(9) résultats pour votre recherche

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.
BUDGET MARKETING 2018

En cette période budgétaire, il est souvent nécessaire de se poser sur les résultats de l’année afin d’allouer les enveloppes aux actions les plus performantes pour l’entreprise.



Dans ce cadre, comment trouver les bons indicateurs et les bons axes d’analyses pour définir au mieux votre budget ?
Au travers de 3 grands items, nous apportons les clés de lecture nécessaires à la définition de vos objectifs :
  • Mesurer l’efficacité des actions mises en œuvre
  • Comprendre l’évolution des comportements clients
  • Apporter des éléments d’aide à la décision pour préparer la stratégie marketing de l’année à venir grâce à des projections pertinentes



Une méthodologie au service de votre stratégie

Afin de mieux analyser ensemble votre BDD et son activité, nous analyserons les éléments suivants :
  • L’activité de l’année : Identification et validation des principaux KPIs à suivre
  • Les flux de base de données (recrutement, fidélité, attrition, réactivation,…) : ou comment valoriser le potentiel de votre BDD
  • La contactabilité de votre base de données (postal, email, mobile, social,…)
  • L'Identification de vos 20/80 (focus sur les clients qui génèrent le plus de valeur)
  • La pertinence du plan d’animation : passer d'une analyse à la moyenne (taux d'ouverture par exemple) à une sur ou sous-représentation par groupe
  • La performance du programme relationnel : mesure du ROI et du CA additionnel issus des actions mises en place
  • Des recommandations en vue de préparer le plan stratégique 2018 (priorités, cibles, canaux, mécaniques,…) avec la possibilité de travailler sous forme de workshops pour plus d'efficacité

Si ce sujet est une de vos préoccupations du moment,prenez contact avec nous prenez contact avec nous dès maintenant afin d’étudier ensemble la faisabilité de votre bilan personnalisé.
Comment un projet de reporting bien mené peut fédérer équipes réseaux et marketing autour des mêmes objectifs de performance ?

Le reporting réseau, qu’il soit propre ou franchisé, est devenu incontournable pour pouvoir piloter l’activité.
Souvent associé à un outil de suivi intrusif des différentes directions, la perception magasin a évolué, et il tend de plus en plus à être accepté comme ce qu’il est, à savoir un moyen efficace de monitorer l’activité de façon rapide et régulière.

En effet, tant de problématiques peuvent être abordées à travers une bonne analyse de tableaux que ces reportings peuvent devenir une brique à part entière du plan d’animation des réseaux, notamment dès lors qu'un programme de fidélité est en place.

Ce type de projet est aussi un excellent levier d’échange et de cohésion si les différents acteurs se projettent ensemble dans leur utilisation quotidienne.

La construction de ces tableaux doit répondre à plusieurs critères simples :

1. Identifier les utilisateurs finaux et leurs besoins afin de personnaliser les reportings:
  • Responsable magasin
  • Direction marketing
  • Direction commerciale
  • Direction générale
  • etc.

Si le reporting a une vocation transverse, un onglet spécifique pour la direction générale, avec les KPIs clés à retenir, est par exemple très apprécié.
2. Identifier et créer des indicateurs de performance pragmatiques, comme par exemple :
  • Indicateurs financiers: panier moyen, Poids CA cartés versus global, etc.
  • Indicateurs fidélité: taux d’encartage, taux de burn de points, etc.
  • ROI ou ROO
  • etc.

3. Associer les différents acteurs et...
  • Les sonder
  • Les informer
  • Les former à l’utilisation, à la lecture et l’interprétation

Comme nous l'avons fait récemment pour 2 enseignes de près de 200 points vente, nous vous accompagnons pour ce projet d’envergure, créateur de richesse et d’émulation !
Que vous souhaitiez valider votre stratégie et votre business plan au plus près, suivre vos indicateurs de fidélisation, identifier les best practices magasins, éviter la fraude ou ajuster vos achats, nous sommes à votre écoute pour créer le reporting sur mesure qui simplifiera le pilotage de votre activité.

Guillaume B.
Où en êtes-vous dans la mesure de performance de vos campagnes emails ?

Cela ne fait aucun doute que nous sommes entrés dans une ère où les campagnes emails sont de plus en plus nombreuses et complexes. La mise à disposition de critères de sélection divers, plus la connaissance client augmentée, nous permet aujourd’hui de construire des plans d’animation emails de plus en plus sophistiqués. Nous répondons ainsi à la demande des directions générales sous le principe de réponse aux besoins et attentes des clients.

Multiplier les campagnes emails ? Oui, mais pas n’importe comment !

Il s’agit en premier lieu de mettre en place une stratégie email pour confirmer la cohérence des différents messages que l’on envoie aux différentes cibles. Au-delà des cibles et de son contenu, il est obligatoire, ou fortement recommandé, de valider la cohérence des campagnes et des offres entre les canaux. Il ne s’agit pas de faire la même offre partout, il s’agit de comprendre et valider les partis pris et les choix d’une opération. Etre cohérent afin d’expliquer à un client lambda pourquoi il n’a pas forcément reçu la même offre que son voisin.
En second lieu, il est indispensable de penser au process de mise en œuvre. Une campagne bancale (doublon dans les cibles, mauvaise délivrabilité, contenu inadéquat, …) ne permettra jamais de démontrer un succès. Au-delà de la mécanique opérationnelle, il ne faut pas oublier la méthodologie de mesure. Une campagne qui ne peut pas se mesurer (en ROI ou ROO*) n’a aucune valeur. Il existe plusieurs niveaux de mesure d’une campagne. L’efficacité de celle-ci peut se mesurer en taux d’ouvertures et taux de clics, ou en taux de conversion, mais aussi en CA Additionnel. Pour pouvoir exécuter ce dernier, il est obligatoire de mettre en place un échantillon témoin afin de mesurer les écarts entre les destinataires et la zone blanche.

Quels sont les KPI’s à calculer ?
Pour une analyse précise et facile, nous recommandons de répartir les indicateurs en 4 familles :
  • Indicateurs contextuels : nb de contacts, date d’envoi, durée de l’opération, contenu
  • Indicateurs de routage : taux d’aboutissement, Soft & Hard bounce
  • Indicateurs d’intérêt : taux d’ouverture, taux de clics, taux d’attractivité
  • Indicateurs de valeur : Taux de conversion, CA généré, Marge, ROI-ROO
  • Indicateurs web : Taux de rebond, temps passé, nb de pages vues

Cette liste est exhaustive mais non complète. Elle permet d’organiser un reporting.

Un dernier élément à ne pas négliger quand on réalise plusieurs campagnes durant la même période : la réattribution de la performance.
Dans bon nombre de cas, nous constatons que l’analyse des campagnes emails est calculée « à la campagne ». Aussi, quand il faut mesurer la performance mensuelle, il arrive très souvent que le calcul n’est ni plus ni moins que la somme des résultats de chaque campagne. Et 8 fois sur 10, le CA généré des campagnes sur la période a été comptabilisé plusieurs fois. Les résultats de ROI sont donc souvent imparfaits, voir complétement faux. Les professionnels de l’analytics peuvent vous accompagner sur une méthode afin de ré attribuer ce CA généré afin de ne pas sur estimer l’apport de l’email dans le business de l’entreprise.

* ROI : Return Of Investment / ROO : Return Of Objective
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.
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 ?
Quand le prédictif s’invite dans les stratégies marketing 1/2

Le prédictif, un mot que l’on entend de plus en plus souvent… Sommes-nous prêts aujourd’hui à développer une vraie stratégie analytique autour des modèles prédictifs ?
Les techniques de statistiques prédictives ne sont pas nouvelles. Depuis plus de 20 ans, nous construisons des algorithmes afin de créer des modèles prédictifs robustes et performants qui améliorent toujours un peu plus l’expérience client.

Il existe trois paramètres importants à prendre en compte avant de se lancer :
  • La matière première : les data
  • La problématique : la variable ou le phénomène à expliquer
  • L’exploitation du modèle créé

Sur le premier point, notre bac à sable s’est très largement agrandi avec l’arrivée des data digitales. Si jusqu’à il y a encore quelques temps, les modèles prédictifs étaient construits à partir des données CRM classiques (transactionnelles, comportementales, socio démographiques), nous avons aujourd’hui accès à des données complémentaires qui viennent caractériser les comportements des consommateurs (données de navigations, sociales, et plus généralement les données digitales). L’enjeu aujourd’hui, est de pouvoir croiser les data de ces deux mondes (CRM & Digital). Les méthodes de réconciliation sont prêtes et les acteurs sur le marché proposent leur service à une qualité de matching qui devient intéressante (d’un point de vue statistique). Il ne reste plus qu’à définir la question à laquelle on souhaite répondre. Et c’est précisément ce point qu’il ne faut pas négliger !

Nous sommes convaincus que la construction de la « variable à expliquer » est un point majeur à la création de valeur future. Il est donc nécessaire de prendre le temps de définir une problématique qui soit réalisable et en adéquation avec la stratégie marketing. Que cherchons-nous à faire ? Réduire l’attrition ? Identifier l’appétence ? Maximiser la conversion ? Autant de sujet intéressant et d’actualité, mais qui restent généralistes et qui demandent à être préciser. Parle-t-on de contacts, de clients ou de prospects ? Intégrons-nous tous les segments de clients ou réalisons un focus sur une cible en particulier ? Vous l’aurez compris, il existe des filtres à intégrer dans la définition de la population à étudier. Ensuite, à nous de détecter les moments de vie et les cibles où nous maximiserons la conversion.

Le troisième point est peut-être le plus important. Il est indispensable d’utiliser / de tester / d’exploiter l’algorithme créé. Souvent nous remarquons qu’il existe de beaux scorings dans les entreprises, mais qui ne sont pas ou peu utilisés. Pour quelles raisons ? Juste parce qu’il existe encore une barrière de langage entre les dataminers / datascientists et le métier. Ou tout simplement parce que les équipes en place n’ont pas créé le modèle et donc n’en maîtrise pas les tenants et aboutissants. Sans oublier que les modèles prédictifs ont une durée de vie et qu’il est nécessaire, selon nous, de valider la véracité et la pérennité des algorithmes créés régulièrement. En d’autres termes, il ne s’agit pas de créer en one shot un score, mais il faut veiller à son application et sa performance dans le temps.
Un accompagnement dans les plans d’actions et la mesure des résultats peut-être nécessaire. L’objectif de performance peut alors augmenter de 15% à 20% avec un bon score, sur une bonne population, sur une bonne offre.
En d’autres termes, c’est un super outil prédictif, à vous, à nous de l’utiliser dans les meilleures conditions.
Contactez-nous pour faire le point !
Et si on vous aidait à faire le point ?

En cette période budgétaire, il et souvent nécessaire de se poser sur les résultats de l’année afin d’allouer les enveloppes aux actions les plus rentables pour l’entreprise. Dans ce cadre, il est parfois complexe de trouver les bons indicateurs et les bons axes d’analyses permettant de définir au mieux son budget de l’année à venir.

Comment optimiser sa démarche budgétaire ?
Afin de vous aider dans cette démarche, notre solution consiste en un bilan de votre activité CRM de l’année. Au travers de 3 grands items, nous vous apporterons les clés de lecture nécessaire à la définition de vos objectifs :
  • Mesurer l’efficacité des actions mises en œuvre
  • Comprendre l’évolution des comportements clients
  • Apporter des éléments d’aide à la décision pour préparer la stratégie CRM de l’année à venir

Une méthodologie au service de votre stratégie
Notre méthodologie va reposer sur 7 points essentiels de la compréhension de votre BDD et de son activité de l’année :
  • Focus sur l’activité de l’année : les principaux KPI à suivre
  • Les flux de base de données (recrutement, fidélité, attrition, réactivation,…) : ou comment valoriser le potentiel de votre BDD
  • La contactabilité de votre base de données (postal, email, mobile, social,…)
  • Zoom sur les 20/80 (focus sur les clients qui génèrent le plus de valeur)
  • La pertinence du plan d’animation : passer d'une analyse à la moyenne (taux d'ouverture par exemple) à une sur ou sous-représentation par groupe
  • La performance du programme relationnel : mesure du ROI et du CA additionnel issus des actions mises en place
  • Des recommandations en vue de préparer le plan stratégique 2016 (priorités, cibles, canaux, mécaniques,…) avec la possibilité de travailler sous forme de workshops pour plus d'efficacité.

Si ce sujet est une de vos préoccupations du moment, prenez contact avec nous dès maintenant afin d’étudier ensemble la faisabilité de votre bilan personnalisé.
AVIS D'EXPERTS : LE BIG DATA, PAR QUEL BOUT LE PRENDRE ?

Bon nombre d’experts se positionnent sur le sujet avec des convictions fortes et parfois opposées. Comment faire la part des choses entre ceux qui nous disent que cela va tout changer et les autres qui nous soutiennent que cela reste de l’analyse de données ? Quels sont les réels changements ? Sur quoi devons-nous être vigilants ? Comment ne pas tomber dans un projet sans fin sous le seul prétexte d’être présent sur le sujet ? Avec quelle organisation et quels profils ?

Notre vision reste le pragmatisme et l’itération du projet !

Tout d’abord, essayons d’en donner une définition : « Le principe des Big Data est de faire converger des données diverses et variées et de les exploiter à des fins de connaissance, de performance et d’usages. »

A chacun son niveau de maturité dans l’exploitation de la data et sur l’apport d’une telle démarche dans la stratégie de l’entreprise. Nous partageons l’avis de certains experts qui vont parler de SmartData. Car même si nous croyons à la puissance de la data dans sa plus pure exploitation, il existe encore un écart entre la réalité des projets mis en œuvre et les contraintes opérationnelles imposées aux équipes (budget, quickwins et ROI). Nous ne pouvons malheureusement pas tous allouer un budget R&D conséquent pour faire face à cette nouvel ère digitale ultra ciblée et connectée.

Mais, la question est bien de savoir comment nous continuons à avancer sur le sujet afin de ne pas être en retard dans les rendez-vous futurs que nous aurons avec les consommateurs.

L’offre KYP sur le sujet du Big Data est de vous faire gravir la montagne par étape et avec ambition. Grâce à notre passé ROiste, nous mesurerons l’apport de chacune de ces étapes au sein de votre marque/enseigne.

Pour cela, nous restons attentifs aux indicateurs des « V » du Big Data, car cela peut avoir un réel impact dans l’organisation, la réalisation et l’interprétation. Nous connaissons tous les « V » de : VOLUME, VARIETE, VELOCITE et VERACITE. A partir du moment où nous détectons l’activation d’un de ces « V », nous faisons appel à des experts internes et externes pour mesurer les enjeux du projet et mener à bien l’étape sur laquelle nous nous engageons.
N’oublions pas le « V », de VALIDITE qui à notre sens répond à la significativité et la robustesse des algorithmes (ce qui reste un éléments fondamental de la data intelligence). Et pour terminer le « V » de VALEUR, car après tout, c’est bien cette question qui est le nerf de la guerre (Valeur sur le business & Valeur sur l’intelligence créée).

Ce qui est certain, c’est que nous devons tous avancer dans cette course de la DATA INTELLIGENCE et qu’il faut commencer par un point de départ. Celui-ci est-il évident pour vous ? Nous serions ravis de pouvoir échanger avec vous sur le sujet.