(20) résultats pour votre recherche

Aujourd’hui, il n’est pas évident de s’y retrouver sur le sujet de l’algorithmie. Mais d’ailleurs, qu’est-ce que c’est exactement un algorithme ? A quoi ça sert ? Et dans quel cadre faut-il l’utiliser ?

Tout d’abord une définition, et je trouve celle du Larousse correcte : « Un Algorithme est un ensemble de règles opératoires dont l'application permet de résoudre un problème énoncé au moyen d'un nombre fini d'opérations. Un algorithme peut être traduit, grâce à un langage de programmation, en un programme exécutable par un ordinateur ».
Si on essaye de répondre aux 2 autres questions, je dirai que la mise en place d’un algorithme permet de se simplifier la vie (gain de temps, règle de gestion, automatisation, prévisions, …).

Son utilisation est au final la partie la plus délicate à appréhender. Elle se traduit en 3 étapes :

A quel besoin métier répond-il ? La difficulté est de bien définir la problématique et d’identifier le périmètre d’intervention. C’est une étape qu’il ne faut pas négliger car c’est bien celle-ci qui va diriger les étapes suivantes. Il est donc nécessaire d’avoir un bon échange entre le métier, la technique et les producteurs experts en Data Science. La traduction du besoin est un élément essentiel afin que les équipes se comprennent, délivrent un bon algorithme et exploitent opérationnellement celui-ci. Très souvent, une négligence sur cette étape engendre beaucoup de temps et d’énergie passés pour au final une non-utilisation de l’algorithme et beaucoup de frustration.

Viens ensuite, la réalisation de l’algorithme. Plusieurs méthodes s’offrent à nous. Cela dépend du besoin, de la complexité, et des outils à dispositions. Pour des besoins simples et cadrés, il n’est pas nécessaire d’utiliser des solutions de Data Sciences à tout prix. Un bon requêteur peut parfois faire l’affaire. Pour une optimisation des programmes créés, bien évidemment, même le simple programme peut se faire via les outils existants. Quand on arrive à des besoins plus complexes, nous voyons une tendance des experts à n’utiliser que des techniques de Machine Learning et/ou les dernières méthodes à la « mode » (Random Forest, Réseaux de neurones, Régression pénalisée, …). Nous sommes les 1ers à les utiliser, mais attention, ces méthodes et techniques ne répondent pas toujours de manière simple au besoin exprimé et parfois il est difficile de maîtriser et d’expliquer le résultat obtenu. A la question, que vous nous préconisez-vous ? Nous allons répondre, au-delà du pré requis de réponse au besoin, qu’il faut mixer les techniques et méthodes. Utiliser des méthodes traditionnelles et des nouvelles méthodes. Une bonne vieille régression logistique continue de faire le job et est aujourd’hui complétement maîtrisé par les Data Scientists, elle a aussi le gros avantage de présenter une équation facilement compréhensible par les équipes.

L’exploitation de l’algorithme est devenue une étape indispensable à la création de performance. Cela ne veut pas dire qu’il ne faut plus essayer de nouveaux modèles dans le cadre de projet R&D, mais il est nécessaire d’exploiter certains algorithmes pour prouver l’utilité et la création de valeur. Dans cette partie, nous pouvons de nouveau distinguer 3 phases : Une phase de test afin de valider que l’algorithme fonctionne et apporte de la valeur. Une phase d’implémentation dans le ou les SI afin d’apporter cette couche d’intelligence à travers les outils de l’entreprise. Et une phase de mesure pour confirmer les tendances du test, calculer la création de valeur et valider la pérennité de l’algorithme.

Ces 3 phases sont indispensables pour obtenir le fruit des investissements liés aux algorithmes. Comme d’habitude, nous continuons de privilégier le pragmatisme et la communication au sein de ce type de projet. L’ennemi de l’algorithme est le temps de mise en place. Très souvent parce que les étapes n’ont pas été bien réalisées, on se retrouve avec des retards de livraison, des questionnements et des remises en cause qui suivent…
Pour terminer, le besoin identifié chez nos clients & prospects vient surtout sur les étapes 1 et 3 en accompagnement conseil, et sur l’étape 2 quand il existe un manque de ressource.
Bref, pour éviter d’être déçus, soyez méthodiques ou faites vous accompagner dans les premières étapes de ce type de projet.
Le développement de l’Intelligence Artificielle ouvre de nouvelles perspectives aux acteurs du marketing. Et ceux-ci ne s’y trompent pas car près de 70% des marques envisagent d’utiliser l’IA pour personnaliser les offres et l’expérience clients. Toutefois la question se pose légitimement de savoir jusqu’où nous devons faire confiance aux modèles pour prendre des décisions à notre place. Nous allons essayer de vous donner quelques clés sur le sujet.

Apprentissage supervisé et non supervisé

Un premier point important à prendre en compte lorsque l’on traite de sujets d’Intelligence Artificielle est de savoir si le modèle que l’on va mettre en place va reposer sur un apprentissage supervisé ou non. En effet, le « mythe de l’IA », comme on pourrait l’appeler, repose sur le principe que la machine va analyser de manière totalement autonome les données qu’on lui met à disposition pour trouver des solutions à un problème que potentiellement on ne lui aurait pas poser ! De manière plus pragmatique, les modèles d’apprentissage non supervisé permettent essentiellement aujourd’hui de définir des groupes d’individus homogènes ayant des caractéristiques communes. Ce système va alors souvent permettre de créer des systèmes de recommandation pertinents (Netflix fait ça très bien par exemple pour vous recommander les films et séries les plus susceptibles de vous intéresser en se basant sur les films et séries vus par des individus qui vous ressemblent).
Dans la majorité des cas, ce sont donc plutôt les modèles supervisés qui vont être utilisés. Dans ce cadre, un Data Scientist va devoir guider la machine. En particulier, il va devoir définir les résultats attendus sur un volume important de données d’apprentissage afin que l’algorithme apprenne et puisse reproduire les mécaniques de décision qu’il aura apprises sur un nouveau jeu de données. Dans ce cas, l’humain joue donc un rôle important dans l’apprentissage du modèle et dans son exploitation future.

L’IA doit servir la stratégie et non pas la remplacer

En conséquence, on comprend bien que l’IA est bien souvent guidée par nos choix d’apprentissage et les données qu’on va lui mettre à disposition. On peut même aller plus loin en considérant que la stratégie marketing doit guider les actions des Data Scientists afin de concevoir les modèles les plus utiles aux experts marketing dans l’atteinte de leurs objectifs.
Plus généralement, il est même intéressant d’envisager l’apport de la Data Science (au sens large) à la stratégie marketing. En effet, bien souvent, on va pouvoir nettement augmenter la performance des dispositifs en mettant en place un process analytique pertinent reposant sur différents allers-retours entre stratégie et analyse. Aujourd’hui, la data doit accompagner la stratégie, et la stratégie doit guider la recherche de la performance. A titre d’exemple, on peut imaginer le process suivant :
1. Construction d’une segmentation adaptée
2. Identification des priorités stratégiques grâce à la matrice de passage
3. Définition des priorités opérationnelles par segment
4. Construction des modèles prédictifs adaptés à chaque cible (segment) et chaque problématique (attrition, recommandation, cross-sell…)
5. Test & Learn et mesure de la performance
6. Adaptation des modèles et des dispositifs
Bref, un équilibre fin à trouver entre les inputs de la stratégie à la Data Science et de la Data Science à la stratégie ! Et où les modèles IA supervisés ou non permettront de gagner en performance tout en ouvrant la voie à de nouveaux champs de recherche.

Ce sont des sujets qui vous intéressent ? Nous sommes là pour en parler avec vous. Notre pragmatisme et notre discours vulgarisé seront les clés de la réussite de votre prochain projet d’IA.
Chaque jour ou presque le sujet de l’avenir de notre planète est au centre des débats. En particulier, la notion d’empreinte carbone est un indicateur récurrent dans la mesure de l’impact écologique de nos activités humaines.

Lorsque vous envoyez des emails commerciaux à vos clients, les serveurs mails de votre entreprise stockent l’email avant de l’envoyer. Comme tout serveur, ils consomment de l’électricité et plus ils sont chargés, plus ils chauffent et plus ils nécessitent d’électricité pour refroidir.
On estime actuellement qu’un email simple a une empreinte carbone de 4g de CO2. Une entreprise envoyant régulièrement des newsletters à ses clients va donc vite voir son empreinte carbone augmenter. A titre d’exemple, si vous envoyez 1 million d’emails, 2 fois par semaine, l’empreinte carbone de votre animation clients sera de 416 tonnes sur une année. Soit plus de 200 allers-retours Paris-New York pour un passager !

Vous l’aurez compris, l’animation clients a donc un impact fort sur l’empreinte carbone de votre entreprise. Pour la réduire, il est donc fondamental d’optimiser ces ciblages marketing.

Comment peut-on réduire son empreinte carbone grâce à la Data Science ?
Pour ce faire, nous vous recommandons 2 outils analytiques simples :
- La segmentation clients :
Il existe de nombreux types de segmentations (segmentation transactionnelle, segmentation relationnelle, segmentation 360°…), mais toutes ont le même point commun : elles permettent de créer des groupes de clients homogènes sur lesquels nous allons pouvoir mettre en place un plan d’animation différencié.
Bien souvent, lors de la mise en place d’une segmentation, nous recommandons de faire le bilan du plan d’animation de l’année précédente pour bien comprendre les spécificités de chaque segment. En particulier, cette analyse va permettre de déterminer la pression commerciale optimale à appliquer à chaque segment.
Ce premier outil, si vous ne l’avez pas encore mis en place, va donc vous permettre en passant d’une logique d’envois de masse à une logique d’envois segmentés de baisser le nombre moyen d’emails envoyés. De la même façon, si vous avez déjà une segmentation existante, gardez en tête que celle-ci a une durée de vie et qu’elle peut être challengée ou modifiée via d’autres axes discriminants.

- Le scoring :
En termes de scoring, nous travaillons de plus en plus sur 2 niveaux de ciblage : le score de repoussoir et le score d’appétence.
Le premier, le score de repoussoir, va permettre d’isoler les clients qui ont une forte probabilité de ne pas ouvrir vos prochaines newsletters. Pourquoi les cibler, si on pressent dès aujourd’hui que l’email n’aura pas d’impact ? Ce premier type de score va donc réduire considérablement les volumétries d’envois. A ce jour, les scores de repoussoir que l’on a construit pour nos clients ont permis de réduire la volumétrie d’envois de l’ordre de 20 à 30% des volumes initiaux.
En parallèle, sur les potentiels ouvreurs, tous les messages n’ont pas le même niveau d’intérêt. Il est donc préférable, à ce niveau, de construire les scores d’appétence adéquats permettant de cibler les clients réellement intéressés par le message envoyé. Cela va vous permettre de combiner une diminution des volumes d’envois avec une hausse des performances commerciales (souvent de l’ordre de 15 à 25%). En conclusion : faire plus avec moins… d’empreinte carbone !

Bien évidemment, nous sommes conscients que ces sujets analytiques, et la Data Science en général, peuvent être perçus comme investissement important. Chez KYP, nous avons pris l’habitude de nous engager sur ces sujets d’accompagner nos clients dans la mesure du ROI et de la création de valeur.

Comme vous avez pu le lire, il peut être assez simple de réduire votre empreinte carbone tout en développant le potentiel commercial de votre base de données. Nous nous tenons à votre disposition pour tout échange sur ce sujet d’actualité et sur la mise en place d’actions analytiques concrètes ! Contribuez à réduire votre empreinte carbone tout en étant en phase avec vos valeurs et/ou celle de votre entreprise.
Chaque année la construction d’objectifs challengeant tout en restant atteignables et leur suivi sont un défi pour les managers. Notamment pour les entreprises avec une multitude de points de ventes, souvent regroupés de façon intuitive.

La Data Science peut vous aider !

Step 1 : Identifier les pools de points de ventes qui partageront les mêmes objectifs

Les méthodes de clustering vont d’abord vous permettre d’associer les points de ventes les plus semblables selon des axes de consommation (CA, recrutement, trafic, valeur des clients rattachés…) et de caractéristiques magasins (surface, nombre d'employés, emplacement, services spécifiques, zones de chalandises…).

Step 2 : Chiffrer ces objectifs

Les méthodes de prévision vont ensuite vous permettre d’estimer les objectifs par typologie de magasins et par mois en fonction des saisonnalités de consommation et les phénomènes exogènes identifiés. Ces objectifs peuvent prendre plusieurs formes : CA, Trafic, recrutement, collecte email,...

Step 3 : Suivre le taux de réussite

A l’aide de tableaux de bord synthétiques mensuels et sur mesure par point de vente, les managers pourront suivre au plus près la part de réalisation de ces objectifs dans le temps, identifier les plus performants et partager les best practices, détecter rapidement les magasins sous performants et les accompagner.

Vous avez un besoin similaire ? N’hésitez pas à nous solliciter !
L’identification d’un client à une adresse est depuis de nombreuses années une clé d’unicité et de contact. Au fil des années, nous avons même cherché à aller plus loin dans l’identification d’un individu en prenant en compte les statuts de prospects et de suspects.

A chacun son combat avec son niveau de maturité, ses priorités et ses moyens !

Il est évident que les problématiques ne sont pas les mêmes entre un Retailer qui gère un programme relationnel omnicanal depuis plus de 20 ans et un annonceur qui vient de démarrer un CRM. Néanmoins, il existe à chaque niveau des actions qui vont contribuer à améliorer la connaissance client, et surtout la relation client (le pouvoir de communiquer juste avec son client : l’impact relationnel, voire émotionnel). Dans chacun des cas, il est nécessaire de créer un « Socle Analytique » qui sera la base de tout projet d’analyse, de mesure et de performance.

Le Socle Analytique comprend un ensemble d’analyses plus ou moins simples permettant de mesurer le capital client d’une BDD en focusant sur les volumétries, la qualité, la diversité, la disponibilité et la volatilité des données. Ça ne vous rappelle rien ? Ah oui, ça y est, ça ressemble aux fameux 4 « V » du Big Data ! En effet, nous sommes bien sur ces théories, mais à un niveau moindre ! Car, on peut faire beaucoup de choses sans entrer dans un projet d’envergure multi-source complexe. Connaître les basiques de sa BDD n’a jamais demandé un effort colossal auprès des Directions SI, Marketing, Etudes… Comme à notre habitude, nous préconisons de valider un premier périmètre qui est facile à maîtriser, et de l’agrandir de manière itérative. Mais au final, qu’est-ce que les basiques ? Les basiques doivent répondre à des questions simples telles que : Combien ai-je de clients en BDD ? Combien sont actifs ? Sont-ils contactables ? Quel est le poids de mes meilleurs clients ? etc. L’idée est aussi de voir comment cela évolue dans le temps.

Une fois cet exercice fait, ce constat, il est opportun de travailler ou de continuer les efforts sur la qualité de la donnée d’identification. On retrouve ainsi l’adresse postale, l’email et le téléphone (fixe et mobile). Il faut ainsi compter sur des spécialistes du marché, expert en DQM (Data Quality Management). Leur expertise permet de restructurer la donnée et ensuite d’identifier des doublons, de capter les déménagés, de trouver les nouvelles adresses… Ce travail est primordial pour maximiser l’unicité des clients dans une BDD. Ce travail permet aussi d’identifier la notion de foyer. Nous n’arriverons pas à un résultat 100% fiable (cela se mesure grâce au taux de matching), mais toute action créera de la valeur. A noter tout même que ce travail de DQM, quand il n’existe pas à l’origine, peut-être réalisé avant le socle analytique. Le but est d’avoir une information sur sa BDD le plus fiable possible.

Mais au final, quel est l’intérêt d’avoir la notion de foyer ? Et bien tout d’abord, c’est le fait d’avoir le choix de parler un individu ou à un ensemble d’individus, de créer de la cohérence dans les messages (éviter d’envoyer 2 fois le même mail, et qui plus est avec une offre différente), et de personnaliser l’offre pour une ou plusieurs personnes, donc au final, de mieux identifier les besoins du foyer. N’est-ce pas là l’objectif principal de toute enseigne ou marque ? Nous disons oui ! Car par la meilleure compréhension de habitudes de consommation mais aussi grâce à la meilleure compréhension de l’habitat, de l’environnement dans lequel vivent les individus, on arrivera à améliorer la relation clients/marque. Cela génère une multitude d’actions prescriptrices plutôt que réactives grâce à l’analytique ou si on utilise un mot plus précis, la Data Science. Bien évidemment, en rappel, tout cela doit-être fait avec le consentement des clients, sans intrusion, et dans le respect de la vie privée. Ce qui complexifie parfois le plan d’animation, car il doit s’adapter à la multiplication des groupes / sous-groupes avec des contenus différents. Pour finir, comme le ROI reste notre fer de lance, il est fondamental de préparer avec attention vos cibles et votre mécanique de mesure afin de pouvoir démontrer la performance, et donc par conséquent la création de valeur.

Quoiqu’il arrive, l’enjeu des enseignes pour toujours mieux communiquer, en qualité avec ces clients tourne autour de 3 briques : l’Identification, la Qualification et la Personnalisation.
Cette année 2018 est particulière chez les Retailers. En effet, bon nombre d’entre eux ont une année Business assez difficile. Après une belle croissance en 2017, L’objectif d’une année ambitieuse a fait que la recherche de CA additionnel était au cœur des préoccupations. Comme nous le savons tous, depuis janvier, les chiffres ont du mal à croître et certains enregistrent des baisses de commandes – d’achats records.

Un des leviers du marché a été de compenser la baisse de CA par une augmentation des opérations marketing afin de limiter la casse. Force est de constater que cela a eu un effet bénéfique sur le CA. Les opérations marketing ont eu des résultats corrects. Néanmoins, au bout de quelques mois de shooting, l’analyse des résultats n’est pas si belle qu’elle n’y parait…

• Le taux de générosité, lié à la démarque, a augmenté.
• Le taux de désabonnement a augmenté.
• Les taux d’ouverture ont fini par baisser.
• Le taux de conversion a lui aussi baissé.

Les résultats de ces opérations, au global, sont difficiles à analyser si on ne prend pas le temps de croiser l’information. Quand on rentre dans le détail, on constate que la générosité a eu un impact sur la rentabilité. Sur le désabonnement, malheureusement, ce sont nos cibles préférentielles (à potentiel et/ou à forte valeur) qui ont boudé en premier ces communications. Le nombre important d’opérations marketing a eu un impact sur l’intérêt des clients vis-à-vis des contenus proposés, de la cohérence des messages pas toujours claire, voir d’une cannibalisation des opérations entre elles. Pour terminer, l’offre associée dans ces opérations était parfois liée au déstockage et donc pas toujours dans les attentes des clients.

Les 2 questions que l’on peut se poser sont :
« Ai-je perdu définitivement ces clients ? »
« Et comment corriger le tir dans les communications sans perdre de la performance ? »

Afin de répondre à la première question, il est nécessaire d’apporter des inputs chiffrés sur les comportements des clients désabonnés et des bons clients qui n’ont pas ré-acheté. Il nous donc décrire et identifier des comportements anormaux afin d’entreprendre une action correctrice. Nous disons toujours qu’un très très bon client doit être appeler le jour où vous avez identifié qu’il vous quitte. La méthodologie n’est pas complexe, mais demande de la rigueur, car il faut prendre en compte tous les paramètres internes et externes !

Concernant la seconde question, le correctif consiste à mettre en place une phase de modélisation sur les opérations envoyées. Tout d’abord, typer les opérations et regrouper celles qui sont semblables. Ensuite, identifier grâce aux modèles prédictifs les cibles appétentes à chaque type d’opérations. Avec ces deux actions, vous allez identifier pour chaque opération, les clients ouverts à la réception d’’emails et ceux à qui il ne faut pas envoyer de messages. Naturellement, l’impact sur votre plan d’action va avoir pour conséquence de diminuer le nombre d’envoi, tout en gardant le même nombre d’ouvertures et augmenter votre taux de conversion. Le résultat est garanti !

Nous avons constaté sur ce type d’analyse les ratios suivants : - 25% d’emails envoyés / +7% d’emails ouverts / +9% d’ouvreurs / + 8% d’activations

Un levier supplémentaire pour augmenter ces ratios serait de travailler sur le contenu et d’offrir un contenu adapté à l’appétence produit du client. Une méthodologie d’algorithme d’association produit croisé à du scoring d’appétence produit doit vous permettre de gagner en performance. Sur ce dernier point, soyez vigilants à la capacité de personnalisation de votre outil de gestion de campagne.

Vous souhaitez en savoir plus, échanger sur votre environnement et vos chiffres, demandez à un de nos experts un RDV.
KYP rejoint 1% for the planet

Chez Know Your People, nous cherchons toujours à prendre soin de ceux qui nous entourent, que ce soit nos clients, nous collaborateurs ou tout simplement l’environnement. Au travers de nos activités extraprofessionnelles, nous avons un rapport étroit à la nature. Que ce soit Guillaume lorsqu’il surfe les vagues du sud-ouest, Samuel lorsqu’il fait de la plongée, ou moi-même lors de mes entrainements pour le triathlon, nous essayons, à notre niveau, d’être attentif à l’environnement et à ne pas laisser de déchets derrière nous.

Récemment, nous avons pris la décision de donner une nouvelle impulsion à cet engagement en rejoignant le réseau 1% for the Planet.
Souvent nos clients s'interrogent sur la qualité et la pertinence des données socio-démographiques collectées sur leurs clients. Et bien souvent leur constat est que leur base de données n'est pas assez riche en données socio-démographiques et comportementales.



Pourquoi ce choix ?

Ce choix part d’un constat assez simple : l’environnement est le parent pauvre de la philanthropie. Il représente 3% des sommes allouées, et seulement une faible partie provient des entreprises. Or le rôle de 1% for the Planet est justement de connecter, promouvoir et certifier les entreprises soutenant les associations environnementales, créant un mouvement global engagé dans la protection de la planète.

Le mouvement a été lancé en 2001 par Yvon Chouinard, fondateur de Patagonia et Craig Mathews de Blue Ribbon Flies, dont les entreprises respectives étaient déjà philanthropes depuis de nombreuses années, sans que cela n'affecte négativement leur business. Ils ont décidé de créer ce réseau pour convaincre plus d'entreprises à s'engager pour la protection de l’environnement. L’objectif de 1% for the Planet est d’augmenter la philanthropie environnementale, en créant une communauté d’entrepreneurs philanthropes, à la résonance grandissante et à l’impact sur le terrain plus efficace. Et aujourd’hui, le réseau regroupe plus de 1300 membres donateurs et 3500 ONG engagées dans la préservation de l’environnement.

Nous nous sommes donc engagés, à partir de cette année, à reverser 1% de notre chiffre d’affaires à des associations agréées par 1% for the Planet qui défendent des causes qui nous sont chères.
L'étude de marché pour booster votre ROI
Découvrez les ingrédients de l'étude de marché selon Know Your People : Collaboration, Statistiques et Customer Voice

Dans un monde où le digital a pris une place de plus en plus grande, où les clients, sujets à de plus en plus de sollicitations deviennent de plus en plus volatiles, nombreux sont les acteurs qui souhaitent reposer les bases de leur activité au travers d’une étude de marché. Aujourd’hui, cet outil, qui était souvent destiné aux nouveaux projets, voit son utilisation évoluer au gré des incertitudes planant sur un marché.
Alors comment mettre en place une étude de marché efficace ?



Les questions auxquelles doit répondre l’étude de marché

L’étude de marché doit vous permettre de savoir avec précision quelle est la situation sur le marché et votre positionnement vis-à-vis de la concurrence. Pour se faire, l’étude doit vous permettre de répondre aux questions suivantes :
  • Quelle est la taille actuelle du marché (en nombre d’acteurs, de clients, de ventes, de CA) ?
  • Quels sont les canaux de communication et de distributions prépondérants ?
  • Quels sont les produits vendus en priorité sur le marché ?
  • Quelles sont les perspectives de croissance du marché ?
  • Comment se situent les différents acteurs sur le marché ? Et comment se situe votre entreprise par rapport à ses concurrents ?
  • Combien existe-t-il de segments de clients sur le marché ? Quel est leur poids ? Quelles sont leurs spécificités ?
  • Quels sont les comportements d’achats des clients (fréquence, lieux, montants, types de produits…) ? Quels sont les usages que font les clients des produits achetés ?
  • Quel est le processus de décision d’achat pour le client ? Comment se renseigne-t-il sur les produits ?
  • Quel est le niveau de satisfaction du client vis-à-vis de la marque ?

Bref, un nombre important de questions qui nécessitent une démarche structurée d’analyse adaptée à vos problématiques. Chez Know Your People, nous avons mis au point une méthodologie qui repose sur 2 grands fondements :

  • Une étude au plus proche des spécificités de votre marché
  • Une démarche scientifique et statistique permettant d’identifier de manière fiable les éléments clés sur lesquels agir

Car que ce soit pour une étude de marché ou pour tout autre sujet analytique, une étude ne vaut que si elle permet de mettre en œuvre des plans d’actions efficaces permettant de booster votre ROI.
Notre démarche analytique dans le cadre des études de marché repose ainsi sur 3 étapes.

Une démarche en 3 étapes :

1. La recherche documentaire :
La recherche documentaire a pour principal intérêt de permettre d’identifier d’un point de vue macro les chiffres clés du marché. Cela va permettre de comprendre comment il a évolué, quel est son état actuel et ainsi de projeter ses évolutions potentielles.
A titre d’exemple, on va bien souvent pouvoir identifier :
  • les évolutions de ventes
  • du nombre d’acteurs sur le marché
  • les canaux de distribution
  • ...

On obtiendra donc rapidement un état des lieux précis de la situation. Néanmoins, la principale limite de cette approche est qu’elle ne prend pas en compte la voix du client. Il est donc intéressant d’y associer un questionnaire permettant d’aller plus loin dans la perception du marché par les principaux intéressés : les clients et prospects.

2. Le questionnaire clients et non-clients :
Car si on veut pouvoir réaliser un questionnaire exhaustif et pertinent, il est nécessaire d’interroger des clients du secteur concerné tout comme des prospects intéressés ou non par les produits concernés. L’intérêt de cette approche est qu’elle va permettre d’identifier les principaux freins au développement du marché et en parallèle de valider les principales forces motivantes.



Ensuite, le questionnaire va permettre de comprendre les habitudes de consommation, les usages des clients, tout comme les attentes des prospects et clients. Il va aussi permettre de positionner de manière précise les différents acteurs sur ce marché. Est-ce qu’ils sont leaders, suiveurs, en déclin ? Et finalement en dehors de leurs parts de marché respectives, comment leurs clients les perçoivent-ils ?
Ce questionnaire va aussi permettre de comprendre les nouvelles tendances de consommation et d’adapter l’offre aux différentes cibles. Sur ce dernier point, notre approche se veut collaborative et scientifique. Collaborative, car les items que nous allons tester seront validés conjointement avec vos équipes. Et scientifique, car en nous basant sur la statistique, nous allons pouvoir définir de manière précise les éléments les plus importants pour les clients.

3. Une analyse statistiques poussée :
Que ce soit pour étudier le positionnement des différents acteurs sur le marché, pour identifier les différents segments de clients et prospects ou pour comprendre quels sont les choix produits, nous mettons en œuvre une démarche statistique permettant de définir avec précision les résultats importants.



En particulier, nous accordons une grande importance à l’aspérité produits. Sur cet aspect, nous utilisons (1) les plans d’expérience et (2) l’analyse conjointe afin de définir quelles sont les caractéristiques produits qui ont le plus d’impact dans la décision d’achat. Cette analyse, croisée avec les différents segments de clients sur le marché, permet d’identifier l’offre idéale à proposer aux différents segments. Cette approche va donc vous permettre d’identifier ou de confirmer quels sont vos produits les plus adaptés aux différents segments.
La finalité de cette étude de marché va être de vous donner des éléments factuels sur lesquels définir des plans d’actions opérationnels dans différents domaines tels que l’offre, la communication et le marketing ou la commercialisation. Elle va donc vous permettre d’identifier des leviers de différenciation par rapport à vos principaux concurrents vous permettant de gagner des parts de marché tout en augmentant la satisfaction de vos clients.
Convaincus de l’intérêt de la démarche ? Contactez-nous !

(1) Plan d'expérience
Les plans d'expériences vous permettent d'analyser simultanément les effets de variables d'entrée (facteurs) sur une variable de sortie (réponse). Ces plans d'expériences consistent en une série d'essais (ou tests) au cours desquels les variables d'entrée sont intentionnellement modifiées. Des données sont collectées à chaque essai. Les plans d'expériences permettent d'identifier les conditions des procédés et les composants des produits qui influent sur la qualité, et de déterminer ainsi les paramètres de facteurs offrant des résultats optimaux.

(2) Analyse conjointe
L’analyse conjointe est une technique d’analyse marketing qui permet notamment d’expliquer les préférences des consommateurs en fonction des différentes caractéristiques ou attributs d’un produit.
Elle permet de comprendre comment les variations des caractéristiques impactent les préférences et donc le choix du consommateur.
L’analyse conjointe peut par exemple permettre d’essayer de comprendre comment les coloris, la forme et le prix d’un modèle de voiture peuvent se combiner pour influencer les préférences des consommateurs.
La Segmentation Relationnelle est-elle aussi puissante que la Segmentation Transactionnelle ?

Tout d’abord, définissons ces deux termes afin de parler de la même chose. Cela peut paraître évident, mais très souvent, nous nous rendons compte chez nos clients que bien définir le cadre et ses composants permet de gagner du temps et d’éviter les quiproquos !
La Segmentation Transactionnelle permet de créer des groupes de clients homogènes les uns par rapport aux autres sur l’axe d’analyse principal qu’est l’acte d’achat. La donnée est généralement disponible et donc cette analyse est plutôt simple à mettre en place. A cela, nous pouvons ajouter d’autres critères d’analyses, comme le type de produit ou encore le canal, permettant par croisement d’affiner les segments.
La Segmentation Relationnelle permet elle aussi de créer des groupes de clients homogènes, mais sur un ou plusieurs axes d’analyses liés aux interconnexions avec le client, que celles-ci soient provoquées ou spontanées. Cela dépend donc l’écosystème data disponible et de la connexion 360° que l’on peut capter du client. Nous pouvons ainsi étudier la réaction à un email, une connexion au site, un post, un échange sur un Chat, un contact au service Relation Client, …

Dans le 1er cas, nous estimons la Valeur Client, dans le second cas nous mesurons l’Engagement Client.



La Segmentation Transactionnelle, analyse référente pour approcher une valeur client
Depuis quelques décennies maintenant la Segmentation Transactionnelle est une analyse référente, voire obligatoire, pour approcher une valeur client. Nous trouvons ainsi un ensemble d’analyse éprouvée, telle que la PMG (Petit, Moyen, Gros), la RFM (Récence, Fréquence, Montant), la FRAT (Frequency, Recency, Amount, Type), et encore plein d’autres modèles créant des groupes homogènes avec pour variable d’entrée le Chiffre d’Affaire.

Les utilisations de cet outil analytique sont nombreuses :

  • Le pilotage de l’activité à partir de segments ordonnés. Qui sont mes 20/80 ? Qui sort et qui entre ? Et à quelle valeur ?
  • Prioriser et personnaliser les opérations marketing de son Plan d’Animation à partir des segments (Bas de fichier, Occasionnel, Haut de fichier).
  • Projeter le business généré et/ou les résultats du Plan d’Animation par segment en fonction des volumes.

La Segmentation Relationelle, nouvelle analyse liée à la disponibilité des données du Client 360°



La Segmentation Relationnelle intéresse aujourd’hui bon nombre d’annonceurs pour plusieurs raisons.
  • L’axe transactionnel est devenu « un basique » dans les opérations marketing et qu’il ne fait plus forcément la différence et ne crée plus autant d’additionnel, d’où l’intégration de ce nouvel axe. De plus, chez les annonceurs qui ont un cycle de consommation long (ex. automobile), l’utilisation de ce type de données prend tout son sens.
  • Les données de la relation client comme les données d’actions/réactions sont devenus disponibles dans les BDD Clients. Le Client 360° devient une réalité et les données associées deviennent plus facilement exploitables.
  • La 3ème raison est liée au secteur d’activité. En effet, les industriels, les institutions ou encore les sociétés de service qui n’ont pas ou peu de points de vente se sont constitués des BDD de contacts sur lesquelles ils suivent les interactions de leurs abonnés. Au fur et à mesure du temps, ils se sont constitué un historique de données permettant d’identifier les habitudes et les comportements des contacts, et ont donc créé des segments pour mieux les exploiter.

La Segmentation Relationnelle est aussi utilisée :
  • Dans le pilotage de plan relationnel (Retour client, croissance de l’intérêt vis-à-vis de la marque, Satisfaction et la Recommandation, ou encore l’augmentation de la part de voix).
  • Dans la personnalisation et la priorisation des opérations marketing grâce à du contenu adapté (lecture des Newsletter ou navigation trackée par exemple).
  • Dans la définition des temps de contact et l’amélioration de la pression commerciale.
  • Dans l’identification des « super engagés », c’est-à-dire ceux qui ouvrent tous les emails, qui se connectent très souvent, voire qui vous défendent sur des blogs et forums. Parmi ceux-ci se trouvent les Ambassadeurs de la marque.

La Segmentation Relationnelle, super outil de pilotage

Pour terminer, en termes de performance et de résultats, la Segmentation Relationnelle donne de très bons résultats. Plusieurs points pour expliquer ce fait.
  • Quand il n’existe pas de données transactionnelles, cette segmentation est un super outil de pilotage et donne les mêmes résultats de performance que la segmentation transactionnelle.



  • Quand on a la possibilité d’avoir les 2 types de segmentations, on remarque un très fort taux de commun dans les hauts segments. Et en croisant les 2 segmentations, on arrive à aller chercher quelques points complémentaires de performance grâce à une meilleure personnalisation, de +5 à 10 points par campagne.



De plus, on trouve même des individus très engagés qui ne sont pas identifiés dans la BDD Transactionnelle, ce qui augmente la communication avec son cœur de cible. On mesure ainsi la température du pouvoir relationnel, donc de l’engagement de ses propres clients.

En conclusion, cette Segmentation Relationnelle apporte une autre dimension dans la connaissance client et permet de mieux personnaliser encore et toujours la relation client.

Notre vision d’expert : Ajouter un axe relationnel au transactionnel vous permettra de donner une nouvelle impulsion à votre Plan d’animation.
Bilan des soldes d’hiver 2018 : pourquoi faire un bilan d’activité clients ?

Avec l’émergence du Black Friday, la multiplication des ventes privées et des promotions régulières en cours de saisons, les soldes ne sont plus le RDV incontournable qu’elles étaient.
Sans surprise, les premiers bilans de cette fin de soldes d’hiver 2018 confirment que cette période de destockage attire de moins en moins de consommateurs en magasins physiques, comme l’indique le panel PROCOS : baisse de près de 4% d’activité en janvier 2018 vs janvier 2017, qui lui-même était en recul de plus de 6% vs janvier 2016.



Dans un contexte de promotions quasi-continues et de durée de soldes variable d’une année à l’autre (dès 2019, les soldes devraient être réduites de 6 à 4 semaines) : comment faire un bilan pertinent et exploitable de votre fin de saison ?
Parce que la mesure et la recherche constante de l’optimisation sont au cœur de notre ADN, nous vous proposons plusieurs analyses éprouvées pour réaliser un bilan d’activité complet orienté valeur client.

Réaliser un bilan sur l’année plutôt que par opération commerciale

L’effet de cannibalisation entre promotions et soldes perturbe les analyses et fatalement, effectuer un bilan par opérations commerciales perd de sa pertinence.
Pour citer l’exemple du secteur du prêt-à-porter, selon les données de l'Institut français de la mode (IFM), le poids des promotions dans le chiffre d'affaires du secteur a progressé de 5% pour atteindre 27% des ventes depuis 2014. Parallèlement, celui des soldes a reculé de 7% pour totaliser 20% des ventes d'habillement.



Et c’est là que l’analyse orientée client prend tout son sens.
Analyser la problématique sur l’année et d’un point de vue valeur client permet de prendre de la hauteur et de raisonner sur le ROI de vos actions :
  • Segmenter le portefeuille clients, en créant des groupes de clients homogènes en fonction de leur valeur et de leur comportement d’achat (Segmentation RFM).
  • Identifier les segments clients fidélisés grâce aux opérations commerciales de l’années.
  • Valider si le taux de générosité accordé par segment client est cohérent avec la marge contributrice générée.



Ensuite, il est nécessaire d’adapter en conséquence la répartition des enveloppes budgétaires (budgets promotions, taux de générosité) selon la valeur des clients que vous souhaitez recruter, fidéliser et réactiver.

Par ailleurs, d’autre indicateurs tels que le profil des clients, l’analyse des produits vendus, les comportements de navigation ou encore les baromètres de satisfaction… sont autant de variables qui permettront d’établir un bilan encore plus complet de votre saison.

Optimiser le taux de fidélisation post-soldes

Même si les chiffres atteints ne sont pas toujours à l’objectif, on observe régulièrement des pics de recrutement clients pendant ces périodes. Des clients captés par les différentes communications multicanal, qui viennent enrichir les bases de données.

Mais si le recrutement durant cette période augmente, il n’en est pas toujours de même de sa qualité.

Et c’est tout l’enjeu post soldes.
Comment distinguer les clients à potentiel, sur lesquels il faut investir, des clients opportunistes à faible potentiel ?



Dans ce contexte, au milieu de clients zappeurs sur lesquels les communications n’auront aucun un impact, se cachent les pépites qui demain deviendront des ambassadeurs de votre marque !

C’est dans cette optique d’optimisation de ROI que KYP peut vous accompagner. Via des algorithmes prédictifs performants, nous vous aidons à identifier les clients les plus susceptibles de rentrer dans votre cœur de cible et à les transformer !

__________________________________________________________________________
[1] PROCOS, la Fédération du Commerce Spécialisé, a constitué un panel de 50 enseignes sur leur performance dans 50 pôles de références situés dans 15 agglomérations
Source : LSA CONSO.fr, Le commerce specialisé boucle un mois de janvier en baisse de 3,5 % [PROCOS], article du 15 Février 2018

[2] Source : La Tribune.fr, A partir de 2019, les soldes ne dureront plus que 4 semaines, 10 janvier 2018