La segmentation clients par les données : 5 enseignements terrain

D’après Accenture, 83 % des consommateurs sont prêts à partager leurs données pour bénéficier d’une expérience personnalisée. Ils permettent ainsi aux marques de personnaliser les interactions et l’expérience pour aller au-delà de la simple vente.

La segmentation de la clientèle est un sujet d'actualité, mais en pratique, il y a quelques éléments clés à garder à l'esprit pour qu'elle fonctionne ....

1. Définir un objectif précis au projet de segmentation 

La première question à se poser face à un projet de segmentation est celle-ci : à quoi votre segmentation servira-t-elle ? À fidéliser vos clients, à générer des achats répétés, à affiner le déploiement des expériences client ou tout simplement à déterminer qui, dans votre clientèle, a acheté quoi ?

Il est essentiel de définir l'objectif, ou la "variable cible", d'un projet de segmentation de la clientèle, car aucun cadre unique ne peut servir à tous les objectifs. En effet, si un ensemble de segments peut contribuer à renforcer la fidélisation des clients, il risque de se révéler inefficace pour accroître le volume de dépenses par tête sur des achats ultérieurs, par exemple. À ce propos, la segmentation de la clientèle ne doit pas être une fin en soi, mais une étape pour atteindre un objectif ultime. Concrètement, il nous faudrait créer une segmentation pour un programme de fidélisation de la clientèle, une autre pour la génération de prospects, une autre pour des achats répétés, etc... 

Le concept de "variable cible" est inspiré des techniques d’apprentissage supervisé, fréquemment employées sur ces types de tâches. Plutôt que de simplement regrouper des clients "similaires" sur la base de critères démographiques, géographiques, psychographiques et comportementaux, il est question de mettre en place des stratégies d’activation plus efficaces en adoptant une approche désagrégative, démarrant à partir de la "variable cible". 

2. Ni les big data, ni les microdonnées, ne peuvent fonctionner individuellement, elles doivent fonctionner de concert

Les big data correspondent à des volumes massifs de données, structurées et non structurées que seules les technologies poussées peuvent analyser. La datasciences et les technologies d’apprentissage automatique ont été créées pour en tirer le meilleur parti. 

Les microdonnées (small data), pour leur part, désignent des données dans des volumes restreints, compréhensibles par l’homme. D’après Linstrom, l’approche par les microdonnées encourage à passer du temps avec les personnes au sein de leur environnement, pour en tirer des enseignements marketing qualitatifs.

En pratique, l’approche combinée est la plus efficace  : les microdonnées mettent en évidence des signaux faibles, ou des tendances qui seront ensuite affinés et validés par une approche big data, ou vice versa.

Au début d’un projet de segmentation, des entretiens avec les différents responsables marketing, voire les clients, sont nécessaires pour identifier les sujets ou facteurs clés pour lesquels l'analyse des données sera la plus utile. Puis, en cours de route, l’analyse exploratoire des big data sous-jacentes peut mettre au jour de précieuses informations passées inaperçues. Par la suite, le scoring client optimisé par l’IA fournit une analyse quantitative pour chaque segment de clientèle et anticipe leur futur comportement (probabilité de conversion, probabilité de rachat, probabilité d'achat de certains produits, etc.). Enfin, en matière de stratégies d’activation, les microdonnées inspirent des idées créatives à partir des segments générés par les big data. 

3. En fait, 80 % du travail consiste à s’assurer de la qualité des données afin d’alimenter efficacement des algorithmes d’apprentissage automatique performants

Si vous interrogez des data scientists travaillant sur des projets concrets, ils vous indiqueront que c’est le le nettoyage et la normalisation des jeux de données qui prennent le plus de temps. Dans nombre de grandes entreprises, la plupart des données clients risquent d’être gérées par des services informatiques qui ne sont pas focalisés sur la cohérence des données et n’ont pas nécessairement les compétences pour en gérer la qualité et la documenter. 

Les données issues de sources inconnues ou non maîtrisées risquent de donner lieu à des analyses biaisées, et celles qui ne sont pas documentées se révèlent tout simplement inexploitables. Par conséquent, il importe de disposer en interne de data owners dédiés, c’est-à-dire de responsables des données chargés de vérifier la qualité des données en provenance des différentes sources et de les centraliser dans un lac de données unifié, mais aussi de documenter ces données à chaque étape.

4. S’appuyer sur l’A/B testing pour déterminer la stratégie d’activation optimale

Il y a typiquement 3 niveaux de connaissance d'un client : (i) savoir qui il est, (ii) savoir ce qu'il va faire, et (iii) les facteurs qui l'influencent dans la réalisation d’objectifs marketing tels que la conversion.

Dans le pipeline de la segmentation clients, l’analyse exploratoire permet de connaître qui ils sont, le scoring client optimisé par l’IA de déterminer leurs actions futures, et les tests A/B de savoir ce qui les influencera dans la réalisation des objectifs marketing.

L’élaboration de stratégies d’activation pour les tests A/B est un exercice alliant des connaissances spécialisées à une connaissance des données. Le passage d’un scoring client quantitatif à des stratégies d’activation requérant un peu de créativité et d’imagination, il importe, à ce stade, de bénéficier du concours des responsables marketing et des data scientists. 

5. La personnalisation de contenu à grande échelle : le moment de l’interaction importe autant que le contenu proposé

Après avoir déterminé où réside, pour l’essentiel, la valeur marketing, le moment est venu de mettre en œuvre un contenu personnalisé. Pour ce faire, l’identification et la gestion du moment de l’interaction est très important : il faudra définir les événements déclencheurs et les intégrer au workflow en vue de garantir la pertinence du contenu et l’obtention des résultats souhaités. 

Par exemple, avec un algorithme de recommandation axé sur les produits « les plus susceptibles de faire l’objet d’un prochain achat », nous sommes en mesure de diffuser une communication personnalisée, articulée autour de produits haut de gamme, aux clients ayant consulté récemment plusieurs articles sans les avoir achetés. Un workflow automatisé devra être mis en place afin de gérer le calendrier et la création de contenu personnalisé pour chaque client. 

Rappelez-vous que “devil is in the details” et qu’un projet de segmentation réussi est celui qui aura su éviter les pièges, et mobiliser des experts pluridisciplinaires pour atteindre les objectifs de l'entreprise.