Anticiper le comportement client : du concept à la réalité.
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)
