Analyse
prédictive : l'autre dimension de la relation client
Par Hervé Mignot,
product manager, SPSS France (février
2003)
La mutation des marchés est un processus continuel et rapide :
extension de la compétition, croissance des fichiers de prospects,
demande de personnalisation des offres en réaction à la massification
des marchés. Pour répondre à ces phénomènes, les entreprises évoluent
en migrant des processus organisés autour du produit à des processus
organisés autour du client. Les entreprises se mettent alors à gérer
leurs relations client pour effectuer cette transformation. Il leur
reste à piloter et animer ces relations. C'est le rôle croissant
des fonctions de marketing opérationnel ou de support aux ventes.
Qu'est
ce qu'être "orienté client" ?
L'approche orientée client tend à inverser complètement la façon
habituelle de faire. La question qui se pose à l'entreprise est
plutôt : quand est-ce que je dois revenir vers un client, et si
je le contacte, que dois-je lui proposer ? Mieux, s'il me contacte,
comment m'assurer que le message qui lui sera délivré sera le meilleur,
sachant qu'il peut maintenant revenir vers moi par différents canaux
: sur Internet, en appelant mon centre d'appels, en rendant visite
à un de mes points de vente. Être orienté client, c'est donner tout
son sens au principe de faire la bonne offre, au bon moment, au
bon client.
Qu'est-ce que l'analyse prédictive ?
L'analyse prédictive étudie les données et les caractéristiques
comportementales des personnes (B2C) ou des entreprises (B2B) pour
en tirer des modèles prédictifs en vue d'optimiser la relation avec
les clients. Elle recouvre des technologies et des pratiques comme
les statistiques, l'analyse de données ou le data mining.
À partir de l'historique des informations disponibles sur les clients,
l'analyse prédictive détermine, par une analyse statistique des
relations entre les données disponibles, si elles sont de nature
à prédire, avec la meilleure fiabilité possible, le futur comportement
d'un client. Un exemple typique est le ciblage d'une opération marketing
: les outils d'analyse prédictive déterminent quel sont les profils
des clients présentant un taux d'équipement bien plus important,
puis extrait de la base de clients ceux non détenteurs du produit,
mais ayant un bon profil de réponse.
Ces micro-décisions optimisent
les contacts"
|
Comme les données évoluent dans le temps, en fonction des relations
qu'il a eu avec l'entreprise, il est possible qu'un client passe
à un "profil sensible" (l'âge est une illustration évidente
de ce principe). Le modèle prédictif détectera à l'occasion de son
déclencheur mensuel cette plus forte appétence du client. Et l'ajoutera
à la liste des prospects potentiels pour la campagne du mois suivant.
Généralisée à l'appétence aux différents produits de l'entreprise
ou au risque d'attrition, et en utilisant une base d'information
client évoluant continuellement, les modèles prédictifs effectuent
un ensemble de micro-décisions sur des volumes importants de clients
: contacter tel client pour lui parler de ce produit, faire attention
à celui-ci car il risque de partir, etc. Ces micro-décisions alimentent
alors les outils opérationnels de gestion de la relation client,
et optimisent les contacts et la rentabilité de la base client.
Son impact sur les investissements ?
Loin de concurrencer les autres projets d'infrastructure
d'information de l'entreprise, l'analyse prédictive s'ajoute à ceux-ci
et permet souvent de "réaliser" le retour sur investissement tant
promis par ces différents projets. Prenons le cas du décisionnel
et des entrepôts de données. Ceux-ci regroupent dans un gisement
de données unique l'ensemble des informations nécessaires à la mesure
et à l'analyse de la performance de l'entreprise.
Bien souvent, ils comprennent en priorité des informations aidant
au contrôle de gestion, puis éventuellement une vision unique et
globale de chaque client de l'entreprise. Évidemment, il s'agit
alors d'une source d'information privilégiée pour l'analyse prédictive,
qui guidera les décisions d'investissement sur un client selon son
comportement, mais aussi selon un calcul de sa valeur actuelle et
future pour l'entreprise.
La relation client devient une
arme de guerre"
|
Côté opérationnel, beaucoup d'entreprises ont choisi de mettre
en place des solutions de gestion de la relation clientèle (Customer
Relationship Management, CRM). L'objectif est alors de disposer
d'un système d'information assurant le suivi des relations avec
un client sur l'ensemble des canaux par lequel il peut interagir
(agences, centre d'appels, Web). Si ces systèmes collectent effectivement
une vision cohérente et historique de la relation client, la démonstration
d'un retour sur investissement de leur mise en place tarde à venir.
Si l'entreprise met en uvre une analyse prédictive de ces données,
l'outil de gestion de la relation client devient une formidable
arme de guerre : l'analyse prédictive alimente le système avec des
recommandations propres à chaque client, elle choisit la population
à cibler pour telle ou telle action sortante, elle prévient les
risques d'attrition sur tel ou tel client et déclenche une action
préventive (visite, appel sortant, etc.).
Qu'en conclure ?
L'analyse prédictive impacte plus
sur le business-model de l'entreprise que le système d'information.
Sa mise en uvre impactera forcément la façon de travailler des
équipes marketing et commerciales. Beaucoup de managers n'y verront
au premier abord qu'une une affaire de statisticiens ou, pire, de
data miners (ou inversement selon leur affinité !). Les plus
avisés saisiront les conséquences importantes sur le fonctionnement
et la rentabilité de l'entreprise. Ce qui est désormais acquis,
c'est que les entreprises qui exploitent l'analyse prédictive seront
de facto plus performantes que celles qui ne le font pas. Il faut
prédire ou périr.
hmignot@spss.com
PARCOURS
|
Product manager pour la France de l'offre d'analyse
prédictive de SPSS, Hervé Mignot a débuté sa carrière
professionnelle en 1996, chez le distributeur français de l'atelier
de data mining Clementine, en tant que responsable de l'activité
data mining. A ce poste, il a réalisé les premières commercialisations
de cette solution. Suite au rachat d'Integral Solutions Limited,
éditeur de Clementine, par SPSS, Hervé Mignot a rejoint SPSS
France en 1999, afin de mettre en place et de développer l'activité
consulting du groupe sur le territoire. Il est devenu ensuite
responsable de l'activité avant-vente de SPSS France, puis en
2001, directeur de l'entité Business Intelligence de SPSS France
Hervé Mignot, est docteur es science, spécialité informatique.
|
. |