Cette présentation se concentre sur la segmentation 3.0 des donateurs, explorant des approches modernes qui intègrent des critères tels que la récence, la fréquence et le montant des dons. Elle souligne l'importance d'une segmentation efficace pour comprendre et cibler les différents types de donateurs, tout en discutant des défis d'application des méthodes de scoring. Les nouvelles techniques, comme le scoring prédictif, visent à optimiser la rentabilité en prédisant le comportement des donateurs tout en naviguant dans les complexités de la segmentation.

1. Bienvenue à la présentation sur : Segmentation 3.0 : les nouvelles approches de segmentation des donateurs Arnaud De Bruyn Professeur de Marketing, ESSEC Consultant, QUALIDATA Séminaire Francophone de la Collecte de Fonds Juin 2007

2. Arnaud De Bruyn Professeur de Marketing, ESSEC Consultant, QUALIDATA Domaines d’expertise Segmentation et ciblage Analyse et études marketing Marketing des bases de données CRM

3. Arnaud De Bruyn Connaissance Recherche (créer) Enseignement (diffuser, partager) Conseil (appliquer)

4. Théorie et pratique “ La théorie, c'est quand on sait tout et que rien ne fonctionne. La pratique, c'est quand tout fonctionne et que personne ne sait pourquoi. Ici, nous avons réuni théorie et pratique : rien ne fonctionne et personne ne sait pourquoi !” Albert Einstein

5. Théorie et pratique “ La différence entre la théorie et la pratique c’est qu’en théorie il n’y a pas de différence entre la théorie et la pratique, mais qu’en pratique, il y en a… !” Doug Rosenberg and Kendall Scott

6. Le triangle des Bermudes de l’analyse marketing Manque de données Manque d’expertise Freins organisationnels FRUSTRATIONS

7. Rôle(s) de la segmentation

8. Pourquoi segmenter? Les donateurs ne sont pas homogènes Il est crucial de segmenter la base donateurs Fidèles Généreux Occa sio nnels i m p u l si fs Engagés ! R é g u l i e r s

9. Une « bonne » segmentation? Quels sont les critères pour juger de la qualité d’une bonne segmentation? Les segments doivent être: Distincts Homogènes Identifiables, accessibles et mesurables Substantiels Pas nécessairement en taille, mais en importance Utilisables Trop de segments tuent la segmentation Informatifs Utiles et opérationnels

10. Segmenter. Et après? La segmentation en action Identifier les variables de segmentation Développer la segmentation et mesurer la composition de la base SEGMENTER Evaluer la valeur (la profitabilité) de chaque segment Sélectionner les segments prioritaires CIBLER Identifier les différentes stratégies de communication Choisir, développer et communiquer avec les donateurs COMMUNIQUER

11. Segmentation : Les différentes approches

12. Les différentes approches La segmentation a beaucoup évolué en 20-30 ans… Deux évolutions essentielles: Nombre de segments? Quelles variables utiliser pour segmenter la base?

13. Les différentes approches Nombre de segments Facilité Efficacité

14. Les différentes approches Scoring RFM Segmentation « à barrettes » (ex. Philippe Cheval) Segmentation RFM Segmentation FRAT Segmentation comportementale Segmentation prédictive Scoring prédictif Optimisation de la lifetime value

15. Scoring RFM Récence - Fréquence - Montant

16. Scoring RFM Les méthodes de scoring donnent un score à chaque donateur en fonction de quelques chiffres clés relatifs a ses comportements: Exemple Dernier don dans les 12 mois 6 points Dernier don 13-24 mois 4 points Dernier don 25-36 mois 3 points etc. Moyenne de dons > 500 € 6 points Moyenne de dons > 100 € 5 points Moyenne de dons > 50 € 4 points etc.

17. Scoring RFM Principe: Un donateur ayant un score de 12 est potentiellement plus rentable qu’un donateur ayant un score de 5 Mais... Pas homogènes . Les donateurs ayant un score de 5 peuvent avoir des profils très différents Un donateur ayant donné 10 € il y a quatre mois pourrait obtenir le même score qu’un donateur ayant donné 500 € il y a quatre ans... Pas très opérationnels . Parce que les segments sont peu homogènes, il est difficile d’utiliser ces scores pour adapter la stratégie de communication

18. Segmentation « à barrettes »

19. Segmentation « à barrettes » Dans une segmentation « à barrettes » , le passé de la base est divisé en périodes (annuelles ou semestrielles). Généralement les quatre périodes les plus récentes sont utilisées 0 / 1 0 / 1 0 / 1 0 / 1 Actif 0-12 Actif 13-24 Actif 25-36 Actif 37-48

20. Segmentation « à barrettes » Monsieur Martin appartient au segment: a donné en 2007 rien en 2006 rien en 2005 a donné en 2004 1 0 0 1

21. Segmentation « à barrettes » La segmentation RFM crée 16 segments 1111, 0111, 1011, 1101, 1110, 0011, 0101, 0110, 1001, 1010, 1100, 0001, 0010, 0100, 1000, 0000 On va les regrouper en « super segments » auxquels on va assigner des noms : « Tops » = 1111 « Fidèles » = 0111, 1011, 0011, 1101 « Fragiles » = 1100, 0100, 1000 Etc.

22. Segmentation « à barrettes » Il n’y a pas de méthode « universelle » pour regrouper les 16 segments initiaux Regroupement à finalité marketing ? Regroupement de performances ? Regroupement sans méthodologie définie ?

23. Segmentation « à barrettes » Les segments se différencient par leur taux de fidélité

24. Segmentation « à barrettes » Alors, quel est le problème? 0 0 0 1 Combien de dons dans l’année? Un, deux, cinq? Quelle générosité? 5, 50, 500 €? Ancien ou nouveau donateur?

25. Segmentation « à barrettes » Monsieur Martin fait un don par an, à Noël. A quel segment appartient-il? 1997 1998 1999 2000 2001 1 1 1 1

26. Segmentation « à barrettes » Monsieur Martin fait un don par an, à Noël. A quel segment appartient-il? 1997 1998 1999 2000 2001 1 0 1 1 1 1 1 1

27. Segmentation « à barrettes » Monsieur Martin fait un don par an, à Noël. A quel segment appartient-il? 1997 1998 1999 2000 2001 1 0 1 1 1 1 1 1 1 1 1 1

28. Segmentation « à barrettes » Les donateurs peuvent changer de segment même s’ils ne changent pas de comportements Les segments sont très hétérogènes

29. Segmentation « à barrettes » Nombre de segments Segmentations à barrettes  Facilité Efficacité

30. Segmentation RFM Récence - Fréquence - Montant

31. Segmentation RFM Exemple : segment 0001 Nouveau donateur ou ancien donateur réactivé ? 25 € ou 500 € ? 1 don ou plusieurs ? Autres facteurs… Avec les progrès des systèmes d’information, logiciels, « maturité » et expertise des professionnels -> Segmentations de plus en plus complexes

32. Segmentation RFM Le segment est re-précisé… Ancien ou nouveau? Segments 0001 et 000N Généreux ou pas? Segments 0001++, 0001+, 0001-, 000N++, 000N+, 000N- 0 0 0 1

33. Segmentation RFM Nombre de segments Facilité Efficacité Segmentations à barrettes  Segmentations RFM complexes 

34. Segmentation RFM Efficacité Nombre de segments Segmentations à barrettes  Segmentations RFM complexes  Facilité Un juste milieu? 

35. Segmentation FRAT Frequency - Recency - Amount - Type

36. Segmentation FRAT Un double constat : Segmentation trop complexes pour être gérables Trop de facteurs encore laissés de côté Donateurs sous PA? Abonnés? Adhérents? Acheteurs VPC? Pétitionnaires? Nouveaux? Quelles thématiques? Urgentistes? Etc.

37. Segmentation FRAT Principes d’une segmentation FRAT Rationalisation du nombre de segments Richesse préservée autant que faire se peut

38. Segmentation FRAT

39. Segmentation FRAT Mais comment trouver la meilleure structure de segmentation? Expériences, tests Inputs managériaux Arbres de décision

40. Segmentation « comportementale »

41. Segmentation « comportementale » Méthodes de segmentation « comportementale » Principe #1 : tout (?) prendre en compte Récence Fréquence Montant Typologie Thématiques Etc. Principe #2 : trouver le « juste » nombre de segments

42. Segmentation « comportementale » La base de données à segmenter… Carré, triangle, cercle Rouge, vert, bleu Grand, petit

43. Segmentation simple Approche #1 : segmentation simple Facile, mais segments très hétérogènes Équivalent de la segmentation à barrette (0001)

44. Approche #2 : segmentation complexe Segments homogènes, mais ingérable! Équivalent des segmentations RFM complexes (128 segments, etc.) Segmentation complexe

45. Segmentation « comportementale » Approche #3 : méthodes de segmentation « comportementales » Va analyser toutes les variables à la recherche de corrélations Exemple 80% des grands sont rouges 80% des rouges sont grands 86% des verts sont des cercles Aucun bleu n’est un cercle, etc.

46. Segmentation « comportementale »

47. Segmentation « comportementale » Toutes les variables sont analysées en même temps Nombre limité de segments Segments assez homogènes Mais qui solliciter --- Et combien de fois par an?

48. Scoring prédictif

49. La segmentation Le but de la segmentation, c’est de prédire Récence Don moyen Thématiques (Kosovo, Tsunami) “ Il est très difficile de faire des prédictions, en particulier à propos du futur ” Y. Berra

50. Cibler les donateurs (récence) 2 ans 1 an 3 ans

51. Cibler les donateurs (récence) Collecte nette ROI Coût d’opportunité

52. Cibler les donateurs (récence, < 50 €)

53. Cibler les donateurs (récence, 50 € ou plus)

54. La segmentation Plus on ajoute de critères, plus la segmentation devient… Potentiellement précise Inutilisable C’est le paradoxe de la segmentation Elle donne les moyens pour atteindre ses objectifs , mais pas les critères pour utiliser ces moyens

55. Scoring prédictif Modèles mathématiques pour estimer la probabilité de donner à une action spécifique + don moyen : Récence(s) Fréquence(s) Montant(s) Ancienneté Typologie(s) Thématique(s) Source d’acquisition Civilité, Département, … Exemple : Proba. Montant Espéré M. Michel 10% 50 € 5,0 €

56. Exemple Mailing de sollicitation Sept donateurs dans la base M. Michel Mme Raymond Mme Dussolier M. et Mme Martin M. Le Nagard Mlle Jeanus M. Le Bon Qui solliciter?

57. Exemple M. Michel Mme Raymond Mme Dussolier M. et Mme Martin M. Le Nagard Mlle Jeanus M. Le Bon

58. Exemple Proba. M. Michel 10% Mme Raymond 3% Mme Dussolier 6% M. et Mme Martin 25% M. Le Nagard 1% Mlle Jeanus 0,8% M. Le Bon 4%

59. Exemple Proba. Montant M. Michel 10% 50 € Mme Raymond 3% 25 € Mme Dussolier 6% 100 € M. et Mme Martin 25% 40 € M. Le Nagard 1% 30 € Mlle Jeanus 0,8% 25 € M. Le Bon 4% 500 €

60. Exemple Proba. Montant Espéré M. Michel 10% 50 € 5,0 € Mme Raymond 3% 25 € 0,7 € Mme Dussolier 6% 100 € 6,0 € M. et Mme Martin 25% 40 € 10,0 € M. Le Nagard 1% 30 € 0,3 € Mlle Jeanus 0,8% 25 € 0,2 € M. Le Bon 4% 500 € 20,0 €

61. Exemple Proba. Montant Espéré M. Le Bon 4% 500 € 20,0 € M. et Mme Martin 25% 40 € 10,0 € Mme Dussolier 6% 100 € 6,0 € M. Michel 10% 50 € 5,0 € Mme Raymond 3% 25 € 0,7 € M. Le Nagard 1% 30 € 0,3 € Mlle Jeanus 0,8% 25 € 0,2 €

62. Scoring prédictif Collecte nette ROI

63. Scoring prédictif Les donateurs sont classés sur une seule dimension, leur rentabilité espérée Le nombre de critères utilisés est transparent

64. Quelques critères intéressants Générosité U inversé Prénom Réactivité aux sollicitations Mais information dans la base Réactivité à des thèmes/actions spécifiques Le meilleur est l’ennemi du bien Civilité Les hommes plus fidèles? Qualité des données Timing dans l’année

65. Scoring prénom

66. Scoring prénom

67. Scoring prénom

68. Quelques challenges Réponse à un mailing spécifique? Pas de bulletin? Décalage de 6 mois? Qui l’a provoqué? Quand une sollicitation devient-elle inutile? Prédire quelque chose qu’on a jamais testé? Téléphone? … Prédiction d’une “appétence” sur une période

69. Optimiser quoi? Taux de retour? Don moyen? Collecte brute? Collecte nette? Retour sur investissement / ratio de collecte? Coût d’opportunité? Valeur d’un donateur (Lifetime value)?

70. Les modèles d’optimisation de la lifetime value Customer Equity and Lifetime Management

71. Le Saint Graal…

75. Merci ! Arnaud De Bruyn d e b r u y n @ e s s e c . f r