Analyse des chaînes de Markov

Probabilité avancée : l’incertitude dans les données

Maarten Van den Broeck

Senior Content Developer at DataCamp

Qu’est-ce qu’une chaîne de Markov ?

• Modéliser des systèmes à états multiples
• Transitions entre états selon des probabilités
• Idée clé : la transition dépend seulement de l’état actuel
• Application clé : comprendre les parcours clients

Les éléments d’une chaîne de Markov

• États : conditions ou étapes distinctes

Les éléments d’une chaîne de Markov

• États : conditions ou étapes
• Transitions : probabilités de passer d’un état à un autre

Les éléments d’une chaîne de Markov

• Probabilités stationnaires : probabilités à long terme d’être dans un état
  • Calculées via logiciels statistiques ou outils BI
  • Ex. stationnaire pour ensoleillé : 66,67 %

Matrice de transition

	Ensoleillé	Nuageux
Ensoleillé	80 %	20 %
Nuageux	40 %	60 %

Applications des chaînes de Markov

• Rétention client :
  • Identifier les probabilités de transition entre engagement et churn
• Optimisation de conversion :
  • Progression dans l’entonnoir de vente
• Recommandation produit :
  • Prédire les interactions futures des clients

Exemple : e-commerce$^1$

¹ C pour Coupon, P pour Purchase, E pour Exit

Exemple : e-commerce

	Utilisé un (nouveau) coupon	Effectué un (nouvel) achat	Sorti
Utilisé un coupon	10 %	60 %	30 %
Effectué un achat	5 %	90 %	5 %
Sorti	15 %	5 %	80 %

Exemple : e-commerce

	Utilisé un (nouveau) coupon	Effectué un (nouvel) achat	Sorti
Utilisé un coupon	10 %	60 %	30 %
Effectué un achat	5 %	90 %	5 %
Sorti	15 %	5 %	80 %

Passons à la pratique !

Probabilité avancée : l’incertitude dans les données