Le marketing prédictif : donner du sens aux données et en tirer des insights opérationnels

Marketing

Smart Cloud

Marketing

Smart Cloud

Spécialiste du big data intelligence et des solutions de marketing digital

Laurent Garnier / Cédric Hervet

Directeur Délivrabilité &

Succès Client

lg@np6.com

2

Directeur en Recherche

Opérationnelle de SOCIO

Logiciels (société du groupe

NP6)

chervet@socio.fr

Carte d’identité groupe

3

i

SPECIALISTE LEADER SECTEURS EFFECTIFS

DIGITAL CA

15 M€

INNOVANTDATA

EUROPEEN

QUALITE

SaaS Marketing : 50%

Data intelligence : 50%110 Paris, Bordeaux,

Londres

ISO 9001 depuis

2001

30 experts digitaux CIR35 statisticiens

15 sociétés

du CAC 40

Tous secteurs

d’activité

Expertise cross-secteurs

E-Commerce / Distribution Service Publique Loisirs / Tourisme

Banque / Assurance

Medias / Culture

Agences MarketingIndustrie / Service BtoB

3

5

Le marketing prédictifDonner du sens aux données et en tirer des insights opérationnels

► La collecte et l’enrichissement de la donnée

► L ’analyse de la donnée et ses enseignements

● La connaissance client

● Le scoring appliqué à l’emailing

● Patterns de consommation et parcours clients

6

L’ÉTAPE ESSENTIELLE DE LA COLLECTE

Le volume de données explose…

7

La Data : le nouvel or noir !

8

• Une matière première en partie gratuite

mais qui nécessite une exploration.

• Le raffinage a un coût…

• Acquisition de nouvelles compétences

(Data Scientists)

• Constitution d’équipes projets

inhabituelles (IA, RO, IT, Marketing…)

• …mais le R.O.I. devient ROI

Collecter et enrichir la donnée

9

Une bonne collecte est essentielle :

• Savoir identifier les données utilisables, « propres »et consolidées

• Avoir une quantité de données suffisante

• Retravailler et enrichir avec des données externes dès que possible

• Passer de la « BIG » à la « SMART » Data

• Mise à disposition « en théorie » gratuite de données publiques et parfois privées.

• L’INSEE propose 16.000 zones IRISqui permettent de croiser vos données avec des données infra communales (zones d’habitat, d’activités…).

• D’autres sources existent…

Enrichir grâce à l’Open Data

10

11

L’ANALYSE DE LA DONNÉE ET SES ENSEIGNEMENTS

Les grands axes d’analyse

CONNAISSANCE

(Base de données)CLIENTS

OFFRES

Construire la

connaissance client

pour concevoir

l’accompagnement

Comprendre les

patterns de

consommation et

optimiser son mix

marketing

Scorer chaque client

et prédire son

comportement futur

Prédictif

Descriptif

13

LA CONNAISSANCE CLIENT

Approche analytique, sans a priori, de l’ensemble de la base de données. Des

exemples de reporting simples, mais pas simplistes !

Construire la connaissance client

0 €

5 000 000 €

10 000 000 €

15 000 000 €

20 000 000 €

25 000 000 €

0

10 000

20 000

30 000

40 000

50 000

60 000

70 000

80 000

2011 2012 2013

CA

Nb

de

clie

nts

Nb de clients et CA par année

0

20

40

60

80

100

120

140

160

180

200

0

2

4

6

8

10

12

1ère-2ème commande 2ème-3ème commande 3ème-4ème commande

Indicateurs de délai entre achats

Délai80%

Moyenne

€0

€500 000

€1 000 000

€1 500 000

€2 000 000

€2 500 000

€3 000 000

janv févr mars avr mai juin juil août sept oct nov déc

CA moyen dépensé par mois

40%

50%

60%

70%

80%

90%

100%

Passage de l'achat n à l'achat n+1

Les clients statistiquement exceptionnels doivent être analysés :• Mauvais remplissage de la base

• Activité frauduleuse

• Typologie particulière de client

Détection des clients atypiques

Parmi eux, les « vrais » clients doivent

recevoir un traitement particulier

Réduire le taux de « one-shooters »

Intensitérelationnelle

TempsIntégration Ligne de mire

2. Maintien d’une

communication

relationnelle ciblée

en affinité avec les

besoins du client

3. Adresser une offre

“incentivée” afin

d’assurer la retention

du client

1. Juste après son

intégration en base,

un PRM se met en

place pour ses

prochaines visites

Segmenter ses clients

RFM totale

TotalCA<=0

Nouveaux

clientsRFM1 RFM2 RFM3 RFM4 RFM5 Outliers

PM

G t

ota

le

CA<=0 1 289 219 0 0 0 0 0 0 1 508

Inactifs 0 0 7 644 1 954 1 404 144 7 1 11 154

P 0 10 674 15 545 12 964 16 926 4 884 19 0 61 012

M 0 3 560 2 1 062 9 808 15 678 6 519 0 36 629

G 0 487 0 0 432 4 528 12 857 0 18 304

TG 0 35 0 0 2 207 5 764 99 6 107

Outliers 0 0 0 0 0 0 9 299 308

Total 1 289 14 975 23 191 15 980 28 572 25 441 25 175 399 135 022

La segmentation RFM tient compte de la récence, de la fréquence et du

montant d’achat, pour un ciblage des clients actifs, contributeurs de la

marque

La segmentation PMG est établie en

fonction du montant et permet de

comprendre les grandes tendances de

consommation

Effectif %

Nouveaux clients 14 975 11,1%

CA<=0 ou Inactifs 12 443 9,2%

Dilemme 29 573 21,9%

Clients à développer 54 268 40,2%

Cœur de cible 23 464 17,4%

VIP 299 0,2%

TOTAL 135 022 100,0%

18

LE SCORING APPLIQUÉ À L’EMAIL

Le véritable potentiel de la donnée email

Le score d’appétence horaire

Il permet d’envoyer le

message à l’heure de

consultation connue et sur

le terminal utilisé par la

cible.

Permet au message

d’être vu dès

l’ouverture de la

messagerie.

Optimise l’interaction

souhaitée.

Les scores liés à l’appétence

Propension et réactivité

Donnent la probabilité

d’un individu à réagir

positivement à la

prochaine communication.

Permet de cibler les

bonnes personnes

Intérêt stratégique en

délivrabilité

Les scores d’attrition et de réactivation

Le score d’attrition

Donne la probabilité

de se plaindre ou de

se désengager

Fort impact sur la

délivrabilité

(réputation)

Le score de réactivation

Indique le potentiel de

réactivation d’une

cible passive

23

PATTERNS DE CONSOMMATION ET PARCOURS CLIENT

L’analyse des achats

Top 20 des Sous-Rayons trié par CA généré

Rang Sous-Rayon Qté Qté (%) CA %CA Montant Moyen

1 Sous rayon 1 148 859 1% 19 391 528 € 7% 130 €

2 Sous rayon 2 567 077 4% 19 210 223 € 7% 34 €

3 Sous rayon 3 104 534 1% 17 999 669 € 7% 172 €

4 Sous rayon 4 31 018 0% 16 475 257 € 6% 531 €

5 Sous rayon 5 13 301 0% 11 469 865 € 4% 862 €

6 Sous rayon 6 68 626 1% 9 890 342 € 4% 144 €

7 Sous rayon 7 189 308 1% 9 164 180 € 3% 48 €

8 Sous rayon 8 59 192 0% 7 171 677 € 3% 121 €

9 Sous rayon 9 64 327 0% 5 900 044 € 2% 92 €

10 Sous rayon 10 23 806 0% 5 600 283 € 2% 235 €

11 Sous rayon 11 211 132 2% 5 388 309 € 2% 26 €

12 Sous rayon 12 38 960 0% 5 066 103 € 2% 130 €

13 Sous rayon 13 55 542 0% 4 236 214 € 2% 76 €

14 Sous rayon 14 33 993 0% 4 138 765 € 2% 122 €

15 Sous rayon 15 38 264 0% 3 957 198 € 1% 103 €

16 Sous rayon 16 45 540 0% 3 697 145 € 1% 81 €

17 Sous rayon 17 1 083 166 8% 3 285 036 € 1% 3 €

18 Sous rayon 18 465 913 4% 3 252 609 € 1% 7 €

19 Sous rayon 19 70 268 1% 2 885 345 € 1% 41 €

20 Sous rayon 20 101 463 1% 2 874 129 € 1% 28 €

3 414 290 26% 161 053 922 € 60% 47 €

13 257 935 100% 266 404 454 € 100% 20 €

Total Top 20

Total Général

Les calculs de grands agrégats sont utiles

au reporting mais peu pertinents pour la

recommandation.

Cooccurrences d’achat

Etude des cooccurrences d’achat

par paires, mise en évidence des

plus associées :

par profils socio-démographiques

sur le même ticket

dans le temps

Limites : supports très faibles

quelques liaisons « évidentes »

peuvent éclipser le reste

peu « user-friendly »

Antécédent Conséquence% de

support% de confiance

UNITAIRE INOX UNITAIRE INOX 0,11% 82%

POUFS CHAUFFEUSES 0,09% 78%

UNITAIRE PLASTIQUE UNITAIRE PLASTIQUE 0,23% 70%

ACCOUDOIRS CHAUFFEUSES 0,39% 68%

MONTAGE PORT 0,35% 67%

EPICES EPICES 1,49% 66%

SERVIETTE TOILETTE SERVIETTE TOILETTE 12,75% 63%

Théorie des graphes

Construction du graphe des achats :

un nœud par produit

un arc relie deux produits

s’ils ont un niveau de

cooccurrence significatif

On suppose que k% des

produits i sont achetés

avec des produits j

Etoile : existence d’un produit

phare, entouré d’accessoires

non complémentaires entre eux

Patterns de consommation

La clique : complémentarité

entre tous les produits

Robuste : l’ajout d’un produit

augmente la probabilité d’achat

Parcours consommateur

L’historique permet d’identifier

les parcours clients, pour

répondre à des besoins

analytiques divers :

Quel produits sont les points

d’entrée des clients ?

Après X achats, quel est le

profil d’acheteur moyen ?

Comment amener l’acheteur

d’un produit A vers l’achat d’un

produit B ? Est-ce naturel et

sinon, à quel moment agir ?

etc.

Les clés du marketing prédictif

Pas d’analyse pertinente sans une

bonne collecte.

Éviter les silos de données.

L’enrichissement de la donnée reste

une étape primordiale.

Une vision experte reste nécessaire

pour des problématiques métiers

spécifiques.

Bordeaux

104 Bis Quai des Chartrons

33300 Bordeaux

T. 05 57 92 41 21

Paris

7, rue du Pasteur Wagner

75011 PARIS

T. 01 75 43 76 10

London

23 Hanover Square

London W1S 1JB

T. +44 203 714 8915