La matrice de passage : un outil stratégique

matrice de passage et segmentation datacadabra
freepik

Il est essentiel d’identifier les segments auxquelles appartiennent vos clients, sur le long terme il est encore plus pertinent d’analyser la matrice de passage afin d’affiner sa stratégie marketing.

Les enjeux de la segmentation : poser les fondations 

Si on compare l’exploitation data à la construction d’une maison, alors la segmentation clients va permettre de poser les fondations. En premier lieu, la segmentation va permettre de comprendre la structure de la base clients et d’identifier les différents groupes à animer. Les indicateurs qui vont en découler vont permettre de construire une stratégie basée sur la valeur et la fidélité des clients. Toutefois, se baser uniquement sur la photo de la segmentation à un instant t peut s’avérer parfois insuffisant, il faut également prêter attention à la matrice de passage.

L’intérêt de la matrice de passage

En effet, lorsque l’on analyse sa segmentation, il est important de prendre en compte les dynamiques de long terme. En particulier, il est fondamental d’étudier les flux de clients entre deux périodes de segmentation, c’est ce qu’on appelle la matrice de passage, ou matrice de flux. L’idée de la matrice de passage est de déterminer dans quelle proportion les clients d’un segment à un instant en année N vont migrer vers un autre segment en N+1. On peut calculer 2 types de matrices. La matrice en volume permet donc de savoir combien de clients sont passés d’un segment A à un segment B entre 2 dates. La matrice en pourcentage va elle permettre de mesurer les proportions de clients migrant d’un segment à un autre.

Exemple et analyse d’une matrice de passage datacadabra

A titre d’exemple, cette matrice de passage en pourcentage va permettre de voir entre la segmentation calculée en N-1 et la segmentation calculée en N, la proportion de clients qui passe d’un segment à un autre. On s’intéresse ainsi à trois types de de mouvements. La première information clé à analyser est la stabilité des clients, c’est-à-dire la proportion de clients qui restent dans un même segment entre deux dates. Cette information va permettre de valider le niveau de fidélité des hauts segments (VIP / TBC ici). On va ensuite pouvoir analyser les flux montants, c’est-à-dire les clients qui ont vu leur niveau de segmentation augmenter dans le temps. Ceci va permettre de mesurer dans quelle mesure les actions menées par l’enseigne ont améliorer la qualité de la base dans le temps. Enfin les flux descendants, les clients qui passent d’un segment à un segment inférieur, vont permettre de voir dans quelle mesure l’attrition est un enjeu à travailler en priorité.

tableau matrice de passage datacadabra, segmentation sur le long terme

Si on regarde dans le détail les résultats présentés dans cette matrice, on observe ainsi que 43,6% des VIP sont restés VIP, 34,3% des TBC sont restés TBC,… Ces niveaux de stabilité sont assez moyens et mettent en relief une problématique de fidélité sur le cœur de cible. Il conviendra donc de mettre en place des actions spécifiques sur ces segments pour accroitre leur engagement. On notera aussi que 53% des Nouveaux (N) deviennent Inactifs au bout d’un an. Le plan de nursing pourrait donc être amélioré afin d’améliorer la qualité des recrutements dans le temps. On constate ensuite que près de 25% des BC et plus de 50% des CO tombent en inactivité après un an. Il serait donc intéressant de travailler les process de lutte anti-attrition sur ces cibles.

En conclusion, l’analyse de la matrice de passage va permettre d’identifier les enjeux majeurs sur lesquels orienter la stratégie d’animation (nursing, lutte anti-attrition, réactivation, fidélité du cœur de cible…) et de déterminer les analyses complémentaires à mettre en œuvre pour optimiser les plans d’actions.

Comment datacadabra vous accompagne sur le sujet ? 

Au sein du module Segmenter, les différentes méthodes de segmentation proposent nativement les matrices de passage sur différentes périodes. Elles sont agrémentées de commentaires automatisés permettant de bien mesurer la performance observée.

Envie d’en savoir plus ? N’hésitez pas à nous contacter ou à nous demander une démo de datacadabra