Marketing Advanced Analytics
jeudi 10 février 2022
Qu’est-ce que la Data Analytics appliquée au marketing ?
Domaine multidisciplinaire, la Data Analytics nécessite des compétences en informatique, en mathématiques et en statistiques. Cette discipline combine l’utilisation de techniques descriptives et de modèles prédictifs pour extraire, à partir de données, des tendances et segmentations pertinentes.
Dans le secteur marketing, les enjeux principaux peuvent être regroupés en 6 classes :
- 1 – Profil de l’acheteur d’un produit donné ;
- 2 – Recommandations de produits ;
- 3 – Prédiction au plus tôt de la perte de fidélisation (churn) ;
- 4 – Recherche d’extension d’audience en identifiant les profils similaires à un client donné ;
- 5 – Contact Strategy : choix des meilleures techniques de communication avec les clients ;
- 6 – Sensibilité au prix : degré d’attirance du client sur l’aspect promotionnel.
Garder à l’esprit l’effet final recherché
En marketing, l’enjeu de l’analytics est d’apporter des réponses pertinentes dans le cadre de l’optimisation du cycle de la clientèle : acquisition du client, vente de produits et enfin perte progressive du client. Un exemple concret est de fournir au Chief Managing Director (CMD) des outils efficaces afin de dimensionner au mieux des campagnes marketing (population cible, type de produit). De telles outils reposent sur une analyse approfondie de la clientèle : identification de l’identité du client, de son comportement social, de son profil d’acheteur et de sa localisation.
Constatant que la maturité acquise en data science est désormais de bon niveau, Philippe Jaoui souhaite cependant remettre au cœur du débat certains fondamentaux qui font la valeur ajoutée de l’analytics pour une entreprise : l’enjeu principal dans de nombreux cas n’est pas tant la qualité des modèles développés, mais surtout la capacité à faire adopter les modèles aux métiers.
Combiner les données les plus pertinentes
Le CRM (Customer Relationship management) ou GRC (Gestion de la relation client) est historiquement la principale source de données sur laquelle s’appuient les études marketings. Il s’agit d’une base de données relationnelle recensant les caractéristiques principales de l’ensemble des clients d’une entreprise.
Aujourd’hui, de nouvelles approches consistent à compléter le CRM par de nouvelles sources de données plus complexes, que cela soit par leur nature ou leur volume. Des exemples sont les données numériques (web traffic), textuelles (chat et emails), sonores (échanges téléphoniques) ou encore visuelles (image). Enfin, il est également possible d’utiliser des bases de données externes disponibles dans un cadre business-to-business (B2B) ou business-to-consumer (B2C).
L’une des difficultés en Analytics consiste à combiner ces différentes sources pour améliorer la connaissance de la clientèle ainsi que la qualité des modèles construits.
Le rôle du Chief Data Officer (CDO) est de garantir aux équipes analytiques un accès rapide et sécurisé à ces bases de données. Pour cela, il est nécessaire de séparer les environnements de production et d’analytics, ce qui implique de répliquer la donnée.
L’Insight, ou l’art de tirer des conclusions exploitables
Les process de Data Science sont bien assimilés de nos jours et débouchent sur des résultats probants. Toutefois, malgré l’efficacité de la synergie entre le data scientist et le data ingénieur, qui assure un développement et une mise en production efficace des modèles, ces derniers ne sont malheureusement pas systématiquement adoptés par les métiers pour lesquels ils ont été conçus.
L’origine de ce problème vient du manque d’insight, c’est à dire de connaissances apportées par le pôle analytics en complément du modèle développé. Afin d’y remédier, un effort de vulgarisation est nécessaire de la part du pôle data envers le client interne, dont la capacité de décision ne s’appuie pas sur les métriques techniques d’évaluation des modèles, mais sur la dimension métier.
La notion d’insight peut être décliné en trois grands axes de travail pour le pôle analytics :
- 1. Des projets ad-hoc destinés à apporter une réponse à une problématique ponctuelle et ciblée,
- 2. L’élaboration d’une plateforme recensant les indicateurs clés sous forme de tableau de bord,
- 3. La mise à disposition d’une plateforme d’analyse exploratoire (outil de requêtage graphiques de type BI).
Enfin, l’algorithme n’est qu’une étape, certes hautement technique, de la Predictive Story, et elle doit être encadré par des phases d’insight qui rendent la démarche de l’Analytics intelligible.
La segmentation, processus de clustering efficace
Dans l’optique de faciliter les échanges avec le métier, la segmentation de la population est une étape cruciale, qui permet d’atteindre un juste équilibre entre profilage précis de la clientèle et communication simplifiée avec les interlocuteurs commerciaux.
Traditionnellement, ce clustering s’effectue selon le principe RFM (Récence Fréquence Montant), mais il évolue désormais conjointement à l’arrivée de nouveaux types de données. Ainsi, les variables géographiques ou encore démographiques apportent un niveau de compréhension supplémentaire et fournissent des profils clients plus précis (niveau social, comportement sur le web, etc). C’est notamment l’ambition que porte le projet Mosaic® de l’entreprise Experian.
Bien qu’il s’agisse d’une approche indispensable, il reste important de garder à l’esprit que comme toute technique d’agrégation, la segmentation implique une perte d’information dans l’optique de simplifier la donnée.
L’Insight apporte un degré d’intelligence nécessaire dans les études de l’Analytics
En conclusion, grâce à cette présentation, Philippe Jaoui a voulu sensibiliser son auditoire sur la nécessité de cadrer l’algorithmique par l’insight, processus qui permet d’apporter un degré d’intelligence nécessaire aux études. Cet effort permet ainsi d’aboutir à des conclusions audibles pour les décideurs des sociétés commerciales, au service d’une stratégie marketing plus pertinente.
Image d’entête source Pchvector/Freepik