A l’heure de l’Intelligence Artificielle, où les assistants vocaux, recherches intelligentes et chatbots sont de plus en plus utilisés dans les stratégies marketing des entreprises, les besoins data n’ont jamais été si importants.

L’enjeu pour les entreprises utilisant ou souhaitant utiliser l’IA est de valoriser efficacement les data en optimisant l’intégralité des processus : collecte, exploitation et gouvernance des données.

Une réalité plus nuancée : des problématiques data basiques

Néanmoins, « la moitié des entreprises exploite moins de 25% de la donnée collectée et analysée*».

Pourquoi seulement un quart des données collectées sont utilisées ?

• Une gouvernance des données mal définie : Les entreprises ont tendance à collecter un grand nombre de données, sans en avoir défini l’objectif (dans quel but utilise-t-on la donnée ? contactibilité, statistiques ou bien création de segments ?)
• Des systèmes d’information organisés en silos, ne permettant pas de rationnaliser l’utilisation de la donnée client / prospect.
• Des problèmes de normalisation de la donnée, la rendant inexploitable.
• Un problème de ressource : Les métiers autour de la donnée ont évolué, du data manager en passant par le data scientist et le DPO.

Selon l’étude PwC datant de 2018, « 51% des marketers attribuent une note entre 7 et 10/10 à la collecte des données, contre seulement 36%  à l’analyse et 33% à l’exploitation des données*. »

Des statistiques dénotant clairement l’aptitude des entreprises à collecter les données clients, mais aussi la difficulté chronique que représente l’exploitation.

Quelle stratégie data adopter pour réussir les projets IA ?

Créer une stratégie data nécessite une bonne organisation, et surtout des prérequis à mettre en place dans un ordre bien précis :

• Unifier les données (Data Quality Management, Complétude…)
• Augmenter la connaissance et mesurer des comportements d’audience (Reporting, Statistiques…)
• Activer les données (Marketing Automation, Personnalisation Web, chatbot etc…)

En effet, l’erreur classique est de vouloir commencer par l’intégration de technologies d’IA ou de mining au système d’information marketing. Et ça se comprend… le marché ne cesse de développer une offre toujours plus consistante d’«outils d’intelligence artificielle». Des technologies clés en main, souvent en SaaS, permettant d’effectuer « n’importe quelle prédiction » dans n’importe quel domaine, et ne nécessitant aucune connaissance technique.

Sans remettre en cause la pertinence de ces outils, il est nécessaire d’établir une feuille de route, avant de piloter correctement les projets d’IA.

• Pas d’IA sans données qualifiées et enrichie

 Les outils d’IA et de datamining du marché, relativement proches, s’appuient sur des corrélations statistiques. Ceci dit, ces calculs ne sont pertinents que lorsque les données en entrée sont correctes ! La première étape est donc de s’assurer de la qualité des données (Normalisation, validation, correction, dédoublonnage, déduplication…) avec les technologies de data quality adaptées.

Les données corrigées peuvent ensuite être enrichies (comportement web, appétence, données de contactibilité manquantes, données sociogéographiques…) pour augmenter la connaissance client et ultérieurement créer des segments toujours plus fin.

• La vision unique client / prospect – L’étape indispensable

 « 71% des entreprises du secteur tertiaire » comptent « utiliser l’IA pour améliorer leur connaissance client. » La connaissance du client et du prospect passe avant tout par une maîtrise parfaite de l’information client déjà collectée dans les métiers de l’entreprise (marketing, commerce, SAV, CRM…)

La vision unique client / prospect, souvent oubliée dans les processus data, est probablement l’étape la plus importante.

Son utilisation concrète permet par exemple de réconcilier les clients physiques et digitaux, de distribuer des informations clients fiables et unifiées aux métiers, mais aussi créer une vision unifiée du client et de son parcours.

C’est après ces étapes préliminaires qu’il est enfin possible d’utiliser et d’alimenter en données fiables, enrichies et unifiées les outils d’IA ou de mining.

Etude menée auprès de 240 décideurs par PwC France et L’Usine Digitale : « Intelligence artificielle & Big Data 2018« 

Identifier les parcours clients pertinents, les moments critiques, l’attrition… tels sont les différents enjeux d’une stratégie de fidélisation nourrie par la data.

Une des questions que se pose quotidiennement le marketer : Comment réduire mon taux d’attrition ? Comment augmenter mon taux d’upsell ?

Le premier point bloquant est la contactabilité ; c’est-à-dire la capacité de pouvoir contacter correctement son client, grâce à des données relationnelles fiables (mail, adresse postale, téléphone fixe et mobile…).

La qualité des données : Un mal nécessaire

En effet, les bases de données relationnelles ont un taux d’attrition pouvant aller jusqu’à 10% par an ! En dehors de la concurrence, l’attrition peut être due à une qualité de données déficiente (déménagements et donc changement d’adresse postale, changements de mails, de téléphone…).

Le problème est évident, récurrent… mais n’est pas toujours pris en considération par les équipes marketing…

Et pourtant, comment garder une relation de confiance avec un client s’il est impossible de le contacter ? Comment lui présenter les nouvelles offres personnalisées ?

Ce genre de dysfonctionnement peut être évité en enrichissant, en corrigeant et en validant régulièrement les données relationnelles des différentes bases. Les données des bases sont mises à jour, actualisées et pertinentes. On dispose enfin des adresses postales normalisées et mises à jour des clients / prospects, à leurs numéros de téléphones fixes et mobiles…

Il devient également possible de créer de nouvelles opportunités en travaillant la qualité des données : On peut identifier, traiter et rassembler les individus d’un même foyer ou d’une même entreprise, pour personnaliser toujours plus les offres et les parcours.

La vision unique pour créer des parcours clients personnalisés

Un autre problème classique rencontré par le marketer est la vision globale et unifiée du parcours de chaque client.

Connaître son client est essentiel pour l’inclure dans les bons scénarii relationnels, le retenir et lui présenter les bonnes offres, au bon moment et sur le bon canal.

Les exemples d’écueils classiques :

• Inclure des clients peu satisfaits dans les mêmes programmes marketing que les clients ambassadeurs
• Envoyer une réduction par mail juste après qu’un nouveau client ait acheté son premier article en magasin.

Les parcours clients simples et cohérents, demandent une logistique technique complexe.

Il est nécessaire, dans un premier temps, mettre en place un dispositif de Vision unique – en agrégeant l’ensemble des données client, quel que soit le canal (CRM, SAV, Web, Magasin…).

Ainsi, on agrège les parcours, les sources d’entrées, les achats ; il est alors possible de créer des segmentations pertinentes (Récence – Fréquence – Montant, Petit – Moyen – Gros etc…)

En accédant à des données unifiées, enrichies et segmentées dans l’ensemble des canaux, il devient possible d’inclure les clients et prospects dans des parcours personnalisés, favorisant une meilleure relation.

Vous l’aurez compris, l’unification de l’information client constitue un levier stratégique que les organisations ne peuvent ignorer si elles souhaitent créer des programmes relationnels personnalisés, promouvoir une expérience client unique et anticiper les besoins.

En résumé : L’attrition ne se combat plus par l’envoi massif de communications non ciblées. Il est désormais impératif de rationaliser les bases relationnelles, d’en augmenter la qualité, de rapprocher et d’unifier les informations pour créer des ciblages pertinents pour créer des parcours clients adaptés et personnalisés.

L’enjeu essentiel pour les entreprises est d’adopter une stratégie data-driven aux normes, dans des écosystèmes multipliant les outils, les datamarts et autres solutions reporting.

Amabis a établi pour vous les 5 règles d’or afin de tirer profit de vos data à l’heure du RGPD.

1. Unifier l’information

L’unification de l’information client devient stratégique. Les organisations où l’information consommateur est silotée fragmentent l’expérience client. La création d’une vision unifiée du client est essentielle pour créer des programmes relationnels personnalisés, afin d’instaurer une relation durable avec le client.

2. Se concentrer sur les data utiles

stockez et traitez uniquement les données nécessaires pour faciliter la prise de décision, tout en respectant l’article 25 du RGPD à « Seules les données à caractère personnel nécessaires au regard de chaque finalité spécifique du traitement seront traitées »

3. Augmenter la qualité de vos données :

elles font partie du capital de votre entreprise, augmenter leur qualité valorise le capital social. Pour cela, il est nécessaire de disposer de data correctes, normalisées et exploitables – Cette règle est également essentielle pour rester en conformité ! Article 5 – d : « Les données relationnelles stockées doivent être exactes et si nécessaires, tenues à jour ».

4. Développer la connaissance client :

Transformez l’information en connaissance, en liant des données relationnelles à des données comportementales et en scorant vos clients, ou en scorant vos clients avec des segmentations classiques (Petit – Moyen – Gros / Récence – Fréquence – Montant)

5. Se faire accompagner pour éviter les écueils :

   Peut être la règle d’or la plus importante ! La mise en conformité légale s’accompagne d’une mise en conformité opérationnelle ! En effet, le Système d’information marketing doit pouvoir répondre aux demandes d’anonymisation des données, aux opt-out et autres demandes clients.

Amabis vous invite à ses conférences lors du salon e-marketing. 2 grands thèmes seront abordés en compagnie de William Berault, directeur général et Eric Hugnard, président HSK Partners.

• La vision client unique : Base indispensable d’une stratégie client efficace
• 7 règles d’or pour tirer profit des data à l’heure du RGPD

Retrouvez nous sur le stand B20 C19 et inscrivez-vous gratuitement au salon via ce lien.

Le dénominateur commun de toutes ces avancées est la data, le carburant des systèmes d’information, du marketing et des métiers d’une manière générale. Pour les annonceurs et les marketers, la multiplication des bases, des données, des systèmes d’exploitation est un véritable casse-tête

Quelques chiffres essentiels sur les data en 2018

8 consommateurs sur 10 estiment* que l’expérience client est essentielle dans l’expérience de marque. L’UX est définitivement devenue un marqueur essentiel du processus de fidélisation et de recommandation.

Toujours pour l’année 2018, 60% des marques utilisent des informations clients obsolètes*… La question qui s’impose à Comment retenir des clients lorsqu’on ne dispose pas des bonnes informations relationnelles ? Quelle stratégie de rétention adopter ? Par où commencer ? Les coûts d’acquisition d’un client sont en moyenne 5 fois supérieurs aux coûts de fidélisation, cet écart exprime un manque à gagner pour les annonceurs, souvent confrontés à des infos clients inexactes et donc inexploitables dans le processus de rétention.

De plus, 83% des entreprises ont leur CA affecté par des données clients inexactes*. Comment expliquer ce phénomène ? Disposer de data clients inexactes a un impact direct sur les processus de rétention. Le client demande une attention toujours plus poussée de la part des marques. En effet, la qualité des données relationnelles influe directement sur les performances des métiers : ciblage marketing précis, SAV réactif et au fait d’éventuels difficultés rencontrées par le client, gain de temps pour les équipes commerciales en acquisition…

L’inexactitude des données relationnelles est relative à tout un ensemble de facteurs : déménagements, changements d’opérateur mobile, nouvelle adresse mail, mais également au niveau des sociétés, dans l’augmentation des sources de données utilisées par les équipes marketing :  10 en 2017, 12 en 2018 et 15 prévues en 2019 ! *

La création de parcours clients cohérents et fluides passe par la mise en place d’une stratégie data performante, avec l’implication des métiers concernés (forces de vente, DSI, IT…) et la mise en place d’outils nécessaires (RCU, MDM doté d’une vision unique, SI 360…) Cette stratégie passe également par la compréhension et l’expression des besoins: Des besoins Data ? Data quality ? ou Data Intelligence ?

*Sources : « 5th Salesforce State Of Marketing Report – Top Trends redefining the Profession »

Laquelle permettrait de rendre les parcours clients plus cohérents ? Quelles données doit-on exploiter et dans quel but ? Pour démystifier le sujet, nous avons dressé un comparatif succinct des principales technologies utilisées aujourd’hui.

RCU – Le Référentiel Client Unique  

Le Référentiel Client Unique est un dispositif technique permettant d’agréger les données stratégiques d’un client provenant de multiples systèmes (CRM, tickets de caisse, ERP, SAV etc…). Intégrant la vision unique par la qualité de données, des informations clients unifiées et consolidées vont alors alimenter les briques métiers.

Le RCU est la pierre angulaire du parcours client cohérent et du ROI des actions commerciales et marketing.

DMP – La Data Management Platform

La Data Management Platform est un outil permettant de réconcilier des parcours web avec des informations sur le profil des utilisateurs. Elle permet également de segmenter des audiences et créer des campagnes de retargeting. La DMP est un outil purement digital, pour des données online.

CDP – Customer Data Platform

La CDP est une technologie émergente proposant d’unifier les données clients de l’annonceur, online comme offline. La différence majeure avec le RCU est la possibilité d’intégrer les données temps réel et digitale de la DMP. La mise en place d’un tel dispositif nécessite de disposer d’un volume de données clients online important.

Data Lake

Le Data Lake permet de stocker tous types de données, qu’elles soient structurées ou non. On parle ici de « système exploratoire », car la conception de ce système relève d’objectifs stratégiques moins précis que pour la création d’un RCU (Référentiel Client Unique), d’une DMP (Data Management Plateform) ou encore d’une CDP (Customer Data Platform). De plus, la conception d’un tel système nécessite un niveau extrêmement avancé dans l’exploitation des données.

Le Data Lake peut permettre de découvrir de nouveaux gisements de connaissance.

En résumé

Chaque technologie possède ses inconvénients et avantages (budget à investir, ressources allouées, complexité de la mise en place et de la maintenance, niveau de maturité des équipes).

Il est bon de rappeler que chacune répond à des besoins différents, et que le Data Lake se distingue des autres technologies, par la possibilité d’y intégrer des données structurées comme non structurées (pdf, images, vidéos…).

Dans le cadre du RCU et de la CDP, on cherchera à alimenter les métiers avec des données clients consolidées et unifiées. La DMP sera plus axée sur la compréhension et l’identification des parcours web de clients et prospects. Le datalake demandera des premières expériences concluantes en « datamining » et data science pour faire émerger de nouvelles connaissances.

Comme pour tout projet d’entreprise, mettre en place un système de centralisation et d’exploitation de données nécessite une stratégie et des objectifs précis.

Au cœur de la connaissance et de la relation client

La transformation digitale de la distribution automobile et l’arrivée du RGPD bouleversent les habitudes, les usages et comportements en concession automobile.

Des tables rondes dédiées au secteur automobile

Pour évoquer ces nouveaux enjeux du Digital CRM, l’éditeur spécialiste SelectUp organise en décembre et janvier des tables rondes dans 5 villes de France. Pour partager réalisations et méthodologie, SelectUp convie Amabis en tant qu’expert du Référentiel Client Unique  et de la Business Intelligence.

Au cœur de la connaissance et de la relation client, quatre ateliers aborderont les différents thèmes de la gestion des leads à celle du poste vendeur avec en particulier :
Pourquoi et comment construire une base de données multi-marques ? Comment l’exploiter et la maintenir ?

Retrouvez tous les détails de ces événements sur le site de notre partenaire SelectUP.

L’avis d’un consommateur est toujours une information capitale : positif ou négatif, cet avis est un révélateur d’un comportement, passé mais également à venir. Un avis positif confirme l’engagement du client ambassadeur. Un avis négatif peut-être une opportunité stratégique de valoriser un SAV ! Intervenir rapidement est une des clés pour satisfaire un client mécontent. Mais comment anticiper sans avis exprimé ?

Prédire et anticiper le comportement du client

L’une des missions du marketing est aujourd’hui de connaître le consommateur pour mieux anticiper ses besoins et ses comportements dans les différents processus avant–vente, vente et après–vente.

Depuis plusieurs décennies, les modèles mathématiques fournissent aux statisticiens les moyens de mieux atteindre cet objectif.

Mais avec la digitalisation, le nombre et la nature des données disponibles ont explosé. Le Big Data rend la tâche à la fois plus pertinente car plus précise, mais plus complexe à gérer. Comment appréhender cette masse d’informations ? Comment agréger toutes ces informations pour les regrouper autour du client ? Quelles sont celles qui sont discriminantes ? Opérationnelles et exploitables ? Pour un marketer ? Un data scientist ?

Une première étape : Le RCU

Le Référentiel Client Unique – RCU – sert de fondation à la connaissance client sur laquelle s’appuient les modélisations des comportements.

Le RCU agrège les données structurées utiles : signalétique client, commande/consommation, historique des différentes relations avec l’entreprise.
Il peut également s’enrichir de données en provenance de la DMP^[i]. La DMP capitalise en effet les différentes données online : web, emailing, IoT^[ii]. Parmi ces données, seules certaines peuvent être réconciliées avec les clients présents dans le RCU.

Le RCU agrège des informations initiales – nom, prénom, etc. – et des informations transformées pour comprendre et prédire le comportement client. Par exemple, le nombre de visites web, la fréquence, la date de dernière visite, le cumul de CA sur 12 et 24 mois, le panier moyen, la date de dernier achat, l’ancienneté, etc. Ces informations consolidées et mises à jour – le temps réel devient dans certains métiers une obligation – sont immédiatement opérationnelles pour le marketing.

Analyses descriptives

Quelles sont les informations utiles à la connaissance et la prédiction du comportement client ? Les nouveaux outils de visualisation de données et de machine learning permettent désormais de définir simplement des segmentations dont les plus connues RFM^[iii] et PMG^[iv] restent d’actualité.

Ces outils vont opérer des croisements d’analyses statistiques sur les différentes données afin de mettre en évidence des corrélations entre elles et valider les éléments les plus explicatifs d’un comportement.

La création d’un RCU a pour objet de centraliser des données clients opérationnelles tant pour les aspects relationnels que pour la connaissance. Une phase initiale d’analyse descriptive peut, au regard des besoins marketing, affiner le modèle des données RCU.

Analyses prédictives

La prédiction de comportement est donc modélisée sur des données d’un passé plus ou moins immédiat selon trois grandes méthodes : la segmentation prédictive – groupes d’individus, le score – note individuelle de comportement probable – et le moteur de recommandations.

Du concept à la réalité

L’avènement de nouveaux outils, la disponibilité de multitude de données comportementales, la construction d’une vision unique et 360° du client rendent la connaissance et la prédiction du comportement client plus pertinente que jamais. Encore faut-il procéder avec méthode et disposer de solides connaissances digitales, statistiques, marketing et RGPD pour assurer le bon pilotage du sujet.

^[i] Data Management Plateform

^[ii] Internet Of Things, les objets connectés

^[iii] Récence Fréquence Montant

^[iv] Petit Moyen Gros (Client)

Dans le jargon évolutif du marketing 2.0, l’un des termes les plus souvent employé est le redondant et galvaudé DATA–DRIVEN.

Littéralement, « conduit par la donnée ».

Mais de quoi s’agit-t-il réellement ? Quels sont les critères pour identifier une entreprise dite « Data-Driven » ?

Concrètement, l’entreprise Data-Driven est une société capable de piloter sa stratégie en s’appuyant sur la donnée.

On distingue plusieurs critères clés pour identifier une telle entreprise :

• Avoir accès aux données de toute nature et à n’importe quel moment.
• Pouvoir analyser des données, quel que soit leur format, leur nature et leur degré de complexité.
• Etre en mesure de créer de la valeur à partir de la donnée (pouvoir la transformer en information puis en source de connaissance).
• Mettre la donnée au cœur des processus et des décisions de l’entreprise, dans le but de créer de la valeur.

L’engouement du marché vers ces nouveaux concepts amène des entreprises de toutes tailles à multiplier les outils et les systèmes de management de données, dans le but de maximiser leurs utilisations.

Or, la multiplication des bases de données (« mise en silo » de l’information) est génératrice de contraintes supplémentaires pour les entreprises : accès à la donnée complexifié, difficultés pour croiser les données de différents systèmes, reportings faussés par des données non qualitatives, objectifs flous quant au traitement et à l’usage des données.

Pour commencer, il est nécessaire d’identifier la situation de l’entreprise en terme de stratégie et de besoins data. Ai-je besoin d’une meilleure qualité de données ? Comment agréger l’ensemble des données clients et prospects ? Mes données sont–elles sécurisées et leurs traitements sont-ils conformes aux nouvelles réglementations européennes ? Où en est mon entreprise au sujet de la gouvernance des données ?

Les problématiques data sont souvent nombreuses et doivent être traitées dans un ordre logique.

Créer une stratégie data s’apparente à la construction de n’importe quel édifice; en premier lieu, on définit l’espace les fondations :

• Optimiser la qualité des données en entrée (points de collecte) et des fichiers existants.
• Définir la vision de l’entreprise vis-à-vis de la gouvernance des données.
  • Disponibilité, sécurité, conformité et fiabilité.
  • Répartition des rôles dans l’entreprise.
• Définir les objectifs stratégiques des traitements de données

Après avoir établi de solides fondations, vient la conception de la structure.

• Se défaire des silos et unifier les données via un RCU (Référentiel Client unique)
• Se doter de moyens techniques adaptés aux objectifs stratégiques (CRM, RCU, Marketing Automation etc…)

Et suivent les finitions.

• Analyser les performances pour optimiser les prochaines actions
• Découvrir de nouveaux gisements de connaissances grâce à des technologies de pointe (Datamining , Machine Learning, Intelligence Artificielle…)

En conclusion, être Data-Driven ne relève pas d’une alchimie inaccessible mais plutôt d’une rigueur méthodologique et applicative. Et chacun peut être Data-Driven selon ses objectifs, ses moyens et s’inscrire dans une logique évolutive dans le temps. L’essentiel est de démarrer, sans tarder mais sur de bonnes bases !

Amabis, spécialiste depuis plus de 20 ans dans la qualité de données, la Business Intelligence et la création de solutions d’agrégation complexe de données , s’allie officiellement à Invenis, start-up prometteuse basée à la station F.

Invenis édite un logiciel d’analyse de données, disponible en SaaS, pour toutes les entreprises qui souhaitent valoriser leurs données.
Invenis permet aux équipes métiers et Data de réaliser des analyses prédictives, simplement et rapidement, sur toutes les données internes et externes à l’entreprise. Il devient ainsi possible de créer des recommandations basées sur des prédictions comportementales, ou encore analyser automatiquement des contenus textuels et en tirer des insights.

Une proposition de valeurs communes – data management, accompagnement, autonomie, automatisation –  adaptée aux nouveaux besoins marketing du marché, avec pour objectif de transformer de la donnée validée, enrichie et agrégée en information et en connaissance.