Contenu connexe Similaire à Comment optimiser les achats croisés sur Internet grâce au marketing prédictif ? (20) Comment optimiser les achats croisés sur Internet grâce au marketing prédictif ?1. © SOCIO 2014
Optimiser les achats croisés sur internet grâce au marketing prédictif
Thierry Vallaud & Cédric Hervet
Le 23 septembre 2014
Une société du groupe 2. 01
© SOCIO 2014
2
Une société du groupe
Agenda
Qui sommes nous ? p.3
Une recherche fondamentalement appliquée p.4
Définir la cooccurrence p.5
La théorie de graphes p.10
Conclusions p.19 3. 01
© SOCIO 2014
3
Une société du groupe
Nous sommes SOCIO, filiale de
NP6 est un groupe leader dans le CRM multicanal et le marketing prédictif
SOCIO est sa filiale « data sciences »
Depuis le regroupement des deux entités nous avons crée une offre de DMP marketing GeckoData® dans laquelle nous insérons des modules de scoring via l’interface EMA :
Cette offre de marketing prédictif « on line » et en « mode SaaS » se développe peu à peu :
D’abord des scores d’appétence (propension, réactivité)
Des scores de risques (désabonnement, plainte…)
Et un nouveau module de cooccurrence d’achat
Qui sommes nous ? 4. 01
© SOCIO 2014
4
Une société du groupe
Une recherche rapide de 3 mois
Un partenariat avec l’ESTI et Dauphine
Une recherche basée sur des fondamentaux théoriques éprouvés :
Sociologie des réseaux Source
Théorie des graphes Source
Analyse du panier la ménagère Source
Comportement du consommateur Source
Des résultats probants directement tournés vers des applications marketing opérantes
C’est le savoir-faire historique des équipes de SOCIO qui couplé à celui de NP6 crée une nouvelle offre en ligne
Une recherche fondamentalement appliquée 5. 01
© SOCIO 2014
5
Une société du groupe
DÉFINIR LA COOCCURRENCE 6. 01
© SOCIO 2014
6
Une société du groupe
Pour optimiser l’achat croisé il faut d’abord :
Trouver dans un même panier :
Les produits achetés ensemble
Trouver dans plusieurs paniers successifs :
Les produits qui se complémentent
L’objectif étant de proposer à ses clients les bons produits, les plus susceptibles d’être achetés avec la bonne offre au bon moment.
La cooccurrence peut s’appliquer au panier mais aussi à des pages web portant ou non des produits, des offres de couponing sortie caisse, des enchainement d’emails…
De quoi s’agit t-il ? 7. 01
© SOCIO 2014
7
Une société du groupe
L’analyse du panier de la ménagère existe depuis les années 90 (les couches et la bière) :
Elle traite la cooccurrence d’achat principalement
Les algorithmes
Certains ne tiennent pas compte du temps
Apriori
GRI
D’autres tiennent compte du temps : achat en premier puis dans une date ultérieure de l’achat en second : séquence, Carma
Ce qui est nouveau c’est que nous pouvons embarquer ces analyses dans une plateforme distante : GeckoData pour les faire tourner sur vos données et en plus apporter de nouvelles techniques plus performantes.
Ce n’est pas nouveau mais… 8. 01
© SOCIO 2014
8
Une société du groupe
LA THÉORIE DES GRAPHES 9. 01
© SOCIO 2014
9
Une société du groupe
Dans une matrice qui croise 15 000 produits X 15 000 produits mais pour les produits achetés plus de 10 fois : plus de trous dans la matrice que de cooccurrences.
Les modèles n’aiment pas les trous, il faut détecter les « fameux » signaux faibles
Il faut contourner ce caractère « creux », être signifiant
Les règles sont complexes et peu visuelles : il faut faciliter la compréhension simple
On cherche à travailler au niveau le plus fin (produit), pour les regrouper sur la base des cooccurrences observées sans tomber dans des règles « évidentes »
On cherche un outil de visualisation synthétique de ces cooccurrences pour l’aide à la décision qui soit accessible au plus grand nombre : un outil entièrement open source entre Gephi, Oscar R
La simplicité et la transparence
Volume de données vs pertinence de la taxinomie 10. 01
© SOCIO 2014
10
Une société du groupe
On va lancer une programme qui va tracer et calculer l’intensité des liens entre tous les produits (les 15 000) ayant au moins plus de 10 cooccurrences
On peut définir d’autres contraintes :
Nbre min d’occurrence
Catégorie de produits
Valeur min et max en €
Périodes
Une add-offre à l’offre GeckoData Predict qui inclut déjà des scores
Une offre qui peut aussi vivre sans les autres scores : un module distant mais indépendant qui peut se pluguer à votre DW
L’ergonomie et l’économie
Piloter vos cooccurrences dans GeckoData 11. 01
© SOCIO 2014
11
Une société du groupe
La théorie des réseaux
La clique : complémentarité entre tous les produits
Etoile : existence d’un produit phare, entouré d’accessoires non complémentaires entre eux
Robuste : l’ajout d’un produit augmente la probabilité d’achat
Une visualisation efficace par communautés 12. 01
© SOCIO 2014
12
Une société du groupe
L’analyse permet de voir des communautés d’achat insoupçonnées et de réfléchir à l’assortiment
Prévoir les produits achetés demain ensemble par l’observation des associations passées, c’est en cela que ce marketing est prédictif.
Prévoir et comprendre pour anticiper les offres 13. 01
© SOCIO 2014
13
Une société du groupe
Les ensembles de règles existent mais notre approche base ces règles sur des faits visuellement avérés :
Développer l’up sale en proposant des produits qui vont ensemble
Les assiettes et les couverts évidents mais plus efficace quand on sait que les clients achètent ces assortiments
Pousser des pages web complémentaires qui augmentent le closing et le montant du panier
Développer des produits à achat séquencé dans le temps : le canapé puis la table basse, puis les fauteuils
Concevoir des mix produits liés d’emblée : la parure de lit complète plutôt que la vente séparée, l’ensemble de vêtements assortis
Trouver des offres qui ne se cannibalisent pas : réduction sur un produit puis offre en lot pour les produits complémentaires
Des usages marketing et commerciaux concrets 14. 01
© SOCIO 2014
14
Une société du groupe
Actuellement ce module est en phase de test, il sera disponible bientôt dans l’offre GeckoData Predict : entièrement en mode SaaS
Nous travaillons sur d’autres innovations :
Des scores BtoB
L’intégration de dimension géographique associées au temps réel
La possibilité de piloter en temps réel la dérivabilité
La gestions de scénarii marketing auto déclenchés
….
L’automatisation des scores parait simple mais :
Une nécessaire adaptation à des contacts clients très différents et évolutifs qui rendent ce type d’offre difficile à construire et a maintenir
Nous travaillons sur des modèles auto-apprenants tout en laissant un poids important aux fine tuning des utilisateurs
Ces deux points sont clefs dans l’offre GeckoData Predict
Conclusions 15. 01
© SOCIO 2014
15
Une société du groupe
M. E. J. Newman Aaron Clauset and Cristopher Moore. Modularity and
community structure in networks. Physical Review E, 70(6) :066111, 2004.
Gaurav Agarwal and David Kempe. Modularity-maximizing graph communities via mathematical programming, 2008.
Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, and Etienne Lefebvre. Fast unfolding of communities in large networks.
Journal of Statistical Mechanics : Theory and Experiment, 2008(10) :P10008, 2008.
U. Brandes, D. Delling, M. Gaertler, R. Goerke, M. Hoefer, Z. Nikoloski, and D. Wagner. Maximizing Modularity is hard. ArXiv Physics e-prints, August 2006.
Irene Charon, Olivier Hudry, and Antoine Lobstein. Minimizing the size of an identifying or locating-dominating code in a graph is np-hard. Theor. Comput. Sci., 290(3) :2109–2120, 2003.
Newman and M. Girvan. Finding and evaluating community structure in networks. Physical Review E, 69(2) :026113, 2003.
Bibliographie 16. 01
© SOCIO 2014
16
Une société du groupe
http://www.np6.fr/ressources/conferences/
Pour lire la suite