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 ne dépend que de l’état actuel
• Application phare : comprendre les parcours client

Les éléments d’une chaîne de Markov

• États : différentes conditions ou étapes

Les éléments d’une chaîne de Markov

• États : différentes 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 avec des logiciels statistiques ou des outils BI
  • P. stationnaire pour ensoleillé : 66,67 %

Matrice de transition

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

Applications des chaînes de Markov

• Fidélisation :
  • Identifier les probabilités de transition entre engagement et attrition
• Optimisation des conversions :
  • Progression dans l’entonnoir de vente
• Recommandation de produits :
  • Prévoir les interactions futures des clients

Exemple : commerce électronique$^1$

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

Exemple : commerce électronique

	Utilisation d’un (nouveau) coupon	Nouvelle (nouvelle) transaction	Sortie
A utilisé un coupon	10 %	60 %	30 %
A effectué un achat	5 %	90 %	5 %
Sortie	15 %	5 %	80 %

Exemple : commerce électronique

	Utilisation d’un (nouveau) coupon	Nouvelle (nouvelle) transaction	Sortie
A utilisé un coupon	10 %	60 %	30 %
A effectué un achat	5 %	90 %	5 %
Sortie	15 %	5 %	80 %

Passons à la pratique !

Probabilité avancée : l'incertitude dans les données