(13) 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.
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.
Notre recommandation DATA 2018

Etes-vous prêts pour 2018 ?

Avez-vous tous les outils pour relever les objectifs de l’année 2018 ?

Avis d'expert : Samuel Stratmains, co-fondateur de Know Your People

>> Un accompagnement expert ou multi expert peut vous faire gagner du temps et vous faire franchir une marche cruciale.
Vous n’êtes pas sans savoir que la Data va encore jouer un rôle primordial dans la réussite de l’année 2018. Il faudra bien entendu avancer avec la nouvelle législation qui entrera en vigueur dès le mois de mai. Mais au-delà de l’environnement extérieur, la question est plutôt de savoir si vous êtes équipés des bons outils pour relever les défis.

Nous constatons chez nos clients et sur le marché en général, que les BDD CRM et Digitales sont matures. Il y a eu une vraie prise de conscience sur l’organisation et la gestion de la donnée depuis ces 10 dernières années. Tout le monde n’est pas encore au summum de la qualité et de l’exploitation des BDD, mais chacun à son niveau sait les chantiers à réaliser pour progresser ! Tout cela va bien évidemment dans le sens d’une meilleure relation et une expérience client réussies !

Les clés de la réussite sur le sujet de la Data résident dans la préparation des chantiers prioritaires. Il est nécessaire d’anticiper et de mesurer les besoins humains et technologiques afin d’obtenir tout ou partie des budgets associés pour atteindre l’ambition. Sans entrer dans une vision à 3 ans sur ce que sera la data dans votre entreprise, il est important d’écrire des feuilles de routes (road map) sur la gestion de la Data et sur l’exploitation de celle-ci, sans oublier l’usage que vous allez en faire ; le fameux pour quoi faire ? Notre agence experte et hybride « Technique – Analytique – Marketing » a cette capacité à vous accompagner sur l’ensemble de la chaine métier CRM & digitale. De nos jours, il faut savoir donner du sens au projet et mesurer les résultats de ce que nous entreprenons.

Nous vous proposons 3 types de road maps :

#1 La road map en Data Management
Nous pouvons vous accompagner avec un de nos partenaires* en fonction des sujets identifiés (Collecte, Architecture, Flux, Qualité, Organisation, Gestion des règles, Enrichissement, …). La finalité est de construire un rapport compréhensible par la technique et accessible du métier.

#2 La road map en Data Analyse ou Data Science
C’est notre cœur de métier. Cette road map se décompose en plusieurs projets qui pourraient être, en fonction de votre demande :
  • Expression ou construction des besoins métiers. Exploiter la Data, oui, mais pourquoi faire, pour quel usage ? Et pour atteindre quels objectifs ?

  • Diagnostic des datas existantes et identification des chantiers d’amélioration ou de traitements de la data. C’est une étape facultative si vous avez une bonne connaissance de votre capital client.

  • Diagnostic des datas existantes et identification des chantiers d’amélioration ou de traitements de la data. C’est une étape facultative si vous avez une bonne connaissance de votre capital client.

  • Identification des principaux outils analytiques à mettre à place sur les axes transactionnel, relationnel, social, communautaire, digital, produit, … Il s’agira dans cette phase de déterminer les nouveaux groupes et/ou scores stratégiques permettant de faciliter la personnalisation.

  • Accompagnement des équipes à la réalisation des projets analytiques. Nous intervenons de plusieurs manières. Soit, vous êtes autonomes sur la production à partir de la feuille de route créée. Soit, nous accompagnons les équipes opérationnelles à la réalisation des productions en maintenant un suivi régulier (point bimestriel ou mensuel à définir). Soit, nous réalisons en prestation de service les productions et nous vous livrons les résultats.

  • Intégration dans la méthodologie de la mesure des outils créés. Sont-ils efficients ? Ont-ils créé de la valeur ? A court, moyen ou long terme ? Le tout étant de construire dès le départ la mécanique de mesure permettant d’apporter de la visibilité et d’approcher un ROI.

#3 La road map orientée marketing
Il s’agira de construire un plan d’activation mesurable prenant en compte les nouveaux segments analytiques. Une nouvelle fois, nous pouvons vous accompagner avec un de nos partenaires* spécialisés en marketing client & digital et marketing stratégique afin d’intégrer ces nouveaux outils avec cohérence vis-à-vis de l’existant. Dans cette partie, il existe 2 niveaux. Un premier niveau qui consiste à réaliser un ensemble de tests & learn. Un second qui intègre ces nouveaux outils dans le plan d’animation existant, phase d’extrapolation. Dans les 2 cas, nous mettons en place une méthodologie de mesure des résultats afin de se forger des convictions et prouver la performance.

Notre accompagnement se fait sur la durée afin de vous garantir un accompagnement adéquat. Nous faisons régulièrement des points d’arrêt afin de valider que nous sommes toujours en phase avec la ou les road map. C’est un moment privilégié où nous actons les modifications de la road map. Concernant les budgets, l’engagement se fait step by step et en fonction de vos besoins. Il faudra compter en moyenne 10K€ par road map. En termes de résultats, nous avons constaté des rendements en croissance de 10% à 15% minimum.

Besoin de faire le point ?

Pour établir une simulation de vos besoins sur votre environnement, appelez-nous !

Samuel

*Pour connaitre nos partenaires, contactez-nous. Nous activons les meilleurs experts en fonction de votre problématique.
Comment et pourquoi exploiter les data digitales ?

Plus les mois passent et plus les experts de la relation client doivent se positionner sur l’utilisation des données digitales qu’ils collectent. Même si aujourd’hui, bon nombre d’enseignes utilisent un outil de tag management, tous n’exploitent pas ces datas dans leur environnement CRM. Se pose alors la question du matching des datas digitales avec l’environnement data existant…

Know Your People peut vous accompagner à engager un projet de réconciliation et d’exploitation des datas Digitales dans votre environnement analytique. Notre méthode est simple : nous sommes chef d’orchestre sur l’ensemble de la chaîne et nous sommes experts sur la partie analyse.

Un bon projet doit automatiquement être bien drivé. C’est pourquoi, dans notre rôle de chef d’orchestre, nous vous proposons d’être l’interlocuteur privilégié de vos services techniques. Nous serons aussi les traducteurs du besoin métier. Si la compétence n’est pas disponible chez vous, vous pouvez compter sur notre réseau de partenaires techniques (expert du tag management, des plans d’implémentation, de la récupération et l’intégration, et de la réconciliation). Concernant la partie analytique, au-delà de la partie Profiling ou même les méthodes « Lookalike », nous allons jusqu’à mesurer le pouvoir explicatif de vos données digitales.

Néanmoins, avant la phase de mise en œuvre technologique et son exploitation, il reste primordial de définir le périmètre et les premiers objectifs du projet. La concrétisation d’un use-case est donc un incontournable pour embarquer les équipes qui seront amenées à travailler sur le projet et/ou à utiliser les résultats.

Un exemple de use-case : La digitalisation des clients off-line avec un objectif d’augmentation de la performance par une communication personnalisée dans les campagnes et une meilleure identification lors des visites sur le site permettant un contenu adéquat. La performance sera alors mesurée par l’acte d’achat réalisé en magasin ou sur le site.

Le bénéfice engendré : une expérience client aboutie et un engagement renforcé.

La mise en place du use-case peut se faire sous forme d’un POC (Proof Of Concept). Le POC permet de formaliser le projet test sur un délai court, avec des investissements faibles et maitrisés pour un résultat mesuré. Le sujet choisi doit être clair, simple et pragmatique pour une compréhension maximale. Prouver l’efficacité par le chiffre et rassurer sur les investissements consentis.

En cas de réussite, l’extrapolation en est facilitée puisque la démarche existe, avec quelques ajustements si besoin. Ceci est donc un bon moyen pour entrer dans une politique et une stratégie Omnicanal.

Contactez-nous pour un échange, nous vous donnerons notre vision par rapport à votre projet.
Comment les marketeurs peuvent-ils utiliser la Data Science pour mesurer la rentabilité de leur plan d'animation ?

Parmi les sujets sur lesquels nous sommes souvent sollicités par nos clients, la question de la mesure du ROI du plan d’animation occupe une place particulière.



En effet, lorsque l’on doit justifier de nouveaux investissements, tant humains que techniques, afin de développer l’animation clients, la question qui revient sans cesse est de savoir ce que rapporte le plan d’animation. A cette question, nous avons développé une réponse en 3 points essentiels qui permettent de créer les conditions nécessaires à la mesure de ce ROI.

1. Construire les bons étalons
Lorsque l’on évoque la mesure du ROI, on évoque mécaniquement la mesure de l’additionnel. Combien de chiffre d’affaires est-ce que j’arrive à générer en plus grâce à mon plan d’animation ?
Cette mesure de l’additionnel nécessite de construire des populations de référence qui serviront de base de comparaison dans les analyses. Nous préconisons d’en construire de 2 types :
  • Des populations témoins sur chaque opération : leur rôle est de mesurer l’additionnel qu’apporte chaque opération individuellement. Cela vous permettra d’identifier les opérations à pérenniser ou au contraire celles à abandonner
  • Une zone blanche figée à l’année : son rôle est de mesurer l’additionnel d’activité des clients animés versus cette population qui ne recevra aucune sollicitation. On est ici dans la mesure de l’additionnel du plan d’animation.

Ces 2 niveaux de mesure sont complémentaires. Ainsi la somme des additionnels individuels de chaque opération sera systématiquement inférieur à l’additionnel du plan d’animation (ce n’est pas parce que le client n’a pas réagi à cette opération qu’elle n’aura pas un impact sur le long terme dans les préférences d’achat de votre client), mais elle vous permettra aussi de mesurer le poids des impacts directs et indirects de l’animation sur le comportement des clients.

Malgré tout une question reste en suspens : à quelle opération dois-je affecter la performance lorsque plusieurs opérations ont lieu en même temps ?

2. Attribuer la performance à la bonne opération
Lorsque l’on met en place un plan d’animation assez dense, on peut rapidement se retrouver confronté à une problématique d’attribution de la performance à la bonne opération. En effet, doit-on considérer que c’est le premier contact qui a initié la démarche d’achat ? Ou au contraire que c’est le dernier contact qui est le déclencheur ?

En règle générale, les outils du marché ont des modèles d’attribution prédéfinis :
  • Au premier contact : la vente est attribuée au levier ayant initié l’achat
  • Au dernier contact : la vente est attribuée au levier ayant précédé l’achat
  • Équivalent : tous les leviers impliqués se voient attribuer la même pondération
  • Croissant : la pondération augmente à mesure que l’on approche de la date d’achat

Nous pensons que la réalité est plus complexe et doit tenir compte des spécificités de votre plan d’animation. En particulier, l’étude des courbes de remontée peuvent mettre en valeur des différences assez marquée sur la durée de suivi entre 2 opérations distinctes.

Un autre point à prendre en compte dans l’attribution de la performance est la notion de retour strict vs retour large. En effet, le fait d’identifier un code offre, un code produit ou un code remise spécifique à une opération va permettre d’identifier de manière plus sûre le déclencheur.

Fort de ces constats, nous avons développé notre propre algorithme d’attribution de la performance basée sur ces différents éléments.

3. Un process de mesure validé par les financiers

Nous travaillons avec les équipes financières pour valider la méthodologie et les KPIs à suivre pour valider la pérennité du process de calcul de rentabilité.

A cette fin, en plus de la mesure de l’additionnel, nous appréhendons la structure de coûts induits par le plan d’animation. On peut alors mesurer les gains marginaux (CA et marge) issus de l’investissement dans le plan d’animation.

Il n’est pas trop tard pour mettre en place ce type de démarche sur 2017, Contactez-nous !

Matthieu D.
Quand le prédictif s’invite dans les stratégies marketing 2/2

Comme nous vous l’évoquions le mois dernier, Il existe trois paramètres importants à prendre en compte avant de se lancer dans l’aventure du marketing prédictif :
  • La matière première : les data
  • La problématique : la variable ou le phénomène à expliquer
  • L’exploitation du modèle créé

Mais qu’en est-il de cette phase de modélisation à proprement parler ? Alors que le mois dernier nous vous expliquions la partie fonctionnelle du marketing prédictif, nous vous proposons ici de vous expliquer la manière dont nous travaillons sur les méthodes de scoring et de modélisation. Cette méthodologie d’analyse éprouvée repose sur 6 étapes clés :
1. La compréhension des données disponibles : Au travers d’un diagnostic analytique, nous définissons les variables utiles à l’analyse. Il s’agit de répondre aux questions suivantes : est-ce que toutes vos données sont exploitables ? Certaines ne présentent-elles pas des biais ? Sont-elles suffisamment renseignées ? Quelles sources de données sont disponibles ? Nous allons jusqu’à définir une stratégie de data collect.

2. La construction de la variable cible : la première question est bien de savoir ce que l’on cherche à faire d’un point de vue CRM (lutter contre l’attrition, améliorer les ciblages,…). Au travers d’une phase d’analyse exploratoire des données et d’interviews avec le métier, nous construisons les règles de gestion permettant de définir cette variable. Notre premier objectif est d’impliquer notre interlocuteur dans la compréhension globale de la démarche analytique.

3. La construction des agrégats utiles : cette phase est majeure, elle est la plus longue dans la construction du modèle. Elle représente 60 à 70% du temps de réalisation. En lien avec la variable cible, il est nécessaire de transformer certaines données, d’en combiner d’autres. Bref trouver les agrégats les plus pertinents issus de vos données brutes pour expliquer la variable cible. Des analyses croisées entre données brutes et variable cible nous permettent de trouver les agrégats à construire.

4. La réalisation d’un échantillonnage pertinent : en modélisation statistique, il ne faut pas réaliser votre modèle sur toute la population. Deux explications à cela : des millions de lignes de données à analyser qui peuvent prendre beaucoup de temps sans améliorer les modèles et la nécessité d’avoir une population test pour valider les modèles. Plusieurs méthodologies d’échantillonnage existent, il faut être vigilant lors de la construction de l’échantillon de travail à ce que cet échantillon soit représentatif statistiquement de votre population globale.

5. La modélisation ou la réponse à la problématique : la modélisation repose sur 2 grands éléments, le choix du type de modèle à appliquer et la réalisation du modèle (le calcul des coefficients) à proprement parler. Aujourd’hui les outils de Machine Learning ont grandement contribué à avancer dans cette problématique car ils trouvent à notre place le modèle le plus performant. Attention toutefois à s’assurer de la pertinence du modèle tant à court terme qu’à moyen terme.

6. La mesure des résultats et la validation du modèle : une première étape de validation de cette pertinence va reposer dans la mesure des résultats obtenus au travers de la confrontation des résultats entre la population d’apprentissage et la population test, en particulier par l’utilisation des matrices de classement. Ceci va nous permettre d’éprouver la qualité du modèle et donc d’en valider la pertinence.
C’est par la maitrise de ces 6 étapes que l’on réussit à mettre en œuvre des modèles pertinents et robustes.

L’objectif final est bien de vous accompagner dans l’exploitation du modèle au travers d’un plan d’actions opérationnel. La mesure des résultats confirmera la création de valeur.

Prêts pour l’aventure prédictive ?