Principes
Le data mining recouvre des techniques d’analyse pour trouver des tendances ou des corrélations cachées parmi des masses importantes de données ou encore pour détecter des informations stratégiques ou de nouvelles connaissances, en s’appuyant sur des méthodes de traitement statistique avec un zeste d’intelligence artificielle.
Le data mining peut, selon les besoins, intervenir sur votre connaissance client (valeur et potentiel) et/ou sur l’optimisation de vos produits et actions commerciales. Les deux approches sont complémentaires :
Les analyses clients répondent aux questions :
- où trouver de nouveaux clients ?
- comment vendre plus au même client ?
- comment satisfaire vos clients ?
- comment fidéliser vos clients ?
Les analyses produits cherchent à répondre à des questions complémentaires :
- quelles sont les fonctions qui déclenchent l’achat ?
- quel est votre positionnement par rapport à la concurrence ?
Le data mining permet de passer d’un mode réactif à un mode pro-actif tout au long du cycle de vie du client :
Optimisation recrutement -> accroissement des ventes -> optimisation des coûts marketing -> fidélisation -> diminution de l’attrition
Objectifs
Les objectifs sont par définition déterminés en fonction des données existantes et des problématiques de l’entreprise. Il est donc impossible de lister de manière exhaustive l’ensemble des applications du data-mining, néanmoins en voici quelques-unes à titre d’exemple :
- identifier les clients fidèles, les clients rentables, ceux à fort potentiel et inversement
- trouver des leviers de fidélisation et modéliser de manière prédictive les départs
- accroître la fidélité en étant capable de proposer la bonne offre, au bon client, au bon moment, par le bon canal
- comprendre et anticiper les comportements d’achats
- augmenter les recrutements et diminuer les coûts des campagnes de recrutement
- développer des revenus complémentaires avec la proposition de nouvelles offres de produits ou services parfaitement appropriées à chaque segment de clients
- augmenter le retour sur investissement des opérations marketing par un meilleur ciblage et une optimisation de l’utilisation des canaux (par exemple, accroissement des taux de réponse de 20% à 200% tout en réduisant les coûts)
- réduire les risques d’impayés par une meilleure identification du risque tout au long du cycle de vie du client
- optimiser l’animation de votre programme de fidélité par une meilleure compréhension des attentes et des enjeux par cible de clients
- connaître la manière dont les facteurs démographiques ou autres influent sur les ventes
- calculer le coût d’acquisition d’un nouveau client
- savoir qui achète quoi
Exemples de prestations
Analyse de la valeur client :
Quantification de la Life Time Value
Estimation de potentiel de clients et identification de populations à risque
Définition de scores d’appétence produits et de prospection
Trois indicateurs doivent être pris en compte pour bien mesurer la valeur d’un client :
La valeur économique correspond à la rentabilité totale, décomposée par produit selon les systèmes traditionnels de comptabilité. L’identification des différents éléments contributifs à cette valeur permet d’évaluer un ratio Revenus/Coûts, véritable indicateur d’efficacité.
La valeur compétitive consiste à positionner les produits et/ou l’entreprise par rapport à ses concurrents, en s’appuyant sur l’évaluation de la satisfaction du client. Cet indicateur permet notamment d’identifier les éléments qui ont un impact mesurable sur le volume d’achat, la fidélité ou la perception de la différenciation de l’offre.
La valeur future est déterminée par l’espérance des revenus futurs liés à une croissance des revenus ou une diminution des coûts sur la durée de vie du client. Cette valeur s’appuie sur la mise en oeuvre de modèles de type statistiques ou markoviens pour construire une prévision fiable dans le temps. La distinction entre les éléments liés à la durée de la relation avec le client, son potentiel immédiat ou futur permet d’évaluer la valeur du client tout au long de son cycle de vie.
Segmentation comportementale
La segmentation opérée par Affinity Data permet la division de vos clients en groupes homogènes d’individus aux comportements identiques face aux variables du marketing. Les techniques utilisées par Affinity Data permettent d’aller plus loin que la segmentation classique RFM (résence, fréquence, montant) pour prendre en compte des notions de comportement. On regroupe ainsi des clients présentant des caractéristiques communes au sein d’un même segment. Exemples de segments : les » nouveaux clients « , les » fidèles « , les » inconditionnels « , les » opportunistes « , les » occasionnels « , les » anciens acheteurs « , les » inactifs « …
Affinity Data est également en mesure d’analyser l’évolution des clients dans le temps et de modéliser les passages entre les segments sur une matrice.
Une telle segmentation permet de s’adresser à chaque client de la manière la plus ciblée, personnalisée et optimisée possible.
Scoring de bases de données
Le scoring consiste à » résumer » l’ensemble de l’information que l’on possède sur un client en une seule » note » qui permet alors de classer les réponses entre elles et de placer chaque individu sur une échelle porteuse de sens. Par exemple, on peut transformer les réponses à plusieurs questions d’un questionnaire portant sur un nouveau produit en une intention d’achat ou bien prédire la fidélité d’un client en fonction de son historique. La méthode dépend de la nature des données étudiées (variables chiffrées, temporelles, comportementales…)
Le scoring peut être indépendant ou faire partie intégrante d’une segmentation.