BLOG

S’adresser à chaque client individuellement : la puissance de la segmentation marketing offerte par la data

Veltys Advisory

Grâce à la data il est possible de changer radicalement le principe de la segmentation clients :

  • Passer de quelques segments gérables à la main à des milliers de segments, voire à un traitement individualisé de chaque client ou prospect ;
  • Passer d’une unique segmentation utilisée pour toutes les actions commerciales et marketing à des segmentations adaptées sur-mesure à chacun des objectifs poursuivis
 
Targeting-as-a-service : vers un changement de paradigme par la donnée

Les données permettent un changement de paradigme dans le ciblage commercial. De la segmentation traditionnelle des clients à l’utilisation de scores d’appétence par produit, les nouvelles méthodes de traitement de larges bases de données permettent d’utiliser la data comme levier d’amélioration de la satisfaction client et in fine des performances commerciales des entreprises. En effet, un ciblage commercial fin correspond finalement à un service supplémentaire proposé aux clients.

Par exemple, Netflix ne vend pas seulement un service de streaming mais également de recommandations fondées sur les préférences de ses clients. Ce service de conseil lui permet de minimiser son taux de churn : les recommandations vous assurent de toujours trouver des références au sein du catalogue qui vont vous plaire et que vous allez souhaiter visionner.

Par ailleurs, la valeur ajoutée de ce service de recommandations bénéficie de l’effet club : plus le nombre d’utilisateurs de la plateforme est important, plus les recommandations se fondent sur un grand nombre d’observations et voient donc leur précision croître.

Reproduction permise par xkcd.com

 

Les approches traditionnelles de la segmentation sont limitées par les nécessités de traitements manuels

Afin d’améliorer leur efficacité commerciale, les entreprises ont recours à la segmentation, c’est-à-dire à la création de segments de clients regroupés en fonction de caractéristiques communes appelées critères de segmentation. Ces critères peuvent être des données correspondant à un comportement de long terme appelées données « froides » (CSP, genre, âge, etc.) ou des données « chaudes » correspondant à un comportement immédiat (heure de visite d’un site, provenance du flux de visite sur un site, temps de visionnage des pages, nombre de pages consultées).

Il existe plusieurs méthodes de segmentation :

  • La segmentation a priori : l’entreprise constitue des segments en fonction de caractéristiques communes définies avant l’acte d’achat à partir de sa connaissance métier
  • La segmentation a posteriori : l’entreprise utilise le comportement d’achat passé pour créer des segments en regroupant les consommateurs selon leur comportement d’achat et les caractéristiques observées

L’objectif d’une segmentation est de regrouper les clients qui ont les mêmes désirs et les mêmes besoins et donc concernés par la même politique commerciale.

Face à un nouveau client, l’identification de son appartenance à un segment permet d’affiner les offres qui pourraient l’intéresser et la politique commerciale ou tarifaire qui peut lui être appliquée.

Traditionnellement, les segmentations se fondaient sur des méthodologies où la part arbitraire dans la sélection des critères de segmentation retenus était non négligeable : la segmentation était bien souvent semi-manuelle et contraintes par les capacités de calcul et de stockage de données.

Par ailleurs, même si les méthodes traditionnelles permettent en théorie de créer des groupes relativement homogènes, en pratique ces méthodes sont cependant limitées par deux facteurs principaux liés à des contraintes opérationnelles :

  • Le nombre de segments finaux est bien souvent très réduit ce qui limite l’homogénéité des groupes et la qualité des ciblages qui en découlent
  • La segmentation est souvent unique et est censée répondre à tous les besoins marketing et commerciaux ce qu’elle ne peut faire que de manière imparfaite en comparaison à des segmentations qui seraient adaptées spécifiquement à chaque question posée.

 

Les capacités de calcul récentes et les grands volumes de données à disposition des entreprises permettent de revoir totalement les approches traditionnelles

Si les méthodologies de segmentation traditionnelles ont pu répondre, par le passé, de façon pertinente aux besoins de ciblage des clients dans un contexte où les capacités de calcul et de stockages de données étaient limitées, elles ne profitent pas à plein de l’augmentation actuelle de ces mêmes capacités.

Les entreprises disposent aujourd’hui d’une grande quantité de données sur leurs clients et de capacités de calcul élevées qui peuvent servir de levier à l’augmentation de la valeur ajoutée délivrée aux clients. L’utilisation de ce levier en plus de l’amélioration du service délivré est aussi un puissant outil commercial dans un contexte de besoin de personnalisation des offres et d’apparitions de nouveaux concurrents.

Chaque client peut alors être vu comme un segment à part entière : on parle alors de score d’appétence pour chacun des clients et des produits proposés par l’entreprise.

Niveaux possibles de segmentation

 
Le score d’appétence a une double vocation : descriptive pour mieux comprendre le processus d’achat, et prédictive pour mieux cibler les clients intéressés par chaque produit.

Descriptif :
Contrairement à la segmentation par clustering, le score d’appétence permet d’analyser finement produit par produit l’appétence d’un client et renforce la connaissance de chaque client par les conseillers. Il permet également d’éviter de conseiller un produit à un client non intéressé et réduit donc les coûts associés au fait de réaliser des conseils non appropriés – par exemple l’insatisfaction client liée à la sur-sollicitation.

Prédictif :
L’objectif est double : (i) focaliser les efforts commerciaux sur les clients les plus susceptibles d’être réceptifs et donc d’améliorer le taux de conversion/les ventes, (ii) améliorer la satisfaction des clients en leur proposant des services susceptibles de les intéresser (par exemple, dans le cas des services financiers : produits d’épargne, services d’assurances, services connexes, aides à l’investissement. Une segmentation fine remplit alors le rôle de service de conseils financiers).

Les applications du score d’appétence en vue de segmenter et de mieux cibler ses clients sont multiples :

  • Mieux comprendre le comportement de ses clients en identifiant les déterminants du comportement d’achat de ses clients ;
  • Améliorer le Cross selling : identifier les clients susceptibles d’acheter d’autres produits ;
  • Augmenter l’efficacité de ses campagnes commerciales : mieux cibler les campagnes commerciales en les adressant à ceux les plus susceptibles d’être intéressés par le produit ;
  • Proposer des services adéquats à ses clients : en ciblant mieux les clients potentiellement intéressés par ses produits, une entreprise propose finalement un service de conseil.

 

Les scores d’appétence permettent donc de tirer profit à fond de ses données clients. La personnalisation de la politique commerciale est également un outil puissant de conseil qui permet de délivrer de la valeur ajoutée à son client ou à son prospect. La segmentation n’est alors plus seulement un outil de politique commerciale mais devient un service de conseil et de recommandations au client.

Le développement des capacités de stockage et de traitement de bases de données ainsi que la prise de conscience de la valeur des données par les entreprises ont permis la mise en place de méthodes novatrices de segmentation et de ciblage.

Schéma simplifié de la segmentation par score d’appétence
 

L’estimation du score d’appétence peut reposer sur des modélisations économétriques – modèles probit par exemple – ou le machine learning supervisé – id est quand les données sont labélisées et que nous connaissons le comportement d’achat des individus observés.

Pour aller plus loin sur les différences entre machine learning et économétrie, découvrez l’article « Machine Learning : attention aux erreurs pour les questions de pricing ». 

Romain Aeberhardt
Directeur Banque & Assurance
Germain Marchand
Project Manager