{"id":6839,"date":"2021-03-15T11:49:15","date_gmt":"2021-03-15T11:49:15","guid":{"rendered":"https:\/\/www.akumenia.com\/?p=6839"},"modified":"2021-07-07T10:58:29","modified_gmt":"2021-07-07T10:58:29","slug":"retailers-un-tera-de-marketeur-sur-votre-terrain-data","status":"publish","type":"post","link":"https:\/\/www.akumenia.com\/en\/2021\/03\/15\/retailers-un-tera-de-marketeur-sur-votre-terrain-data\/","title":{"rendered":"RETAILERS : UN TERA DE MARKETEURS SUR LE TERRAIN DE VOS DATA! PROFILING CLIENT AUTONOME, UN NOUVEAU PARADIGME MARKETING POUR UNE DONN\u00c9E EN ACTION!"},"content":{"rendered":"
<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t\r\n
\r\n\t
\r\n\t\t

L <\/span>a connaissance client a de tout temps constitu\u00e9 une verticale indispensable au maintien d\u2019une activit\u00e9 de production et de commercialisation viable. En effet, peu d\u2019entreprises peuvent se pourvoir et maintenir une posture de \u201ccustomer maker\u201d \u2013 au sens o\u00f9 elles g\u00e9n\u00e8reraient d\u2019elle-m\u00eame, du fait d\u2019un monopole organique issue d\u2019une innovation par exemple, une capacit\u00e9 \u00e0 cr\u00e9er de mani\u00e8re continue une demande sur un produit \u201cmonopens\u00e9\u201d avec son lot de prospects qualifi\u00e9s et convertibles en clients fid\u00e8les. Ceci est d\u2019autant plus vrai pour des secteurs \u00e0 forte intensit\u00e9 concurrentielle adressant une client\u00e8le particuli\u00e8re large et pour lesquels, la connaissance client est cl\u00e9, que ce soit pour conserver ses marges, ses parts de march\u00e9 ou encore ses volumes de vente.<\/strong><\/p>\n\t<\/div>\r\n<\/div>\r\n\r\n\r\n\r\n

D\u00e9sengluer la donn\u00e9e de sa valeur de riposte<\/h3> <\/div> <\/div>

pour la porter au rang de d\u00e9cideur quasi-autonome<\/h3> <\/div> <\/div>

et atteindre une omniscience client<\/h3> <\/div> <\/div><\/div>\r\n
\r\n\t
\r\n\t\t

Une connaissance client aff\u00fbt\u00e9e et doubl\u00e9e, dans un contexte de num\u00e9risation croissante des activit\u00e9s et canaux, d\u2019une connaissance des usages client demeurent de ce fait une n\u00e9cessit\u00e9. C\u2019est pour cette raison pr\u00e9cis\u00e9ment qu\u2019il est essentiel d\u2019aff\u00fbter sa connaissance client. \u00a0Longtemps cantonn\u00e9e aux activit\u00e9s de marketing strat\u00e9gique \u2013 pour la compr\u00e9hension du march\u00e9 et des produits \u2013 et op\u00e9rationnelles \u2013 pour les (nouveaux) usages -, les paradigmes de connaissances clients \u00e9voluent aujourd\u2019hui vers l\u2019exploitation scientifique de la data pour une omniscience client analytique et pr\u00e9dictive. Nous entendons ici pr\u00e9senter une approche conf\u00e9rant \u00e0 l\u2019exploitation de la donn\u00e9e une valeur op\u00e9rationnelle au-del\u00e0 des m\u00e9thodes surann\u00e9es dites de \u201cBusiness Intelligence\u201d dans la composante marketing strat\u00e9gique et de \u201cfiche client 360\u00b0\u201d dans la verticale op\u00e9rationnelle. Lesquelles\u00a0se limitent g\u00e9n\u00e9ralement \u00e0 une utilisation r\u00e9active, fig\u00e9e et\u00a0ex post<\/em>\u00a0de la donn\u00e9e et laissant la d\u00e9cision \u00e0 la merci de biais humain. La science des donn\u00e9es r\u00e9pond \u00e0 ces contraintes avec une pr\u00e9cision accrue, une diminution des co\u00fbts inh\u00e9rente \u00e0 ces activit\u00e9s mais surtout, un avantage comp\u00e9titif certain en termes de croissance et fid\u00e9lisation. En soi, repenser et exposer ses produits et services \u00ab\u00a0par empathie avec le client\u00a0\u00bb gr\u00e2ce \u00e0 une connaissance pr\u00e9cise et compl\u00e8te du client est de nos jours un besoin av\u00e9r\u00e9. Toute la puissance de l\u2019approche des sciences et technologies de donn\u00e9es consiste \u00e0 le faire scientifiquement avec une vue exhaustive, de mani\u00e8re autonome, \u00e0 moindre co\u00fbts et large \u00e9chelle et surtout sans biais ou a priori humain.<\/p>\n\t<\/div>\r\n<\/div>\r\n\r\n\r\n\r\n\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>\n\t\t

<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t

La science des donn\u00e9es coupl\u00e9e aux capacit\u00e9s<\/h3> <\/div> <\/div>

technologiques de traitement de donn\u00e9es massives<\/h3> <\/div> <\/div>

comme moyen de cette ambition m\u00e9tier.<\/h3> <\/div> <\/div><\/div>\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>\n\t\t
<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t\r\n
\r\n\t
\r\n\t\t

Penser la science des donn\u00e9es comme outil de profiling client se veut \u00e0 la fois \u00eatre un engagement envers le client, au centre de notre analyse, et un vecteur de croissance. Les technologies de stockages et de traitement distribu\u00e9 permettent de nos jours d’acqu\u00e9rir et d’exploiter au sein d’un m\u00eame gisement l’ensemble des donn\u00e9es g\u00e9n\u00e9r\u00e9es par un client, furent-elles structur\u00e9es (signal\u00e9tique, CRM, tickets de caisses) ou non structur\u00e9es (logs de navigation en ligne, audio avec le call center, images). Au-del\u00e0 la constitution du gisement h\u00e9t\u00e9rog\u00e8ne, c’est le traitement massif des donn\u00e9es qui est rendu possible par le calcul distribu\u00e9 – dont une d\u00e9finition simple serait la parall\u00e9lisation de la r\u00e9solution de plusieurs parties d’un algorithmes sur diff\u00e9rentes machines en simultan\u00e9, id\u00e9alement in memory. Disposer de cette capacit\u00e9 octroie \u00e0 la science des donn\u00e9es la pleine capacit\u00e9 de d\u00e9ployer son potentiel m\u00e9tier. En effet, si les mod\u00e8les de Machine Learning\u00a0trouvent un nouvel essor c’est principalement du fait que leur d\u00e9ploiement et orchestration dans le temps est aujourd’hui ais\u00e9 et rentable. D\u00e8s lors, l’analyse du client ne se veut plus \u00eatre une simple agr\u00e9gation de \u00e0 la maille individuelle (fiche client 360\u00b0) ou \u00e0 la maille d’une ligne d’activit\u00e9 (reporting BI) mais peut trancher avec ces usages. Nous ne remettons pas en question leur int\u00e9r\u00eat \u00e9prouv\u00e9 n\u00e9cessaire \u00e0 la prise de d\u00e9cision mais nous d\u00e9montrons des exp\u00e9riences nombreuses ayant permis d’automatiser un part de l’intelligence op\u00e9rationnelle humaine vers des IA. Autrement dit, aborder le client aujourd’hui du point de vue de la donn\u00e9e c’est \u00eatre en mesure de demander \u00e0 un algorithme, \u00e9minemment \u00e9tudi\u00e9 et test\u00e9 par des experts m\u00e9tier, de se prononcer sur l’action \u00e0 mener et la soumettre \u00e0 la ressource humaine ou technique cuter. op\u00e9rationnelle en charge de l’ex\u00e9cuter. Le marketeur quant \u00e0 lui voit son m\u00e9tier, son organisation et ses \u00e9quipes se transformer petit \u00e0 petit de r\u00e9alisateur d’\u00e9tudes qu’il s’agira d’analyser pour d\u00e9cider en orchestrateur de d\u00e9finition, d\u00e9veloppement et activation de cas d’usages de science des donn\u00e9es. Arborer un profiling client automatique et complet est permis par la maturit\u00e9 des approches list\u00e9es ci-dessous mais nous prendrons pour exemples deux exemples d’initiatives nouvelles pour illustrer le propos : un cas analytique via une segmentation comportementales simples et un pr\u00e9dictif sous formes la d\u00e9tection des moments de vie clients.<\/p>\n\t<\/div>\r\n<\/div>\r\n\r\n\r\n\r\n\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>\n\t\t

<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t

Quand une segmentation comportementale permet<\/h3> <\/div> <\/div>

de g\u00e9n\u00e9rer comparativement \u00e0 une\u00a0approche marketing<\/h3> <\/div> <\/div>

traditionnelle +54 millions de CA en seulement 15 jours.<\/h3> <\/div> <\/div><\/div>\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>\n\t\t
<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>\n\t\t
<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t\r\n
\r\n\t
\r\n\t\t

Nous allons \u00e0 pr\u00e9sent commenter deux exemples d\u2019initiatives men\u00e9es illustrant le propos en exposant deux approches de \u00ab customer profiling \u00bb compl\u00e9mentaires volontairement re-transcriptibles dans diff\u00e9rents secteurs. La premi\u00e8re, une segmentation comportementale fine, ayant \u00e9t\u00e9 men\u00e9e avec succ\u00e8s dans diff\u00e9rentes industries, de la grande consommation \u00e0 la bancassurance. La seconde, l\u2019analyse pr\u00e9dictive des moments de vie client est quant \u00e0 elle plus sp\u00e9cifique \u00e0 des activit\u00e9s proposant des produits multiples associ\u00e9es \u00e0 un cycle de vie produit et client \u2013 c\u2019est le cas de l\u2019automobile, des institutions de cr\u00e9dit ou encore le tourisme. L\u00e0 o\u00f9 beaucoup s\u2019engouffrent dans une description de ces cas d\u2019usages orient\u00e9e technologie et cycle de vie de la donn\u00e9e, il s\u2019agit dans une approche ROIste d\u2019attaquer la probl\u00e9matique d\u2019abord par la valeur et l\u2019objectif strat\u00e9gique, puis les actions d\u2019activation cible du cas d\u2019usages avant de se plonger dans la technique de mod\u00e9lisation d\u2019insight et in fine remonter aux donn\u00e9es sources. Se lancer dans l\u2019IA quand la donn\u00e9e n\u2019est pas le c\u0153ur de m\u00e9tier de l\u2019entreprise implique en effet, surtout si l\u2019on veut que l\u2019initiative soit rentable \u00e0 court terme, d\u2019attaquer le sujet par le m\u00e9tier et non pas par la technologie.<\/p>\n

La valeur : <\/u><\/h4>\n

Cas d\u2019usages num\u00e9ro 1 : une segmentation comportementale r\u00e9pond \u00e0 plusieurs besoins strat\u00e9giques qui ont tous pour but final une meilleure connaissance client pour une ad\u00e9quation\u00a0produit \u2013 client \u2013 canal \u2013 message \u2013 prix. \u00a0Cette approche d\u00e9passe le paradigme des segmentations historiquement bas\u00e9e sur le CA \/ Client, ou encore les segmentations RFM. Une segmentation comportementale en ce sens, va s\u2019extraire des d\u00e9nominations segments S1 \u00e0 S5 ou encore R\u00e9cent x Fr\u00e9quent x Faible montant pour d\u00e9crire des segments pr\u00e9cis d\u2019un point de vue m\u00e9tier et produit, on parlera par exemple du segment \u201c\u00e9pargnant conservateur en recherche d\u2019investissement locatif\u201d pour une banque et du segment \u201cfin gourmet paresseux en refus de cuisine\u201d pour la distribution alimentaire. Il apparait assez \u00e9vident que mon \u00e9pargnant peut potentiellement \u00eatre un S1 ou un S3 historique, un simple croisement avec cette ancienne segmentation me permet alors d\u2019\u00eatre pertinent dans mon action commerciale. Concernant la d\u00e9tection pr\u00e9ventive des moments de vie client, il s\u2019agit de pouvoir adosser \u00e0 mon action une composante\u00a0temps.\u00a0On obtient ainsi avec les deux cas d\u2019usages une optimisation marketing automatis\u00e9e\u00a0produit \u2013 client \u2013 canal \u2013 message \u2013 prix \u2013 temps.<\/p>\n

L\u2019activation :\u00a0<\/u><\/h4>\n

B\u00e9n\u00e9ficier \u00e0 l\u2019\u00e9chelle de l\u2019ensemble de mes clients ou prospects \u2013 nous noterons une diff\u00e9rence dans les deux paragraphes suivants entre ces deux cibles distinctes \u2013 permet d\u2019actionner des approches marketing nouvelles et automatis\u00e9es. On parlera alors de marketing automation. Mais pas seulement, le r\u00e9sultat de tels cas d\u2019usages peut tout aussi bien \u00eatre men\u00e9 par des op\u00e9rationnels humains en compl\u00e9ment ou substitut des syst\u00e8mes op\u00e9rationnels. Ainsi, l\u2019activation du cas d\u2019usage consiste pour le marketeur \u00e0 imaginer, en fonction des r\u00e9sultats obtenus, des matrices de d\u00e9cision qu\u2019il prodiguera \u00e0 l\u2019algorithme pour transmission \u00e0 l\u2019op\u00e9rationnel. On pourra alors imaginer pour certains segments des emailings, newsletter, rebond marketing ou campagnes SMS extr\u00eamement personnalis\u00e9s et ayant\u00a0de facto\u00a0un plus haut taux de conversion. On pourra \u00e9galement extraire des briefs clients ou prospects qualifi\u00e9s aux commerciaux augmentant ainsi leur productivit\u00e9 et le taux de transformation. Pour la segmentation, il s\u2019agit d\u2019identifier, via un second algorithme ou \u00e0 la main, le produit id\u00e9al au sein du portefeuille. A titre d\u2019exemple, proposer \u00e0 l\u2019\u00e9pargnant conservateur un produit de placement m\u00eame s\u2019il n\u2019est que S3 et que le produit \u00e9tait g\u00e9n\u00e9ralement consomm\u00e9 par le S1\/S2. Les moments de vie pourront quant \u00e0 eux proposer du lait pour enfant ou un cr\u00e9dit auto si l\u2019on identifie quelques mois \u00e0 l\u2019avance, parfois avant m\u00eame que le client ne le sache, qu\u2019il aura besoin de changer de v\u00e9hicule.<\/p>\n

La mod\u00e9lisation et l\u2019insight :\u00a0<\/u><\/h4>\n

Pour y arriver, les approches de science de la donn\u00e9e vont pouvoir utiliser deux types d\u2019approches en machine learning, diff\u00e9rentes dans leur philosophie mais compl\u00e9mentaires dans leurs usages. D\u2019une part, l\u2019approche par apprentissage supervis\u00e9, permet \u00e0 l\u2019algorithmes de d\u00e9tecter des sch\u00e9mas de donn\u00e9es similaires \u00e0 un jeux de donn\u00e9es d\u2019entrainement dit labellis\u00e9, c\u2019est \u00e0 dire qu\u2019\u00e0 l\u2019image de l\u2019enfant, l\u2019algorithme apprends que ceci est un chat et ceci est un chien gr\u00e2ce \u00e0 l\u2019homme et pourra dans l\u2019avenir identifier de mani\u00e8re autonome un chat, un chien ou encore un \u00e9pargnant conservateur. D\u2019autre part, nous utilisons \u00e9galement des approches dites non supervis\u00e9es, o\u00f9 il revient \u00e0 l\u2019algorithmes d\u2019identifier lui-m\u00eame les variables discriminantes pour segmenter ou classifier les clients sans biais humain. Notre segmentation comportementale utilisera les deux approches : d\u2019abord un algorithme non supervis\u00e9, dont k-means, optimis\u00e9 par un PCA et un Silhouette Scoring qui est le repr\u00e9sentant le plus connus mais \u00e9galement DBSCAN et surtout OPTICS qui permettront d\u2019outrepasser les logiques de distances euclidiennes pour un clustering par densit\u00e9.<\/p>\n\t<\/div>\r\n<\/div>\r\n\r\n\r\n\r\n

\"\"<\/div>\r\n
\r\n\t
\r\n\t\t

Cette approche est particuli\u00e8rement recommand\u00e9e pour les donn\u00e9es de multiples natures \u00e9voluant sur des espaces avec plusieurs dimensions. Une fois les premiers segments trouv\u00e9s par l\u2019ordinateur, l\u2019humain analyse leurs caract\u00e9ristiques et peut d\u00e9cider de les r\u00e9unir si trop peu porteurs ou \u00e0 l\u2019inverse de les dissocier si trop importants, en r\u00e9it\u00e9rant la premi\u00e8re op\u00e9ration. Ces segments homog\u00e8nes fig\u00e9s, il s\u2019agira enfin d\u2019affecter le N+1 i\u00e8me client ou de r\u00e9affecter les clients \u00e9voluant \u00e0 intervalle r\u00e9gulier via un algorithme supervis\u00e9, ayant appris de nos clusters initiaux. Nous utiliserons alors alternativement et selon les contextes une regression logistique, un random forrest ou un SVM. Enfin, pour la d\u00e9tection des moments de vie, une cat\u00e9gorie d\u2019apprentissages supervis\u00e9s emprunt\u00e9s au machine learning appliqu\u00e9 \u00e0 la biologie, les mod\u00e8les de survies \u2013 Cox Proportional-Hazards ou Kaplan Meier \u2013 peuvent s\u2019av\u00e9rer extr\u00eamement efficaces. Du reste, d’autres approches plus traditionnelles (r\u00e9gressions), gracieusement emprunt\u00e9es \u00e0 Facebook\u00a0 (Prophet) ou mobilisant des r\u00e9seaux de neurones r\u00e9currents (LSTM, GRU, etc.) peuvent \u00e9galement, d\u00e9pendemment du moment de vie, \u00eatre mobilis\u00e9s. On mobilisera \u00e0 souhait la famille LSTM pour tout moment dont la survenue d\u00e9pend d’une cyclicit\u00e9 structurelle port\u00e9e par la longue memory et d’un effet conjoncturel port\u00e9 par la m\u00e9moire courte; une faillite, \u00e0 titre d’exemple.<\/p>\n

Les donn\u00e9es sources :\u00a0<\/u><\/h4>\n

Restent enfin nos donn\u00e9es sources et pour cela, rien qui ne soit pas sp\u00e9cialement accessible n\u2019est n\u00e9cessaire pour les clients. Les donn\u00e9es signal\u00e9tiques, transactionnelles \u2013 compte ou tickets de caisses -, ainsi que les interactions online ou offline. Pour les prospects, on parlera de segmentation d\u2019audience et, si cela n\u2019est pas d\u2019ores et d\u00e9j\u00e0 utilis\u00e9 pour la partie client, les logs de navigations, notamment les ID Cookies seront n\u00e9cessaires. Evidemment, l\u2019usage de donn\u00e9es achet\u00e9es sur des DMP ou des bases de prospections est un plus que l\u2019algorithme qualifiera. Au passage, pour les entreprises peu digitalis\u00e9es comme pour les autres, rien n\u2019emp\u00eache d\u2019appliquer les r\u00e9sultats \u00e0 l\u2019offline, orientant ainsi PLVs et efforts m\u00e9dia en fonction des r\u00e9sultats des mod\u00e8les et des objectifs en cours.<\/p>\n

PS : pensez \u00e0 \u00e9galement collecter, stocker et mettre \u00e0 jour les opt-ins de vos clients pour le traitements de leurs donn\u00e9es personnelles. Veillez \u00e0 mettre en place les syst\u00e8mes qui permettront d’appliquer leur droit \u00e0 la portabilit\u00e9 et \u00e0 l’oubli. Documenter vos traitements dans des registres et maintenez les \u00e0 jour. Le traiitement des donn\u00e9es personnelles se fait avec le consentement du client contre un service rendu et proportionnel \u00e0 la collecte et au traitement.<\/em><\/p>\n\t<\/div>\r\n<\/div>\r\n\r\n\r\n\r\n\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>\n\t\t

<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t
\n

“En quoi est-ce diff\u00e9rent de mes approches classiques? Comment prouver et m\u2019assurer de la valeur quantitativement ? Qu\u2019ai-je \u00e0 y gagner? Avez-vous un retour d\u2019exp\u00e9rience chiffr\u00e9?”<\/strong><\/h3>\n<\/div>\n\t\t\t<\/div> \n\t\t<\/div>\n\t<\/div> \n<\/div><\/div>\n\t\t
<\/div><\/div>
<\/div><\/div>
\n\t
<\/div>\n\t\t
\n\t\t\t
\n\t\t\t\t\r\n
\r\n\t
\r\n\t\t

Il existe trois approches scientifiques de validation des mod\u00e8les :<\/p>\n