Aujourd’hui, la stratégie digitale marketing repose sur quatre piliers que sont l’acquisition de nouveaux prospects, la conversion en clients, leur rétention et leur fidélisation. Quelle que soit la stratégie mise en place, les leviers d’actions sont multiples : SEO, référencement, publicité, email marketing, campagne SMS etc. L’optimisation de ces actions est donc un enjeu majeur.

L’utilisation des données massives et des techniques du Machine Learning pour le marketing apportent un réel avantage concurrentiel. Les métiers du Marketing ont compris que le big data est un moyen d’élargir leur panel de techniques afin de mieux comprendre leurs clients et finalement d’en tirer un réel bénéfice.

Le Machine Learning s’appuie sur une grande volumétrie de données clients (navigation sur le site, interactions service client, âge, CSP, etc.) et permet d’exploiter rapidement et automatiquement de nombreuses variables pour bâtir des modèles robustes et précis. La notion d’apprentissage, au coeur de la technique, permet de s’adapter à la réalité de l’historique de votre entreprise et de votre marché. Il ne s’agit pas de proposer des règles qui permettent d’automatiser la valorisation de données mais d’apprendre de ces dernières pour personnaliser les actions et gagner en pertinence en fonction de vos besoins et de vos spécificités. Le besoin d’explication est aussi important que le besoin de décision et le Machine Learning apporte justement des éléments pour interpreter les résultats obtenus.

Si la connaissance client est au coeur de la stratégie, la base de données clients est alors une vraie mine d’or qui ne demande qu’à être exploitée. Au-delà des actions marketing, la valorisation intrinsèque de ces données client est source de valeur ajoutée.

Et la bonne nouvelle, c'est que votre base clients est déjà disponible. Nul besoin d'acquérir de nouvelles données (pour l'instant). Alors, qu’attendez-vous ?

Attention au phénomène de mode ! Considérer que le #Big Data, la #Data Science, l'#IA apportent une réponse à tous les problèmes est une erreur.

Le "buzz" généré autour de ces mots-clés est certainement un frein à la réussite des projets. En effet, le défi n’est pas uniquement technologique puisque les nouveaux outils créés grâce au ML doivent être adoptés, et donc compris par leurs utilisateurs ! L’approche doit être accompagnée d’une conduite du changement poussée et idéalement impliquer les métiers au plus tôt dans l’étude.

Nous vous proposons ici de démystifier ce qui se cache derrière ce nuage de hashtags et aborder quelques cas d’usage concrets.

Quel que soit le secteur d'activité, les coûts d’acquisition et de fidélisation peuvent être très élevés et mettre en péril la rentabilité d'un business model. C’est pourquoi, il est nécessaire d’exploiter et d’affiner la connaissance des prospects et des clients. Une segmentation pertinente permet alors de lancer des actions marketing spécifiques par groupe et donc de maximiser leur rentabilité.

En s’appuyant sur des algorithmes de Clustering, le ML apporte une plus grande finesse dans la segmentation : il est possible d’explorer plus de variables pour identifier des groupes de clients qui ont un comportement similaire. En outre, le clustering devient modulable et permet au marketeur de visualiser différentes segmentations très rapidement selon ses besoins en étudiant des jeux de paramètres spécifiques. Pour finir, le ML permet l’exploitation automatique de données non structurées qui embarquent de l'information très valorisable : réponses à des questions ouvertes, champ commentaire libre, etc.

Il s’agit ici pour les entreprises d’optimiser les actions de fidélisation en ciblant les clients les plus fragiles afin de diminuer le churn. Pour cela, il faut détecter ces clients dits fragiles. Cela est possible grâce à l’analyse de leur comportement et le calcul d’un score de fragilité.

Le ML permet d’analyser un plus grand nombre de données sur l’historique du client et de tester plusieurs modèles différents pour associer un score de fragilité d’autant plus pertinent. Il permet, en outre, d’aller au-delà du score et d’identifier les motifs de départ.

La recommandation s’adapte aux choix du client pour lui proposer des produits qui peuvent l'intéresser. C’est un puissant levier d’influence. Les systèmes de recommandation classiques sont limités car s’appuient sur des règles de gestion pré-définies : proposer des e-book à un client qui achète une liseuse par exemple.

Le ML s’affranchit de ces règles, analyse les données de masse d’historique des clients (profil, panier, historique d’achats, préférences, etc.) et les caractéristiques des produits ou services afin de calculer un indice de similarité. Il suffit ensuite de suggérer les produits proches. Le ML apporte ainsi une plus grande pertinence dans la recommandation, une évolutivité dans le temps en fonction des habitudes des consommateurs ainsi que l’opportunité de proposer des produits ou services non corrélés a priori.

La Customer Lifetime Value (CLTV) est la somme des profits générés par une entreprise tout au long de sa relation avec un client spécifique. Un modèle de CLTV exploite les données client telles que ses dépenses, ses achats et son comportement. Plus le modèle est précis, plus il est possible de prédire le montant des profits par client à horizon défini.

Le ML offre une approche différente des méthodes de “distribution fitting” habituelles (cf. article) et permet d’affiner plus encore l’indice de CLTV en s’appuyant sur plus de données clients, notamment ses données de navigation.

Pour aller plus loin, une comparaison des deux approches

Des solutions #Big Data ou #IA existent bel et bien sur le marché. Cependant, le succès d’un projet data réside à la fois dans l’adéquation entre les besoins opérationnels réels et la solution proposée, et dans l’adhérence des équipes utilisatrices pour lesquelles un outil embarquant de l’IA peut paraître obscur et est source de méfiance.

Notre approche suit les principes de l’AGILE : nos Data Scientists visent le développement d’une solution sur-mesure en procédant de manière itérative et en impliquant vos équipes à chaque étape. Nous l’avons baptisée le Data Thinking.

Elle aboutit à un prototype qui permet de valider un usage, sa viabilité et son intégrité en quelques semaines avant de passer à l‘échelle. Si le ROI est satisfaisant et que les utilisateurs l’adoptent, nous assistons l'intégration et l'industrialisation avec votre DSI.

N’hésitez pas à nous demander plus d’informations.