Quel est l’intérêt de la data pour optimiser la relation client ?

De wikidatamarketing
Sauter à la navigation Sauter à la recherche


Résumé

Les actions marketing de fidélisation seront de plus en plus issues de l’analyse des données du client recueillies par le CRM ou la CDP. Le CMO ne doit plus uniquement s’appuyer sur ses impressions, expériences et intuitions, mais analyser et transcrire en orientations stratégiques et opérationnelles, les données clients recueillies par l’ensemble des systèmes d’information de l’entreprise. Enfin le client sur sollicité attend une expérience unique et une communication adaptée voire anticipant ses besoins. Dans ce contexte 3 axes sont à travailler ; segmentation, recommandation produit et qualité des données


Connaître ses clients et suivre leur comportement grâce à la segmentation

La donnée de base pour optimiser sa relation client consiste bien évidemment à analyser le chiffre d'affaires par individu. En effet une marque ne communiquera pas de la même façon à un client régulier qui achète plusieurs fois par mois, par rapport à un client qui achète une fois par an uniquement au moment des soldes.

L’analyse consolidée du chiffre d’affaires va permettre de diviser sa base client en segments homogènes qui permettront d’identifier précisément où se concentre la valeur du capital de l’entreprise, c’est-à-dire les clients les plus importants.

Deux standards de segmentation sont largement répandus :

  • la segmentation PMGTG (Petit, moyen, gros, très gros) basée sur l’analyse des achats par client
  • la segmentation RFM, basée sur la Récence, la Fréquence et le Montant des transactions).
Exemple d’une segmentation RFM


Ces segmentations sont réalisées sur des périodes pertinentes par rapport à la saisonnalité de l’entreprise (par deux saisons pour le textile par exemple). La segmentation étant une photographie de la base client, il est nécessaire de renouveler celle-ci régulièrement. À cette occasion, on identifie les mouvements des différents segments pour cerner les populations qui montent ou descendent de segment avec des matrices de migration. Utilisant cette méthode, le programme relationnel sera différencié suivant la valeur des segments et aura pour objectif de maintenir les clients des meilleurs segments et de faire monter en gamme les segments inférieurs.

Exemple d’analyse : entre l’année N-1 et N, 19% des inactifs sont réactivés

Exemple d’une matrice de migration annuelle sur une RFM contenant 6 segments

Bien que très utiles, on constate plusieurs limites aux segmentations basées sur le chiffre d’affaires et notamment :

  • Elles ne contiennent aucun élément qualitatif (satisfaction, souhait d’évolution, appréciation des produits...) ;
  • Elles ne tiennent compte que des achats passés et n’intègrent pas les dépenses futures.

Pour résoudre ce dernier point, il faut récolter les données permettant une analyse sur la ‘life time value’.

Évaluer sur le long terme la valeur client grâce à la customer lifetime value (CLV)

Un client qui lance un chantier de construction de sa maison, même s’il n’achète qu’un pot de peinture est potentiellement plus intéressant qu’un particulier qui achète 5 pots de peinture pour repeindre uniquement 2 chambres. Il faut donc anticiper la relation client sur long terme par la CLV.

Elle consiste à mesurer les profits que réalisera l’entreprise tout au long de sa relation avec un client. Pour cela la mesure du taux de rétention est essentielle et permettra de cerner la durée de vie moyenne d’un client. À partir de ces données, il sera possible d’obtenir une segmentation sur la CLV et de décider des actions marketing permettant de conserver son client : quelles offres de services adapter, combien dépenser pour la rétention client, quels leviers utiliser ?

Dans ce contexte de fidélisation sur le long terme du client, la qualité du message adressé au client devient essentielle et implique de passer d’une logique de personnalisation simple à une recommandation prédictive.


Anticiper le besoin du client et lui adresser la bonne offre

Dans l’idéal, le client souhaite que la marque anticipe ses besoins (services ou produits). Pour travailler cette prédiction, le recueil de nombreuses données du comportement du client est nécessaire et notamment (par ordre croissant d’importance) :

  • Ses souhaits ou intentions déclaratives recueillies au point de contact avec la marque ;
  • Son comportement sur des messages adressés (clic email, notification, bannière…) ;
  • Son engagement social sur des publications (notamment en BtoB) ;
  • Son comportement sur les supports digitaux (surf) ou non : site web, application, appel call center, visite magasin, réseaux sociaux (BtoB)… ;
  • Ses achats quel que soit l’environnement (magasin, web, application, interface vocale…

À partir de ces données individuelles, et d’algorithme prédictif souvent auto-apprenant, il est possible de générer deux types de recommandations :

  • Score d’appétence entre un client et une offre (produit, service…) qui permettra de personnaliser (ou cibler) le support poussé vers le client ;
  • Lien entre différents produits (type chemise – cravate – pantalon) permettant de réaliser des associations de produits lors d’achat ou de mise en panier.

La qualité de la prédiction est grandement dépendante de la qualité des données recueilles par individu. Aussi le Data Driven Marketing est conditionné par le data quality marketing.


Cartographier le parcourt du client, du premier contact avec la marque jusqu’à l’achat pour optimiser ses budgets

Maintenir des bases de données de qualité pour éviter toute erreur d’exploitation La segmentation, la recommandation ne sont possibles qu’avec des données de qualité reflétant la vérité des évènements clients. Les actions nécessaires au maintien d’un référentiel de données (DCP, CRM, Datalake… sont les suivantes :

  • Attribuer un budget pour la qualité de la base de données ;
  • Identifier un responsable du maintien de la qualité de la base de données ;
  • Normaliser les données de contact (adresse postale, téléphone…) ;
  • Décider d’un ID commun pour tous les systèmes d’information autour du client (CRM, ERP, site Ecommerce, gestion de code promotion…) ;
  • Prévoir une gestion régulière des clients en doublons. En effet ceux-ci peuvent être fréquents, car la multitude d’identifiants possibles notamment digitaux (email, téléphone, cookie, adresse IP, Id device…) qui sont parfois impermanents (un cookie a une durée de vie limitée), amène de mauvaises attributions de transactions voire plusieurs enregistrements pour un même client.

Sans un souci constant de la qualité de la base de données, la segmentation, les calculs prédictifs, la personnalisation sont entachés d’erreur. Les clients peuvent se voir recommander un produit qu'ils viennent juste d'acheter, on peut s’adresser à un client de façon inexacte (mauvaise civilité), les bons clients sont mal connus et les fraudeurs sont difficiles à détecter.


Auteur

Cette définition vous a été donnée par Bruno Florence, Dirigeant Florence Consultant, membre du Sncd (organisation professionnelle de la Data Marketing Industrie).