation aux opinions émises dans
ce mémoire. Ces opinions doivent être
considérées comme propres à l’auteur.

1
Dédicace

ma famille.

i
 Remerciements

Un proverbe Mossi burkinabé affirme : « une seule main ne ramasse pas la farine ». Ceci est
d’autant plus pertinent voire perspicace que le document que vous tenez actuellement entre vos
mains, fruit de plusieurs mois de recherche, peut être considéré comme la dite farine ramassée.
Je voudrais plus particulièrement remercier :
♥ M. Francial Giscard Baudin LIBENGUE DOBELE-KPOKA, Directeur Général de l’IS-
SEA, et à travers lui tout le corps administratif et professoral, qui ne ménage aucun effort
pour que notre formation soit de qualité et adaptée aux réalités du monde professionnel ;
♥ M. Yves Huster KOM, Sénior Manager-Value Management à Orange Cameroun pour
toutes les orientations et les multiples conseils apportés tout au long de notre stage ;
♥ Mon encadreur M. Christol TSANGA, Campaign Management Specialist au CBM qui,
malgré ses multiples responsabilités, de par ses compétences exceptionnelles, son encadre-
ment bienveillant et méthodique, de par son aiguillage adéquat, a accepté de nous tenir
pour cette initiation dans le monde professionnel ;
♥ M. Dieudonné KINKIELELE, notre professeur correspondant pour son encadrement
durant ce stage et son professionnalisme toujours au rendez-vous ;
♥ Le personnel de Orange Cameroun plus précisément ceux du service Customer Base
Management(CBM). Hormis la profondeur rare et très fertile en pensée scientifique, nous
avons pu découvrir pendant cette période de stage, dans un cadre idéal des hommes
intègres, dotés de qualités humaines professionnelles éminemment rares et précieuses. En
plus de mon encadreur, je cite en particulier Mesdames et Messieurs : Tatiana NKENG,
Herman TEGUEM, Jules FOKOU, Astrid EKANI ; qu’ils trouvent ici l’expression de ma
plus profonde reconnaissance ;
♥ Mes camarades de l’ISSEA, mes promotionnaires et amis, pour leurs soutiens, encoura-
gements, conseils et l’esprit d’entraide qui règne au cours de cette formation ;
♥ Ma famille pour le soutien permanent et sans relâche, les moyens matériels et financiers
qu’ils n’ont jamais cessé de mettre à notre disposition pour notre éducation et particuliè-
rement pour la rédaction de ce mémoire ;
Je ne saurais citer tous ceux qui ont contribué à la rédaction de ce travail : que chacun
trouve ici l’expression de ma franche et profonde reconnaissance.

ii
 Sommaire

Dédicace i

Remerciements ii

Sommaire iv

Liste des abréviations v

Liste des Tableaux vi

Liste des Graphiques vii

Avant-propos viii

Résumé ix

Abstract x

Introduction générale 4

I Cadre théorique : Conceptuel et méthodologique 5

1 Généralités sur le marketing et la fidélisation, la téléphonie mobile et le data
mining 6
1.1 Notion de Marketing, de fidélisation et de comportement de consommation . . . 6
1.2 Téléphonie Mobile et notion d’attrition (Churn) . . . . . . . . . . . . . . . . . . 11
1.3 Généralités sur le Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Littérature empirique et méthodologie d’étude 18

2.1 Littérature empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Méthodologie d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

II Cadre empirique : Description et modélisation 28

3 Analyse descriptive du comportement des abonnés 29
3.1 Apurement des bases de données . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Corrélations entre variables explicatives . . . . . . . . . . . . . . . . . . . . . . . 30
3.3 Discrétisation des variables quantitatives . . . . . . . . . . . . . . . . . . . . . . 33

iii
SOMMAIRE iv

3.4 Description des différentes variables . . . . . . . . . . . . . . . . . . . . . . . . . 33

4 Facteurs explicatifs du comportement de consommation et la perte de client

chez Orange Cameroun 46
4.1 Déviance et mesure de qualité du modèle . . . . . . . . . . . . . . . . . . . . . . 46
4.2 Modélisation des habitudes de consommation . . . . . . . . . . . . . . . . . . . . 48
4.3 Modélisation de l’attrition client . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5 Statistique et un peu de mathématiques 59

5.1 les statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Conclusion générale 59

Limites et recommandations 59

Bibliographie 62

Annexes 63

Mémoire professionnel ISE 2020 ? ? iv Dorchelle ATONZONG ISSEA

c 2019-2020
 Liste des sigles et abréviations

Sigles et Abréviations Significations

AIC Akaike Information Criterion
ART Agence de Régulation des Télécommunications
BCE Banque Centrale Européenne
BIC Bayesian Information Criterion
Camtel Cameroon Telecommunication
CBM Customer Base Management
CEMAC Communauté Économique et Monétaire de l’Afrique Centrale
CRM Customer Relationship Management
DMC Direction Marketing et Communication
F CFA Franc de la Communauté Financière Africaine
GRC Gestion de la Relation Client
IAS Ingénieur d’Application de la Statistique
ISE Ingénieur Statisticien Économiste
ISSEA Institut Sous-régional de Statistique et d’Économie Appliquée
MNO Mobil Network Operator
MNS Multimedia Messaging Service
MTN Mobile Telephone Networks
MVNO Mobil Virtual Network Operator
ROC Receiver Operating Characteristic
SAS Statistical Analysis System
SIM Subscriber Identity Module
SMS Short Message Service
SVA Services à valeur Ajoutée
TSS Techniciens Supérieurs de la Statistique
USSD Unstructured Supplementary Service Data

v
 Liste des tableaux

2.1 Caractéristique par groupe et par période des échantillons en 2018 sur chaque
période . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1 Apurement des bases de données selon le type de la variable. . . . . . . . . . . . 30

3.2 Répartition par période, des abonnés selon leur comportement de consommation. 34
3.3 Répartition des abonnés selon le statut Actif ou non. . . . . . . . . . . . . . . . 35
3.4 Répartition des abonnés par période selon le statut : adhésion au programme . . 35
3.5 Évaluation du comportement de télécommunication en fonction du statut des
abonnés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6 Répartition des abonnés par statut l’utilisation ou non d’Internet et statut rési-
liation ( %) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.1 Test de significativité individuel des coefficients. . . . . . . . . . . . . . . . . . . 49

4.2 Valeurs estimées, Odds-ratio et intervalle de confiance . . . . . . . . . . . . . . . 49
4.3 Test de significativité individuel des coefficients. . . . . . . . . . . . . . . . . . . 51
4.4 Valeurs estimées, Odds-ratio et intervalle de confiance . . . . . . . . . . . . . . . 52
4.5 Test de significativité individuel des coefficients. . . . . . . . . . . . . . . . . . . 52
4.6 Valeurs estimées, Odds-ratio et intervalle de confiance . . . . . . . . . . . . . . . 53
4.7 Test de significativité individuel des coefficients. . . . . . . . . . . . . . . . . . . 54
4.8 Valeurs estimées, Odds-ratio et intervalle de confiance. . . . . . . . . . . . . . . 54

1 Liens entre variables explicatives continues sur le premier trimestre(linéaire). . . 64

2 Liens entre variables explicatives continues sur le premier trimestre(non-linéaire). 65
3 Liens entre variables explicatives continues sur le deuxième trimestre (linéaire). . 66
4 Liens entre variables explicatives continues sur le deuxième trimestre (non-linéaire). 67
5 Liens entre variables explicatives qualitatives sur le premier et le deuxième tri-
mestre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6 Répartition des abonnés par période, selon le statut de télécommunication. . . . 68
7 Présentation du comportement de télécommunication des abonnés . . . . . . . 69
8 Statut d’activité et région des abonnés. . . . . . . . . . . . . . . . . . . . . . . 69
9 Représentation statut SIM, technologie et « data » des abonnés. . . . . . . . . 70
10 Glossaire des variables utilisées dans cette étude. . . . . . . . . . . . . . . . . . . 71

vi
 Table des figures

3.1 La part des abonnés ayant amélioré leur comportement de consommation par
période, selon le statut d’adhésion ou non au programme (en %) . . . . . . . . . 36
3.2 Part des abonnés actifs selon l’adhésion ou non au programme (en %) . . . . . . 37
3.3 Représentation par période de la part des abonnés ayant bonifié leurs habitudes
de consommation, selon le statut d’évolution du nombre de jours en intra-réseau
(%) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Représentation de la part des abonnés qui ont consommé plus de services (par
rapport à 2018) par période, selon le statut de trafic en inter-réseau (%) . . . . . 39
3.5 Représentation de la part des abonnés qui ont consommé plus de services (par
rapport à 2018) par période, selon le statut de trafic en international (%) . . . . 40
3.6 Représentation de la part des abonnés qui ont consommé plus de services (par
rapport à 2018) par période, selon le statut de trafic sur le réseau (%) . . . . . . 40
3.7 Représentation par période des abonnés ayant amélioré leur comportement de
consommation, selon le statut d’utilisation d’internet (%) . . . . . . . . . . . . . 41
3.8 Représentation par période des abonnés ayant amélioré leur comportement de
consommation, selon le statut de la technologie (%) . . . . . . . . . . . . . . . . 42
3.9 Représentation par période des abonnés ayant amélioré leur comportement de
consommation, selon le statut « MultiSIM » (%) . . . . . . . . . . . . . . . . . . 42

vii
 Avant-propos

L’Institut Sous-Régional de Statistique et d’Économie Appliquée (ISSEA) est une institu-

tion spécialisée de la Communauté Économique et Monétaire de l’Afrique Centrale (CEMAC).
L’ISSEA accueille chaque année des étudiants provenant de 17 pays du continent Africain qui,
dans le cadre de l’intégration régionale permet aussi à l’Institut de jouer le rôle de centre de
renforcement de l’esprit communautaire. La formation initiale de l’ISSEA comporte 3 filières :
• La filière des Techniciens Supérieurs de la Statistique (TSS) dont la formation s’étend
sur deux (02) ans ;
• La filière des Ingénieurs d’Application de la Statistique (IAS) dont la formation s’étend
sur quatre (04) ans ;
• La filière des Ingénieurs Statisticiens Économiste (ISE) dont la formation s’étend sur
trois (03) ans.
Un ISE a pour rôle de créer, gérer et utiliser l’information statistique pour la préparation des
décisions de nature économique ou sociale concernant la nation, la région ou l’entreprise. Pour
s’imprégner du monde professionnel, l’élève est appelé à effectuer un stage professionnel à la
fin de sa deuxième année. Ce stage permet de créer un pont entre la formation académique et
la vie professionnelle afin de mieux s’adapter en entreprise à la fin de la formation. Le stage
est sanctionné par un mémoire professionnel qui est soutenu publiquement durant la dernière
année de formation.

Le présent document est le résultat d’un tel stage effectué à la Direction Marketing et Com-
munication (DMC) de Orange Cameroun, plus précisément au service de Customer Base Ma-
nagement (CBM) du 07 Août au 06 Novembre 2019 dont la thématique retenue pour ce travail
est : « L’impact du programme de fidélité sur le comportement de consommation
des abonnés et sur le phénomène de churn chez Orange Cameroun : Mars- Août
2019 ».

Aucune oeuvre humaine n’étant parfaite, nous n’avons aucune prétention d’avoir cerné tous
les contours du sujet. Ainsi, toutes les critiques, remarques et suggestions en vue d’améliorer
ce travail sont les bienvenues.

viii
 Résumé

L’accroissement de la concurrence pousse constamment les entreprises à la compétition, et

les oblige à innover régulièrement dans le but d’être de plus en plus attractives. Concrètement,
dans le cas d’un marketing orienté client où il coûte plus cher d’acquérir un nouveau client que de
fidéliser un ancien client, Orange Cameroun afin de préserver sa clientèle a lancé en fin Février
2019 son programme de fidélité qui consiste à accumuler des points et gagner des smartphones.
Cependant, le succès de ce programme ne passe pas d’évidence. Cette étude a pour objectif
d’évaluer le programme sur les habitudes de consommation et la résiliation du contrat. À travers
la méthode des essais randomisés, sont construits trois (03) échantillons sur trois (03) périodes
notamment le premier trimestre (336 916 abonnés), le deuxième trimestre (13 407 abonnés)
et le premier semestre (130 152 abonnés) après son lancement pour évaluer cet impact sur le
comportement de consommation. Un quatrième échantillon (4 262 913 abonnés) est construit
sur le premier semestre après son lancement afin de se prononcer sur sa contribution à la
rétention client. Ainsi, la méthodologie qui nous permet d’atteindre nos objectifs consiste d’une
part à effectuer les statistiques descriptives (analyse uni-variée et bi-variée) qui permettent
de découvrir les caractéristiques des échantillons retenus. D’autre part, la régression logistique
dans sa version logit est utilisée sur chaque échantillon pour évaluer cet impact. Il ressort des
analyses que le programme de fidélité a eu un impact positif sur les habitudes de consommation
et la rétention client au premier semestre après son lancement. Cependant, cette efficacité n’a
pas été observée au premier trimestre mais plutôt à partir du second semestre. De plus, i l existe
d’autres facteurs qui impactent les habitudes de consommation et la résiliation client notamment
l’ancienneté (positivement), le nombre de jours passés en inter-réseaux (négativement), le fait
de posséder une carte SIM de la concurrence (négativement). Malgré que dans cette étude, il n’a
pas été pris en compte la catégorie socioprofessionnelle des abonnés et l’âge, il est recommandé
à l’entreprise que dans le cas où elle voudrait lancer un autre programme similaire, de faire des
communications au moins trois mois avant son lancement.

Mots clés : programme de fidélité, comportement de consommation, résiliation, rétention.

ix
 Abstract

Increasing competition is constantly pushing companies to compete, and forces them to

innovate regularly in order to be more attractive. In concrete terms, in the case of customer-
oriented marketing where it costs more to acquire a new customer than to keep one, Orange
Cameroon in order to preserve its customers launched its loyalty program at the end of Fe-
bruary 2019 which consists on accumulating points and earning smartphones. However, the
success of this program is not obvious. This study has to evaluate the program on consumption
patterns and contract termination. Through the randomized trial method, three (03) samples
are constructed over 03 periods, that is during the first quarter (336,916 subscribers), second
quarter (13,407 subscribers) and the first semester (130,152 subscribers) after its launch to
assess this impact on consumption behaviour. A fourth sample (4,262,913 subscribers) is built
in the first semester of the year after its launch in order to assess the consumers retention.
Thus, the methodology that allows us to achieve our goals consists on one hand to carry out
descriptive statistics (uni-variate and bi-variate analysis) that allow us to discover the charac-
teristics of the selected samples. On the other hand, the logistic regression in its logit version
is used on each sample to assess this impact. The analyses show that the loyalty program has
had a positive impact on consumer habits and retention, during the first semester after it was
launched. However, this effectiveness has not been observed in the first term but rather from
the second quarter after the launch of the program. Moreover, there are other factors that
impact consumer habits and customer termination, including seniority (positively), number of
days spent on inter-networks (negatively), ownership of a competitor’s SIM card (negatively).
Although this study did not take into account the socio-professional category of subscribers
and age, it is recommended that in future, if the company wishes to launch another similar
program, it should make an announcement at least tree months before launching.

Keywords : loyalty program, consumption behaviour, churn, retention.

x
 Introduction générale

1. Contexte et justification
L’accroissement de la concurrence oblige les entreprises à chercher constamment les moyens
d’être plus attractives et donc compétitives. Le coût d’acquisition de client est de plus en plus
lourd et la prospection dans le but de recruter de nouveaux clients bute sur une concurrence
accrue et sur un marché souvent saturé. Les domaines bancaires et de télécommunications
sont ceux qui sont les plus touchés par ce phénomène. Selon l’annuaire statistique de l’Agence
de Régulation des Télécommuncations (2018)[8], les chiffres clés sur la Téléphonie Mobile et
Internet au Cameroun concernant le nombre d’abonnés révèlent qu’en Janvier 2018, Orange
détient la plus grande part du marché soit 38.1% d’abonnés ; suivi de MTN (Mobile Telephone
Networks) Cameroon avec 37.3% d’abonnés. Ensuite viennent Nexttel Cameroun et Camtel
avec respectivement 23.6% et 1% d’abonnés.

Dans cet environnement fortement concurrentiel, satisfaire les clients est l’une des préoccupa-
tions majeures des entreprises en général et de Orange Cameroun en particulier. La fidélisation
du client passe par la concrétisation d’une relation client-opérateur et la mise en oeuvre d’ac-
tions de fidélisation et la bonification des clients en récompense des efforts accomplis, de leur
attachement aux produits et services de l’entreprise. Il apparait donc que mieux satisfaire les
clients les amène à s’attacher à la marque et évite à l’entreprise de les perdre. Ce phénomène
de perte de clients dont le terme consacré est churn conduit à une baisse de revenus pour
l’entreprise et l’oblige à engager des coûts supplémentaires pour en acquérir de nouveaux afin
de maintenir le cap et atteindre ses objectifs de croissance.

Consciente de cette réalité préoccupante et dans le but de trouver des stratégies permettant
de fidéliser, d’attirer plus de clients, de leur donner de la valeur et d’améliorer sa rentabilité,
Orange Cameroun a lancé en fin Février 2019 le Programme de Fidélité qui consiste à
accumuler les points et gagner des Smartphones. Ce programme est une action marketing visant
à récompenser les attitudes fidèles des clients (Sharp et Sharp, 1997 [28]). Cette stratégie peut
stimuler les habitudes de consommation des abonnés et réduire les pertes pour l’entreprise.

1
Introduction générale 2

Le comportement de consommation d’un abonné est capté par le revenu qu’il génère. les
abonnés étant optimisateurs, un abonné qui adhère au programme cherchera à bénéficier des
avantages qu’offre ce dernier. Dans le but d’atteindre cet objectif et compte tenu du fonction-
nement du programme, il devrait accumuler les points dans un temps imparti afin de bénéficier
des avantages. Cette accumulation de points passe par la consommation des services notamment
les appels téléphoniques qui est équivalent à un revenu généré.

2.Problématique
Il ressort de ce qui précède que les programmes de fidélisation constituent une stratégie
bénéfique pour l’entreprise. Cette méthode peut être considérée comme une stratégie commer-
ciale qui permet de lutter contre la perte de clients, d’en acquérir de nouveaux et encourager
ceux qui consomment déjà, d’en consommer davantage les services offerts par l’entreprise ou la
marque.

S’inspirant du succès du programme de fidélité « AAdavantage » de American Airlines

(AA), plusieurs entreprises dans différents secteurs ont lancé leur programme de fidélité, appelé
également programme relationnel (Meyer, 2013[20]). La question de leur efficacité demeure
(Breugelman et al., 2014 [7]), ce qui pousse Orange Cameroun à s’interroger sur l’effet du
programme de fidélité sur les habitudes de consommation des clients et la perte de clientèle.
D’où l’intérêt de notre question de recherche : Est-ce que le programme de fidélité lancé
par Orange Cameroun permet d’améliorer les habitudes de consommation et de
réduire la perte des clients ?

3.Intérêt de l’étude
L’implémentation d’un programme de fidélité implique des coûts importants. L’étude a pour
intérêt de justifier le choix porté sur le programme de fidélité plutôt qu’une autre action de
fidélisation qui pouvait s’avérer moins couteuse.

4.Hypothèses de recherche et de travail

4.1 Hypothèse de travail

En dehors du programme de fidélisation, aucune autre nouvelle stratégie de fidélisation n’a
été menée au sein de l’entreprise pouvant influencer ou justifier le statut (actif ou non actif)
d’un abonné entre début Mars 2018 et fin Août 2019.

Mémoire professionnel ISE 2020 ? ? 2 Dorchelle ATONZONG ISSEA

c 2019-2020
Introduction générale 3

4.2 Hypothèse de recherche

En fonction des objectifs que vise le programme de fidélité d’Orange Cameroun, les hypo-
thèses de recherche sont ainsi formulées :
H1 : Le programme de fidélité influence l’usage des services offerts aux clients ;
H2 : Le programme de fidélité a permis de réduire la perte des clients (le taux d’attrition)
sur le premier semestre après son lancement ;
H3 : L’efficacité du programme a été moins prononcée sur la période immédiatement après
le lancement.

5. Objectifs de l’étude
L’objectif principal de cette étude est d’évaluer le programme de fidélité. Spécifiquement, il
s’agit de :
• Déterminer l’impact du programme de fidélité sur les habitudes d’usage des services
offerts par Orange Cameroun ;
• Vérifier si le programme modifie de plus en plus les habitudes de consommation des
abonnés avec le temps ;
• Savoir si le programme réduit le taux de perte des clients (taux d’attrition) sur la période
d’étude.

6. Approche méthodologique et base de données

Les données utilisées proviennent de la Base de Données, mises à la disposition du service
Customer Base Management (CBM) par le département du Système Informationnel.

Compte tenu de la problématique et des hypothèses de recherche, l’étude est faite sur trois
périodes toutes portant sur l’année 2019 notamment :
• Mars à Mai 2019 qui constitue le premier trimestre après le début du programme ;
• Juin à Août 2019 qui constitue le deuxième trimestre après le début du programme ;
• Mars à Août 2019 qui regroupe les deux périodes précédentes et constitue le premier
semestre après le lancement du programme .
La méthodologie utilisée dans ce travail est constituée de plusieurs étapes :
(i) La construction des échantillons de travail. Il s’agit ici de construire un échantillon sur :
• Chaqu’une des trois période et constitué des individus qui se sont inscrits au pro-
gramme et de ceux qui ne se sont pas inscrits mais qui avaient le même profil (revenus
qu’ils génèrent à l’entreprise) pendant les mêmes périodes mais en 2018 pour éviter les
effets saisonniers ;
• La troisième période (semestre) constitué des individus qui se sont inscrits ou non au
programme.

Mémoire professionnel ISE 2020 ? ? 3 Dorchelle ATONZONG ISSEA

c 2019-2020
Introduction générale 4

(ii) L’analyse descriptive uni-variée sur les habitudes de consommation, sur le statut d’un
abonné (actif ou non) et sur les principaux facteurs pouvant influencer ou justifier ce
comportement permettra de découvrir les différentes caractéristiques de ces facteurs ;
(iii) L’analyse descriptive bi-variée permettra de ressortir les différentes liaisons entre ces
facteurs et le comportement des abonnés (consommation et résiliation) ;
(iv) La régression logistique sur chaque période d’étude permettra de visualiser l’effet du
programme de fidélité sur la tendance de consommation des abonnés ;
(v) La régression logistique permettra également de visualiser l’influence du programme
de fidélité sur le phénomène de perte de clients sur la période d’étude.

7. Plan de travail
Le travail est subdivisé en deux parties comportant chacune deux chapitres.

La première partie est consacrée au cadre théorique (conceptuel et méthodologique). Son

premier chapitre présente quelques concepts clés relatifs :
(i) Au marketing et à la fidélisation ;
(ii) À la téléphonie mobile et au « churn » ;
(iii) Au data mining. 1
Le deuxième chapitre quant à lui est consacré à la revue de littérature et la méthodologie de
l’étude.

La seconde partie qui présente le cadre expérimental (description et modélisation) s’ar-

ticule également autour de deux chapitres. Le premier chapitre (description) fait une analyse
des principaux facteurs des habitudes de consommation et du phénomène de perte de clients.
Le deuxième chapitre (modélisation) présente les principaux résultats issus de la régression lo-
gistique et l’effet du programme de fidélité sur l’usage des services offerts et sur le phénomène
de perte de clients. À la fin de ce chapitre, une discussion est faite par rapport aux études
antérieures, ainsi qu’une présentation des limites et quelques recommandations à l’endroit de
l’entreprise.

1. data mining ou fouille de données est un ensemble d’approches statistiques permettant d’extraire de
l’information de grands jeux de données dans une perspective d’aide à la décision.

Mémoire professionnel ISE 2020 ? ? 4 Dorchelle ATONZONG ISSEA

c 2019-2020
 Première partie

Cadre théorique : Conceptuel et

méthodologique

5
 Chapitre Premier

Généralités sur le marketing et la

fidélisation, la téléphonie mobile et
le data mining

Ce chapitre présente tout d’abord les principales notions relatives au marketing, à la fidéli-
sation de la clientèle et au comportement de consommation ; ensuite à la téléphonie mobile ; et
enfin au data mining.

1.1 Notion de Marketing, de fidélisation et de comporte-

ment de consommation

1.1.1 La notion de Marketing

Selon Thomas(2015)[5], le marketing se définit comme étant l’analyse des besoins des
consommateurs et l’ensemble des moyens d’action utilisés par les organismes pour influencer
leur comportement. Il crée la valeur perçue par les clients et adapte l’offre commerciale de
l’entreprise aux désirs des consommateurs. Le marketing se manifeste comme un système de
recherche, de stratégie et d’action. « La mission du marketing en tant que discipline de gestion
des organisations est de bâtir une clientèle et de s’assurer, à long terme, de sa fidélité soutenue,
en posant au jour le jour et donc à très court terme, les gestes nécessaires au renforcement de sa
satisfaction », précisent Dussart et Michel Cloutier (Yvan Valsecchi, 2009[30]). Le marketing a
rapidement évolué vers une approche relationnelle : Customer Relationship Management (CRM)
en plaçant le client au centre de son intérêt. Cette orientation conduit à un double résultat
positif : la satisfaction et la performance de l’entreprise comme le rappelle Gilles Marion(2003,
p50 [19]).

Le CRM en français Gestion de la Relation Client (GRC) est un ensemble de systèmes

permettant d’optimiser la relation qu’entretient la marque avec ses clients, afin de les fidéliser et
augmenter le chiffre d’affaires de l’entreprise par client. Autrement dit, l’objectif est de parvenir
à fidéliser ces clients en répondant le mieux possible à leurs attentes et en leur ôtant toute envie
d’essayer une autre marque. La démarche repose sur l’idée selon laquelle la prospection de

6
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 7

nouveaux clients est plus coûteuse, notamment dans un environnement fortement concurrentiel,
que la sédentarisation 1 de ceux qui figurent déjà dans le portefeuille clients (base de données)
de l’entreprise ou de la marque.

1.1.2 La fidélisation de la clientèle

Cette notion a été introduite au début du XX ème siècle par Copeland dans ses travaux [9]
. Les chercheurs en marketing se sont intéressés ces dernières décennies au concept de fidélité
(notamment à la marque) pour tenter de le définir et le mesurer. Jacoby et Keyner (1973)[13]
définissent la fidélité comme étant « une réponse comportementale biaisée (car non aléatoire)
exprimée dans le temps par une entité de décision, considérant une ou plusieurs marques prises
dans un ensemble, en fonction du processus de décision ». Autrement dit, la fidélité désigne
un comportement par lequel un consommateur répète des achats d’un produit ou d’un service
au bénéfice d’une marque. La plupart des auteurs se sont penchés à étudier la fidélité comme
comportement d’achat malgré qu’il existe aujourd’hui d’autres variétés de définition de fidélité.
On parle de fidélité comportementale.

Un client fidèle est un client qui s’attache à la marque, au magasin, ou autres entités basées
sur les attitudes favorables et des réponses comportementales telles que les achats répétés
(Baran ; Galka ; et Strunk, 2008 [2]). La fidélisation des clients est essentielle à une entreprise
comme le précise Reichheld et Frederick. [24] : il coûte cinq (5) fois plus cher d’acquérir un
nouveau client que de fidéliser un ancien client. Ceci s’explique par le fait que les anciens
clients sont moins sensibles au prix car ils sont prêts à payer une prime pour continuer à acheter
plutôt que de supporter des coûts liés aux recherches supplémentaires. Ils apportent beaucoup
de bénéfices à l’entreprise en augmentant leurs achats et en réduisant les coûts d’opération,
réduisent les dépenses du marketing pour attirer de nouveaux clients et améliorent la rentabilité
de l’entreprise (Rowley, 2005 [26]). La fidélité permet aux entreprises de développer la rétention
client (réduire le taux d’attrition), de générer le bouche-à-oreille positif (Reichheld, 2003 [24] ;
N’Goala, 2010 [21]). L’entreprise doit donc chercher les moyens à utiliser pour fidéliser ses
clients.

1.1.3 Les différents moyens utilisés pour fidéliser les clients

L’entreprise doit optimiser sa prospection commerciale et fidéliser sa clientèle à travers une
stratégie marketing de fidélisation. La fidélisation est indispensable pour n’importe quelle entre-
prise. Fidéliser un client peut être un travail pénible, mais qui coûte moins chère que conquérir
un nouveau client. Une stratégie de fidélisation est encore une stratégie de différenciation qui
doit être adaptée aux offres et à la concurrence. La littérature marketing fournit plusieurs
1. la sédentarisation : pour une population d’un mode de vie sédentaire c’est-à-dire qui ne quitte guère la
marque

Mémoire professionnel ISE 2020 ? ? 7 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 8

moyens pour fidéliser ses clients sur le long terme et assurer la pérennité de la marque (Y.
Odin, N. Odin, et Valette-Florence, 2001 [22]).

(i)L’utilisation des réseaux sociaux

Les réseaux sociaux peuvent être efficaces dans une démarche de fidélisation. Ils permettent
de communiquer avec des consommateurs, d’interagir avec eux, d’écouter leurs remarques et de
proposer les services d’actualité. Ils permettent également de faire ressentir aux clients qu’ils
sont écoutés en obtenant des réponses à leurs commentaires et à leurs questions. Ces réseaux
conduisent également à une confiance et par conséquent une fidélisation plus grande des clients.

(ii) Les programmes de fidélité

C’est une méthode de fidélisation qui s’adresse aux clients récurrents. Son objectif est de
récompenser la fidélité par des offres spécifiques. C’est une excellente façon d’inciter les clients
à faire de nouveaux achats afin de pouvoir bénéficier des avantages du programme.

(iii) Les cadeaux d’affaires

Offrir des cadeaux d’affaires reste une pratique utilisée par de nombreuses entreprises dont
l’objectif est de remercier les clients pour leur engagement. Les cadeaux d’affaires constituent
un moyen d’inciter les clients à rester fidèles aux produits ou aux services proposés. Ils sont
appréciés par les clients et ils permettent de les fidéliser. Faire un cadeau à son client peut être
un moyen d’entretenir la relation, et par conséquent le fidéliser. Il est nécessaire de privilégier
la qualité de l’objet offert qui doit être discret et utile à son destinataire. Il est possible de
personnaliser le cadeau afin d’amplifier son impact sur le client.

(iv) L’emailing ciblé et personnalisé

L’emailing qui est le publipostage électronique ou en ligne peut également être une tech-
nique de fidélisation efficace. Il permet d’informer régulièrement ses clients sur les nouveautés
et les promotions de l’entreprise. Pour garantir son efficacité, il est nécessaire que la communi-
cation soit extrêmement personnalisée. Il faudrait envoyer les emails qui peuvent véritablement
intéresser les clients à travers l’étude de leurs habitudes d’achat. Il faut également leur proposer
des produits complémentaires ou similaires au bon moment.

Les mails doivent aussi permettre de valoriser les avis des clients avec des questionnaires sur
la qualité des produits ou des services. En effet, plus un client se sent écouté et concerné, plus
il est fidèle (Isaac et Volle, 2014 [12] ). L’utilité de ces différents moyens dépend de l’objectif
d’étude et du marché (Jorna et Leenders, et al., 2003 [14]).

Mémoire professionnel ISE 2020 ? ? 8 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 9

1.1.4 Les programmes de fidélisation

Selon P.H KOLTER et B. DUBOIS (1993) (Jean-Marc LEHU, 2003, p39)[18], un programme
de fidélité est un moyen d’identifier, de maintenir et d’accroître l’activité des meilleurs clients
à travers des relations à long terme, interactives et créatives de valeur.
Selon Lewis [31], un programme de fidélisation est défini comme un système de récompense à
points qui permet de baisser le taux d’attrition (« churn rate »). L’accumulation d’un solde
de points qui ne peut être utilisé immédiatement, crée en effet une barrière à la sortie et lie le
client à l’entreprise. Selon Lewis (2003) [31], les programmes de fidélité permettent de :
• instaurer une relation durable, interactive et individualisée ;
• faire remonter l’information client et entreprise régulièrement ;
• satisfaire individuellement et régulièrement les besoins les besoins ;
• modifier le comportement d’achat.
L’objectif primaire d’un programme de fidélité est d’établir et maintenir une relation de long
terme avec les clients fidèles (Zamazalova, 2010 [33]). Les programmes de fidélisation font gé-
néralement référence aux points ou à des récompenses. Ils sont offerts par les compagnies de
télécommunications et aériennes, les banques, les épiceries, les stations services, les hôtels, les
agences de location de voitures, les restaurants, les cafés, les librairies etc. (Baran, Galka, et
Strunk, 2008 [3]). L’intention est de récompenser la fidélité ; les acheteurs fréquents, comme
l’ont précisé Reichheld et Sasser en 1990 dans leurs travaux [25].

Les programmes de fidélité représentent une part de communication marketing, et l’un des
outils classiques des promotions de vente. Grâce à cet outil, le marketing peut affecter le client
afin de le fidéliser. Le principe basique d’un programme de fidélité est de motiver les clients à
consommer davantage les services. L’essentiel de cet outil est de récompenser les clients pour
leur comportement. Seuls les clients inscrits ont la possibilité d’acquérir des récompenses.

Mémoire professionnel ISE 2020 ? ? 9 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 10

Présentation du programme de fidélité de Orange Cameroun.

Orange Fidélité pour qui ?.

Pour tout client Prépayé 2 ou Hybride
Comment accéder aux informations sur l’offre ?
En composant le #200# ou en allant sur l’application MyOrange.
À quoi sert de composer le #200# ?
À s’inscrire gratuitement au programme de fidélité, à recevoir 500 points de bonus de bienvenue,
à consulter le nombre de points cumulés, à transformer les points en lots.
Quelle est l’utilité de ces points ?
Plus on cumule de points, plus on a de chances de recevoir un smartphone.
Combien de points par service
Pour tous les services d’appels, SMS, et internet, l’abonné gagne de fidélité par 25 F CFA
dépensés.
L’ouverture d’un compte Orange Money vaut 500 points.
Pour les services Orange Money, l’abonné gagne 1 point par 5F CFA dépensés en commission.
Puis-je transférer mes points à quelqu’un ?
Non
Est-ce que je peux perdre mes points ?
Pas avant la fin du programme.

NB : Les points sont mis à jour dans un délai de 48 h après les transactions.

1.1.5 Comportement de consommation

Le but du marketing est de répondre aux besoins et aux désirs des consommateurs de
façon plus pertinente que les concurrents. Les responsables marketing analysent en permanence
les nouvelles tendances de consommation qui donneront lieu à des opportunités en terme de
marketing. Pour réussir cet exercice et donc leur politique marketing, ils doivent comprendre
les clients en profondeur ; connaitre leurs choix.

Le comportement du consommateur étudie comment les particuliers choisissent et utilisent les

produits et services. Il existe plusieurs facteurs qui influencent les comportements des consom-
mateurs (Kotler P., et al., 2011, p202 [15]) notamment :
• Les facteurs personnels : les intérêts et les opinions du consommateur. Ils seront influencés
par des éléments démographiques tels que l’âge, le sexe, la culture, la profession, le milieu
de résidence etc.
• Les facteurs psychologiques : la réaction de chaque abonné vis-à-vis d’une campagne
de marketing dépendra de ses convictions et de son état d’esprit. En effet, la capacité
d’un abonné à comprendre les informations, sa personnalité, sa mentalité influencent son

Mémoire professionnel ISE 2020 ? ? 10 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 11

comportement ;
• Les facteurs sociaux : l’entourage (il regroupe la famille, les amis ou encore les connexions
sur les réseaux sociaux), mais également la classe sociale et les revenus.

1.2 Téléphonie Mobile et notion d’attrition (Churn)

Le but est de définir quelques concepts ayant un lien avec la téléphonie mobile.

1.2.1 Opérateur de réseau mobile

C’est une compagnie de télécommunications qui propose les services de téléphonie mobile
(moyen de communication par téléphone mobile) ou d’accès mobile à internet. L’opérateur
fournit une carte SIM (mis pour « Subscriber Identity Module ») aux clients afin qu’ils puissent
accéder à son réseau. Il est également chargé du marketing, de la commercialisation, de la
facturation et de l’assistance à sa clientèle. Toutefois, un opérateur peut externaliser toute ou
partie de ses activités.
La téléphonie mobile est structurée autour de deux (02) types d’opérateurs de réseau mobile : les
opérateurs classiques (aussi appelés MNO) possédant leur propre réseau mobile et les opérateurs
virtuels (aussi appelés MVNO 3 ) qui utilisent le réseau des opérateurs classiques. Au Cameroun,
on compte :
• Quatre (04) opérateurs classiques : Orange Cameroun, MTN Cameroon, Camtel et Viet-
tel Cameroun ;
• Deux (02) opérateurs virtuels formellement déclarés : Yoome et SNS mobility (vodafone)
opérant à partir du réseau de Camtel.
Ces opérateurs fournissent des services tels que :
(i) Les services de la communication électronique de base
Ce sont des prestations consistant entièrement ou principalement en la fourniture de com-
munication électronique. On distingue trois (03) services de communication électronique
de base :
• Le service d’appel couramment appelé service Voix qui peut être inter-réseau (offnet)
ou intra-réseau (onnet) ou bien à l’international ;
• Le service de messagerie couramment appelé SMS (Short Message Service) ;
• Le service internet ou « data » est un service permettant d’accéder à partir de la
téléphonie mobile à la connexion internet.
(ii) Les services à valeur ajoutée (SVA)
Ce sont des services offerts en supplément de ceux de la communication électronique de
base avec des conditions de facturation propres. Ils sont produits par les interfaces entre
les abonnés et les fournisseurs des SVA. On distingue généralement, les services à valeur
3. MVNO est un opérateur de réseau mobile virtuel, qui, ne possédant pas d’infrastructures réseau propres,
contracte un accord avec un opérateur concessionnaire possédant un réseau mobile dans le cadre de la revente
de trafic.

Mémoire professionnel ISE 2020 ? ? 11 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 12

ajoutée vocaux (service client, radio, jeux, messagerie vocale, conférence téléphonique,
etc.), SMS, MMS et USSD (jeux, loterie, horoscope, mobile money, mobile banking, etc.)
ou internet (vidéo conférence, mails, gestion à distance, e-Learning, e-Business, cloud
Computing, sondages, Skype, Médias, etc.). La plupart de ces services sont fournis aux
abonnés du réseau.

1.2.2 Notion d’abonné

Selon l’ART (2017, p3) [8], un abonné est une « personne physique ou morale, partie à
un contrat avec un opérateur pour l’utilisation des services de communications électroniques
». Autrement dit, un abonné est une personne qui a le droit d’utiliser un réseau et/ou de
bénéficier de services aux conditions définies dans le contrat. Un abonné actif est un abonné
dont le numéro associé à sa carte SIM ou sa ligne filaire, a fait l’objet d’une action (appel, envoi
de SMS, trafic sur Internet, etc.) génératrice de revenus au cours des trois derniers mois ou bien
a reçu au moins quatre fois ces actions. Une personne qui achète une carte SIM et s’identifie
devient directement un abonné de cet opérateur. Toutefois, un abonné peut avoir plusieurs
cartes SIM, soit 3 au maximum sur un même réseau selon l’ART. Un abonné peut avoir une
seule carte SIM pour trafiquer sur tous les réseaux ; il est qualifié de « MONOSIM 4 ». Il peut
également avoir plus d’une SIM sur un même réseau (« MULTISIM interne ») ou plusieurs
cartes SIM sur au moins deux réseaux (« MULTISIM externe »). Le nombre d’abonnés chez
les opérateurs au Cameroun a baissé en 2018 par rapport à 2017 suite à des mesures prises par
le Gouvernement (identification) passant de 19, 7 Millions en 2017 à 19 Millions en 2018 5 .

1.2.3 La notion de « Churn »

Le « Churn » est un terme anglais que l’on traduit par attrition. L’attrition désigne la perte
de la clientèle ou d’abonnés. On mesure ce phénomène sur une période par le taux d’attrition
ou de résiliation ou « churn rate » à l’opposé du taux de fidélité ou taux de rétention. Le
taux d’attrition correspond pour une entreprise à la proportion des clients perdus au cours
d’une période. Cet indicateur est particulièrement important dans les « business models »
impliquant un abonnement. Parmi les secteurs d’activités les plus impactés par le « churn
», on peut citer : le marché de la téléphonie et le milieu bancaire. En effet, particulièrement
concurrentiels, en mutation constante, ces deux secteurs sont confrontés à une problématique
majeure de rétention de clients. C’est un indicateur très important pour la santé de l’entreprise
et de son évolution. Dans le secteur des télécommunications, il peut faire référence aux clients
qui changent d’opérateur. Ainsi, le « churn » peut désigner la résiliation d’un forfait ou plus
généralement d’un contrat qui lie le client et l’entreprise. L’attrition peut être volontaire ou
involontaire. Le « churn » volontaire est souvent le résultat d’une insatisfaction sur l’offre ou la
qualité des services. Le « churn » involontaire fait souvent référence à la fermeture du compte
4. Orange, Cameroun
5. Jumia Mobile Report 2019, Mars 2019

Mémoire professionnel ISE 2020 ? ? 12 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 13

d’un client suite à une non réaction pendant une longue période. Le « churn » volontaire étant
uniquement celui sur lequel on peut agir, seul celui-ci sera pris en compte dans ce travail.

La rétention clients désigne la capacité de l’entreprise à garder ses clients, à les « retenir
», à faire en sorte qu’ils continuent d’utiliser ses services. La rétention clients est un objectif
stratégique, mais aussi un indicateur : le taux de rétention client exprime la proportion de
clients qui restent d’une période à une autre. Donc il évolue en sens inverse du taux d’attrition.
Plus le taux de rétention est élevé, plus le taux d’attrition est bas.

Le taux d’attrition permet de mesurer la satisfaction des clients. Une entreprise qui ne sou-
haite pas perdre ses clients cherche à les fidéliser. Une augmentation de 5% de la rétention client
permet de générer entre 25% à 95% de profit supplémentaire selon une étude menée par Bain
et Campany 6 . Un taux d’attrition élevé révèle une discordance entre les attentes des clients
et les attributs du service. Une entreprise qui garde ses clients sécurise son revenu sur le long
terme.

Chez Orange Cameroun, le « churn rate » est calculé comme suit :

Nombre de clients perdus

Churn rate =
Nombre total de clients sur la période avant la perte

Malgré que cette méthode soit la plus répandue, elle ne permet aucun renseignement sur la
résiliation à la marque par des clients. De nombreux facteurs peuvent influencer le « churn rate
». Pour l’analyser, il faut suivre l’évolution selon les stratégies mises en place par l’entreprise.

1.3 Généralités sur le Data mining

Forage, explorations ou fouilles de données, ce sont les traductions possibles du data mining.
Le data mining désigne l’analyse de données depuis différentes perspectives et le fait de trans-
former ces données en informations utiles, en établissant des relations entre elles ou en repérant
des patterns (modèles). Le data mining repose sur les algorithmes permettant de segmenter des
données et d’évaluer les probabilités futures. Il est également surnommé Knowlege Discovery
In Data (la découverte de savoir dans les données)[12]

1.3.1 Les étapes d’une étude data mining

1.3.1.1 Création d’un sous-ensemble cible des données à partir de l’entrepôt de
données et apurement

La première étape de toute investigation est un examen des statistiques uni-variées. Il s’agit
ici de détecter et traiter les erreurs, des données manquantes, valeurs atypiques (outliers) pour
6. Bain et Campany est un cabinet international de conseil en stratégie et management, dont le siège est
situé à Boston, aux Etats-Unis.

Mémoire professionnel ISE 2020 ? ? 13 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 14

éviter le déséquilibre des analyses (Stéphane Tufféry , 2005, p59 [29]). L’apurement de la base
dépend de l’objectif de l’étude.

1.3.1.2 Transformation des données

Selon le but de l’étude, certaines variables peuvent être « normalisées », linéarisées, décou-
pées en classes, compressées. Cette transformation se fait une fois que l’on a éliminé les liaisons
fortes entre les variables pour éviter de transformer toutes les variables au lieu de se concentrer
uniquement sur les variables nécessaires (Stéphane Tufféry, 2005, P 76 [29]). Stéphane Tufféry
souligne que l’on n’a pas toujours recours à une méthode purement statistique, parfois aux
critères statistiques s’ajoutent les critères du « métier ».

1.3.1.3 Explication de l’objectif et de la stratégie d’analyse

Une stratégie d’analyse est adaptée selon l’objectif de l’étude. Dans le cadre de cette étude, il
s’agit d’étudier l’influence du programme de fidélité sur les habitudes de consommation et sur la
perte des clients. Pour résoudre cette problématique et ne pas surestimer l’effet du programme,
il est prudent d’intégrer tout autre facteur pouvant pousser un individu à changer ses habitudes
de consommation ou à résilier.

1.3.1.4 Choix des méthodes, des algorithmes

On distingue le data mining supervisé qui sert essentiellement à la classification des données
et le data mining non supervisé qui est utilisé dans la recherche d’associations ou de groupes
d’individus.

1.3.1.5 Apprentissage supervisé

L’apprentissage est dit supervisé lorsque les données qui entrent dans le processus sont
déjà catégorisées et que les algorithmes doivent s’en servir pour prédire un résultat en vue de
pouvoir le faire plus tard lorsque les données ne sont plus catégorisées. Parmi les méthodes
d’apprentissage, on peut citer entre autres la régression logistique, les arbres de décision et les
réseaux de neurones artificiels.

• La régression logistique : C’est une technique prédictive. Elle vise à construire un modèle
permettant de prédire ou expliquer les valeurs prises par une variable cible qualitative (le plus
souvent binaire, on parle alors de régression logistique binaire ; si elle possède plus de deux
modalités, on parle de régression logistique polytomique) à partir d’un ensemble de variables
explicatives qualitatives. Dans cette régression, on peut introduire des variables quantitatives.

• Les arbres de décision : C’est un outil d’aide à la décision qui permet de répartir une
population d’individus en groupes homogènes selon des attributs discriminants en fonction d’un
objectif fixé et connu. Ils permettent d’émettre des prédictions à partir des données connues

Mémoire professionnel ISE 2020 ? ? 14 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 15

sur le problème par réduction, niveau par niveau, du domaine des solutions.
Chaque noeud interne d’un arbre de décision porte sur un attribut discriminant des éléments
à classifier qui permet de répartir ces éléments de façon homogène entre les fils de ce noeud.
Les branches liant un noeud à ses fils représentent les valeurs discriminantes de l’attribut du
noeud. Et enfin, les feuilles d’un arbre de décision sont ses prédictions concernant les données
à classifier.
Cette méthode a l’avantage d’être lisible pour les analystes et permet de déterminer des couples
« attribut, valeur » discriminants à partir d’un grand nombre d’attribut et de valeurs.

• Les réseaux de neurones : Un réseau de neurones est un modèle de calcul dont le fonction-
nement schématique est inspiré du fonctionnement des neurones biologiques. Chaque neurone
fait une somme pondérée de ses entrées (ou synapses) et retourne une valeur en fonction de
sa fonction d’activation (permet de déterminer l’état d’activation d’un neurone formel). Cette
valeur peut être utilisée soit comme une des entrées d’une nouvelle couche de neurones, soit
comme un résultat qu’il appartient à l’utilisateur d’interpréter (classe, résultat d’un calcul,
etc.).
La phase d’apprentissage d’un réseau de neurones permet de régler le poids associé à chaque
synapse d’entrée (on parle également de coefficient synaptique). C’est un processus long qui
doit être réitéré à chaque modification structurelle de la base de données traitées.

1.3.1.6 Apprentissage non-supervisé

C’est lorsque l’on cherche à extraire des informations nouvelles et originales d’un ensemble
de données dont aucun attribut n’est plus important qu’un autre.
Les résultats d’une telle investigation doivent être analysés afin d’être retenus pour un usage
ou tout simplement rejetés.

• Clustering : C’est une méthode statistique d’analyse de données qui a pour but de regrou-
per un ensemble de données en différents groupes homogènes. Chaque sous-ensemble regroupe
des éléments ayant des caractéristiques communes qui correspondent à des critères de proxi-
mité.
Le but des algorithmes de clustering est donc de minimiser la distance intra-classe (grappes
d’éléments homogènes) et de maximiser la distance inter-classe afin d’obtenir des sous-ensembles
les plus distincts possible. La mesure des distances est un élément prépondérant pour la qualité
de l’algorithme.

• Les règles associatives : Ce sont des règles qui sont extraites d’une base de données
transactionnelles et qui décrivent des associations entre certains éléments. Cette technique
permet de faire ressortir les associations entre les produits de base (les produits essentiels, ceux
pour lesquels le client se déplace) et les produits complémentaires, ce qui permet de mettre en

Mémoire professionnel ISE 2020 ? ? 15 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 16

place des stratégies commerciales visant à accroître les profils en favorisant, par exemple, les
ventes complémentaires. Elle est utilisée en téléphonie pour déceler les associations d’options
retenues. La grande difficulté de cette méthode réside dans sa mise en oeuvre résidant dans le
grand nombre de règles d’associations inintéressantes qui submergent les règles pertinentes.

• Sequence mining : Cette méthode concerne la détection de motifs dans un flux de données
dont les valeurs sont délivrées par séquences. Cette technique est particulièrement utilisée en
biologie pour l’analyse de gènes et des protéines.

1.3.1.7 Apprentissage incrémental

Elle permet à une machine d’apprendre par ajout successif d’informations. Pour être consi-
déré comme tel, un système d’apprentissage doit :
• Être capable d’apprendre de nouvelles informations à partir de nouvelles données ;
• Être capable de se passer des données d’origine pour entrainer le nouveau classifieur ;
• Préserver le savoir précédemment acquis ;
• Être capable de reconnaître de nouvelles classes introduites dans les nouvelles données.
Bref l’adoption d’une méthode dépend de l’objectif de l’étude et le modèle retenu devrait être
celui qui apporte le maximum d’informations.

1.3.2 Les qualités du modèle

Avant la validation du modèle, certains tests doivent être faits afin d’exploiter les résultats.
Le modèle retenu doit être globalement significatif, doit avoir un bon pouvoir prédictif, etc.
Bref, le modèle obtenu doit avoir des qualités suivantes :
La prévision
Le taux d’erreur, proportion d’individus mal classés, doit être aussi le plus bas possible. Des
indicateurs de qualité comme l’aire sous la courbe ROC et l’indice de Gini que l’on verra au
chapitre 4 doivent être le plus proche possible de 1.
La robustesse
Le modèle doit aussi être peu sensible aux fluctuations aléatoires de l’échantillon d’apprentissage
utilisé, et bien se généraliser à d’autres échantillons issus de la même population.
La concision (parcimonie)
Les règles du modèle doivent être simples et aussi peu nombreuses que possible. Elles seront à la
fois plus explicites, plus faciles à contrôler et plus susceptibles de se généraliser à des situations
un peu différentes.

1.3.2.1 Exploitation

Une fois que le modèle retenu a des « bonnes » qualités, il doit être exploité pour des fins
utiles. Par exemple dans le cadre de ce travail, la phase d’exploitation consistera à confirmer
ou infirmer les hypothèses de recherche qui ont été fixées.

Mémoire professionnel ISE 2020 ? ? 16 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 1. GÉNÉRALITÉS SUR LE MARKETING ET LA FIDÉLISATION, LA TÉLÉPHONIE MOBILE ET LE DATA MINING 17

1.3.2.2 Diffusion des résultats

Il s’agit dans cette partie de publier si possible ses résultats.

1.3.3 Le rôle du data mining en entreprise

Le data mining permet à une entreprise de :
• Mieux comprendre ses clients en établissant un profil très fin de chacun d’entre eux,
anticiper l’évolution de leurs besoins et ainsi adapter sa politique de fidélisation ;
• Découvrir des niches rentables nécessitant un traitement marketing spécifique ;
• Optimiser l’adéquation de son offre à chaque profil ;
• Adapter sa politique commerciale et sa tarification aux différents profils, optimiser l’im-
pact et la rentabilité des offres commerciales ;
• Cibler finement ses actions de recrutement sur des prospects à fort potentiel et plus
généralement cibler finement ses actions de développement : Cross-selling, up-selling ;
• Adapter le calendrier de ses actions marketing aux différents profils ;
Pour conclure, le data mining est employé en marketing pour une meilleure compréhension
de la clientèle, en vue de l’adaptation de la communication et de la stratégie commerciale de
l’entreprise (Stéphane Tufféry, 2005, P30).

Conclusion partielle
Il était question dans ce chapitre de présenter quelques notions nécessaires à la compréhension
de la suite du travail. Le marketing est l’analyse des besoins des consommateurs, l’ensemble des
moyens d’actions utilisés par la marque pour influencer leur comportement. Il a pour mission
de bâtir une clientèle et de s’assurer de sa fidélité à long terme. Un client fidèle étant un client
satisfait, capable de recommander et de faire régulièrement les achats. Le marketing orienté
client repose sur le fait que l’acquisition d’un nouveau client coute plus chère que la
perte d’un ancien client. Il existe plusieurs moyens de fidéliser les clients parmi lesquels les
programmes de fidélité qui permettent d’entretenir, stimuler les clients et encourager ceux qui
sont fidèles à travers les récompenses. Le comportement de consommation étudie comment les
particuliers choisissent des produits et services. Il existe plusieurs facteurs qui peuvent influen-
cer ce comportement notamment les programmes de fidélité.

Mémoire professionnel ISE 2020 ? ? 17 Dorchelle ATONZONG ISSEA

c 2019-2020
 Chapitre Deux

Littérature empirique et
méthodologie d’étude

Les programmes de fidélité sont généralement utilisés dans plusieurs secteurs : les insti-
tutions financières, les grandes surfaces, les compagnies aériennes, les restaurants et hôtels.
L’efficacité de ces programmes a été et reste largement débattue dans les recherches en marke-
ting. Au début des années 90, l’intérêt s’est directement orienté sur les performances réalisées
par ces programmes notamment sur la fidélité comportementale, la part de l’entreprise dans
le marché, les profits financiers générés, l’attrition des clients, etc. Ces études ont tenté de ré-
pondre à la question de savoir si ces programmes de fidélité étaient efficaces ? À la lumière de
nos lectures, aucune recherche n’a été faite sur l’effet de ces programmes dans le secteur des té-
lécommunications. Il s’agit donc de présenter une revue empirique de littérature sur l’efficacité
des programmes de fidélité dans différents secteurs et d’exposer la méthodologie retenue pour
les analyses.

2.1 Littérature empirique

Il s’agit dans cette section de présenter les études qui ont un lien avec l’efficacité du pro-
gramme sur la fidélité comportementale et/ou la perte de clients. Cette partie présente dans
l’ordre chronologiques des impacts positifs et négatifs du programme de fidélité.

2.1.1 Impact positif

Plusieurs auteurs dans différents secteurs, à travers différentes méthodologies ont trouvé un
impact positif des programmes de fidélité. Dans cette sous-section, il est présenté pour chaque
étude la thématique, la problématique, la méthodologie et éventuellement les limites.

2.1.1.1 L’étude de Ruth N. Bolton et Matthew D.Bramlett (2000) [6]

Dans leur article intitulé « Implications of Loyalty Program Membership and Service Ex-
periences for Customer Retention and Value », les auteurs cherchent à évaluer l’impact du
programme de fidélité sur l’expérience en termes de service et de rétention clients dans le
secteur financier dans trois pays européens. Un modèle de régression logistique binaire sur un

18
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 19

échantillon de 405 clients a permis d’évaluer l’impact du programme sur la rétention client alors
qu’un modèle de Tobit 1 était utilisé pour évaluer l’impact du programme sur la valeur de l’ex-
périence en terme de services (nombre de transactions durant la période d’étude). Il ressort de
leur analyse que le programme a un effet négligeable sur la rétention clients. Autrement dit, la
participation au programme ne permet pas de conclure directement sur la rétention des clients.
L’étude permet de conclure que les clients qui adhèrent au programme sont moins sensibles à la
différence de prix et la qualité par rapport à la concurrence. La principale limite de ce travail se
trouve au niveau de l’adhésion au programme. En effet, il existe un effet d’auto-sélection : les
adhérents au programme sont les plus grands acheteurs. En plus, l’étude ne permet pas d’avoir
un renseignement de l’effet du programme sur tout type de client des institutions financières.

2.1.1.2 L’étude de Ragiv LAL et David E.BELL (2003) [16]

Dans l’article intitulé « The impact of frequent shopper Programs In grocery Retailing »,
les auteurs étudient l’efficacité du programme de fidélité sur le revenu provenant des achats des
clients dans le secteur de la distribution particulièrement une épicerie en Angleterre. L’objectif
du programme était d’accroître les achats des clients et par conséquent la rentabilité des ma-
gasins de la chaîne. Pour ce fait, un échantillon est constitué de clients qui ont fait les achats
pendant la période d’étude. Cet échantillon est segmenté en « meilleur », « moyen » et « pauvre
» clients selon le revenu qu’un client a généré à la chaîne pendant une période que les auteurs
ont considéré avant le début du programme (1998). Ils utilisent la méthode des doubles dif-
férences pour évaluer l’impact du programme sur chaque segment et sur tout l’échantillon. Il
ressort de leur analyse que le programme a un effet positif sur le comportement des clients en
général. Mais cet impact est plus fort chez les pauvres que sur chez les meilleurs (un effet non
significatif). La principale limite de ce travail se situe au niveau de la segmentation de l’échan-
tillon. Les auteurs considèrent qu’un client qui est pauvre avant le lancement du programme
restera pauvre après le lancement. Autrement dit, aucun client ne peut migrer d’un segment à
un autre après le lancement du programme.

2.1.1.3 L’étude de Jorna Leender et al. (2003) [17]

Dans l’article intitulé « Do Loyalty Programs Enhance Loyalty ? A Market-Wide Analysis

Accounting for Endogeneity », les auteurs analysent l’effet des programmes de fidélité sur le
comportement fidèle des clients dans une grande chaîne de distribution en Nouvelle-Zélande.
Ils utilisent la part du portefeuille qu’un abonné procure à l’entreprise comme un indicateur
approprié du comportement fidèle de cet abonné. L’échantillon est constitué de 1926 ménages
observés sur une période de deux ans (données de panel). Les auteurs utilisent le modèle de
Tobit II avec variable instrumentale 2 pour évaluer l’impact des programmes de fidélité sur
le comportement fidèle des clients. Il ressort de leur analyse qu’en général, les programmes
1. Un modèle Tobit est un modèle de régression où la variable expliquée est censurée.
2. Un modèle à variable instrumentale est un modèle où l’une des variables explicatives est endogène c’est-
à-dire corrélée avec le terme d’erreur.

Mémoire professionnel ISE 2020 ? ? 19 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 20

de fidélité ont un effet positif sur le comportement fidèle des clients. Cependant, seulement
quatre (04) programmes sur sept (07) sont efficaces, les caractéristiques de conception peuvent
expliquer les différences d’efficacité. Cette étude ne permet pas d’avoir un renseignement sur
les non-membres. Autrement dit, cette efficacité est évaluée sans toutefois tenir compte la part
du portefeuille des non-membres.

2.1.1.4 L’étude de Ibhrahim et al. (2013) [32]

Dans l’article intitulé : « The relationship between Loyalty Program, customer satisfaction
and customer loyalty in retail Industry », il est question d’analyser la relation qui existe entre
programmes de fidélité et comportement fidèle. Les auteurs étudient les corrélations entre les
différents programmes d’une part avec la satisfaction des clients et d’autre part avec fidélité des
clients dans le secteur industriel. Il ressort de cette étude qu’il existe une relation positive et
significative entre ces programmes et la satisfaction des clients ainsi que leur fidélité. Ce résultat
ne peut être généralisé puisque la méthode permet juste de décrire (étude des corrélations).

2.1.1.5 L’étude de Haykel BEN KHELIL (2015) [4]

Dans son article intitulé : « The relationship between the Loyalty Program Quality and
the Consumer Loyalty Behavior », Kaykel examine la relation entre le programme de fidélité
et le comportement fidèle des consommateurs, les plaintes et les intentions de rachat dans un
grand supermarché en Tunisie. L’échantillon est constitué de 250 clients dont les informations
sur les variables nécessaires sont obtenues par une enquête. Les modèles utilisés sont la régres-
sion binaire et polytomique (modèle logistique non binaire). Il ressort de son analyse que les
programmes de fidélité influent positivement sur l’engagement des clients. La principale limite
de ce travail se trouve dans la constitution de l’échantillon constitué des habitants d’une seule
zone du pays ; lequel n’est pas représentatif de la population du pays. L’étude ne permet pas
de généraliser l’effet du programme au niveau du pays.

2.1.1.6 L’étude de Sima Ghaleb Magatef et Elham Fakhri Tomalieh (2015) [1]

Dans leur article intitulé : « The Impact of Customer Programs on Customer Retention », les
auteurs étudient l’influence des programmes de fidélité sur la rétention de clients. L’échantillon
est constitué de 350 clients jordaniens. Ils utilisent la méthode de régression multiple pour
évaluer l’impact. Il ressort de leur étude qu’il existe des preuves significatives de l’effet de
tous les programmes de fidélité sur la rétention client. Autrement dit, peu importe le type de
programme, il impacte positivement la rétention clients.

Mémoire professionnel ISE 2020 ? ? 20 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 21

2.1.2 Aucun impact significatif du programme de fidélité

2.1.2.1 L’étude de Byron Sharp et Anne Sharp (1997) [28]

Dans leur article intitulé « Loyalty programs and their impact on repeat-purchase loyalty
patterns », les auteurs cherchent à évaluer l’impact des programmes de fidélité sur les achats
répétés des clients dans le secteur aérien et dans les stations services. L’échantillon est constitué
de 754 clients et l’observation est faite sur plusieurs périodes (données de panel). Les auteurs ont
utilisé le modèle de Dirichlet pour prédire le comportement fidèle des clients ; le comportement
d’achat répété. Il ressort de leur modélisation que deux (02) programmes sur six (06) ont un
effet sur le comportement d’achat répété des clients. Les changements ont été observés sur
les membres et les non-membres. Ceci apparait probablement à cause des autres efforts de
fidélisation. Les auteurs concluent que les programmes de fidélité n’ont en général pas d’impact
sur les achats répétés des clients. Ce résultat dépend de la conception du programme. La limite
de ce travail comme le souligne les auteurs est le nombre de variables qui est trop petit pour
étudier le comportement fidèle des clients (achat répété, part de marché, fréquence d’achat).

2.2 Méthodologie d’étude

Les étapes retenues pour cette analyse sont celles de toute étude de data mining. Elles ont
présentées au chapitre 1.

2.2.1 Source de données

Les données utilisées dans ce travail proviennent de la base de Données d’Orange Cameroun,
mises à la disposition du service Customer Base Management (CBM) par le département du
Système Informationnel.

2.2.2 Les périodes d’études

Tenant compte des hypothèses de recherche, le travail se fait sur trois (03) périodes toute
portant sur l’année 2019 :
? T1 : Mars à Mai qui constitue le premier trimestre après le lancement du programme.
Elle permet de savoir si le programme a directement eu de l’influence sur le revenu généré
par les consommateurs trois mois après son lancement ;
? T2 : Juin à Août qui constitue le deuxième trimestre après le début du programme. Ici,
il est question de savoir si le programme continue d’influencer le revenu généré par les
abonnés ;
De plus, l’analyse sur les périodes T1 et T2 permet de se prononcer si l’effet du programme
est constant sur les deux périodes.
? T3 : Elle regroupe la première et la seconde période qui constitue le premier semestre
après le lancement du programme. Elle permet d’examiner l’influence du programme sur

Mémoire professionnel ISE 2020 ? ? 21 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 22

une longue période (6 mois).

2.2.3 Échantillonnage
Trois échantillons sont construits, dont un par période d’étude pour décrire et généraliser
l’impact du programme de fidélité sur le comportement de consommation. Un échantillon sur
le semestre pour également décrire et généraliser l’effet du programme sur la rétention clients.

Construction des échantillons pour étudier le comportement de consommation

Nous avons utilisé la méthode des essais randomisés (DISEKER et al., 2004)[11]dont les étapes
sont présentées en Annexe 0 de cette méthode sont présentées en Annexe 0. Cette méthode
permet de retenir uniquement des individus qui se sont inscrits au programme et ceux qui ne se
sont pas inscrits mais qui avaient le même profil (revenu qu’ils génèrent à l’entreprise) pendant
la même période (T1, T2, T3) de l’année précédente (2018) pour éviter les effets saisonniers.
Principe de la méthode
• Population éligible : On retient les individus qui ont les renseignements sur le revenu
de chaque mois de la période en 2018 et en 2019 ;
• Groupe des Inscrits : Ce sont les individus parmi la population éligible qui étaient
abonnés à la marque avant le début de la période en 2018 et qui sont devenus membres
du programme de fidélité avant la fin de la même période en 2019 ;
• Groupe des Non-Inscrits : Ce sont les individus qui étaient abonnés à la marque sur
la période en 2018 et ne se sont pas inscrits au programme avant la fin de la période
d’étude. Il est construit de telle sorte que le revenu total sur la période en 2018 ne soit
pas statistiquement différent de celui du groupe des Inscrits.
Les échantillons par groupe (Inscrits et les non-inscrits) sont présentés dans le tableau ci-dessous
2.1.

Tableau 2.1 – Caractéristique par groupe et par période des échantillons en 2018 sur chaque
période

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 22 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 23

Les échantillons permettent d’examiner l’effet du programme de fidélité sur les habitudes de
consommation.
NB : C’est à travers cette méthode que la taille de l’échantillon est déterminée. T 1 + T 2 6= T 3
car il peut exister des individus qui ont renseigné leur revenu sur une période (T 1, T 2) sans
toute fois renseigné sur tous les mois de l’autre période.

Construction de l’échantillon pour étudier le phénomène du « churn »

Cet échantillon est construit sur le premier semestre après le début du programme. La
construction de cet échantillon est simple car on retient juste les individus de la base depuis
le début du programme (Mars 2019). Cet échantillon permet d’examiner l’effet du programme
sur le « churn ». Il est constitué des abonnés qui se sont inscrits ou non au programme depuis
son lancement jusqu’à la fin du mois Août 2019.

2.2.4 Variables d’études

Les variables présentées dans cette section sont celles qui peuvent justifier l’amélioration
ou non du revenu généré par un abonné ou bien l’état d’un abonné. Elles sont regroupées en
variables explicatives et variables expliquées.

2.2.4.1 Variables à expliquer ou expliquées ou dépendantes ou endogènes ou cibles

ou réponses

Selon John V. Petrof (1993 [23]), le comportement du consommateur désigne la manière

d’être, d’agir et de réagir d’un consommateur directement accessible à l’observation extérieure.
Dans ce travail, le comportement de consommation d’un abonné est construit à partir du revenu
généré à l’entreprise. Ainsi, est construit la variable Comp_cons qui vaut 1 si la tendance du
revenu sur la période d’étude en 2019 est « meilleure » que celle de 2018 sur la même période
et 0 sinon. Soit a1 la tendance 3 de consommation d’un abonné sur une période en 2018 et a2
la tendance sur la même période en 2019. On s’intéresse dans cette étude à l’amélioration ou
non de cette tendance en 2019 par rapport à 2018 sur la même période. La variable est ainsi
construite : 
 1 si a1 < a2

Comp_cons = (2.1)

0 sinon


Pour ce qui est du « churn », il est étudié sur le premier semestre après le début du programme.
On s’intéresse à l’état des abonnés sur tout le semestre.
Étant donné qu’en télécommunication, la prise de décision de l’état de résiliation d’un abonné
3. la tendance de consommation est calculée tout en tenant compte de la valeur moyenne et l’écart entre ces
valeurs. Cet algorithme est inspiré de celui utilisé à Orange Cameroun pour qualifier un client en décroissance
ou en croissance.

Mémoire professionnel ISE 2020 ? ? 23 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 24

se fait après 90 jours, la résiliation est modélisée par la variable actif_groupe en fin de la période
qui vaut 1 si l’abonné a été actif durant les trois derniers mois (Juin, Juillet et Août) et 0 sinon.

2.2.4.2 Variables explicatives ou indépendantes ou exogènes ou de contrôle.

L’inscription au programme de fidélité ne peut pas contenir toute l’information qui permet
de modéliser le comportement de consommation d’un abonné ou bien son choix de résilier ou
non le service. Par le principe de parcimonie (utiliser le minimum de cause élémentaire pour
expliquer un phénomène tout en conservant le modèle qui apporte le maximum d’information),
seules les variables susceptibles d’expliquer l’amélioration ou non du comportement d’un abonné
ou bien d’expliquer son statut son prises en compte. Ainsi on a les variables suivantes :
• Région : Orange Cameroun utilise les stratégies de fidélisation par région ;
• Mutli-Sim : comme le précise DEUYAP en 2017 [10] dans son travail, les clients Multi
SIM ont un comportement optimisateur en matière de prix et de services offerts par la
SIM ;
• Handset : la technologie mobile utilisée par un client peut l’encourager à utiliser plus
ou moins de la « data » et donc modifier ses habitudes d’usage ;
• Data user : avec l’avènement de nouvelles technologies, les abonnés ont tendance à
utiliser internet sur leur smartphone ;
• Paygo data revenu généré par la « data » hors forfait ;
• Combo data : revenu « data » généré par les forfaits data et autres (SMS, voies) ;
• Volume data : volume total de la « data » utilisé ;
• Ott user : abonné qui utilise les réseaux sociaux pour communiquer ;
• MOU ONNET : nombre de minutes d’appels intra-réseau (onnet) sur la période
d’étude ;
• MOU OFFNET : nombre de minutes d’appels inter-réseau (offnet) sur la période
d’étude ;
• Nb j onnet : nombre de jours où l’abonné a une durée d’appels intra-réseau non nul ;
• Nb j offnet : nombre de jours où l’abonné a une durée d’appels inter-réseau non nul ;
• Nb-j-inter : nombre de jours où l’abonné a une durée d’appels à l’international non
nul ;
• Nb-j-activité : nombre de jours où l’abonné pratique une activité sur la période d’étude ;
• Bdles-onnet : montant des souscriptions intra-réseau ;
• Bdles-offnet : montant des souscriptions inter-réseau ;
• Bdles-inter : ontant des souscriptions internationales ;
• Combo-voix : revenu de la part du service d’appel dans les forfaits (voix, data, SMS)
qui offrent la voix.
Ces variables sont explicitement présentées avec leurs modalités éventuelles en annexe 1 dans
le tableau 5.1.

Mémoire professionnel ISE 2020 ? ? 24 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 25

2.2.5 Exploration des données

Disposant des variables sur chaque période d’étude, un examen est fait sur chaque période.
Il s’agit de traiter les valeurs manquantes, les valeurs atypiques (outliers) afin d’éviter tout
déséquilibre dans les analyses. L’étude des corrélations est directement faite sur les variables
quantitatives pour éviter toute transformation « inutile ». La transformation des variables
est faite uniquement pour l’étude de l’impact du programme sur les habitudes d’usage. Toute
variable quantitative ayant trait aux services est transformée en qualitative. L’analyse uni-variée
permet de découvrir les différentes caractéristiques des facteurs pouvant influencer les habitudes
d’usage ou bien la résiliation aux services par un client. Cette analyse est également faite sur
le comportement de consommation et l’attrition. L’analyse bi-variée quant à elle permet de
ressortir les différentes liaisons entre les variables et également l’effet de chaque facteur sur la
tendance de consommation ou bien l’attrition. L’étude des liaisons permet d’éviter au mieux la
surestimation du modèle : on parle de surapprentissage en data mining,.

2.2.6 Modélisation et exploitation

Parmi les méthodes de data mining explorées dans la littérature (modèle de Dirichlet, mo-
dèle de Tobit avec variable instrumentale, modèle de régression linéaire, modèle de régression
logistique binaire), nous avons choisi dans cette étude d’utiliser le modèle de régression logis-
tique pour examiner l’effet du programme de fidélité, ceci en nous inspirant des travaux de
D.Bramlett (2000) sur la rétention client et de ceux de Haykel BEN KHELIL (2015) sur le
comportement de consommation sur chaque période. Il importe de noter que les autres modèles
ne peuvent pas être utilisés pour cette étude puisqu’ils sont généralement utilisés lorsque la
variable dépendante est continue (ce qui n’est pas le cas pour cette étude). Le choix de faire
les modèles logistiques sur chaque période se base également sur le souci de se prononcer sur la
période la plus porteuse du programme.

Présentation du modèle logistique

La régression logistique est une méthode puissante de data mining permettant d’obtenir une
quantification de l’association entre comportement et chacun des facteurs l’influençant, tout
en tenant compte de l’effet simultané des autres facteurs. L’objectif de la régression logistique
est de modéliser l’espérance conditionnelle E(Y /X = x). Dans notre cas, il s’agit de modéliser
les chances de bonifier son comportement de consommation des offres de la téléphonie mobile
en tenant compte des facteurs pouvant justifier cette amélioration. Mais ce n’est pas cette
espérance qui est directement modélisée, plutôt le logit 4 .

p
logit(p) = ln = β0 + β1 xi1 + ... + βk xik
1−p

Où,
4. L’utilisation de la fonction logit permet de travailler sur les valeurs continues.

Mémoire professionnel ISE 2020 ? ? 25 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 26

k est le nombre de variables explicatives

xij est une observation de la j-ème variable.

Les odds-ratios
L’odds-ratio (OR) d’une variable explicative mesure l’évolution du rapport des probabilités
d’apparition de l’événement Y = 1 contre Y = 0 (odd = « cote » des parieurs) lorsque Xi
passe de x à x + 1. Dans ce cas, logit(pi (x)) augmente du coefficient βi de Xi et donc la cote
pi (x)(1 − pi (x)) est multiplié par exp(βi ).

pi (x + 1)(1 − pi (x + 1))
OR = = expβi
pi (x)(1 − pi (x))
Si la variable est binaire, la formule devient :

P rob(Y = 1/Xi = 1)/P rob(Y = 0/Xi = 1)

OR =
P rob(Y = 1/Xi = 0)/P rob(Y = 0/Xi = 0)

Par exemple, si l’on s’intéresse à la bonification du comportement de consommation, un

odds-ratio de 1, 5 pour la variable « adhérer au programme de fidélité » (1 pour les adhérents
et 0 pour les non-adhérents) signifiera que le rapport du comportement de ceux qui ont amélioré
leurs habitudes à ceux qui n’ont pas amélioré est de 1, 5 plus important chez les adhérents que
chez les non-adhérents.
Si l’on poursuit avec le même exemple, en regardant maintenant l’influence de l’ancienneté, un
odds-ratio de 1, 11 signifie que la proportion des abonnés ayant amélioré leur comportement en
consommation par rapport à ceux qui n’ont pas amélioré est multiplié par 1, 11 chaque fois que
l’ancienneté augmente d’un mois. Il est à noter que les odds-ratio sur les variables continues ne
prennent pas en compte la non-linéarité.
De façon générale, un odds-ratio <1 (coefficient β < 0) indique une influence négative de la
variable explicative, et un odds-ratio >1 (coefficient β > 0) indique une influence positive.

Estimation des paramètres

Cette estimation s’opère par la recherche du maximum de vraisemblance. L’avantage de
cette méthode est que l’estimateur obtenu est sans biais et de faible variance. La méthode du
maximum de vraisemblance consiste à produire les valeurs des paramètres qui rendent maximale
la vraisemblance (Stéphane Tufféry,2005, p81). La vraisemblance d’un n-échantillon y1 , ..., yn
est définie comme la probabilité d’observer cet échantillon. Elle est notée

L(β = β0 , ..., βk )

et vaut
n
Y
prob(Y = yi /X = xi )
i=1

Mémoire professionnel ISE 2020 ? ? 26 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 2. LITTÉRATURE EMPIRIQUE ET MÉTHODOLOGIE D’ÉTUDE 27

Il s’agit ici de trouver les coefficients βi , i = 0..., k qui maximisent cette vraisemblance. Ce
problème n’a généralement pas de solution analytique. Cette méthode est implémentée dans la
plupart des logiciels et en particulier SAS.

Conclusion partielle
Les travaux de recherche sur l’impact du programme de fidélité sur le comportement de consom-
mation et sur la rétention des clients présentent des résultats mitigés. Certains confirment un
impact positif (Bolton, Kannan et Bramlett, 2000 ; Yi et Jeon, 2003 ; Magi, 2003 ; Taylor et
Neslin, 2004 ; Leenheer et Bijmolt, 2008 ; Zhang et Breugelmans, 2012). D’autres ne confirment
aucun impact des programmes sur le comportement des clients (Sharp et Sharp, 1997 ; Benavent,
Crie, et Meyer-Waarden, 2000 ; Meyer-Waarden 2004 et 2007 ; Lewis, 2004). Il est difficile de
comparer les résultats obtenus à l’issue de ces études car le contexte de chacune ces études est
complètement différent soit par rapport au secteur, soit par rapport aux types de programme.
La méthodologie retenue pour l’étude du programme de fidélité lancé par Orange Cameroun
permettra de se prononcer sur son impact sur les habitudes de consommation et sur la rétention
clients dans le secteur des télécommunications.

Mémoire professionnel ISE 2020 ? ? 27 Dorchelle ATONZONG ISSEA

c 2019-2020
 Deuxième partie

Cadre empirique : Description et

modélisation

28
 Chapitre Trois

Analyse descriptive du comportement

des abonnés

Parmi les étapes d’une étude de data mining qui ont été présentées au chapitre 1, plusieurs
sont déroulées dans ce chapitre notamment l’apurement de la base de données, la transfor-
mation des variables retenues, l’analyse descriptive et l’étude des corrélations entre variables
explicatives entre elles d’une part et d’autre part avec la variable expliquée.

3.1 Apurement des bases de données

Les bases de données ne contiennent pas de valeurs manquantes sur les variables d’intérêt
(revenu et actif_groupe). Par construction de la variable d’intérêt (comp_cons), ont été retenus
pour l’étude les individus qui ont renseignés le revenu sur toute la période afin de pouvoir
calculer la tendance de consommation (qui dépend pour chaque abonné, de son revenu moyen
sur la période et de l’écart entre ses revenus). Pour ce qui est des variables explicatives, elles ne
contiennent pas également de valeurs manquantes. En effet, les données mensuelles sont agrégées
sur chaque période qui tient au moins sur trois mois. Pour chaque abonné, la valeur moyenne
est calculée sur les valeurs renseignées de chaque période ceci pour les variables continues. Les
valeurs extrêmes au cas où elles existent ne sont pas supprimées car une éventuelle suppression
appauvrit la base de données (Tufféry, 2005) puisqu’elles correspondent aux profils rares. Ces
valeurs rares sont « winsorisées » 1 pour l’étude du phénomène du « churn ». Pour ce qui est
des variables qualitatives, sur chaque période, la modalité la plus fréquente est retenue car
l’on étudie le comportement sur toute la période. Cette méthode d’agrégation de données est
illustrée dans le tableau 3.1 ci-après

er
1. Winsorisation : les valeurs au delà du 99 ème centile sont ramenées à ce centile et celles en déça du 1
sont également ramenées à ce centile.

29
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 30

Tableau 3.1 – Apurement des bases de données selon le type de la variable.

Source : Auteur

Les valeurs agrégées sont utilisées pour la suite de l’étude.

Comme le précise Stéphane Tufféry, pour ne pas effectuer les transformations « inutiles », une
étude de corrélation est directement faite sur les variables explicatives sur chaque période.

3.2 Corrélations entre variables explicatives

Il est question dans cette partie d’examiner les relations ou liaisons entre variables (quanti-
tatives et qualitatives).

3.2.1 Description de la méthode d’étude

S’inspirant de Gilbert Saporta (2006, [27]), une étude de liaison est faite d’abord sur les
variables quantitatives et sur les variables qualitatives.

3.2.1.1 Liaisons entre variables quantitatives

Soient X et Y deux variables issues d’un échantillon de taille n. Il est question de vérifier
s’il existe une liaison linéaire ou non entre X et Y .
Le coefficient de corrélation dit de « Bravais-pearson » ou tout simplement Pearson (noté r )
mesure le caractère plus ou moins linéaire du nuage de points (X, Y ). Il est défini ainsi qu’il
suit :
n
1
P
n
(xi − x̄)(yi − ȳ)
i=1
r=
sx sy
Où, sx et sy sont respectivement les écarts-types de X et Y , x̄ et ȳ les moyennes respectives de
X et Y .

Le coefficient de corrélation dit de « Spearman » mesure le caractère plus ou moins non

linéaire du nuage de points. Dans ce cas, les valeurs observées de la variable doivent être
rangées dans l’ordre croissant et le coefficient de corrélation de Pearson est calculé sur les rangs

Mémoire professionnel ISE 2020 ? ? 30 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 31

et non sur les observations.

Ce calcul doit être accompagné d’un test de significativité de la relation et d’une vérification
de la validité de la relation (absence de biais).

Test de significativité

Il s’agit de tester si le coefficient de corrélation (r) est significativement non nul. Le test
s’écrit : 
 H0 : r = 0

(3.1)

H1 : r 6= 0


Sous l’hypothèse nulle H0 , la statistique est :

r̃
t= q ∼ T (n − 2)
1−r̃2
n−2
)

où T (n − 2) est une loi de Student à (n-2) degrés de liberté.

Région critique
La région critique (RC) est la zone de rejet de l’hypothèse nulle du test au risque α et défini
par :
RC : |t| > t1− α2 (n − 2)
α
où t1− α2 (n − 2) est le quantile d’ordre 1 − de la loi de Student à (n − 2) degrés de liberté.
2

Probabilité critique (p-value)

Plutôt que de comparer la statistique calculée (t) avec celle théorique fournie par la loi de
Student, les logiciels proposent souvent la probabilité critique (p-value) que l’on doit comparer
au risque α (seuil de signification) qui a été fixé. Si la p-value est plus petite que le risque α,
l’hypothèse nulle est rejetée.

3.2.1.2 Liaison entre deux variables qualitatives

Soient X et Y deux variables qualitatives à r et s catégories respectivement décrivant un

ensemble de n individus. Les données sont présentées sous la forme d’un tableau croisé appelé
tableau de contingence à r lignes et s colonnes renfermant les effectifs nij d’individus tels que
X = xi et Y = yj . Pour évaluer l’indépendance entre deux variables qualitatives, la distance d
du khi-deux est utilisée et est définie ainsi :
r X
s ni. n.j

2
X nij − n
d = ni.
i=1 j=1 n.j

Mémoire professionnel ISE 2020 ? ? 31 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 32

Où, nij est le nombre d’individus présentant le caractère xi de X et yj de Y

Xs r
X
ni. = nij et n.j = nij sont les effectifs marginaux
j=1 i=1
Dans le cas où d2 est nul alors il y a indépendance entre les variables. Utiliser cette distance pour
évaluer l’indépendance oblige à faire recours à la table tabulée du Khi-deux. Divers coefficients
liés à ce nombre ont été proposés :
 12
d2

• Le coefficient de contingence de Pearson : K =
n + d2
! 12
d2
• Le coefficient de Tschuprow : T = p
n (r − 1)(s − 1)
 12
d2

• Le coefficient de Cramer : V =
n inf((r − 1); (s − 1))

Pour cette étude, le V de Cramer est retenu. Plus il est proche de 1, plus la relation est forte.
Il est à noter que dans le cas où s = r = 2, le V de Cramer est donné par la formule V 2 = φ2 .
Où

n11 n00 − n10 n01

Φ= √
n1. n0. n.0 n.1
Le V de Cramer peut être négatif (cela dépend du logiciel). Le cas par exemple du logiciel SAS,
V = Φ.

3.2.1.3 Liaison entre une variable qualitative et une variable quantitative

Soient X une variable continue et Y une variable qualitative à k modalités issues d’une
population de taille N . On se propose d’étudier la liaison entre les deux variables. Pour tester la
liaison, on range d’abord les observations de X par ordre croissant. Ensuite on construit k sous-
populations pour chaque modalité k de la variable Y . Pour chacune de ces sous-populations,
on calcule la somme des rangs des individus qui la compose notée Ri , i = 1, .., k. On se propose
de tester les hypothèses :

 H0 : Les sous-populations proviennent de la même population et leurs rangs ne diffèrent pas



H1 : Les rangs d’au moins deux groupes diffèrent

(3.2)
Ici, on utilise le test non-paramétrique de Kruskal-Wallis. Soit ni l’effectif du groupe i; i =
1, .., k. La statistique du test est :

X R2 k
12 i
H= − 3(N + 1)
N (N + 1) i=1 ni

Lorsque les effectifs des classes sont grands ou bien lorsque k > 6 alors H tend sous l’hypothèse
nulle vers un X2 à k − 1 degrés de liberté.

Mémoire professionnel ISE 2020 ? ? 32 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 33

3.2.2 Présentation des différentes liaisons entre facteurs

On constate au vue des tableaux 1, 2, 3, 4, 5 (voir Annexe 1) que toutes les corréla-
tions sont significatives (p-value < 0, 0001) et la plupart des variables sont corrélées positi-
vement au nombre de jours d’activité (combo_data, Volume_data, mou_onnet, comb_voix,
bdles_onnet). Ce qui traduit le fait que le montant issu des forfaits, le volume d’internet utilisé,
le nombre de minutes passées en intra-réseau, le montant des forfaits intra-réseau dépendent
du nombre de jours où un abonné trafique sur le réseau. Il est à noter que certains coefficients
sont très élevés ( > 805). Pour ce qui est des variables qualitatives, seulement les variables
data-user et ott-user sont liées avec le coefficient V de Cramer égal au moins à 0,65 sur chaque
période. Ceci explique juste le fait que ce sont les utilisateurs d’internet qui effectuent les ap-
pels via les réseaux sociaux. Cependant, les variables qualitatives et quantitatives ne sont pas
corrélées entre elles car la p − valeur du test de Kruskall-Wallis est < 0, 0001 quelles que soient
les variables et la période. De ce qui précède, il existe une forte redondance de l’information
entre les variables ; ce qui pourrait biaiser les résultats de la modélisation. Ces corrélations ne
dépendent pas de la période : les variables qui sont corrélées sur la période T 1 restent corrélées
sur la période T 2. On déduit qu’elles sont également corrélées sur la période T 3 qui regroupe
les deux périodes précédentes.

3.3 Discrétisation des variables quantitatives

Comme le précise Stéphane Tufféry dans son livre « Data mining et statistique décisionnelle
», toute transformation ou discrétisation dépend de l’objectif de l’étude. Il est question dans
cette partie de discrétiser les variables de telle sorte qu’elles puissent expliquer le comportement
de consommation. Autrement dit, il est question de mettre en évidence les différents facteurs
pouvant justifier l’amélioration ou non des habitudes d’usage d’un abonné en 2019 par rapport
à 2018 sur une même période. Tenant compte de cet objectif, les variables continues sont
discrétisées ainsi qu’il suit.
Soit X une variable continue observée sur la période T de l’année A1 notée X1 et sur une année
A2 notée X2 , avec A1 < A2 . Alors la variable Y qui est la variable discrétisée de X est ainsi
définie : 
 1, si X1 < X2

Y = (3.3)

0 sinon


3.4 Description des différentes variables

Cette partie décrit et analyse les différentes variables. Les statistiques descriptives sont
d’abord présentées sur les variables expliquées (comportement de consommation et phénomène
du « churn »), ensuite sur le programme de fidélité et enfin sur les autres facteurs.

Mémoire professionnel ISE 2020 ? ? 33 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 34

3.4.1 Description du comportement de consommation et du phéno-

mène de « churn »
3.4.1.1 Comportement de consommation (Comp_cons)

Rappelons que le comportement est étudié sur trois périodes (présentées dans la métho-
dologie). Sur chaque période est construite une base. Le tableau 3.2 montre que la première
période (qui représente le premier trimestre après le début du programme) est constituée de
336 916 abonnés dont 55, 61% (un peu plus d’un abonné sur 2) ont amélioré leur tendance de
consommation en 2019 par rapport à 2018. La deuxième période (qui représente le deuxième
trimestre après le lancement du programme) quant à elle est constituée de 13 407 abonnés dont
56, 66% (un peu plus d’un abonné sur 2) ont amélioré leur comportement de consommation. En
ce qui concerne la troisième période (qui constitue le premier semestre après le lancement du
programme), elle est constituée de 130 152 abonnés avec 49, 77% (presqu’un abonné sur deux)
qui ont amélioré leur tendance de consommation. Il ressort de cette analyse que la plupart des
abonnés ont amélioré leur comportement sur les deux premiers trimestres après le lancement
du programme. Cette amélioration pourrait être due à l’instauration du programme de fidélité.

Tableau 3.2 – Répartition par période, des abonnés selon leur comportement de consommation.

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 34 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 35

3.4.1.2 Description du phénomène de « churn »

Le tableau 3.3 ci-après renseigne sur le statut des abonnés sur le réseau. Sur une base de
4 263 919 abonnés ; 93, 97% (un peu plus de 9 abonnés sur 10) sont actifs c’est-à-dire ont émis
au moins un service de communication entre Mars et Août 2019. Cette « bonne » réaction
des abonnés pourrait être due à leur inscription au programme ou bien à tout autre facteur
susceptible de changer leur décision.

Tableau 3.3 – Répartition des abonnés selon le statut Actif ou non.

Source : Auteur à partir des données de Orange Cameroun

3.4.2 Programme de fidélité

Les abonnés se sont directement intéressés au programme dès sa publication en fin Février
2019. Cependant, les abonnés retenus pour cette étude sont ceux dont le groupe des non inscrits
a les mêmes caractéristiques (profil) que celui des inscrits avant le début du programme.

3.4.2.1 Programme de fidélité et profil

• Profil défini selon le revenu

Par construction des échantillons pour l’étude du comportement de consommation, le tableau
3.4 illustre que l’on a la même proportion des individus qui se sont inscrits au programme et
ceux qui ne se sont pas inscrits. Il ressort de ce tableau que pour chaque abonné qui s’inscrit
au programme sur une période, on peut trouver un autre abonné qui avait les mêmes carac-
téristiques (en 2018) que lui parmi ceux qui ne se sont pas inscrits avant la fin de la période
en 2019. Pour ce qui est de l’échantillon de l’étude du phénomène de « churn», il est constitué
de 86, 47% d’abonnés (un peu moins de 9 abonnés sur 10) qui ne sont pas inscrits. Ceci se
justifie par le fait que la plupart des abonnés d’Orange Cameroun ne sont pas encore inscrits
au programme.

Tableau 3.4 – Répartition des abonnés par période selon le statut : adhésion au programme

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 35 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 36

3.4.2.2 Programme de fidélité et habitudes d’usage

Dans cette partie, on s’intéresse à la part des abonnés qui ont bonifié (par rapport à 2018)
leur comportement de consommation par période. Le graphique 3.1 ci-dessous montre qu’il
n’existe pas de différence significative entre les adhérents et les non-adhérents au programme
sur le premier trimestre malgré qu’elle soit plus importante chez les non-adhérents (56, 02%
contre 55, 2% chez les adhérents). À partir du deuxième trimestre, cette tendance s’inverse
avec 58, 55% pour les adhérents contre 56, 41% pour les non-adhérents ; soit une différence de
presque 2 points. Cette différence est plus importante sur le semestre tout entier soit une part
de 52, 02% pour les adhérents qui ont amélioré leurs habitudes de consommation contre 48, 02%
pour les non-adhérents. Ces résultats laissent penser que le programme n’avaient pas d’effet sur
les habitudes de consommation au premier trimestre, un effet positif au deuxième trimestre et
sur le semestre tout entier. Le V de Cramer entre le programme de fidélité et le comportement
est de 0, 01 ; 0, 02 et 0, 03 respectivement sur la première, deuxième et troisième période (V
Cramer << 1).

Graphique 3.1 – La part des abonnés ayant amélioré leur comportement de consommation par
période, selon le statut d’adhésion ou non au programme (en %)

Source : Auteur à partir des données de Orange Cameroun

3.4.2.3 Programme de fidélité et phénomène de « churn »

Entre Mars et Août 2019, la part des abonnés actifs participant au programme de fidélité
est plus importante que pour les observateurs soit 98, 25% contre 95, 26% (graphique 3.2 ) avec
un écart de 3 points. Il ressort de cette analyse que les abonnés qui ont souscrit au programme
de fidélité ont été plus actifs que ceux qui n’ont pas souscrit. Ce résultat laisse penser qu’il
existe une influence positive du programme de fidélité sur la rétention clients (V de Cramer =
0, 07 << 1).

Mémoire professionnel ISE 2020 ? ? 36 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 37

Graphique 3.2 – Part des abonnés actifs selon l’adhésion ou non au programme (en %)

Source : Auteur à partir des données de Orange Cameroun

3.4.3 Description des facteurs susceptibles d’influencer le comporte-

ment de consommation
En dehors du programme de fidélité, plusieurs autres facteurs peuvent influencer les ha-
bitudes d’usage des abonnés et la résiliation du contrat parmi lesquels le comportement de
télécommunication, le statut, la région, l’ancienneté sur le réseau, etc.

3.4.3.1 Comportement de télécommunication et statut

Le comportement de télécommunication renvoie aux habitudes des abonnés en terme d’ap-

pels, d’utilisation d’Internet et des SMS. Ce comportement est visualisé de deux manières
différentes : soit par groupe des actifs et des non-actifs, soit individuellement en terme d’amé-
lioration par rapport à 2018.
Sur chaque trimestre, presque 3 abonnés sur 5 ont amélioré leur nombre de jours en intra-
réseau. Pour ce qui est du nombre de jours en inter-réseau, plus de 2 abonnés sur 5 ont bonifié
ce nombre. Cependant, très peu d’abonnés (moins d’un sur 10) ont amélioré leur nombre de
jours d’appels en international. Ceci peut être dû au fait que les abonnés utilisent de plus en
plus les réseaux sociaux pour communiquer à l’international. Cependant, sur toutes les périodes,
la plupart des clients sont les utilisateurs de la « data ». La plupart des abonnés utilisent éga-
lement une seule SIM pour trafiquer sur tous les réseaux (tableau 6 en Annexe 1 ). Presque
toutes les technologies utilisées par les clients sont connues. En effet, sur 10 abonnés, il ya un
seul dont la technologie n’est pas connue. Toutefois, les clients dont la technologie (3G, 4G,
2G) est connue sont presque égalitairement répartis et sur chacune des périodes (voir tableau
6 en Annexe 1).

• Service intra-réseau et comportement de consommation

Mémoire professionnel ISE 2020 ? ? 37 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 38

Ici, on s’intéresse à la part des abonnés ayant consommé plus de services en 2019 par rapport
à 2018 sur chacune des périodes. Le graphique 3.3 ci-dessous illustre qu’elle est moindre chez
les abonnés qui ont passé plus de jours d’appels en intra-réseau (par rapport à 2018) quelle
que soit la période par rapport aux abonnés qui ont passé moins de jours. Mais cette différence
n’est pas aussi observée au second trimestre comme au premier. En effet, cette différence est
de 26,12 points au premier trimestre contre 4,72 points au second trimestre ce qui traduit de
manière descriptive un progrès de la consommation des services de ceux qui ont passé plus de
jours en appelant en intra-réseau. Ceci se traduit également sur le semestre regroupant les deux
périodes par une inversion de cette part de progression en comportement de consommation de
ceux qui ont passé plus de jours en intra-réseau que ceux qui ont passé moins de jours, tout
ceci par rapport à 2018. On soupçonne donc que plus le temps passe, les abonnés qui passent
plus de jours par rapport à 2018 à trafiquer sur le réseau améliorent également en habitudes
d’usage des services que ceux qui ont passé moins de jours.

Graphique 3.3 – Représentation par période de la part des abonnés ayant bonifié leurs habitudes
de consommation, selon le statut d’évolution du nombre de jours en intra-réseau (%)

Source : Auteur à partir des données de Orange Cameroun

• Services inter-réseau et comportement de consommation

Le changement positif du comportement est moins observé chez les abonnés ayant passés
plus de jours (par rapport à 2018) à utiliser les services en inter-réseaux que chez ceux qui
ont passé moins de jours quel que soit le trimestre. Mais l’écart de ce changement positif des
habitudes d’usage de services est plus observé au premier trimestre qu’au deuxième trimestre
soit 16,5 points au premier contre 3,21 au deuxième. Le graphique 3.4 illustre également que ce
changement positif est meilleur chez ceux qui ont moins passé de jours à utiliser les services en
inter-réseau. Pour ce qui est de cette relation sur le semestre, le même graphique nous indique
que le changement positif du comportement de consommation des abonnés ayant augmenté leurs
nombres de jours en inter-réseau est meilleur que pour ceux qui ont pas amélioré soit de 50, 75%
contre 49, 75%. Ce qui pourrait traduire un effet « second trimestre » de cette amélioration.

Mémoire professionnel ISE 2020 ? ? 38 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 39

Graphique 3.4 – Représentation de la part des abonnés qui ont consommé plus de services (par
rapport à 2018) par période, selon le statut de trafic en inter-réseau (%)

Source : Auteur à partir des données de Orange Cameroun

Car la tendance s’inverse sur tout le semestre. L’on remarque que cette analyse est presque
identique à celle précédente. Autrement dit, l’influence du nombre de jours en intra-réseau sur
les habitudes de consommation n’est pas différente de l’influence du trafic en inter-réseau.

• Service à l’international et comportement de consommation

Comme l’illustre le graphique ci-après, le changement positif du comportement des abonnés est
mieux quel que soit l’usage du service international et le trimestre, soit un peu plus d’un abonné
sur 2 . Toutefois, Cette bonification de comportement des abonnés est moindre chez les abonnés
qui ont plus passé de jours ( par rapport à 2018) à utiliser les services à l’international sur chaque
période. Mais l’écart du changement en comportement est presque identique dans les deux
trimestres soit un écart de presque 2 points sur chaque période. Mais cette tendance s’inverse
sur le semestre malgré que l’écart ne soit pas important (1 point). Ceci traduit également un
effet « second trimestre » de manière descriptive car cette inversion sur le semestre amène
à soupçonner le fait que ceux qui améliorent leur nombre de jours d’appels en international
améliorent de plus en plus leurs habitudes de consommations.

• Activité et comportement de consommation

Pour ce qui est du nombre de jours passés en activité, si l’on s’intéresse aux abonnés qui ont
passé plus de jours en 2019 par rapport à 2018, alors le changement positif en consommation
est mieux au second trimestre qu’au premier soit 39, 97% contre 54, 24%. Cependant, leur
changement positif en habitudes est moindre que pour ceux qui ont restreint leur nombre de
jours en activité soit un écart de 29, 86 points au premier trimestre contre 6, 3 points au second
trimestre. De plus, on note que ceux qui passent plus de jours en activité améliorent avec le
temps leurs habitudes de consommation que ceux qui passent moins de jours. Si l’on s’intéresse
au semestre tout entier, la part des abonnés qui ont passé plus de temps en activité en 2019

Mémoire professionnel ISE 2020 ? ? 39 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 40

Graphique 3.5 – Représentation de la part des abonnés qui ont consommé plus de services (par
rapport à 2018) par période, selon le statut de trafic en international (%)

Source : Auteur à partir des données de Orange Cameroun

(par rapport à 2018) est « meilleure » que celle des abonnés qui ont passé moins de jours en
activité. Ceci peut traduire un effet « second trimestre » de cette amélioration.

Graphique 3.6 – Représentation de la part des abonnés qui ont consommé plus de services (par
rapport à 2018) par période, selon le statut de trafic sur le réseau (%)

Source : Auteur à partir des données de Orange Cameroun

• Utilisation du service d’Internet et comportement de consommation

Au premier trimestre c’est-à-dire entre Mars et Mai 2019, les utilisateurs d’internet ont plus
amélioré (54, 54% comme illustré dans le graphique ci-dessous) leur consommation en services
que détérioré. Cependant, ils ont moins amélioré leur comportement que les non-utilisateurs
de la « data » soit un écart de 2,42 points. Ce phénomène est également observé au second
trimestre. Ceci peut être dû à une consommation forfaitaire des utilisateurs de internet par

Mémoire professionnel ISE 2020 ? ? 40 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 41

Graphique 3.7 – Représentation par période des abonnés ayant amélioré leur comportement de
consommation, selon le statut d’utilisation d’internet (%)

Source : Auteur à partir des données de Orange Cameroun

période. Le graphique 3.8 illustre également que les utilisateurs de la « data » sur le premier
semestre après le début du programme c’est-à-dire de Mars à Août 2019 ont plus amélioré leurs
habitudes que détérioré (52, 7% contre 47, 21%). Le phénomène contraire est observé chez les
non-utilisateurs de services. Autrement dit, les non-utilisateurs de la « data » ont plus détérioré
qu’améliorer leur comportement (55, 11% contre 44, 89%).

• Technologie et comportement de consommation

Entre Mars et Mai 2019, la part des abonnés ayant changé positivement en comportement de
consommation est meilleur que celle des abonnés qui ont détérioré leur comportement quelle que
soit la technologie du téléphone de l’utilisateur. Mais l’écart de cette part entre les technologies
est négligeable. Le même phénomène est observé entre Juin et Août 2019. Si l’on s’intéresse
aux deux périodes simultanément, cette part est aussi intéressante à la deuxième période qu’à
la première. Contrairement aux observations qui ont été faites sur les trimestres, la part des
abonnés ayant changé positivement leurs habitudes de consommation sur le semestre varie
entre les technologies. En effet, elle est meilleure sur la troisième et la quatrième générations,
soit respectivement 52, 28% et 50, 57% (voir graphique 3.8). Pour ce qui des technologies non
identifiées et la deuxième génération, la part des abonnés qui n’ont pas changé positivement en
comportement est plus importante que celle des autres abonnés.

Statut « SIM » et comportement de consommation

Entre Mars et Mai 2019, la portion des abonnés ayant modifié positivement leurs habitudes
d’usage est meilleure quel que soit le nombre de carte SIM qu’ils utilisent pour trafiquer sur
tous les réseaux. Mais cette part est plus importante pour les abonnés qui ont une seule carte
SIM(Figure 3.8 ). Pour ce qui est du deuxième trimestre, malgré que la part des abonnés ayant

Mémoire professionnel ISE 2020 ? ? 41 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 42

Graphique 3.8 – Représentation par période des abonnés ayant amélioré leur comportement de
consommation, selon le statut de la technologie (%)

Source : Auteur à partir des données de Orange Cameroun

amélioré les habitudes d’usage soit meilleure quel que soit le statut « MultiSIM », les abonnés
multi SIM sont leaders. Il ressort de cette analyse que les abonnés ayant au moins une carte SIM
de la concurrence sont leaders en terme de part d’amélioration, soit un écart de presque 5 points
entre les trimestres contre un écart d’environ 3 points pour les utilisateurs ayant plusieurs SIM
de l’opérateur. On déduit de cette analyse que les abonnés mono SIM n’ont pas trop changé
de comportement de consommation entre le premier et le second trimestre après le début du
programme contrairement aux abonnés ayant au moins une carte SIM de la concurrence. Ceci
peut s’expliquer par le fait qu’il peut exister des motifs (les forfaits par exemple) qui poussent
les abonnés ayant une SIM de la concurrence à améliorer leur comportement afin de les ramener
pour éviter qu’ils ne « churnent » car ils sont optimisateurs en terme de prix.

Graphique 3.9 – Représentation par période des abonnés ayant amélioré leur comportement de
consommation, selon le statut « MultiSIM » (%)

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 42 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 43

• La région des abonnés

Quelle que soit la période, la région de Douala et de Yaoundé sont les plus représentées ; presque
1 abonné sur 2 est de l’une de ces régions. Cependant, les régions du Nord-Ouest et du Sud-
Ouest sont les moins représentées. Ceci peut s’expliquer par la disponibilité ou non du réseau
dans les zones. Les statistiques sont présentées en Annexe 1 (voir tableau 5.1)

3.4.4 Description des facteurs qui peuvent influencer ou justifier la

résiliation à la marque
En dehors du programme de fidélité, il existe plusieurs autre facteurs qui peuvent influencer ou
justifier le statut d’activité d’un abonné parmi lesquels le comportement de télécommunication,
le statut, la région, etc.

3.4.4.1 Le comportement de télécommunication

Sur 90 jours, les clients appellent en moyenne 23 jours en intra-réseau, 6 jours en inter-
réseaux et presque pas à l’international (moins d’un jour). Il est possible qu’un client n’émet
aucun appel quel que soit le type de cet appel (inter-réseaux, intra-réseaux et international).
Toutefois, il peut émettre des appels au plus, de 62 jours en intra-réseau (un peu plus de 2
jours sur 3), 58 jours en inter-réseaux (un peu plus d’un jour sur 2) et 62 jours à l’international
(presque 2 jours sur 3). Mais la variation de ces jours entre abonnés est très forte pour ce qui
est des appels effectués en intra contrairement aux autres appels. Il ressort de cette analyse
que les clients trafiquent plus en intra-réseau qu’en inter-reseaux ou bien à l’international. Ceci
peut s’expliquer par le fait qu’il existe plus d’avantages (les forfaits intra-réseau semblent être
moins chère que les autres types de forfaits) à trafiquer en intra-réseau qu’en inter-réseaux ou
bien à l’international.
En s’intéressant plutôt au nombre de jours dont les abonnés étaient en activité, ils sont en
moyenne 28 jours sur 90 en activité (un peu moins d’un jour sur 3). Il est possible pour un
abonné de ne pas trafiquer sur le réseau pendant ces 90 jours ou au plus 62 jours (un peu plus
d’un jour sur 3). Mais ce nombre varie beaucoup entre abonnés.
Les statistiques sur ces variables sont présentées dans le tableau 7 en Annexe 1.

Comportement de télécommunication et « churn »

De Mars à Août 2019, les abonnés 2 actifs trafiquent en moyenne plus que les abonnés non-actifs
quel que soit le but du trafic. En effet, si l’on s’intéresse au trafic intra-réseau, sur 3 mois, les
abonnés actifs passent en moyenne presque 23 jours contre 8 jours seulement pour les non-actifs.
Ce nombre de jours varie beaucoup entre abonnés quel que soit le groupe (CV > 50%, voir
tableau 3.5). Mais cette dispersion est moins importante entre abonnés actifs qu’entre abonnés
non-actifs (coefficient de variation et écart-type faible, voir tableau 3.5). Pour ce qui est du
2. La statistique T de Student permet de tester la nullité de la moyenne et la p-value permet de valider.

Mémoire professionnel ISE 2020 ? ? 43 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 44

trafic inter-réseau, de manière générale, les abonnés trafiquent très peu sur 3 mois. Cependant,
les abonnés actifs trafiquent plus que les abonnés non-actifs soit 5 jours contre 2. De plus, la
variation du nombre de jours entre abonnés non-actifs est plus importante qu’entre abonnés
actifs. Pour ce qui est du trafic à l’international, les abonnés ne trafiquent presque pas en général
sur 3 mois ( moins d’un jour sur 90). Mais il varie plus entre les non-actifs qu’entre les actifs.
Si l’on s’intéresse plutôt au nombre de jours en activité, l’interprétation est presque identique
à celle du nombre de jours en intra-réseau.

Tableau 3.5 – Évaluation du comportement de télécommunication en fonction du statut des

abonnés

Source : Auteur à partir des données de Orange Cameroun

Ce statut d’activité peut s’expliquer par le fait que les abonnés qui sont entrain de « churner
», sont par exemple ceux qui ont contracté l’abonnement pour un objectif spécifique ou ceux
qui ne sont pas satisfaits de la qualité du service et sont très sensibles au prix.

3.4.4.2 Le statut
Il est regardé sur plusieurs aspects notamment utilisateur ou non d’Internet, la technologie
du téléphone, le statut « MULTISIM ».
Pour ce qui est du statut d’usage de la « data » ou internet, presqu’un abonné sur deux est
utilisateur de la « data » (48, 06% d’abonnés). Si on s’intéresse plutôt à la technologie utilisée
par les abonnés, la plupart ( 86%) des technologies sont connues. Celles connues sont presque
égalitairement réparties entre abonnés. Plus de la moitié (57, 44%) des abonnés utilisent une
seule carte SIM pour trafiquer sur tous les réseaux, mais ceux qui utilisent au moins une SIM
de la concurrence sont les moins représentés. Les statistiques sur ces variables sont représentées
dans le tableau 5.1 en Annexe 1.

Le statut et « churn »

Les utilisateurs de la « data » ont été entièrement actifs entre Mars et Août 2019 (tableau
ci-dessous). Par conséquent, tous les abonnés en résiliation sont ceux qui n’utilisent pas de la
« data ». Ceci peut s’expliquer par le fait qu’avec l’avènement de nouvelles technologies, les
utilisateurs d’Internet sont de plus en plus les « smartphones users » donc accèdent facilement
à ce service.

Mémoire professionnel ISE 2020 ? ? 44 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 3. ANALYSE DESCRIPTIVE DU COMPORTEMENT DES ABONNÉS 45

Tableau 3.6 – Répartition des abonnés par statut l’utilisation ou non d’Internet et statut rési-
liation ( %)

Source : Auteur à partir des données de Orange Cameroun

Conclusion partielle
Il était question dans ce chapitre de préparer les bases de données pour la modélisation et
présenter également les statistiques descriptives sur les facteurs susceptibles d’influencer la
résiliation à un contrat et le comportement de consommation des abonnés. Une analyse des-
criptive sur chaque période montre que, parmi les abonnés qui ont bonifié en comportement
de consommation, les adhérents au programme ont mieux amélioré ce comportement que les
non-adhérents au second trimestre et sur le semestre tout entier. Ce qui laisse croire à un effet «
second trimestre » du programme de fidélité sur les habitudes de consommation. De plus, pour
ce qui est de la résiliation à la marque, la part des abonnés n’ayant pas souscrit au programme
entre Mars et Août 2019 est plus importante que pour ceux qui ont souscrit ; soit 4, 74% contre
1, 75% respectivement. Cependant, la part des abonnés actifs est plus importante chez les adhé-
rents au programme que les non-adhérents. Ce qui laisse penser que le programme de fidélité
contribue à la fidélisation des clients.

Mémoire professionnel ISE 2020 ? ? 45 Dorchelle ATONZONG ISSEA

c 2019-2020
 Chapitre Quatre

Facteurs explicatifs du comportement

de consommation et la perte de
client chez Orange Cameroun

L’objectif de cette étude étant d’évaluer l’impact du programme de fidélité sur le comporte-
ment de consommation et le « churn », le modèle logistique est utilisé pour mesurer le lien entre
l’amélioration du comportement ou bien le fait pour un abonné d’être inactif et les facteurs
susceptibles de l’influencer ou justifier le comportement. Dans la mesure où l’étude ne chercher
pas à discriminer les groupes des individus, nous allons nous focaliser sur la mesure de la qualité
du modèle. Une fois le modèle validé, les résultats sont présentés et interprétés. Un essai de
confrontation avec les résultats d’autres travaux est également fait.

4.1 Déviance et mesure de qualité du modèle

Soit n le nombre total d’individus (ou d’observations), k le nombre de variables explicatives.
L(βk ) la vraisemblance du modèle. L(β0 ) la vraisemblance du modèle réduit à la constante
et L(βmax ) la vraisemblance du modèle saturé, c’est-à-dire, s’il existe, contenant autant de
variables indépendantes (en ajoutant les interactions de tous ordres) qu’il ya de croisement
entre la variable cible et les variables explicatives. L(βmax ) est la vraisemblance maximale, à
laquelle on compare la vraisemblance L(βk ) de tout modèle. La déviance entre le modèle saturée
et le modèle avec k variables est donnée par : .

D(βk ) = −2 log(L(βk )) − (−2 log(L(βmax )))

Le but de la régression logistique est de maximiser la vraisemblance L(βk ) ou bien son loga-
rithme, ce qui équivaut à minimiser la déviance.

4.1.1 Déviance du modèle

Il s’agit ici de comparer deux modèles emboîtés M 1 et M 2 tels que M 1 soit contenu dans
M 2.
M1 : m paramètres

46
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 47

M2 : p paramètres (p > m)
On aimerait savoir lequel des deux modèles est meilleur.

 H0 : On choisit M 1 (meilleure qualité prédictive que M2 mais moins de paramètres)



H1 : On choisit M 2 (meilleure qualité prédictive)

(4.1)
la statistique du test est

D(βm,p ) = D(βm ) − D(βp ) ∼ X2 (p − k)

Où X2 (p − k) est un Khi-deux à (p − k) degrés de liberté.

Lorsque p = k, on parle du modèle saturé ; lorsque m = 0, on parle du modèle réduit à la
constante ou modèle trivial. Plus la déviance est grande, meilleur est le modèle. Un bon critère
de décision d’ajout d’une variable est de comparer la quantité : D(βk,k+1 ) à 3, 84 (Tufféry,
2005, P235). Où 3, 84 est la valeur théorique d’un Khi-deux à 1 degré de liberté au seuil de
5%. Si elle est supérieure à 3, 84 alors on décide de garder le modèle avec (k+1) variables. Ce
test de la déviance permet également de tester la nullité des coefficients (test du rapport de
vraisemblance).

Interprétation : Plus la différence est grande, meilleur est le modèle. Autrement dit, on veut
que la déviance du modèle soit la plus petite possible. On retrouve cette exigence sous forme
équivalente dans ces deux autres critères classiques :
AIC = −2 log(L(βk )) + 2(k + 1) ;
SC = −2 log(L(βk )) + (k + 1) log(n) souvent noté BIC
Hormis ces critères fondés sur la vraisemblance, il existe un autre critère couramment utilisé,
même s’il vaut mieux l’éviter quand le nombre d’observations est faible ou les coefficients estimés
grands : le critère de Wald. C’est un critère défini pour chaque variable explicative Xi en divisant
le carré du coefficient βi par sa variance. Il permet de tester la significativité du coefficient βi
et l’apport de la variable. Cet apport n’est réel que si l’indicateur de W ald > 4 (Tufféry, 2005,
P236). En effet, dire que cet indicateur est > 4 équivaut à dire que βi se trouve à plus de deux
écart-type de 0.

4.1.2 Intervalle de confiance

L’intervalle de confiance permet de mesurer de la relation entre Xi et Y .

IC = exp(β̂j ± µα s(β̂j ))

Interprétation :

Mémoire professionnel ISE 2020 ? ? 47 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 48

X Si 1 ∈ IC pas de relation entre Xi et Y

X Si 1 ∈
/ IC relation entre Xi et Y
Une fois le modèle retenu, il est pertinent de s’intéresser à la qualité d’ajustement.

4.1.3 Test de Hosmer-Lemeshow

Le test de Hosmer-Lemeshow est une statistique de la qualité d’ajustement calculée à
partir des tableaux 2 × g des effectifs observés et théoriques, où g représente le nombre de
groupes (généralement g = 10). Cette statistique est comparée à une distribution du X2 à g − 2
degrés de liberté.
g
X (Oj − Nj π̄j )2
X2Hosmer−lemeshow =
j=1
Nj π̄j (1 − π̄j )

Où,
Nj représente le nombre d’observations du j-ème groupe.
Oj représente le nombre de réponses du j-ème groupe et π̄j représente la moyenne des proba-
bilités prévues dans le j-ème groupe.

 H0 : Bon ajustement du modèle aux données

(4.2)

H1 : Qualité d’ajustement du modèle insuffisante


Ce test se substitue au test basé sur le résidu déviance lorsque nous sommes dans une situation
de données individuelles, par exemple lorsque nous avons des variables explicatives continues
(quantitatives)

Interprétation : Si la p − value pour le test d’adéquation de l’ajustement est inférieure au

seuil de signification sélectionné, les probabilités prévues diffèrent des probabilités observées.
Les raisons d’écart peuvent être diverses :
+ Fonction de liaison incorrecte ;
+ Terme d’ordre supérieur omis pour les variables du modèle ;
+ Surdispersion.

4.2 Modélisation des habitudes de consommation

Hormis la variable représentant l’adhésion ou non au programme de fidélité, en se basant sur
les critères qui ont été exposés dans la partie précédente, les variables retenues pour l’analyse
sont celles qui satisfont l’un des critères présentés précédemment (critère de Wald, ou bien de
la déviance, ou bien critères d’informations).

Mémoire professionnel ISE 2020 ? ? 48 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 49

4.2.1 Résultats de l’estimation du modèle sur la première période

d’étude : Mars- Mai 2019
Le modèle est globalement significatif car la p − value < 0, 0001 quel que soit le test qui
est choisi (test de rapport de vraisemblance, test de Wald et test de Score). Ce modèle est
mieux que le modèle trivial si l’on se base sur les critères de déviance (AIC, BIC). De plus,
les coefficients pris individuellement sont tous significatifs à l’exception de celui représentant
le programme de fidélité (voir tableau 4.2). Cela signifie qu’à l’exception du programme de
fidélité, les autres facteurs influent sur le comportement de consommation des abonnés.

Tableau 4.1 – Test de significativité individuel des coefficients.

Source : Auteur à partir des données de Orange Cameroun

Il a été retenu pour l’interprétation les coefficients dont 1 ∈

/ IC. Il ressort du tableau 4.2 que :

Tableau 4.2 – Valeurs estimées, Odds-ratio et intervalle de confiance .

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 49 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 50

Leçon 1 : * Le programme de fidélité n’a pas eu d’impact sur le comportement de

consommation des abonnés entre Mars et Mai 2019 car la p − valeur = 87, 55%. Ceci
pourrait traduire le fait que les adhérents au programme n’avaient aucune certitude de
l’effectivité du programme ; ils s’imprégnaient encore du programme ;
Leçon 2 : * L’amélioration du nombre de jours de trafic sur le réseau que cela soit en
intra, inter réseaux, ou bien à l’international ou bien même en activité par rapport à la
même période (Mars-Mai 2018) a influencé négativement la tendance de consommation
des abonnés. En effet, pour le trafic local (intra et inter-réseau), le rapport du comporte-
ment de consommation des abonnés qui ont bonifié à ceux qui n’ont pas bonifié est 1, 22
fois mieux chez ceux qui ont diminué le nombre de jours en trafic local que chez ceux qui
ont amélioré. Ceci traduit le fait que les abonnés peuvent diminuer leur nombre de jours
en trafic local tout en améliorant leur manière de consommer. Si l’on s’intéresse plutôt au
nombre de jours en activité sur le réseau, le phénomène est presque le même c’est-à-dire
ce rapport est 1, 55 fois mieux pour les abonnés qui ont diminué leur nombre de jours en
activité que pour ceux qui ont amélioré. Tout ceci traduit juste le fait que de nos jours, les
abonnés utilisent plus les forfaits pour trafiquer sur le réseau qu’en PayGo 1 et les forfaits
tiennent en général sur une période bien définie.
Leçon 3 : * L’utilisation d’Internet influence positivement le comportement de consom-
mation. En raisonnant toute chose égale par ailleurs, si l’on s’intéresse aux habitudes de
consommation, le rapport des abonnés qui ont bonifié à ceux qui n’ont pas bonifié est
1, 05 fois meilleur chez les utilisateurs d’Internet que les non-utilisateurs. Ce qui traduit
le fait qu’avec l’avènement de nouvelles technologies, les utilisateurs d’Internet modifient
leur manière de consommer le service (effectuent de plus en plus les recherches).
Le trafic sur tous les réseaux avec une seule carte SIM impacte positivement la manière
de consommer les services toute chose égale par ailleurs. En effet, pour ce qui est du
comportement de consommation, le rapport des clients qui ont amélioré à ceux qui n’ont
pas amélioré est 1, 048 fois meilleur chez ceux qui trafiquent avec une carte SIM que
les autres. Les abonnés qui trafiquent sur tous les réseaux avec une seule carte SIM dé-
couvrent avec le temps les offres du service, par conséquent cela impacte positivement
la manière de consommer. L’ancienneté impacte également positivement les habitudes
de consommation. En effet, la proportion des abonnés ayant bonifié leurs habitudes de
consommation par rapport à ceux qui n’ont pas amélioré est multipliée par 1, 001 chaque
fois que l’ancienneté augmente d’un mois. Ceci traduit le fait que plus le temps passe,
mieux les abonnés maitrisent les offres de l’opérateur.

Focus sur l’indice de Gini : L’indice de Gini est un indicateur synthétique d’inégalités
entre deux groupes, il varie entre 0 et 1 ; plus il est proche de 1, plus il existe des inégalités
entre les deux groupes. Ici, il est égal à 37, 7% ; ce qui signifie qu’il n’existe pas une grande
différence entre le groupe de ceux qui ont amélioré leur comportement et celui de ceux qui
1. Un trafic en payGo est un trafic dont la consommation est coupée directement sur le crédit principal.

Mémoire professionnel ISE 2020 ? ? 50 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 51

n’ont pas amélioré au premier trimestre après le lancement du programme.

Insuffisance du modèle : Les probabilités prévues diffèrent des probabilités observées car
la p − valeur du test d’adéquation de Hosmer-Lemeshow est très petite (< 0, 0001).

4.2.2 Résultats de l’estimation du modèle sur la deuxième période

d’étude : Juin- Août 2019
Le modèle est globalement significatif car p − value < 0.0001 quel que soit le test qui est
choisi (test de rapport de vraisemblance, test de Wald et test de Score). Ce modèle est mieux
que le modèle trivial si l’on se base sur les critères de déviance (AIC, BIC). Contrairement
au premier trimestre où le programme de fidélité n’avait pas d’impact, son coefficient est si-
gnificatif au seuil de 5%. De plus, les coefficients retenus pour la suite pris individuellement
sont significatifs(voir tableau 4.3). Le principe utilisé ici est celui du Rasoir d’Occam ou d’Ock-
lam : à performances égales, plus le modèle sera simple, plus il sera robuste, plus aisée sera son
interprétation également.

Tableau 4.3 – Test de significativité individuel des coefficients.

Source : Auteur à partir des données de Orange Cameroun

Il a été retenu pour l’interprétation les coefficients dont 1 ∈

/ IC. Il ressort du tableau 4.2.2
suivant que :
Leçon 4 : * Le programme de fidélité a eu un impact positif sur le comportement de
consommation des abonnés entre Juin et Août 2019. En effet, le rapport du comportement
de consommation des abonnés qui ont amélioré à ceux qui n’ont pas amélioré est de 1, 13
fois plus important chez les adhérents que les non-adhérents. Ce qui signifie que les abon-
nés avaient déjà une connaissance du fonctionnement du programme et s’y intéressaient
déjà.
Contrairement à la première période, le modèle s’ajuste bien aux données car la p − valeur du
test de Hosmer-Lemeshow est de 16, 55%.

Mémoire professionnel ISE 2020 ? ? 51 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 52

Tableau 4.4 – Valeurs estimées, Odds-ratio et intervalle de confiance .

Source : Auteur à partir des données de Orange Cameroun

4.2.3 Résultats de l’estimation du modèle sur la troisième période

d’étude : Mars- Août 2019
Le modèle est globalement significatif car la p − valeur < 0, 0001 quel que soit le test qui est
choisi (test de rapport de vraisemblance, test de Wald et test de Score). Ce modèle est mieux
que le modèle trivial si l’on se base sur les critères de déviance (AIC, BIC). Le coefficient du
programme de fidélité est significatif sur toute la période (p − valeur < 0, 0001). De plus, les
coefficients retenus pour la suite pris individuellement sont significatifs (voir tableau 4.2.3). Le
principe utilisé ici est celui du Rasoir d’Occam.

Tableau 4.5 – Test de significativité individuel des coefficients.

Source : Auteur à partir des données de Orange Cameroun

Il a été retenu pour l’interprétation les coefficients dont 1 ∈

/ IC. Il ressort du tableau 4.2.3
que :
Leçon 5 : * Le programme de fidélité a eu un impact positif sur le comportement de
consommation des abonnés entre Mars et Août 2019. En effet, le rapport du comportement
de consommation des abonnés qui ont amélioré à ceux qui n’ont pas amélioré est de

Mémoire professionnel ISE 2020 ? ? 52 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 53

Tableau 4.6 – Valeurs estimées, Odds-ratio et intervalle de confiance .

Source : Auteur à partir des données de Orange Cameroun

1, 135 fois plus important chez les adhérents que les non-adhérents. Ce qui signifie que le
programme a pris son ampleur au deuxième trimestre ;
Leçon 6 : * Les habitants de la zone du Nord-Ouest ont amélioré positivement leurs
habitudes de consommation. Parallèlement au programme de fidélité, il a été lancé dans
cette zone des offres très généreuses comme la concurrence y est leader (Orange Came-
roun). Aussi, la guerre est entrain de baisser en intensité dans cette zone ce qui peut
expliquer la relève de cette zone.
Comme au deuxième trimestre, le modèle s’ajuste bien aux données car la p − valeur du test de
Hosmer-Lemeshow est de 70, 95%. L’impact du programme sur les habitudes de consommation
obéit aux deux premières phases de développement d’un produit nouvellement mis sur le marché
(lancement et croissance) qui correspondent ici à la phase d’imprégnation et implémentation.

4.3 Modélisation de l’attrition client

Le modèle est globalement significatif car la p − valeur < 0.0001 quel que soit le test qui est
choisi (test de rapport de vraisemblance, test de Wald et test de Score). Ce modèle est mieux
que le modèle trivial si l’on se base sur les critères de déviance (AIC, BIC). Le coefficient du
programme de fidélité est significatif (p − value < 0, 0001). De plus, les coefficients retenus pour
la suite pris individuellement sont significatifs (voir tableau 4.3). Il est également utilisé dans
cette section le principe du Rasoir d’Occam.
Le tableau 4.3 illustre les résultats issus des estimations à partir du modèle logit, les odds-ratio
et l’intervalle de confiance des différentes valeurs estimées.
Leçon 1 : * Le programme de fidélité a eu une influence négative sur la résiliation à la

Mémoire professionnel ISE 2020 ? ? 53 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 54

Tableau 4.7 – Test de significativité individuel des coefficients.

Source : Auteur à partir des données de Orange Cameroun

Tableau 4.8 – Valeurs estimées, Odds-ratio et intervalle de confiance.

Source : Auteur à partir des données de Orange Cameroun

marque. Autrement dit, il contribue à la fidélisation des clients. En effet, le rapport de

ceux qui ont résilié par rapport à ceux qui n’ont pas résilié est de 1, 37 fois plus important
chez les non-adhérents que chez les adhérents.
Leçon 2 : * Le nombre de jours passés en inter-réseaux influence positivement le churn.
En effet, la proportion des abonnés qui résilient à la marque par rapport à ceux qui ne
résilient pas est de 1, 04 fois plus important lorsque le nombre de jours passés en inter-
réseaux augmente d’un jour. Cela se justifie par le fait qu’un abonné qui passe beaucoup
de jours à trafiquer en intra-réseaux a de forte chance de passer à la concurrence. De plus,
les coûts inter-réseaux sont chers.
Leçon 3 : * Plus un abonné passe les jours à trafiquer sur le réseau ou bien plus il
est ancien, moins il a la chance de passer à la concurrence. En effet, la proportion des
abonnés qui résilient à la marque par rapport à ceux qui ne résilient pas est 1, 07 fois plus

Mémoire professionnel ISE 2020 ? ? 54 Dorchelle ATONZONG ISSEA

c 2019-2020
CHAPITRE 4. FACTEURS EXPLICATIFS DU COMPORTEMENT DE CONSOMMATION ET LA PERTE DE CLIENT CHEZ ORANGE
CAMEROUN 55

importante chez un abonné qui passe un jour de moins à trafiquer sur le réseau.
Leçon 4 : * Les abonnés qui trafiquent sur tous les réseaux ont de forte chance de passer
à la concurrence. En effet, le rapport des abonnés qui résilient à ceux qui ne résilient pas
est de 7, 22 fois chez les abonnés qui trafiquent avec une carte SIM sur tous les réseaux
que ceux qui possèdent une carte SIM de la concurrence. Ceci rejoint le fait que ceux qui
trafiquent en intra-réseaux ont de forte chance de résilier à la marque.

L’indice de Gini est de 88, 7%. Autrement dit, les abonnés qui résilient ont des caractéristiques
très différentes de ceux qui ne résilient pas à la marque.

4.4 Discussion
Il était question dans cette étude d’évaluer l’impact du programme de fidélité sur les ha-
bitudes d’usage des services et la rétention clients. Il s’agissait également de se prononcer sur
l’efficacité du programme sur deux périodes : le premier trimestre et le deuxième trimestre après
son lancement. Il ressort de la modélisation que le programme contribue à la réduction de la
perte de clients donc à la rétention clients. Ce résultat n’est pas en accord avec celui de Bolton
et Matthew D.Bramlett (2000) développé dans le secteur financier dans un contexte européen.
Comme souligné dans la littérature, le programme est auto-sélectif (seuls les grands acheteurs
adhèrent au programme) contrairement à celui-ci où tout abonné peut adhérer au programme.
De plus, le programme influence positivement les habitudes de consommation. Ce résultat re-
joint ceux de plusieurs auteurs présentés dans la revue de la littérature notamment : Ragiv
LAL et David (2003), Ibhrahim et al. (2013), Haykel BEN KHELIL (2015), etc. En dépit du
fait que ces études soient faites dans des contextes différents.
Cependant, aucun auteur à la lumière des lectures qui ont été faites ne s’est penché à étudier
l’impact du programme sur les habitudes de consommation sur deux périodes. En effet, l’effi-
cacité du programme n’a pas été prononcée sur le premier trimestre après son lancement mais
plutôt dès le deuxième trimestre.
Ces résultats peuvent être utilisés dans toute autre entreprise de télécommunications qui s’ins-
crit dans le même contexte qu’Orange Cameroun. Ils peuvent être améliorés si l’on a une
connaissance de la catégorie socioprofessionnelle des abonnés, ou bien de l’âge qui sont des
facteurs qui peuvent influencer leur comportement.

Mémoire professionnel ISE 2020 ? ? 55 Dorchelle ATONZONG ISSEA

c 2019-2020
 Limites et recommandations

Sur la base des résultats obtenus, les recommandations qui peuvent être faites à l’endroit
d’Orange Cameroun sont les suivantes :
X L’entreprise devrait au cas où elle voudrait lancer un autre programme similaire faire
des communications au moins trois mois avant son lancement pour espérer voir un impact
directement après le début du programme ;
X Le but du programme est de fidéliser les clients et il contribue pour le moment à cette
fidélisation, l’entreprise devrait prendre des précautions avant l’arrêt pour éviter qu’il ne
contribue à la fin à la résiliation au contrat. Par exemple, si l’entreprise veut arrêter le
programme, il est important de signaler avant aux abonnés qui ont déjà plus de 75% de
points de la date d’arrêt pour éviter toute résiliation due à ce programme ;
X Dans le domaine de télécommunication, la concurrence est très rude, il est pertinent
pour Orange Cameroun, pour plus fidéliser ses clients, de diversifier l’offre du programme,
communiquer le fonctionnement du programme à nouveau pour mieux inciter les clients.
.

Malgré que cette étude présente des résultats satisfaisants, elle présente des limites impor-
tantes à souligner. Il n’a pas été pris en compte dans cette étude le changement de statut
socioprofessionnel des abonnés ou bien leur âge qui sont des facteurs qui peuvent beaucoup
modifier les habitudes de consommation des abonnés.

56
 Conclusion

Il était question dans cette étude d’évaluer le programme de fidélité lancé par Orange Came-
roun en fin Février 2019. Cette évaluation est faite sur le comportement de consommation des
abonnés et la résiliation à la marque entre Mars et Août 2019. Trois périodes ont été constituées
dans cette étude dont la troisième va de Mars à Août 2019 (premier semestre après son lance-
ment). L’étude permet également de se prononcer sur la différence d’efficacité du programme
entre le premier et le second trimestre après son lancement. Ces périodes constituent respecti-
vement la première et la deuxième période d’étude.
Afin d’atteindre ces objectifs, il était nécessaire de définir quelques concepts relatifs au mar-
keting et à la fidélisation, à la téléphonie mobile et au churn. Une revue de littérature a été
présentée afin d’avoir une vue claire sur le problème à résoudre et l’approche méthodologique
appropriée. Il a été opté pour cette étude le modèle logistique dans sa version logit pour la
résolution de la problématique et l’atteinte des objectifs spécifiques présentés plus haut.
La mise en oeuvre de ce modèle passe par plusieurs étapes à savoir :
• la construction des échantillons : d’une part, la méthode des essais randomisés est uti-
lisée pour construire trois échantillons sur chaque période. Ces échantillons permettent
d’étudier l’impact du programme sur les habitudes de consommation. D’autre part la
construction d’un échantillon sur la troisième période permet d’étudier son impact sur la
résiliation à la marque ;
• Les statistiques descriptives consistent à l’étude des corrélations entre variables (à travers
différents tests notamment le V de Cramer pour les variables qualitatives, le test de
Kruskall-Wallis pour les variables qualitatives et quantitatives, l’étude des corrélations
notamment celles de Pearson et celles de Sperman pour les variables quantitatives), la
discrétisation des variables, les statistiques uni-variées et bi-variées entre les facteurs et
variable expliquée.
À la fin de cette étape, certains facteurs semblent influencer le comportement de consommation
ou bien la résiliation à la marque parmi lesquels le programme de fidélité.
Sur chaque échantillon, une régression logistique est faite. Les variables retenues pour l’éla-
boration de ces modèles sont : le nombre de jours passés en intra-réseau, en inter-réseau, à
l’international et en activité, le statut SIM, utilisateur d’internet, la technologie du téléphone,
la région et l’ancienneté. Pour un seuil de signification fixé à 5%, les modèles sont globalement
significatifs. Il ressort de l’analyse de ces modèles que le programme de fidélité a un impact

57
Conclusion générale 58

positif sur les habitudes de consommation des services et la rétention client. Cette étude a
permis de souligner que le programme n’avait pas d’impact sur la manière de consommer des
abonnés au premier trimestre (p − value = 87, 55%) après son lancement mais son impact a été
observé dès le second trimestre (p − value = 1, 5%) : le rapport de ceux qui ont amélioré leurs
habitudes de consommation à ceux qui n’ont pas amélioré est de 1, 13 fois plus important chez
les adhérents que les non-adhérents au deuxième trimestre.
On peut donc conclure au travers de cette étude que les objectifs escomptés par le programme de
fidélité sont atteints. Toutefois, comme l’étude est faite lorsqu’il est encore en fonctionnement,
il serait pertinent de regarder le comportement de ces clients après le programme.

Mémoire professionnel ISE 2020 ? ? 58 Dorchelle ATONZONG ISSEA

c 2019-2020
 Chapitre Cinq

Statistique et un peu de
mathématiques

on se propose dans ce chapitre de jouer avec quelques symboles mathématiques. Pour le

faire il faut avoir le package

5.1 les statistiques

Soit X une variable aléatoire issue d’une population. On suppose que

X ∼ N(m, σ 2 )

où, m désigne la moyenne dans la population et σ 2 la variance de la population.

Sa densité est donnée par

1 (x − m)2
 
1
f (x) = √ exp − ∀x ∈ R
σ 2π 2 σ2

et la fonction de répartition est donnée par :

Zx
F (x) = P (X ≤ x) = f (t)dt
−∞

59
 Bibliographie

[1] A. D. Azhary. Consumer buying behavior on domino’s pizza in citywalk lippo cikarang.
PhD thesis, President University, 2016.
[2] R. J. Baran, R. J Galka, and D. P. Strunk. Principles of customer relationship management.
Cengage Learning, 2008.
[3] R. J. Baran, R. J. Galka, and D. P. Strunk. Principles of customer relationship manage-
ment. Cengage Learning, 2008.
[4] H. Ben Khelil and N. Bouslama. The relationship between the loyalty program quality
and the consumer loyalty behavior. Neji, The Relationship between the Loyalty Program
Quality and the Consumer Loyalty Behavior (June 7, 2015), 2015.
[5] T. Bieger. Marketing concept-the St. Gallen management approach, volume 4464. UTB,
2015.
[6] R. N. Bolton, P. K. Kannan, and M. D. Bramlett. Implications of loyalty program mem-
bership and service experiences for customer retention and value. Journal of the academy
of marketing science, 28(1) :95–108, 2000.
[7] E. Breugelmans, T. HA Bijmolt, J. Zhang, L. J Basso, M. Dorotic, P. Kopalle, A. Minnema,
W. J. Mijnlieff, and N. V Wünderlich. Advancing research on loyalty programs : a future
research agenda. Marketing Letters, 26(2) :127–139, 2015.
[8] Cameroun(ART). Observatoire annuel 2017 du marché des communications électroniques.
Technical report, - Rue Joseph Mballa Eloumben Tél. : (+237) 222 23 03 80 - 222 23 23
30 - Fax. : (+237) 222 23 37 48 Site web : www.art.cm, Juillet 2018.
[9] M. T. Copeland. Relation of consumers’ buying habits to marketing methods. Harvard
business review, 1(2) :282–289, 1923.
[10] C. DEUYOP. Détection des clients multi sim chez orange cameroun. Master’s thesis,
ISSEA, 2018.
[11] R Diseker and K. Permanente. Simplified matched case-control sampling using proc sur-
veyselect. In annual meeting of the SAS Users Group International, Montreal, CAN, 2004.
[12] H. Isaac and P. Volle. E-commerce : de la stratégie à la mise en œuvre opérationnelle.
Pearson Education France, 2014.

60
Bibliographie 61

[13] J. Jacoby and D. B. Kyner. Brand loyalty vs. repeat purchasing behavior. Journal of
Marketing research, 10(1) :1–9, 1973.
[14] P. F. Johnson, M. R Leenders, and C. McCue. A comparison of purchasing’s organizational
roles and responsibilities in the public and private sector. Journal of Public Procurement,
3(1) :57–74, 2017.
[15] P. Kotler and K. Keller. Marketing management 14th edition. Prentice Hall, 2011.
[16] R. Lal and D. E. Bell. The impact of frequent shopper programs in grocery retailing.
Quantitative marketing and economics, 1(2) :179–202, 2003.
[17] J. Leenheer, T. HA Bijmolt, H. J. Van Heerde, and A. Smidts. Do loyalty programs en-
hance behavioral loyalty ? a market-wide analysis accounting for endogeneity. International
Journal of Research in Marketing, 24(1) :31–47, 2003.
[18] J.M. Lehu. Stratégie de fidélisation. Editions Eyrolles, 2003.
[19] G. Marion. Idéologie et dynamique du marketing : quelles responsabilités ? Décisions
marketing, pages 49–61, 2003,p50.
[20] L. Meyer-Waarden. The impact of reward personalisation on frequent flyer programmes’
perceived value and loyalty. Journal of Services Marketing, 27(3) :183–194, 2013.
[21] G. N’Goala. À la découverte du côté sombre des relations de service. . . ou pourquoi les
relations durables et exclusives s’ autodétruisent. Recherche et Applications en Marketing
(French Edition), 25(1) :3–31, 2010.
[22] Y. Odin, N. Odin, and P. Valette-Florence. Conceptual and operational aspects of brand
loyalty : an empirical investigation. Journal of business research, 53(2) :75–84, 2001.
[23] J. V. Petrof. Comportement du consommateur et marketing. Presses Université Laval,
1993.
[24] F. F. Reichheld. The one number you need to grow. Harvard business review, 81(12) :46–55,
2003.
[25] F. F. Reichheld and W. E. Sasser. Zero defeofions : Quoliiy comes to services. Harvard
business review, 68(5) :105–111, 1990.
[26] J. Rowley. Building brand webs : Customer relationship management through the tesco
clubcard loyalty scheme. International Journal of Retail & Distribution Management,
33(3) :194–206, 2005.
[27] G. Saporta. Probabilités, analyse des données et statistique. Editions Technip, 2006.
[28] B. Sharp and A. Sharp. Loyalty programs and their impact on repeat-purchase loyalty
patterns. International journal of Research in Marketing, 14(5) :473–486, 1997.
[29] S. Tufféry. Data mining et statistique décisionnelle : l’intelligence dans les bases de données.
Editions Technip, 2005.
[30] Y. Valsecchi. Cours Marketing. Las Cresentinas, Juin 2009.

Mémoire professionnel ISE 2020 ? ? 61 Dorchelle ATONZONG ISSEA

c 2019-2020
Bibliographie 62

[31] P. Volle. Stratégie clients : Point de vue d’experts sur le management de la relation client.
Pearson Education France, 2014.
[32] Ibhrahim Zakaria, Ab. Baharom, Rahman, Abdul Kadir Othman, Noor Azlina Mohamed
Yunus, Mohd Redhuan Dzulkipli, and Mohd Akmal Faiz Osman. The relationship between
loyalty program, customer satisfaction and customer loyalty in retail industry : A case.
International Conferenceon Innovation, Management and Technology Research, Malaysia,
22 - 23 September, 2013.
[33] S. Zamazalová. Before the assyrian conquest in 671 bce : Relations between egypt, kush
and assyria. In Egypt and the near East–the Crossroads. Proceedings of an Internatio-
nal Conference on the Relations of Egypt and the near East in the Bronze Age, Prague
September 1–3, pages 297–328, 2010.

Mémoire professionnel ISE 2020 ? ? 62 Dorchelle ATONZONG ISSEA

c 2019-2020
 Annexes

Annexe 0 : Les étapes de construction de deux échantillons

Jumeaux
Objectif : Construire deux échantillons entre une base cible (Taker) et une base témoin
(Control)
étape 1 : Découper la population en percentile ; plus le pas de découpage est petit, mieux
les échantillons ont tendance à se ressembler ;
étape 2 : Taille minimale pour que les deux sous-échantillons soient appariés ;
étape 3 : Associer à chaque individu son percentile ;
étape 4 : faire un tirage aléatoire dans chaque groupe en fonction de la talle minimale ;
étape 5 : Identifier des pairs.
Conclusion : Les échantillons obtenus sont presque identiques : les moyennes sont presque
identiques dans les deux groupes et même les écarts-types.

Annexe 1 : Statistiques descriptives

63
 64

Tableau 1 – Liens entre variables explicatives continues sur le premier trimestre(linéaire).

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 64 Dorchelle ATONZONG ISSEA

c 2019-2020
 65

Tableau 2 – Liens entre variables explicatives continues sur le premier trimestre(non-linéaire).

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 65 Dorchelle ATONZONG ISSEA

c 2019-2020
 66

Tableau 3 – Liens entre variables explicatives continues sur le deuxième trimestre (linéaire).

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 66 Dorchelle ATONZONG ISSEA

c 2019-2020
 67

Tableau 4 – Liens entre variables explicatives continues sur le deuxième trimestre (non-linéaire).

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 67 Dorchelle ATONZONG ISSEA

c 2019-2020
 68

Tableau 5 – Liens entre variables explicatives qualitatives sur le premier et le deuxième tri-
mestre.

Source : Auteur à partir des données de Orange Cameroun

Tableau 6 – Répartition des abonnés par période, selon le statut de télécommunication.

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 68 Dorchelle ATONZONG ISSEA

c 2019-2020
 69

Tableau 7 – Présentation du comportement de télécommunication des abonnés

Source : Auteur à partir des données de Orange Cameroun

Tableau 8 – Statut d’activité et région des abonnés.

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 69 Dorchelle ATONZONG ISSEA

c 2019-2020
 70

Tableau 9 – Représentation statut SIM, technologie et « data » des abonnés.

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 70 Dorchelle ATONZONG ISSEA

c 2019-2020
 71

Tableau 10 – Glossaire des variables utilisées dans cette étude.

Source : Auteur à partir des données de Orange Cameroun

Mémoire professionnel ISE 2020 ? ? 71 Dorchelle ATONZONG ISSEA

c 2019-2020
 Table des matières

Dédicace i

Remerciements ii

Sommaire iv

Liste des abréviations v

Liste des Tableaux vi

Liste des Graphiques vii

Avant-propos viii

Résumé ix

Abstract x

Introduction générale 4

I Cadre théorique : Conceptuel et méthodologique 5

1 Généralités sur le marketing et la fidélisation, la téléphonie mobile et le data

mining 6
1.1 Notion de Marketing, de fidélisation et de comportement de consommation . . . 6
1.1.1 La notion de Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 La fidélisation de la clientèle . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Les différents moyens utilisés pour fidéliser les clients . . . . . . . . . . . 7
1.1.4 Les programmes de fidélisation . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.5 Comportement de consommation . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Téléphonie Mobile et notion d’attrition (Churn) . . . . . . . . . . . . . . . . . . 11
1.2.1 Opérateur de réseau mobile . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.2 Notion d’abonné . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 La notion de « Churn » . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Généralités sur le Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1 Les étapes d’une étude data mining . . . . . . . . . . . . . . . . . . . . . 13

72
 73

1.3.1.1 Création d’un sous-ensemble cible des données à partir de l’en-

trepôt de données et apurement . . . . . . . . . . . . . . . . . . 13
1.3.1.2 Transformation des données . . . . . . . . . . . . . . . . . . . 14
1.3.1.3 Explication de l’objectif et de la stratégie d’analyse . . . . . . 14
1.3.1.4 Choix des méthodes, des algorithmes . . . . . . . . . . . . . . 14
1.3.1.5 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1.6 Apprentissage non-supervisé . . . . . . . . . . . . . . . . . . . 15
1.3.1.7 Apprentissage incrémental . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Les qualités du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2.1 Exploitation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2.2 Diffusion des résultats . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.3 Le rôle du data mining en entreprise . . . . . . . . . . . . . . . . . . . . 17

2 Littérature empirique et méthodologie d’étude 18

2.1 Littérature empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Impact positif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1.1 L’étude de Ruth N. Bolton et Matthew D.Bramlett (2000) [6] . 18
2.1.1.2 L’étude de Ragiv LAL et David E.BELL (2003) [16] . . . . . . 19
2.1.1.3 L’étude de Jorna Leender et al. (2003) [17] . . . . . . . . . . . 19
2.1.1.4 L’étude de Ibhrahim et al. (2013) [32] . . . . . . . . . . . . . . 20
2.1.1.5 L’étude de Haykel BEN KHELIL (2015) [4] . . . . . . . . . . . 20
2.1.1.6 L’étude de Sima Ghaleb Magatef et Elham Fakhri Tomalieh
(2015) [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.2 Aucun impact significatif du programme de fidélité . . . . . . . . . . . . 21
2.1.2.1 L’étude de Byron Sharp et Anne Sharp (1997) [28] . . . . . . . 21
2.2 Méthodologie d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1 Source de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.2 Les périodes d’études . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.3 Échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.4 Variables d’études . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.4.1 Variables à expliquer ou expliquées ou dépendantes ou endo-
gènes ou cibles ou réponses . . . . . . . . . . . . . . . . . . . . 23
2.2.4.2 Variables explicatives ou indépendantes ou exogènes ou de contrôle. 24
2.2.5 Exploration des données . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.6 Modélisation et exploitation . . . . . . . . . . . . . . . . . . . . . . . . . 25

II Cadre empirique : Description et modélisation 28

3 Analyse descriptive du comportement des abonnés 29

3.1 Apurement des bases de données . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Corrélations entre variables explicatives . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1 Description de la méthode d’étude . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1.1 Liaisons entre variables quantitatives . . . . . . . . . . . . . . 30
3.2.1.2 Liaison entre deux variables qualitatives . . . . . . . . . . . . . 31
3.2.1.3 Liaison entre une variable qualitative et une variable quantitative 32
3.2.2 Présentation des différentes liaisons entre facteurs . . . . . . . . . . . . . 33
3.3 Discrétisation des variables quantitatives . . . . . . . . . . . . . . . . . . . . . . 33

Mémoire professionnel ISE 2020 ? ? 73 Dorchelle ATONZONG ISSEA

c 2019-2020
 74

3.4 Description des différentes variables . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.4.1 Description du comportement de consommation et du phénomène de «
churn » . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.1.1 Comportement de consommation (Comp_cons) . . . . . . . . . 34
3.4.1.2 Description du phénomène de « churn » . . . . . . . . . . . . . 35
3.4.2 Programme de fidélité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.2.1 Programme de fidélité et profil . . . . . . . . . . . . . . . . . . 35
3.4.2.2 Programme de fidélité et habitudes d’usage . . . . . . . . . . . 36
3.4.2.3 Programme de fidélité et phénomène de « churn » . . . . . . . . 36
3.4.3 Description des facteurs susceptibles d’influencer le comportement de
consommation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.3.1 Comportement de télécommunication et statut . . . . . . . . . 37
3.4.4 Description des facteurs qui peuvent influencer ou justifier la résiliation
à la marque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.4.1 Le comportement de télécommunication . . . . . . . . . . . . . 43
3.4.4.2 Le statut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 Facteurs explicatifs du comportement de consommation et la perte de client

chez Orange Cameroun 46
4.1 Déviance et mesure de qualité du modèle . . . . . . . . . . . . . . . . . . . . . . 46
4.1.1 Déviance du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.2 Intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.3 Test de Hosmer-Lemeshow . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2 Modélisation des habitudes de consommation . . . . . . . . . . . . . . . . . . . . 48
4.2.1 Résultats de l’estimation du modèle sur la première période d’étude :
Mars- Mai 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2.2 Résultats de l’estimation du modèle sur la deuxième période d’étude :
Juin- Août 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2.3 Résultats de l’estimation du modèle sur la troisième période d’étude :
Mars- Août 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Modélisation de l’attrition client . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5 Statistique et un peu de mathématiques 59

5.1 les statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Conclusion générale 59

Limites et recommandations 59

Bibliographie 62

Annexes 63

Mémoire professionnel ISE 2020 ? ? 74 Dorchelle ATONZONG ISSEA

c 2019-2020