Le Marketing Analytics en B2B
La data au service de la relation client en B2B
Nicolas Glady, professeur ESSEC, titulaire d...
Marketing Analytics : Utiliser la donnée pour améliorer la
relation client et prendre de meilleurs décisions
Customer Life...
Et pourtant, le ROI devrait être au rendez-vous
Les sociétés qui
investissent dans des
solutions de type
« Analytics »
sur...
Des méthodes quantitatives en B2B ? Impossible ?!?
1) Les clients sont très différents, et il n’y pas assez de données ?!?...
The Customer Lifetime Value is the financial value of a
customer
 The Customer Lifetime Value is the discounted value of ...
Customer Lifetime Value is the discounted sum of the
future profits generated by the customers
6
Jh
jt t
tji
i
d
P
CLV
,
1...
1) Utiliser l’information des segments pour enrichir
l’information individuelle du client
Les clients sont très différent...
Bayesian shrinkage allows to reduce the uncertainty of
the estimates in the presence of limited data
8
TraditionalEstimate...
CLV Score: overall customer base description
 The average “one year” CLV for the active customers is 15keuro, the standar...
Autre exemple d’approche Bayesienne en pricing
10
Price and Coverage are the most important drivers
of the customer choice...
2) Utiliser des modèles flexibles et non linéaires pour
capturer les effets complexes de la relation B2B
Les effets sont ...
Example of how price discrimination impacts loyalty in a
non-linear way: the case of the flat fees
 This graph reports th...
Model summary: example of cost-sensitive tree
Note that in practice we use a FOREST (a set) of trees.
 Green leaf = more ...
La progressivité au service du pricing
14
 La progressivité sur l’ensemble du système de commissionning est un facteur
fo...
3) Mesurer la relation client: aussi en face-à-face !
La relation individuelle est trop importante ?!?
Rien n’est plus i...
Description:
The scatter analysis plots the
number of after sales visits per
customer and the discount the
customer receiv...
Conclusions
L’Analytics en B2B est effectivement plus compliqué
… Mais n’est pas irréalisable
 Il faut simplement utili...
18
From Data Sources to Customer Lifetime Value-based
Strategy
Input OutputModel
Transactional Information
Customer past tran...
Solutions
La mise en solution des données utilisables
20
Tâches : du traitement des données aux solutions
AnalysesTraiteme...
Prochain SlideShare
Chargement dans…5
×

Le ROI du marketing B2B : état de l'art et état des lieux

353 vues

Publié le

Journée des Clubs du 11 juin 2015 - Intervention de Nicolas GLADY, Professeur Titulaire de la Chaire Accenture Strategic Analytics de l'ESSEC

Publié dans : Marketing
0 commentaire
2 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
353
Sur SlideShare
0
Issues des intégrations
0
Intégrations
4
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
2
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Le ROI du marketing B2B : état de l'art et état des lieux

  1. 1. Le Marketing Analytics en B2B La data au service de la relation client en B2B Nicolas Glady, professeur ESSEC, titulaire de la Chaire Accenture Strategic Business Analytics
  2. 2. Marketing Analytics : Utiliser la donnée pour améliorer la relation client et prendre de meilleurs décisions Customer Lifecycle Segmentation/Optimisation des prix Customer Lifetime Value/Scoring Appétence Achat Cross-selling Allocation des ressources/Communication/Distribution Modèle d’Attrition ACQUISITION EXPANSION RETENTION
  3. 3. Et pourtant, le ROI devrait être au rendez-vous Les sociétés qui investissent dans des solutions de type « Analytics » surperforment les autres entreprises (S&P 500) d’en moyenne… 3 64% Source : Accenture Research 2011.
  4. 4. Des méthodes quantitatives en B2B ? Impossible ?!? 1) Les clients sont très différents, et il n’y pas assez de données ?!?  Utiliser des méthodes qui tiennent comptent du groupe et de l’individu (méthode bayesienne) 2) Les effets sont trop compliqués ?!?  Utiliser des méthodes non-linéaires et très flexibles 3) La relation individuelle est trop importante ?!?  En tenir compte! Des exemples réels de projets Marketing Analytics en B2B : –Customer Lifetime Value –Pricing 4
  5. 5. The Customer Lifetime Value is the financial value of a customer  The Customer Lifetime Value is the discounted value of the future profits that will be generated by an individual customer.  As these future profits are uncertain, predictive models have to be developed. These models are based on data and use analytics techniques.  E.g., a customer that will generate €120, €80, €30, €50 and €10 of profits in the next five years, will have a CLV of €238,11 if the discount factor is 10%. This value is unfortunately unobservable for now, and a predictive model needs to be developed. 0 50 100 150 Year1 Year2 Year3 Year4 Year5 Actuals Predicted  In this example, the CLV model predicts €125, €90, €60, €30, €15, meaning that the estimated CLV is €262,90. - 5 -
  6. 6. Customer Lifetime Value is the discounted sum of the future profits generated by the customers 6 Jh jt t tji i d P CLV , 1,0 ,, )1(  Where – h is the horizon of the prediction: how far we want to predict in the future – J is the number of products/business lines considered – Pi,j,t is the profit generated by the customer i at time t because of the usage of the product j – d is the discount rate  Usually – h is taken via a business rule – J is a tradeoff between implementability and realism – Pi,j,t is predicted using statistical models – d is selected in agreement between the management, finance and the accounting department The CLV assigns a value, in euro, to each customer.
  7. 7. 1) Utiliser l’information des segments pour enrichir l’information individuelle du client Les clients sont très différents, et il n’y pas assez de données ?!? Il faut un modèle qui soit assez flexible pour: –Mesurer des effets individuels –Mais palier au peu d’observations individuelles en enrichissant celles-ci de ce qu’on sait des clients similaires à cet individu (son segment) Modèle bayésiens: –Ce qu’on sait du client du fait qu’il est dans un segment: prior –Ce qu’on sait du client via ce qu’on observe de lui: likelihood –La sytnhèse des deux: posterior 7
  8. 8. Bayesian shrinkage allows to reduce the uncertainty of the estimates in the presence of limited data 8 TraditionalEstimatesBayesianEstimates -2,22E-16 0,01 0,02 0,03 0,04 0 5 10 15 0 5 10 15 0 10 Likelihood 0 0,01 0,02 0,03 0,04 0,05 0 5 10 15 0 5 10 15 0 10 Prior Likelihood Posterior CLV Distribution Estimation With limited data (e.g. 2 months) With some data (e.g. 1 year) On the long-run The uncertainty is large Classic CLV distribution Accurate estimate Prior dominates: if no data, Most information comes from the prior Bayesian shrinkage: weighted average between the prior and the likelihood As data becomes more available, The posterior converges to the likelihood
  9. 9. CLV Score: overall customer base description  The average “one year” CLV for the active customers is 15keuro, the standard deviation is 30keuro. (Note that the 1% more extreme customers CLV have been trimmed to maximum values.)  1% of the customers will generate 15% of the total profitability. 5% of the customers will generate 45% of the total profitability. 10% of the customers will generate 64% of the total profitability. 25% of the customers will generate 85% of the total profitability.  25% of the customers will not have an activity that is significantly profitable. 9
  10. 10. Autre exemple d’approche Bayesienne en pricing 10 Price and Coverage are the most important drivers of the customer choice. The Speed of Delivery is also impacting the customer choice (but less.) We can estimate (everything else being equal) the sensitivity of the customers to the price. We can also estimate the reliability of the results. -10 -8 -6 -4 -2 0 2 4 Current price + 10% Current price Current price - 5% Current price - 10% Current price - 20% Current price - 30% Min Avg Max Price sensitivity 0 0,5 1 1,5 2 2,5 3 3,5 4 Caracteristics Weight Belgacom Average
  11. 11. 2) Utiliser des modèles flexibles et non linéaires pour capturer les effets complexes de la relation B2B Les effets sont trop compliqués ?!? En effet, les causes et les conséquences en relation B2B ne sont pas « linéaires ». Exemple: –La relation au prix peu être très complexe –D’un segment (secteur) à l’autre les raisons d’achats sont différentes Il existe des méthodes d’analyse des données (arbre de décision ou « random forests ») qui permettent de capturer cette non-linéarité Il faut absolument tenir compte du fait que « tous les clients ne sont pas égaux » ! (encore plus qu’en B2C) 11
  12. 12. Example of how price discrimination impacts loyalty in a non-linear way: the case of the flat fees  This graph reports the proportion of churners as a function of rank of the customers in the flat fee paid.  We observe non-linear effects. This is explained by the segmentation we applied in terms of pricing.  This will be explained in the part dedicated to the customer survey and the pricing analysis. Average Risk High Risk Low Risk Low Flat Fee Medium Flat Fee High Flat Fee [500+] [100-500] [1-100] 12
  13. 13. Model summary: example of cost-sensitive tree Note that in practice we use a FOREST (a set) of trees.  Green leaf = more likely to be loyal. Blue leaf = more likely to be a churner.  Ex: Having churned for another terminal will increase the likelihood to churn. If, on top of this, you make less than 131 transactions less than the average, this probability is even higher! 13
  14. 14. La progressivité au service du pricing 14  La progressivité sur l’ensemble du système de commissionning est un facteur fort d’incitation Proportionnalité Progressivité par tranches Très forte au départ … puis marginalement décroissante Courbe théorique Paliers réels  La progressivité sur l’ensemble du système de commissionning est un facteur fort d’incitation  Souvent: trop gentil avec les petits, pas assez agressif avec les gros!
  15. 15. 3) Mesurer la relation client: aussi en face-à-face ! La relation individuelle est trop importante ?!? Rien n’est plus important que la relation client… Mais comme le nombre de clients est (généralement) moins élevé en B2B, elle prend encore plus de temps/d’effort qu’en B2C Rien n’empêche de mesurer ce type de relation (visites des Chargés de relations, KAM, etc.) et d’établir des métriques sur ces mesures Les approches « classiques » de l’Analytics peuvent alors être mises en œuvre. 15
  16. 16. Description: The scatter analysis plots the number of after sales visits per customer and the discount the customer received when buying the product. In current analysis no distinction is made between after sales visits that are covered by warranty or visits that are not covered by warranty. Observations: • No clear correlations between after sales behaviour and sales tactics; • A significant number of customers received high discounts but have a low number of after sales visits; • The commitment of “Maintenance Contract” customers is not recognized • No distinction between the behaviour of “MC” customers and regular customers. Customer loyaty in after sales by increasing discount #Aftersalesvisits AS MC AS No MC MC = Maintenance Contract No clear relation between Loyalty (After-sales visits) and Discount given 16
  17. 17. Conclusions L’Analytics en B2B est effectivement plus compliqué … Mais n’est pas irréalisable  Il faut simplement utiliser des méthodes adaptées Et ces approches peuvent générer des résultats identiques à ceux vus en B2C : la profitabilité sera au rendez-vous ! Exemples: –Réduction du churn de 20% à 5% –Augmentation du ROI du ciblage marketing de 30% –Augmentation de part de marché de 25 à 30% –Réduction des coûts de gestion des lignes de produits 5% –Augmentation de la marge de 10% 17
  18. 18. 18
  19. 19. From Data Sources to Customer Lifetime Value-based Strategy Input OutputModel Transactional Information Customer past transactions, purchases, etc. Customer Profitability Model •Profit as a function of the customer activity Customer Lifetime Value Model •CLV Estimation based on the discounted future profits Customer Lifetime Value One measure in Euro per customer Customer Characteristics Socio-demographics information: age, address, etc. Price/Cost Structure Information on the relationship between the customers’ activity and the profits Expert Knowledge Information from the experts CLV-Based score Identification of the customers for a marketing action using the CLV CLV Documentation Summary Statistics Management Presentations Findings Summary and Recommendations Data Warehouse Task Relevant DataDatabases Pattern Evaluation Data Cleaning Selection Data mining & modelling Customer Activity Model •Identification of the activity drivers •Customer activity forecast CLV-Based tool Identification of the optimal marketing actions using the CLV - 19 -
  20. 20. Solutions La mise en solution des données utilisables 20 Tâches : du traitement des données aux solutions AnalysesTraitement des données Delamesureàlacompréhensiondescauses Mesures: sélection et présentation Structures & associations Causes & effets: relations Rapports: à des fins comptables, financières, marketing, etc. Statistiques simples: moyennes, écarts-types, séries temporelles, etc. Sélection des variables: réduction de la dimensionalité Attributions: valeurs manquantes, contrôle, etc. Techniques inductives et prédictives: régression, classification, etc. Analyses Inductives: amélioration du business existant Copyright Nicolas Glady Détection de d’opportunités ou risques: association produits, nouveaux besoins, fraude, etc. Reconnaissance de structures: pattern recognition, text mining, associations, etc. Transformation des données brutes (mots, pixels, etc.) en variables utilisables

×