Marketing
Smart Cloud
Marketing
Smart Cloud
Spécialiste du big data intelligence et des
solutions de marketing digital
Laurent Garnier / Cédric Hervet
Directeur Délivrabilité &
Succès Client
lg@np6.com
2
Directeur en Recherche
Opérationnelle...
Carte d’identité groupe
3
i
SPECIALISTE LEADER SECTEURS EFFECTIFS
DIGITAL CA
15 M€
INNOVANTDATA
EUROPEEN
QUALITE
SaaS Mark...
Expertise cross-secteurs
E-Commerce / Distribution Service Publique Loisirs / Tourisme
Banque / Assurance
Medias / Culture...
5
Le marketing prédictif
Donner du sens aux données et en tirer des insights opérationnels
► La collecte et l’enrichisseme...
6
L’ÉTAPE ESSENTIELLE DE LA COLLECTE
Le volume de données explose…
7
La Data : le nouvel or noir !
8
• Une matière première en partie gratuite
mais qui nécessite une exploration.
• Le raffina...
Collecter et enrichir la donnée
9
Une bonne collecte est essentielle :
• Savoir identifier les données utilisables, « prop...
• Mise à disposition « en théorie »
gratuite de données publiques et
parfois privées.
• L’INSEE propose 16.000 zones IRIS
...
11
L’ANALYSE DE LA DONNÉE ET SES ENSEIGNEMENTS
Les grands axes d’analyse
CONNAISSANCE
(Base de données)
CLIENTS
OFFRES
Construire la
connaissance client
pour concevoir
l...
13
LA CONNAISSANCE CLIENT
Approche analytique, sans a priori, de l’ensemble de la base de données. Des
exemples de reporting simples, mais pas simpl...
Les clients statistiquement exceptionnels doivent être analysés :
• Mauvais remplissage de la base
• Activité frauduleuse
...
Réduire le taux de « one-shooters »
Intensité
relationnelle
TempsIntégration Ligne de mire
2. Maintien d’une
communication...
Segmenter ses clients
RFM totale
Total
CA<=0
Nouveaux
clients
RFM1 RFM2 RFM3 RFM4 RFM5 Outliers
PMGtotale
CA<=0 1 289 219 ...
18
LE SCORING APPLIQUÉ À L’EMAIL
Le véritable potentiel de la donnée email
Le score d’appétence horaire
Il permet d’envoyer le
message à l’heure de
consultation connue et sur
le terminal utilisé pa...
Les scores liés à l’appétence
Propension et réactivité
Donnent la probabilité
d’un individu à réagir
positivement à la
pro...
Les scores d’attrition et de réactivation
Le score d’attrition
 Donne la probabilité
de se plaindre ou de
se désengager
...
23
PATTERNS DE CONSOMMATION ET PARCOURS CLIENT
L’analyse des achats
Top 20 des Sous-Rayons trié par CA généré
Rang Sous-Rayon Qté Qté (%) CA %CA Montant Moyen
1 Sous ray...
Cooccurrences d’achat
Etude des cooccurrences d’achat
par paires, mise en évidence des
plus associées :
 par profils soci...
Théorie des graphes
Construction du graphe des achats :
 un nœud par produit
 un arc relie deux produits
s’ils ont un ni...
Etoile : existence d’un produit
phare, entouré d’accessoires
non complémentaires entre eux
Patterns de consommation
La cli...
Parcours consommateur
L’historique permet d’identifier
les parcours clients, pour
répondre à des besoins
analytiques diver...
Les clés du marketing prédictif
 Pas d’analyse pertinente sans une
bonne collecte.
 Éviter les silos de données.
 L’enr...
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 4...
Prochain SlideShare
Chargement dans…5
×

Le marketing prédictif : donner du sens aux données et en tirer des insights opérationnels

1 386 vues

Publié le

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.

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

Aucun téléchargement
Vues
Nombre de vues
1 386
Sur SlideShare
0
Issues des intégrations
0
Intégrations
35
Actions
Partages
0
Téléchargements
72
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Le marketing prédictif : donner du sens aux données et en tirer des insights opérationnels

  1. 1. Marketing Smart Cloud Marketing Smart Cloud Spécialiste du big data intelligence et des solutions de marketing digital
  2. 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. 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. 4. Expertise cross-secteurs E-Commerce / Distribution Service Publique Loisirs / Tourisme Banque / Assurance Medias / Culture Agences MarketingIndustrie / Service BtoB 3
  5. 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. 6 L’ÉTAPE ESSENTIELLE DE LA COLLECTE
  7. 7. Le volume de données explose… 7
  8. 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. 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. 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. 11 L’ANALYSE DE LA DONNÉE ET SES ENSEIGNEMENTS
  12. 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. 13 LA CONNAISSANCE CLIENT
  14. 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. 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. 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. 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. 18 LE SCORING APPLIQUÉ À L’EMAIL
  19. 19. Le véritable potentiel de la donnée email
  20. 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. 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. 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. 23 PATTERNS DE CONSOMMATION ET PARCOURS CLIENT
  24. 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. 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. 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. 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. 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. 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. 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

×