[Nov. 2019] Commençons par préciser ce qu’est le marketing. C’est un ensemble de techniques et de méthodes qui part de l’analyse des besoins des clients afin de :
• soit mettre en œuvre des actions susceptibles d’influencer le comportement des clients,
• soit adapter l’offre commerciale de l’entreprise pour la rapprocher des besoins des clients,
ceci en vue de satisfaire chaque client, de le fidéliser et ainsi d’améliorer la rentabilité de l’entreprise.

On voit ainsi que, par construction, le marketing consomme des données, des informations ou des connaissances sur les attentes, les envies, les besoins, les désirs ou les rêves des clients. Le marketing est donc structurellement basé sur la compréhension des clients via un dialogue continu.

Pour comprendre et connaître les clients, il y a deux grandes sources de données: leurs déclarations et leurs comportements. Une grande part des études de marché menées par les marketers sont basées sur les déclarations des personnes interrogées (prospects ou clients). C’est utile mais cela ne suffit pas car les déclarations sont parfois trompeuses ou incomplètes.

Prenons un exemple. Lorsqu’on demande à un individu quelle est sa taille et son poids, il est usuel qu’il ajoute quelques centimètres à sa taille et retire quelques kilos à son poids. Ce n’est pas vraiment un mensonge. C’est juste un réflexe très humain. En revanche, quand cet individu achète un vêtement, il prend usuellement ce vêtement à sa taille, ni plus, ni moins, par souci de son confort personnel. Son comportement est donc plus proche de la vérité vraie que ses déclarations.

Prenons un autre exemple, si on me demande quelles langues je parle, je peux, par exemple, déclarer que je parle chinois (même si ce n’est pas tout à fait exact). En revanche, mon navigateur Web indiquera précisément quelle langue j’ai configurée par défaut. Et cette langue est vraisemblablement celle que je parle usuellement.

On constate donc ainsi que l’analyse des comportements des prospects (ou des clients) est beaucoup plus riche en connaissances utiles qu’une longue litanie de questions appelant des réponses déclaratives.

Ce constat a été formulé, depuis longtemps en marketing, par la conquête du Graal que résume l’épigramme suivant :

Montre-moi ce que tu fais.
Et je saurai qui tu es.
Puis je te proposerai
Ce singulier qui te plaît.
Et là, tu diras « Gagné !»

Donc, pour être plus efficace, le marketing a besoin de s’appuyer sur les données comportementales observées des prospects à conquérir ou des anciens clients à fidéliser. C’est ainsi qu’est né le concept de Data-driven marketing qui se définit comme une activité marketing pilotée par les données. Et ces données observées proviennent de prélèvements effectués lors des interactions entre les clients et l’entreprise.

Ces données peuvent être accumulées dans le temps par strates successives et analysées ensuite par lot. Ou bien, alternativement, ces données comportementales peuvent être traitées, à la volée, en temps réel.

Fig. 1 – Data-driven marketing : Des données jusqu’à l’action

Dans leur dernière édition de juillet 2019 consacrée au marketing et à la publicité (Hype Cycle for Digital Marketing and Advertising, 2019), les analystes de Gartner montrent que le marketing déclenché sur événement (event-triggered) et en temps réel sera vraisemblablement la technologie qui aura le plus grand impact en marketing au cours des cinq prochaines années.

C’est pourquoi désormais les marketers doivent savoir utiliser l’analyse prédictive afin de mieux personnaliser leur communication instantanée avec leurs prospects et/ou leurs clients.

Concrètement, l’analyse prédictive apporte de nombreux avantages à la fois aux consommateurs et aux entreprises. Par exemple, en conquête de prospects, suggérer une offre de voyage à Bali sur une page Web à un jeune couple français qui s’intéresse à l’Indonésie et qui a déjà visité le Viet-Nam, la Thaïlande et les Philippines est beaucoup plus pertinent que de propulser la même offre à des retraités adeptes du camping-car. C’est non seulement plus pertinent mais c’est surtout plus efficace et moins coûteux. De surcroît, suggérer une offre adéquate au bon moment (un anniversaire, une saison particulière, une rentrée d’argent, etc.) renforce la probabilité de satisfaire le consommateur. A contrario, une offre inadéquate ou proposée à un moment inopportun va probablement agacer le prospect et risque même de l’inciter à déclencher un filtre anti-publicité.

Il en est de même, en situation de fidélisation de clientèle, il est plus efficace de faire des suggestions cohérentes avec l’historique des clients plutôt que de proposer des offres discordantes, insolites voire malencontreuses.

Afin de mettre en place l’analyse prédictive, il faut des données. Le data-driven marketing consiste donc à acquérir, analyser et activer les données des clients en temps réel et à très grande échelle. L’objectif de cette approche marketing est de scruter les comportements (parfois) imprévisibles des clients quel que soit le canal utilisé (Web fixe ou mobile, visite en magasin, e-mail, téléphone, automate, etc.) et d’en tirer parti pour mieux les séduire puis mieux les satisfaire.

Pour cela, le premier défi consiste à s’appuyer sur les comportements des clients au cours de leur parcours-client et de ne pas se contenter de leurs déclarations.

Le deuxième défi est de modéliser les enchaînements causaux. Quelles sont les causes qui produisent probablement tel effet ? Cette modélisation s’appuie sur un traitement statistique effectué à partir de grands échantillons de données d’apprentissage. Après validation du modèle d’enchaînement, on peut ensuite mettre en œuvre ce modèle sur de vraies données d’exploitation générées au cours de la vie réelle de l’entreprise.

Le troisième défi consiste à synchroniser le marketing personnalisé dans un contexte nécessairement omni-canal des relations-clients. Il s’agit ici de satisfaire le client au bon moment et sur le bon canal. Les technologies pour ce faire existent déjà. Encore faut-il les maîtriser et les configurer de façon à les faire accepter par tous les acteurs de l’écosystème !

Fig. 2 – Le Hype Cycle du marketing et de la publicité numérique selon Gartner (2019)

Selon les analystes de Gartner, plusieurs outils sont actuellement ou potentiellement disponibles sur le marché pour s’attaquer aux trois différents défis évoqués précédemment :

  • les plateformes de données-clients (CRM enrichi par des données tierces),
  • les plateformes de gestion de données (DMP),
  • l’intelligence artificielle pour le marketing,
  • les outils de géolocalisation à base de QRcode et de balises Bluetooth ou NFC,
  • les moteurs de personnalisation,
  • le marketing en temps réel.

Nous reviendrons plus précisément sur ces différents outils dans un prochain article. Mais, tout de suite, passons rapidement en revue sept situations typiques dans lesquelles les entreprises ont intérêt à mettre en œuvre tout ou partie de la palette des outils de data-driven marketing.

Situation 1 : Conquérir de nouveaux clients

Pour conquérir de nouveaux clients, il existe plusieurs méthodes plus ou moins coûteuses. La première consiste à acheter (ou louer) un fichier de prospection. Ce fichier a d’autant plus de valeur que les données qu’il contient sont vérifiées, cohérentes, pertinentes et qu’elles sont garanties « opt-in ». Par exemple, le fichier des visiteurs d’un salon « Camping et Caravaning » est ciblé, par nature, sur un segment spécifique et sa valeur peut être augmentée par des informations précises sur l’âge, le genre, la catégorie socio-professionnelle, le budget loisir annuel, etc.

Une deuxième méthode classique pour conquérir de nouveaux clients consiste à pousser de la publicité ciblée sur des supports éditoriaux en ligne. Par exemple, en analysant les cookies présents dans un navigateur Web, on peut déterminer les habitudes et les comportements d’un internaute et lui proposer une bannière publicitaire proche de ses préoccupations du moment.

Situation 2 : Définir des profils et segmenter nos clients

Quand une entreprise possède des clients, elle acquiert sur ceux-ci tout un ensemble de données qu’elle peut traiter et analyser afin définir des profils de clients et, sur cette base, segmenter ensuite sa clientèle. L’intérêt de la segmentation, plus ou fine, de la clientèle est de pouvoir ensuite se concentrer efficacement sur tel ou tel segment. Par exemple, à la veille de Noël, une entreprise B2C a intérêt à se concentrer sur sa clientèle dont les données comportementales permettent de penser qu’ils sont parents ou grands-parents. Autre exemple, une entreprise de distribution peut décider de se focaliser sur les clients qui habitent à moins de dix minutes de ses magasins. L’analyse de ses cartes de fidélité va lui fournir les données de géolocalisation utiles pour réaliser cette segmentation.

Situation 3 : Envoyer le bon message à la bonne personne.

Quand une entreprise vend une large gamme de produits, elle n’a aucun intérêt à faire connaître toute sa gamme à tous ses clients. En revanche, elle a intérêt à faire connaître un sous-ensemble de produits ciblés à un petit cercle de clients susceptibles d’être intéressés par ces quelques produits. En faisant ce choix qualitatif, l’entreprise diminue la quantité de messages diffusés mais elle en augmente la qualité. Ce qui favorise l’attention des cibles pour les rares messages diffusés.

Situation 4 : Envoyer le bon message au bon moment.

En prolongation de la situation précédente, il est indispensable d’envoyer un message au bon moment. Le moment choisi peut s’inscrire dans un cycle saisonnier (Noël, Pâques, rentrée scolaire, etc.) ou bien dans un cycle quotidien (le matin, au bureau, à midi, le soir, à la maison, etc.). Mais ce moment choisi peut également être corrélé à un créneau très précis d’un cycle de vente (amorce, argumentaire, devis, rassurance, closing, signature, etc.).

Situation 5 : Générer une montée en gamme (up selling).

Si un client a acheté un tricycle d’enfant pour l’anniversaire de son petit dernier âgé de trois ans, il est vraisemblable que ce même client aura besoin d’une bicyclette d’enfant deux ans plus tard. Si une entreprise de vélo se souvient de la première vente, elle pourra proposer la bicyclette au moment opportun avant que l’enfant atteigne son anniversaire de cinq ans.

Situation 6 : Générer une extension de chiffre d’affaires (cross selling).

Si un client achète une imprimante à jet d’encre couleur,  il est vraisemblable que ce même client aura besoin de cartouches de couleur dès le mois suivant. Et ce type de vente étant récurrente, l’entreprise qui vend ce type de produits a tout intérêt à mémoriser la chronologie des ventes afin d’anticiper les besoins du client et éviter ainsi qu’il ait envie d’acheter ses cartouches ailleurs. Avec ce type d’approche basée sur la compilation des données chronologiques de ventes, on peut ainsi déployer une stratégie personnalisée de vente d’abonnements et/ou de location.

Situation 7 : Récompenser la fidélité et limiter l’érosion de la clientèle.

La fidélité d’un client se mesure facilement en mémorisant les ventes effectuées dans un journal qui sert de base ensuite pour des études statistiques. C’est la raison pour laquelle de nombreuses entreprises mettent en place des cartes de fidélité. Celles-ci sont utiles pour assurer l’unicité des identifiants-clients. Sur cette base, il est alors possible de travailler statistiquement sur la récompense de fidélisation et / ou sur l’anticipation de l’érosion de la clientèle.

Comme on le voit, il n’y a pas une stratégie unique de data-driven marketing. Au contraire, on dispose d’une palette d’outils qu’on peut mettre au service de différentes stratégies.

En dernier ressort, les choix stratégiques dépendent de chaque entreprise, de chaque marché et de des objectifs propres des chefs d’entreprise. Le data-driven marketing est alors un outil suffisamment flexible mis à la disposition des managers.

Didier Certain – DCC Marketing