C’est à travers vos communications que vous restez en contact avec vos clients. Le nombre de fois où vous les solliciter est alors un facteur clef à prendre en compte. Pression commerciale : définition Du point de vue du consommateur, la pression commerciale correspond à la pression ressentie par le client du fait des multiples sollicitations auxquelles il fait face (emails, SMS, bannières publicitaires, retargeting, appels sortants…). Celle-ci se traduit par le nombre de sollicitations reçues par le client sur une période donnée. Une chose est sûre : être capable de mieux gérer votre pression commerciale s’avère être un atout incontestable pour optimiser vos résultats. L’impact de la pression commerciale sur vos campagnes De manière générale, la pression commerciale est connotée négativement car on constate une baisse de la performance des campagnes de marketing direct et de l’engagement client au-delà d’un certain seuil. Les clients vont ainsi avoir tendance à s’agacer de sollicitations reçues de manière trop fréquente et potentiellement se désabonner. Mal gérer la pression CRM par une sur-sollicitation de ses clients peut avoir des conséquences catastrophiques sur le fichier client et les performances commerciales de l’entreprise.Afin d’optimiser sa pression commerciale, on peut être amené à mettre en place différents outils analytiques. 1. Faire le bilan de l’existant pour identifier les seuils de pression adéquats Afin d’optimiser sa gestion de la pression commerciale on peut être amené à mettre en œuvre différents types d’analyses. En premier lieu, faire le bilan de son plan d’animation va permettre de définir le seuil de pression commerciale à ne pas dépasser par segment. On pourra ainsi ajuster sa stratégie afin de ne pas dépasser le niveau de contact qui pourrait avoir un effet néfaste sur la performance commerciale. A noter qu’en règle générale, plus les clients sont engagés vis-à-vis d’une marque plus ils sont enclins à accepter un niveau de pression commerciale élevée. 2. Envoyer le bon message au bon moment avec des modèles prédictifs Cette première étape va permettre de poser un cadre général sur la gestion de la pression commerciale au sein du plan d’animation. Pour autant, si on souhaite avoir une gestion plus réactive de la pression marketing, il peut être intéressant d’y associer des modèles prédictifs pour s’assurer d’envoyer le bon message au bon moment. En particulier, la mise en place d’un score repoussoir va permettre d’anticiper la non ouverture d’emails sur une séquence d’animation donnée. Prenons l’exemple d’une société qui construirait son plan d’animation sur des séquences de 6 semaines. Mettre en place un scoring repoussoir sur ce type de mécanique permettrait de probabiliser le fait qu’un client n’ouvrira aucun des emails envoyés durant ces 6 semaines. En conséquence, on pourra exclure les clients ayant une trop forte probabilité de n’ouvrir aucun email. Des résultats optimisés au service de la performance Les bénéfices de cette mécanique sont multiples. En premier lieu, réduire le volume d’emails envoyés sur des clients ayant une forte probabilité de ne pas ouvrir va avoir un impact mathématique : augmenter les taux d’ouvertures et de clics et donc la perception des FAI sur les messages envoyés. En second lieu, on va réussir à améliorer la performance sur les clients ayant une forte probabilité de ne pas ouvrir à un instant t. En effet, ces clients non-ouvreurs ont bien souvent une forte aversion au marketing direct. En conséquence, ils ont tendance à être plus actifs lorsqu’ils ne sont pas sollicités que lorsqu’ils le sont. Réduire la pression commerciale va ainsi permettre deux choses : favoriser leur activité naturelle et rendre les moindres messages reçus plus attractifs car moins perçus comme des messages intrusifs. Comment datacadabra vous aide à gérer votre pression commerciale ? Au sein de datacadabra, vous trouverez un ensemble de méthodes vous permettant d’appréhender cette problématique. Le module Suivre vous permettra de mettre en œuvre différents tableaux de bords pour piloter votre activité. Le module Décrire vous aidera à définir des segmentations utiles à la construction de votre stratégie. Enfin le module Segmenter vous permettra de mettre en place un scoring repoussoir et d’optimiser vos envois. Envie d’en savoir plus ? N’hésitez pas à nous contacter ou à nous demander une démo de datacadabra
La lutte contre l’attrition client est une véritable problématique en entreprise face à ses clients toujours dans sa base de données mais inactifs. Des clients inactifs : l’attrition client Lorsque l’on travaille sa stratégie d’animation, on constate bien souvent que l’on doit faire face à une problématique majeure : la tombée en inactivité d’une partie de ses clients. En effet, dès lors qu’une activité a une certaine ancienneté, on constate assez rapidement que le segment des inactifs va prendre une place prépondérante dans le fichier clients. Or ces inactifs, en dehors de ne plus rapporter à l’enseigne, vont bien souvent avoir un coût (hébergement de la donnée, actions d’animation pour les réactiver…). En conséquence, lutter contre l’attrition client va devenir un enjeu à ne pas négliger. Traiter l’attrition : curatif ou préventif Lorsque l’on évoque le traitement de l’attrition clients, on peut l’envisager de deux manières différentes : de manière curative ou de manière préventive. 1. La méthode curative De manière traditionnelle, les enseignes traitent majoritairement le sujet de l’attrition de manière curative. Deux principaux dispositifs sont alors mis en œuvre : – Les triggers : ceux-ci vont ainsi être paramétrés afin de pouvoir agir automatiquement dès que l’on détecte une baisse d’activité ou une inactivité prolongée du client. En fonction de l’existence ou non d’une segmentation clients, on pourra alors avoir différents types de triggers pour affiner les actions à mettre en œuvre– Les actions de réactivation : car qui dit client devenu inactif dit action de réactivation. En règle générale, plus un client est inactif depuis longtemps, plus il est difficile de le réactiver. Les plans d’animation favorisent donc la réactivation des inactifs dont la dernière transaction est récente. Malheureusement, travailler l’attrition de manière curative est parfois déjà trop tard et les efforts à réaliser pour réactiver un client peuvent être aussi important que pour en recruter un nouveau. C’est là que le traitement de l’attrition de manière préventive a un intérêt non négligeable. 2. La méthode préventive En effet, l’idée de la lutte préventive contre l’attrition est d’anticiper la tombée en inactivité par la mise en place de modèle prédictif. Ce score d’attrition va permettre de probabiliser le fait qu’un client va devenir inactif dans une temporalité donnée. Il convient alors de déterminer la période durant laquelle on souhaite mesurer l’activité ou non du client. Ainsi, en se basant sur les données du passé (profil client, données de consommation, actions et réactions par rapport aux actions d’animation…), il va être possible de calculer le modèle adapter et donc d’anticiper la tombée en inactivité. Une fois cette probabilité calculée, on pourra ensuite définir une cible spécifique dans le plan d’animation sur laquelle on mettra en œuvre des actions de rétention. Ces actions passeront soit par des offres spécifiques ayant pour vocation de favoriser la consommation du client, soit des actions relationnelles afin de favoriser l’engagement du client. L’idée générale étant de réduire le coût des actions de rétention (volume de messages envoyés, taux de générosité…) par rapport à des actions de réactivation tout en améliorant la performance. Comment datacadabra aide à traiter l’attrition ? datacadabra permet de traiter les problématiques liées à l’attrition. Le module Segmenter permet en premier lieu de construire des segments facilement activables sur lesquels définir des triggers. Les matrices de passage proposées vont aussi permettre de mesurer les différents enjeux de la stratégie d’animation. En parallèle, le module Prédire va permettre de travailler différents scores dont le score d’attrition. Envie d’en savoir plus ? N’hésitez pas à nous contacter ou à nous demander une démo de datacadabra
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
Le coronavirus nous a obligé à revoir nos habitudes de consommation. Les clients ont changé leur comportement d’achat, ce qui a poussé à la digitalisation des enseignes afin de devenir encore plus proche de leurs clients. Le développement de nouveaux canaux digitaux La crise du coronavirus a considérablement réduit les interactions physiques entre les individus. Les boutiques physiques ont été directement impactées par les différentes mesures prises face à la crise sanitaire. Provoquant par conséquent des réflexions fortes dans les enseignes sur la digitalisation de leur activité (accélération du click and collect, de la livraison, du drive,…).Dans ce contexte, il a aussi été nécessaire de repenser la relation clients. Comment garder de la proximité avec ses clients dès lors qu’on ne les voit plus avec la digitalisation ? Là encore, le digital est la réponse. A condition d’individualiser au maximum la relation. Alors non on ne croit pas un véritable marketing one to one où chaque individu bénéficierait d’un dispositif de communication unique (déjà rien que pour suivre la performance globale des actions, ça serait compliqué). Par contre un marketing one to few bien pensé peu considérablement accroître vos performances. Affiner ses plans d’actions et actionner les bons leviers La clé pour y arriver est d’actionner les bons leviers de connaissance clients. En effet, en croisant une segmentation clients avec divers scores, on va pouvoir très facilement construire sa stratégie globale (cf. le schéma ci-dessous). A partir de cette trame, on va donc pouvoir affiner les plans d’actions pour avoir le discours le plus adapté aux différentes cibles et donc être au plus près de leurs préoccupations et de leurs besoins. Avec datacadabra et notre module Segmenter, construire ses segments et adapter sa stratégie d’animation est d’une simplicité déconcertante. Envie d’en savoir plus ? N’hésitez pas à nous contacter ou à nous demander une démo de datacadabra
- 1
- 2