Les fondamentaux du marketing prédictif: quelles applications? quelles données? quels résultats?


 
Kézako?
10
shares
Partager sur Twitter
Partager sur Google+
Partager sur LinkedIn
Partager sur Pinterest
+
Les fondamentaux du marketing prédictif: quelles applications? quelles données? quels résultats?

Les fondamentaux du marketing prédictif: quelles applications? quelles données? quels résultats?

Alors que le volume des données augmente de manière exponentielle, la data devient le nouvel or noir et occupe une place de plus en plus déterminante dans l’efficacité des actions de vente et de marketing. Mais c’est là que la complexité apparaît: les humains n’ont tout simplement pas le temps, ni la capacité mentale, de passer au crible chaque jour des millions d’éléments. Le résultat est simplement une surcharge d’informations.

C’est pourquoi les sujets de big data, d’activation de la donnée, de machine learning, d’intelligence artificielle… s’imposent progressivement au cœur des problématiques vente/marketing des entreprises. Parmi ces tendances, on parle de plus en plus de systèmes prédictifs, qui modélisent et anticipent les comportements clients à partir du comportement présent et passé.

L’intelligence prédictive, dans une application marketing, repose sur un processus qui est toujours le même:

  1. Poser une question business qui porte sur des performances futures
  2. Collecter des données de différentes sources
  3. Les croiser avec les données clients existantes
  4. Analyser selon un modèle statistique qui permet d’évaluer le comportement futur d’un client avec la plus grande probabilité.
  5. Industrialiser le modèle en le rendant « auto-apprenant » grâce au machine learning
predictive_analytics_process

Ce schéma résume le processus utilisé par les systèmes prédictifs pour anticiper les actions futures des prospects ou clients. La 5e étape, non représentée sur ce schéma, est l’utilisation du machine learning pour rendre le modèle « auto-apprenant ».

Dans cet article, nous aborderons successivement les questions suivantes :

  1. Les applications: En quoi le marketing prédictif peut vous aider à développer votre business?
  2. Les inputs: Quelles sont les données qui alimentent un système prédictif?
  3. Les résultats: Est-ce que cela marche vraiment?

1/ Les applications: En quoi le marketing prédictif peut-il développer votre business?

L’enjeu principal est de pouvoir anticiper en jouant avec la data disponible et en l’exploitant au maximum. Le but est de prioriser et automatiser des actions marketing qui s’adaptent au mieux à chaque cible, en fonction de la probabilité de leurs comportements futurs. Le marketeur peut ainsi planifier des scénarios d’actions efficaces, avec le moins de biais possible.

Quels sont les cas d’usage précis pour lesquels peuvent s’appliquer le marketing prédictif? En voici une liste riche, et encore non exhaustive:

  • dresser automatiquement le portrait robot de son client idéal, de son persona
  • accélérer le cycle de vente de ses prospects,
  • prévenir l’attrition de sa base client pour améliorer sa fidélisation client,
  • prédire la fidélité d’un nouveau client en fonction de sa proximité géographique, ou d’un autre critère
  • prédire la date à laquelle chaque client, et selon son propre rythme, a besoin de chacun des produits
  • savoir quel produit complémentaire pousser pour un client donné et à quel moment,
  • anticiper l’engagement de certains clients pour un produit donné,
  • améliorer sa communication pour chaque segment de clients en fonction de leurs comportements,
  • identifier de nouveaux segments de clientèles rentables et peu exploités aujourd’hui
  • estimer avec une plus grande précision ses prévisions de revenus / fixer les bons objectifs commerciaux
  • etc.

2/ Les inputs nécessaires: Avec quel données marketing alimente-t-on un système prédictif?

Vous l’avez compris, nous sommes en plein dans le big data. Comme pour le lead scoring, la machine va croiser différents types de données pour répondre à la question business que vous vous posez sur le futur. Ces données sont de différentes natures. On retrouve toutefois 4 grandes typologies d’informations qui sont injectées dans le système.

Bien entendu, le système prendra souvent en compte les données démographiques d’un client  (son âge, son sexe, son emplacement géographique, etc.). En effet, il existe très souvent des caractéristiques chez vos clients qui font que vos produits se vendent mieux: par exemple quand le client a moins de 35 ans, qu’il habite à moins de 2km d’un revendeur, ou qu’il est parent depuis au moins 2 ans…

Le deuxième type de données qui vont être utilisées sont les données transactionnelles: qui a acheté quoi, quand et comment? Pour faire des prédictions sur les comportements d’achats futurs d’un consommateur, il faut évidemment prendre en compte ces informations passées.

On mélangera ensuite ces données avec les interactions avec les différents touchpoints marketing. Votre propre expérience vous a certainement montré des corrélations entre les canaux utilisés par le client et la probabilité de vendre. Par exemple, il est d’usage de constater qu’un client qui achète à la fois en magasin et sur le site e-commerce d’une entreprise a une valeur de vie plus importante qu’un autre chaland qui n’utilise qu’un seul canal. Ainsi, si votre CRM détecte qu’un individu a des interactions omnicanales, il le classera dans un segment à fort potentiel, pour lequel vous aurez un programme marketing dédié.

Être en contact avec un touchpoint ne signifie pas que le chaland a eu un engagement qualitatif avec l’entreprise… C’est pourquoi, les systèmes prédictifs factorisent aussi des données comportementales sur les clients pour mesurer leur niveau d’engagement avec la marque et ainsi prédire leurs comportements futurs avec la meilleure probabilité.

Big data CRM predictif

Les données qui peuvent alimenter un système marketing prédictif sont très variées. On retrouve toutefois 4 grandes catégories de données: démographiques, transactionnelles, d’interactions et d’engagement.

3/ Les résultats: Est-ce que faire du marketing prédictif permet vraiment d’améliorer ses performances commerciales?

Pour répondre à cette question, nous prendrons un cas d’usage commun à de nombreux secteurs: celui de la fidélisation. L’enjeu de garder ses clients est un challenge courant pour les organisations qui opèrent en B2B comme en B2C. Dans toute entreprise, il est de la plus haute importance de satisfaire les clients actuels et de les fidéliser.

  • Si des clients fiables cessent soudainement d’acheter les produits d’une entreprise,
  • celle-ci doit redoubler d’efforts pour les remplacer en trouvant de nouveaux clients ou en vendant davantage à d’autres clients existants.
  • Or, les coûts d’acquisition des clients sont souvent relativement élevés, ce qui rend la fidélisation une priorité encore plus stratégique.

Justement, la modélisation prédictive peut être utilisée pour limiter le taux de churn des clients. Sur le site de HLi, éditeur de solution SI dans le cloud qui propose notamment des systèmes d’analyse prédictive, on peut prendre connaissance d’une étude de cas qui prouve qu’une telle approche apporte de vrais résultats. En montrant la situation « Avant / Après » l’utilisation de modèles prédictifs pour prévenir le taux de churn, on observe que l’amélioration des performances est nette, et saute aux yeux !

effet-campagne-taux-churn

Dans cette étude de cas réalisée par l’éditeur HLi, on peut voir que la mise en place d’un système prédictif (en rouge et vert) a nettement permis à l’entreprise de limiter son taux de churn par rapport à l’année passée (en bleu), de 1pt environ.

L’analyse prédictive peut donc apporter une valeur ajoutée significative. Ces excellents résultats peuvent être répliqués pour une grande variété d’industries et de segments de produits, à condition bien sûr que l’entreprise dispose de suffisamment de données – CRM ou autre – pour créer un modèle robuste et valide.

Conclusion

Que les commerciaux se rassurent: l’analyse prédictive ne remplacera pas les professionnels des ventes et du marketing, mais amélioreront leurs méthodes de travail. Les équipes deviennent plus efficaces grâce à l’élimination de la manipulation manuelle des données, à l’amélioration des prévisions, et à l’automatisation des tâches manuelles, qui conduit logiquement à l’amélioration des résultats business.

La technologie existe. Ce n’est plus « le » grand défi.

Au lieu de cela, ce sont les attitudes des managers, qui s’appuient encore beaucoup sur leurs intuitions et ne donnent pas le rôle qu’ils prétendent aux données, qui constitue encore la plus grande barrière à l’adoption des systèmes prédictifs. Et la tendance est clairement en train de changer, comme le prouve la statistique suivante. A bon entendeur…

predictive analytics stat forbes

Autres sources pour rédaction:
Le marketing prédictif pour renforcer l’engagement client et booster le revenu, Ekimetrics dans Internet Marketing 2018
How banks can boost cross-selling with predictive analytics

Partager sur Twitter
Partager sur Google+
Partager sur LinkedIn
Partager sur Pinterest
+

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *