Comment tirer des insights opérationnels du marketing prédictif ? De quelles data ai-je besoin ? Quel algorithme prédictif pour quel usage (réduire l’attrition, optimiser la conversion, stratégie optimale up-selling et cross-selling,…) ? Découvrez les meilleures pratiques du data marketing au service de votre stratégie digitale. Présentation issue de la conférence animée par Laurent Garnier, Directeur Délivrabilité et Succès Client chez NP6, et Cédric Hervet, Directeur en Recherche Opérationnelle de SOCIO Logiciels (groupe NP6), au salon E-commerce Paris 2015.

1. Marketing
Smart Cloud
Marketing
Smart Cloud
Spécialiste du big data intelligence et des
solutions de marketing digital

2. Laurent Garnier / Cédric Hervet
Directeur Délivrabilité &
Succès Client
lg@np6.com
2
Directeur en Recherche
Opérationnelle de SOCIO
Logiciels (société du groupe
NP6)
chervet@socio.fr

3. Carte d’identité groupe
3
i
SPECIALISTE LEADER SECTEURS EFFECTIFS
DIGITAL CA
15 M€
INNOVANTDATA
EUROPEEN
QUALITE
SaaS Marketing : 50%
Data intelligence : 50%
110 Paris, Bordeaux,
Londres
ISO 9001 depuis
2001
30 experts digitaux CIR35 statisticiens
15 sociétés
du CAC 40
Tous secteurs
d’activité

4. Expertise cross-secteurs
E-Commerce / Distribution Service Publique Loisirs / Tourisme
Banque / Assurance
Medias / Culture
Agences MarketingIndustrie / Service BtoB
3

5. 5
Le marketing prédictif
Donner du sens aux données et en tirer des insights opérationnels
► La collecte et l’enrichissement de la donnée
► L ’analyse de la donnée et ses enseignements
● La connaissance client
● Le scoring appliqué à l’emailing
● Patterns de consommation et parcours clients

6. 6
L’ÉTAPE ESSENTIELLE DE LA COLLECTE

7. Le volume de données explose…
7

8. La Data : le nouvel or noir !
8
• Une matière première en partie gratuite
mais qui nécessite une exploration.
• Le raffinage a un coût…
• Acquisition de nouvelles compétences
(Data Scientists)
• Constitution d’équipes projets
inhabituelles (IA, RO, IT, Marketing…)
• …mais le R.O.I. devient ROI

9. Collecter et enrichir la donnée
9
Une bonne collecte est essentielle :
• Savoir identifier les données utilisables, « propres »
et consolidées
• Avoir une quantité de données suffisante
• Retravailler et enrichir avec des données externes
dès que possible
• Passer de la « BIG » à la « SMART » Data

10. • Mise à disposition « en théorie »
gratuite de données publiques et
parfois privées.
• L’INSEE propose 16.000 zones IRIS
qui permettent de croiser vos
données avec des données infra
communales (zones d’habitat,
d’activités…).
• D’autres sources existent…
Enrichir grâce à l’Open Data
10

11. 11
L’ANALYSE DE LA DONNÉE ET SES ENSEIGNEMENTS

12. Les grands axes d’analyse
CONNAISSANCE
(Base de données)
CLIENTS
OFFRES
Construire la
connaissance client
pour concevoir
l’accompagnement
Comprendre les
patterns de
consommation et
optimiser son mix
marketing
Scorer chaque client
et prédire son
comportement futur
Prédictif
Descriptif

13. 13
LA CONNAISSANCE CLIENT

14. Approche analytique, sans a priori, de l’ensemble de la base de données. Des
exemples de reporting simples, mais pas simplistes !
Construire la connaissance client
0 €
5 000 000 €
10 000 000 €
15 000 000 €
20 000 000 €
25 000 000 €
0
10 000
20 000
30 000
40 000
50 000
60 000
70 000
80 000
2011 2012 2013
CA
Nbdeclients
Nb de clients et CA par année
0
20
40
60
80
100
120
140
160
180
200
0
2
4
6
8
10
12
1ère-2ème commande 2ème-3ème commande 3ème-4ème commande
Indicateurs de délai entre achats
Délai
80%
Moye
nne
€0
€500 000
€1 000 000
€1 500 000
€2 000 000
€2 500 000
€3 000 000
janv févr mars avr mai juin juil août sept oct nov déc
CA moyen dépensé par mois
40%
50%
60%
70%
80%
90%
100%
Passage de l'achat n à l'achat n+1

15. Les clients statistiquement exceptionnels doivent être analysés :
• Mauvais remplissage de la base
• Activité frauduleuse
• Typologie particulière de client
Détection des clients atypiques
Parmi eux, les « vrais » clients doivent
recevoir un traitement particulier

16. Réduire le taux de « one-shooters »
Intensité
relationnelle
TempsIntégration Ligne de mire
2. Maintien d’une
communication
relationnelle ciblée
en affinité avec les
besoins du client
3. Adresser une offre
“incentivée” afin
d’assurer la retention
du client
1. Juste après son
intégration en base,
un PRM se met en
place pour ses
prochaines visites

17. Segmenter ses clients
RFM totale
Total
CA<=0
Nouveaux
clients
RFM1 RFM2 RFM3 RFM4 RFM5 Outliers
PMGtotale
CA<=0 1 289 219 0 0 0 0 0 0 1 508
Inactifs 0 0 7 644 1 954 1 404 144 7 1 11 154
P 0 10 674 15 545 12 964 16 926 4 884 19 0 61 012
M 0 3 560 2 1 062 9 808 15 678 6 519 0 36 629
G 0 487 0 0 432 4 528 12 857 0 18 304
TG 0 35 0 0 2 207 5 764 99 6 107
Outliers 0 0 0 0 0 0 9 299 308
Total 1 289 14 975 23 191 15 980 28 572 25 441 25 175 399 135 022
La segmentation RFM tient compte de la récence, de la fréquence et du
montant d’achat, pour un ciblage des clients actifs, contributeurs de la
marque
La segmentation PMG est établie en
fonction du montant et permet de
comprendre les grandes tendances de
consommation
Effectif %
Nouveaux clients 14 975 11,1%
CA<=0 ou Inactifs 12 443 9,2%
Dilemme 29 573 21,9%
Clients à développer 54 268 40,2%
Cœur de cible 23 464 17,4%
VIP 299 0,2%
TOTAL 135 022 100,0%

18. 18
LE SCORING APPLIQUÉ À L’EMAIL

19. Le véritable potentiel de la donnée email

20. Le score d’appétence horaire
Il permet d’envoyer le
message à l’heure de
consultation connue et sur
le terminal utilisé par la
cible.
 Permet au message
d’être vu dès
l’ouverture de la
messagerie.
 Optimise l’interaction
souhaitée.

21. Les scores liés à l’appétence
Propension et réactivité
Donnent la probabilité
d’un individu à réagir
positivement à la
prochaine communication.
 Permet de cibler les
bonnes personnes
 Intérêt stratégique en
délivrabilité

22. Les scores d’attrition et de réactivation
Le score d’attrition
 Donne la probabilité
de se plaindre ou de
se désengager
 Fort impact sur la
délivrabilité
(réputation)
Le score de réactivation
 Indique le potentiel de
réactivation d’une
cible passive

23. 23
PATTERNS DE CONSOMMATION ET PARCOURS CLIENT

24. L’analyse des achats
Top 20 des Sous-Rayons trié par CA généré
Rang Sous-Rayon Qté Qté (%) CA %CA Montant Moyen
1 Sous rayon 1 148 859 1% 19 391 528 € 7% 130 €
2 Sous rayon 2 567 077 4% 19 210 223 € 7% 34 €
3 Sous rayon 3 104 534 1% 17 999 669 € 7% 172 €
4 Sous rayon 4 31 018 0% 16 475 257 € 6% 531 €
5 Sous rayon 5 13 301 0% 11 469 865 € 4% 862 €
6 Sous rayon 6 68 626 1% 9 890 342 € 4% 144 €
7 Sous rayon 7 189 308 1% 9 164 180 € 3% 48 €
8 Sous rayon 8 59 192 0% 7 171 677 € 3% 121 €
9 Sous rayon 9 64 327 0% 5 900 044 € 2% 92 €
10 Sous rayon 10 23 806 0% 5 600 283 € 2% 235 €
11 Sous rayon 11 211 132 2% 5 388 309 € 2% 26 €
12 Sous rayon 12 38 960 0% 5 066 103 € 2% 130 €
13 Sous rayon 13 55 542 0% 4 236 214 € 2% 76 €
14 Sous rayon 14 33 993 0% 4 138 765 € 2% 122 €
15 Sous rayon 15 38 264 0% 3 957 198 € 1% 103 €
16 Sous rayon 16 45 540 0% 3 697 145 € 1% 81 €
17 Sous rayon 17 1 083 166 8% 3 285 036 € 1% 3 €
18 Sous rayon 18 465 913 4% 3 252 609 € 1% 7 €
19 Sous rayon 19 70 268 1% 2 885 345 € 1% 41 €
20 Sous rayon 20 101 463 1% 2 874 129 € 1% 28 €
3 414 290 26% 161 053 922 € 60% 47 €
13 257 935 100% 266 404 454 € 100% 20 €
Total Top 20
Total Général
Les calculs de grands agrégats sont utiles
au reporting mais peu pertinents pour la
recommandation.

25. Cooccurrences d’achat
Etude des cooccurrences d’achat
par paires, mise en évidence des
plus associées :
 par profils socio-démographiques
 sur le même ticket
 dans le temps
Limites :
 supports très faibles
 quelques liaisons « évidentes »
peuvent éclipser le reste
 peu « user-friendly »
Antécédent Conséquence
% de
support
% de confiance
UNITAIRE INOX UNITAIRE INOX 0,11% 82%
POUFS CHAUFFEUSES 0,09% 78%
UNITAIRE PLASTIQUE UNITAIRE PLASTIQUE 0,23% 70%
ACCOUDOIRS CHAUFFEUSES 0,39% 68%
MONTAGE PORT 0,35% 67%
EPICES EPICES 1,49% 66%
SERVIETTE TOILETTE SERVIETTE TOILETTE 12,75% 63%

26. Théorie des graphes
Construction du graphe des achats :
 un nœud par produit
 un arc relie deux produits
s’ils ont un niveau de
cooccurrence significatif
On suppose que k% des
produits i sont achetés
avec des produits j

27. Etoile : existence d’un produit
phare, entouré d’accessoires
non complémentaires entre eux
Patterns de consommation
La clique : complémentarité
entre tous les produits
Robuste : l’ajout d’un produit
augmente la probabilité d’achat

28. Parcours consommateur
L’historique permet d’identifier
les parcours clients, pour
répondre à des besoins
analytiques divers :
 Quel produits sont les points
d’entrée des clients ?
 Après X achats, quel est le
profil d’acheteur moyen ?
 Comment amener l’acheteur
d’un produit A vers l’achat d’un
produit B ? Est-ce naturel et
sinon, à quel moment agir ?
 etc.

29. Les clés du marketing prédictif
 Pas d’analyse pertinente sans une
bonne collecte.
 Éviter les silos de données.
 L’enrichissement de la donnée reste
une étape primordiale.
 Une vision experte reste nécessaire
pour des problématiques métiers
spécifiques.

30. Bordeaux
104 Bis Quai des Chartrons
33300 Bordeaux
T. 05 57 92 41 21
Paris
7, rue du Pasteur Wagner
75011 PARIS
T. 01 75 43 76 10
London
23 Hanover Square
London W1S 1JB
T. +44 203 714 8915