Julien CHAMBRILLON, Practice Manager Data Science & IA
Chiffre d’affaires en hausse de 20 %, coûts en baisse de 30 %1 : le data marketing révolutionne la connaissance client. Les décideurs ne s’y trompent pas : 80 % d’entre eux plébiscitent désormais cette expertise2.
Quatre « use cases » illustrent les bénéfices concrets générés par l’exploitation des données clients : le CRM (référentiels clients et produits), les données transactionnelles, les informations relatives à la navigation web et l’analyse des comportements lors des campagnes marketing. Exploiter toutes ces informations permet de mieux comprendre les comportements du client à la fois passés, présents et futurs.
1. RECRUTEMENT & FIDÉLISATION
La data répond à un premier enjeu déterminant du marketing : identifier précisément qui sont les nouveaux clients de l’entreprise. Grâce à cette compréhension approfondie des profils, les actions marketing ciblent les contacts les plus pertinents. Plus largement, le data marketing se fonde sur la segmentation clients (clustering). Le principe ? Construire à partir de la base clients des segments homogènes de consommateurs en fonction de leurs comportements. Émergent alors des micro-audiences, des groupes cohérents d’individus, tant par leur profil personnel (âge, catégorie socioprofessionnelle) que par leurs habitudes de consommation. Cette segmentation clients connaît un grand nombre d’applications : offres promotionnelles personnalisées vers les clients fidèles, vers ceux n’ayant réalisé qu’un seul achat, vers les clients « promophiles », etc.
2. RÉTENTION & VALEUR CLIENT
Dans la même logique, le data marketing se met au service des stratégies de rétention client. Les algorithmes prédictifs évaluent le risque de départ (churn) de chaque client à la lumière de leur historique. Et le dispositif permet aujourd’hui d’aller bien plus loin grâce à la “valeur client” potentielle. Pour résumer, la data science estime le montant d’achats potentiels de chaque contact. Autant d’informations qui permettent de cibler précisément les actions marketing en direction des clients constituant la plus forte valeur, ou ceux ayant un risque élevé de départ. L’analyse des transactions permet de prédire les actions d’un client. À cette fin, des diagrammes de flux (sankey diagrams) sont réalisés pour une représentation graphique des parcours clients à travers des données d’achats.
UN OUTIL PRÉCIEUX : LES SOLUTIONS DE MARKETING AUTOMATION Les outils d’automation sont aujourd’hui indispensables pour industrialiser les campagnes marketing. Grâce à eux, les entreprises établissent les meilleures règles et scénarios destinés à envoyer le bon mail à la bonne personne au bon moment. Combinés à la data science, ils intègrent désormais les données clients. Le but : identifier les choix marketing les plus pertinents au regard de l’historique du client et enrichir les bases de données par une segmentation plus fine en fonction des personas.
3. PRÉVISIONS DES VENTES - FORECAST
Réaliser une analyse précise de l’historique des ventes peut servir à réorienter la stratégie marketing en anticipant les saisonnalités. Ainsi, le croisement des chiffres de ventes et des données météorologiques open data fait régulièrement émerger des produits « météo-sensibles », parfois inattendus (les batteries de voiture par exemple). Les algorithmes se chargent de probabiliser l’activité dans les différents points de vente selon le climat. Ces prévisions affinées serviront à adapter la stratégie marketing, comme à optimiser la gestion des stocks des points de vente.
4. MOTEURS DE RECOMMANDATION
Cas d’usage traditionnel du data marketing, la recommandation peut être réalisée de deux façons. Première approche : analyser l’historique des comportements d’achat d’un client, pour lui proposer des montées de gamme par exemple. L’acheteur d’une perceuse sera ainsi orienté vers un outil plus perfectionné quelques mois après.
Deuxième approche : la recommandation prend une autre dynamique avec l’approche sociale. Ce filtrage collaboratif se fonde sur les préférences des autres clients : si une personne achète une perceuse, l’analyse du comportement d’achat d’autres clients ayant acheté un produit similaire conduira, par exemple, à l’orienter vers un kit de bricolage.
DATA SCIENCE & MÉTIERS, UNE INDISPENSABLE INTERACTION Les data scientists ne détiennent aucune vérité absolue. La construction d’une stratégie de data driven marketing performante dépend étroitement de la qualité de l’interaction des experts en algorithmes et approches prédictives avec les équipes métiers et marketing. D’où le rôle central joué par le feature engineering : l’organisation en amont d’ateliers pour approfondir les enjeux métiers aide l’équipe de data scientists à sélectionner, à partir des données brutes, les variables adaptées. Cette phase de préparation, de nettoyage des données (par exemple la conversion d’une date de naissance en âge) et de construction d’indicateurs à haute valeur ajoutée, est essentielle au succès d’un projet data science. Dans un deuxième temps, les modèles et valeurs d’importance sont présentés aux métiers pour être évalués à l’aune de leur expertise business. La mise en place d’une collaboration en mode agile permet de réorienter, si nécessaire, les premiers choix réalisés. Dès lors, la phase de déploiement dans l’écosystème client peut être lancée. Le but est que les directions métiers soient en mesure de piloter elles-mêmes les KPI. Qu’elles puissent utiliser de manière autonome les algorithmes, via une solution de data visualisation accessible, avec des possibilités de mises à jour au gré de l’activité. Cette dernière étape implique une nouvelle phase d’apprentissage, visant cette fois principalement les services IT de l’entreprise.
[1] All insights, Boston Consulting Group Multi-moment Marketing, 2017 (enquête menée auprès de plus de 40 sociétés européennes dans 8 secteurs d'activité). [2] Etude Aquent en partenariat avec l'EBG, 2018.
À PROPOS DE L'AUTEUR
Julien CHAMBRILLON Après un cursus en mathématiques appliquées et sciences sociales, Julien intègre une société de géomarketing spécialisée en optimisation des réseaux des points de vente. Après 10 ans dans le domaine, il prend en charge le service Data Analytics d’une agence de marketing relationnel spécialisée dans les programmes de fidélité. Julien intègre Keyrus en avril 2016 où il exerce le rôle d’expert puis de consultant manager, avant de prendre en charge une Practice Data Science & IA en juillet 2018. Ses domaines de prédilection gravitent autour de la connaissance client.