L’objectif de l’analyse de l’ominicanalité est de pouvoir suivre le consommateur tout au long de son expérience client via les différents canaux de consommation. L’omnicanalité : un changement de comportement lié au COVID L’année 2020 a été marquée par l’épidémie de COVID que nous avons tous vécue. Dans ce contexte, nombreux sont les clients qui ont modifié leurs comportements de consommation : changement d’enseignes, modification de la fréquence d’achat, évolution des produits consommés et du montant de panier moyen… Nombreuses sont les évolutions et les ajustements qui ont marqué les consommateurs durant l’année. Parmi ces changements, on a aussi pu noter une modification quant aux canaux de consommations, en particulier en faveur des canaux digitaux et de l’omnicanalité. Si dans le contexte, cette a évolution a plus été subie que provoquée par les marques, il s’avère qu’une grande majorité des marques cherchent à accroitre l’omnicanalité de la consommation de leurs clients. De nombreux outils de connaissance clients permettent de trouver des leviers afin de favoriser une consommation multicanale. Identifier la typologie de consommateurs En premier lieu, mettre en place un profil comparé des différentes typologies de consommateurs (exclusifs magasin, exclusifs e-commerce, mixtes par exemple) va permettre de comprendre les particularités de chacun des groupes et d’identifier les leviers sur lesquels agir. A titre d’exemple, imaginons qu’un produit soit sur-consommé par des clients « exclusifs magasin », clients que l’on souhaite voir devenir des clients « mixtes » et donc aussi acheter sur le site e-commerce, on pourra alors faire une offre spécifique sur le produit en question pour tout achat réalisé sur le site. Sur la même mécanique, on pourrait aussi imaginer une offre spéciale « click and collect » pour des clients e-commerce que l’on souhaiterait faire venir en magasin (à condition bien évidemment qu’un magasin se trouve à proximité de leur lieu de vie). Affiner sa stratégie grâce aux modèles prédictifs Pour aller plus loin, les modèles prédictifs, et en particulier le score canal, vont permettre d’anticiper les évolutions naturelles de comportement et ainsi d’affiner sa stratégie pour influencer les comportements de consommation. A titre d’exemple, si l’on met en place un score d’intention d’achat sur le site e-commerce parmi des clients « exclusifs magasin », on va pouvoir probabiliser le fait qu’un client donné va acheter sur le site e-commerce dans les semaines à venir. Partant de cette information, on pourra alors différencier la stratégie d’animation en différents groupes. Par exemple : – Les clients ayant une très forte probabilité de migrer ne bénéficieront pas d’animation particulière pour favoriser leur migration– Ceux qui ont une probabilité moyenne bénéficieront d’offres promotionnelles pour encourager et faciliter cette migration– Enfin ceux ayant une probabilité très faible continueront à être animés sur leur canal de prédilection afin d’éviter une baisse non souhaitée des ventes Comment favoriser l’omnicanalité avec datacadabra ? Au sein de datacadabra, de nombreuses méthodes permettent de travailler sur ces problématiques. En particulier, le module Décrire va permettre de travailler sur les profils clients et comparer les comportements de consommations des différents groupes. Au sein du module Prédire, les différents modèles de scoring vont permettre d’anticiper les futurs comportements des consommateurs. Nos différentes méthodes d’analyses sont très simples à mettre en œuvre et permettent de construire ses plans d’actions en toute simplicité. Envie d’en savoir plus ? N’hésitez pas à nous contacter ou à nous demander une démo de datacadabra
De sa création à aujourd’hui, l’Intelligence Artificielle est devenue un outil redoutable au service du marketing et CRM grâce à l’utilisation de modèles prédictifs. Les origines de l’Intelligence Artificielle Lorsque l’on pense à l’Intelligence Artificielle (IA), on peut assez naturellement penser aux grands films de Science Fiction (ah le fameux Terminator), aux innovations liées à notre quotidien comme les développements en lien avec la voiture autonome par exemple, ou à d’autres sujets du même type. Dans le cadre des actions marketing, l’IA a aussi un grand rôle à jouer. Mais avant de s’étendre sur les usages de l’IA, il convient tout d’abord de rappeler les concepts associés à ce terme. La notion d’Intelligence Artificielle est née des travaux du mathématicien Alan Turing dans les années 50. C’est un concept très vaste et assez flou qui regroupe une grande diversité de traitements ayant tous le même but : permettre à une machine de reproduire des comportements humains. Ainsi, la simple programmation logique IF… THEN… ELSE… est une forme d’IA. La recherche tend aujourd’hui à essayer de trouver les moyens de créer des Intelligence Artificielles capables d’apprendre quasiment toutes seules, comme AlphaGo par exemple, pour le jeu de Go. On différencier deux types d’intelligences artificielles : les Intelligences Artificielles faibles, capables de reproduire des comportements humains mais sans conscience, et les Intelligences Artificielles fortes, qui n’existent pas encore, et qui pourraient permettre aux machines d’être dotées de conscience et de sensibilité. Machine Learning, Deep Learning, Artificial Neural Network, le vocabulaire de l’IA Au sein de ce grand ensemble que représentent les techniques liées à l’Intelligence Artificielle, on retrouve le Machine Learning. Le Machine Learning, ou apprentissage automatique, va être capable face à un grand nombre de situations de prendre la décision à adopter et de créer un modèle le plus pertinent possible compte tenu des données disponibles. Un grand nombre de tâches vont ainsi être automatisées selon les situations. Le terme de Machine Learning n’est pas non plus nouveau, il est ainsi apparu dans les années 80 quand la statistique a permis d’améliorer les algorithmes informatiques pour les rendre intelligent. L’idée générale était alors de trouver un modèle qui se rapprochait le plus possible de la réalité des données à analyser. Sont alors nées les premières méthodes de régression. Le Machine Learning est très efficace dans une situation où, à partir d’un très grand jeu de données, l’algorithme doit découvrir un comportement atypique (fraude, achat d’un produit chez une minorité d’individus…) On parle enfin de Deep Learning, littéralement apprentissage profond. Lorsqu’on pense au Deep Learning on pense automatiquement aux Réseaux de Neurones qui ont pour ambition de reproduire le fonctionnement du cerveau humain pour prendre des décisions face à certaines situations. En réalité, le Machine Learning et le Deep Learning sont des formes d’Intelligences Artificielles, mais l’inverse n’est pas vrai : toutes les formes d’Intelligence Artificielles ne reposent pas sur des techniques de Machine Learning ou de Deep Learning. L’IA au service du marketing Lorsque l’on s’attache à utiliser les techniques d’Intelligence Artificielle en marketing et CRM, on va principalement travailler sur des problématiques de modèles prédictifs. L’idée sera alors d’anticiper les comportements des clients sur différentes problématiques (appétence, attrition, intention d’achat, intérêt pour un produit…) afin d’affiner les plans d’actions. Les bénéfices en sont alors nombreux tant sur l’amélioration des performances (augmentation des ventes et/ou du panier moyen, réactivation de clients, limitation de la tombée en inactivité) que sur la réduction des coûts (diminution de la pression commerciale, optimiser des choix de canaux selon les cibles). On va ainsi pouvoir accroitre sa performance de plusieurs points grâce à l’Intelligence Artificielle. Comment datacadabra vous accompagne sur le sujet ? Les modèles proposés au sein du module Prédire vont naturellement permettre de travailler sur l’ensemble des problématiques métier rencontrées par les marketeurs tout en s’appuyant sur des modèles d’Intelligence Artificielle éprouvés grâce aux méthodes prédictives. Envie d’en savoir plus ? N’hésitez pas à nous contacter ou à nous demander une démo de datacadabra