RÉPUBLIQUE DU BURUNDI

Université Espoir d’Afrique

Face aux Réalités d’Afrique

FACULTE DES SCIENCES INFORMATIQUES

DEPARTEMENT : INFORMATIQUE
PROMOTION : 2024
COURS : INTELLIGENCE ARTIFICIEL
GROUPE : A

SUJET :
IMAGINEZ UN PROBLEME DE LA VIE COURANTE,COMME
ON A CHOISI LA MISE EN PLACE D’UNE APPLICATION DE
CATEGORISATION DES CLIENTS D’UN OPERATEUR DE
COMMUNICATION

Présenté par : CATHERINE Runga

ANNEE ACADEMIQUE : 2026-2027

[Link]
Dans le secteur hautement concurrentiel des télécommunications, la fidélisation des abonnés
est un enjeu stratégique majeur [1]. L'acquisition d'un nouveau client s'avère nettement plus
coûteuse que la rétention d'un client existant [1]. Pour optimiser leurs campagnes de
marketing et maximiser leur rentabilité, les opérateurs doivent abandonner les approches
génériques au profit d'une segmentation client ultra-ciblée [2].
Ce rapport présente la conception d'une application de catégorisation automatisée des clients.
À partir de données comportementales simples, l'objectif est d'identifier les profils types afin
d'ajuster les actions commerciales en temps réel. Nous détaillerons les objectifs opérationnels
à l'aide d'un tableau de données, puis nous proposerons une implémentation logicielle basée
sur un algorithme d'apprentissage automatique.

II. DEVELOPPEMENT
 1. Objectifs de la catégorisation
L'application vise à classifier chaque abonné dans une catégorie précise pour déclencher
une action marketing automatisée. Le tableau ci-dessous synthétise la stratégie de
l'entreprise :
Catégorie de client Objectif Metier Action commercial
Recommandation
A risque élevé Prévenir la perte de Offre de rétention (remise
(churners) revenus due au départ immédiate, sur classement de
vers la concurrence. forfait)
A fort valeur Sécuriser la fidélité à long Accès prioritaire au service client,
(VIP/Premium) terme et maximiser la invitations, avant-premières
valeur de vie client 5G/Fibre
Occasionnels/standard Augmenter l'engagement Campagnes de ventes croisées
et stimuler l'utilisation des (options data, options
services internationales).

2. Base de données d'étude

Pour entraîner et tester notre algorithme, nous nous appuyons sur un échantillon de données
historiques structuré comme suit:
ID Client Ancienneté Consommation Facteur Mensuelle Catégorie réelle
(mois) (Go) (EUR
1 4 2.5 15.00 Occasionnel
2 24 12.0 35.00 VIP
3 2 15.5 45.00 A risque
4 36 22.0 60.00 VIP
5 1 8.0 30.00 A risque
6 18 5.0 20.00 Occasionnel

[Link] et implémentation de l'algorithme

Nous utilisons l'algorithme des \(k\)-plus proches voisins (\(k\)-NN), une méthode
d'apprentissage supervisé reconnue pour sa simplicité et son efficacité en segmentation
géométrique [3]. Pour classer un nouveau client, l'algorithme calcule sa distance par rapport
aux clients existants et lui attribue la catégorie majoritaire parmi ses \(k\) voisins les plus
proches.
L'implémentation est réalisée en Python, en intégrant une étape essentielle : la normalisation
des données via StandardScaler. Cette étape garantit que la variable "Facture" n'écrase pas la
variable "Ancienneté" lors du calcul des distances [4].

PYTHON
import pandas as pd
from [Link] import KNeighborsClassifier
from [Link] import LabelEncoder, StandardScaler
A. Initialisation des données historiques
data = { 'Ancienneté': [4 , 24, 2, 36,1, 18],
'Consommation_Go': [2.5, 12.0, 15.5, 22.0, 8.0,5.0],
'Facture_EUR': [15.0, 35.0, 45.0, 60.0, 30.0, 20.0],
'Categorie': ['Occasionnel', 'VIP', 'À risque', 'VIP', 'À risque', 'Occasionnel']}
df = [Link](data)

B. Séparation des caractéristiques (X) et de la cible (y)

X = df[['Ancienneté', 'Consommation_Go', 'Facture_EUR']]
le = LabelEncoder()
y = le.fit_transform(df['Categorie'])
C. Normalisation des données (Standardisation)
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
D. Entraînement de l'algorithme k-NN (avec k = 3 voisins)
knn = KNeighborsClassifier(n_neighbors=3)
[Link](X_scaled, y)
E. Prédiction pour un nouveau client entrantProfil : 3 mois d'ancienneté, 14 Go de
consommation, 42 EUR de facture
nouveau_client = [[3, 14.0, 42.0]]
Application de la même normalisation au nouveau client
nouveau_client_scaled = [Link](nouveau_client)
Calcul de la catégorie
prediction_code = [Link](nouveau_client_scaled)
categorie_predite = le.inverse_transform(prediction_code)

print(f"Résultat de l'analyse : Le client est classé comme '{categorie_predite [0] '.''}

III. CONCLUSION
La mise en place d'une application de catégorisation automatisée permet de transformer des
données brutes en décisions managériales concrètes. En couplant l'algorithme des \(k\)-NN à
une stratégie de normalisation stricte, l'opérateur dispose d'un outil fiable pour anticiper le
comportement de ses abonnés. Pour passer à l'échelle industrielle, les futures itérations de
l'application devront intégrer des modèles plus robustes (comme les forêts aléatoires) capables
de gérer des millions de lignes [4], ainsi que des variables liées à la satisfaction client (appels
au support, pannes réseau).
IV. REFERENCES

 [1] Kotler, P., & Keller, K. L. (2016). Marketing Management (15th ed.). Pearson.
(Ouvrage de référence sur les coûts de rétention client vs acquisition).
 [2] Berry, M. J., & Linoff, G. S. (2004). Data Mining Techniques: For Marketing,
Sales, and Customer Relationship Management. John Wiley & Sons. (Méthodologies
de segmentation appliquées aux télécoms).
 [3] Fix, E., & Hodges, J. L. (1989). Discriminatory Analysis. Nonparametric
Discrimination : Consistency Properties. International Statistical Review, 57(3), 238-
247. (Fondements historiques de l'algorithme des \(k\)-plus proches voisins).
 [4] Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and
TensorFlow (2nd ed.). O'Reilly Media. (Guide pratique sur la normalisation des
variables et le déploiement d'algorithmes de classification).