Newsroom

Cheetah Digital, Starda Conseil : profiler, connaître et prédire les comportements des clients

Compte-rendu du séminaire industriel data science des Mastères Spécialisés Big Data et IA de Télécom Paris du jeudi 7 janvier 2020 avec Philippe Jaoui, créateur de Starda Conseil et auparavant Global Product Manager Analytics chez Cheetah Digital.

Créée en 2017, Cheetah Digital est un fournisseur de solutions dédiées aux directions marketing au sein des entreprises, les aidant à développer des relations clients plus durables et fructueuses. L’entreprise met à disposition une plateforme (Customer Data Platform) permettant de répondre au challenge marketing.

L’un des objectifs stratégiques, quel que soit le secteur d’activité, est d’améliorer le cycle de vie client (conquête, fidélisation, relance, abandon). Bien que ce soit un but commun à toute l’entreprise, il est interprété différemment par les différents « personas » : le Chief Marketing Officer s’intéresse à la gestion du budget, le Campaign Manager à l’exécution des campagnes marketing, le Chief Technology Officer se charge de l’architecture technologique et des sources de données et enfin, l’Analytics Manager s’occupe de l’implémentation d’outils d’aide à la décision.

Une plateforme CDP tente de répondre à l’ensemble des problématiques de ces acteurs, tout en leur permettant de mieux travailler et communiquer ensemble.

Défi sur les données

L’analyse des données client représente un point stratégique dans l’amélioration du marketing des entreprises. Ces données leur permettent de mieux connaître leurs clients et leurs attentes afin de leur proposer du contenu toujours plus adapté. La récupération des données se fait soit en interne en analysant ses propres données, soit par le biais de partenaires qui donnent accès à certaines données, soit enfin par le biais de courtiers (data brokers).

Aujourd’hui, on souhaite pouvoir utiliser ces données afin d’en retirer de la valeur, cependant ce défi nécessite de résoudre quatre principaux problèmes :

  1. Les silos de données représentent un frein majeur à leur utilisation car ils représentent les problèmes de communication entre toutes ces données. Il faut pouvoir uniformiser et standardiser tous ces flux afin de pouvoir les utiliser ensemble.
  2. Il faut connaître les données que l’on souhaite exploiter afin de pouvoir définir les moyens de les récupérer en fonction de la rapidité voulue et de la taille des données.
  3. Investir dans une infrastructure data semble aujourd’hui assez commun pour les entreprises mais le coût de celle-ci reste très important.
  4. Le dialogue entre les différentes professions est la dernière clé garantissant la réussite de ce défi. Au même titre que les silos, il faut clarifier les attentes de chacun afin que toutes ces tâches puissent être attribuées aux bonnes personnes.

Accomplir ces étapes de data management permettra à l’entreprise d’établir sa stratégie data et ainsi de développer une infrastructure adaptée, transformant les données acquises en véritable source analysable.

Défini analytique

Une entreprise ayant investi dans un environnement big data ne doit pas s’attendre à en récolter directement les fruits une fois la plateforme établie. Bien que lourde en investissement, cette réalisation se doit d’être complétée par une étape d’analyse.

En premier lieu, il s’agit de transformer la masse de donnée collectée en un système d’information homogène et pertinent (« effet gruyère »). On pourra alors accéder à une compréhension d’un univers à n-dimensions et proposer des modèles quantitatifs inaccessibles par une approche classique basée sur l’expérience métier et l’intuition.

Pour être pertinente, l’analyse big data doit démarrer par une approche descriptive. Dans le marketing, il s’agira de dégager des mesures de l’impact des précédentes campagnes (KPI sur le volume de vente, profil de vente et profil client …). Au-delà du retour sur expérience toujours utile au management, c’est la qualité de cette étape qui assurera la fiabilité de l’analyse interprétative (éléments explicatifs, analyse de scénario, segmentation) et de l’établissement de modèles prédictifs. Ce sont ces modèles qui seront alors utiles aux marketeurs pour adapter leurs campagnes en fonction du produit à vendre, de la cible à atteindre ou encore du « cycle de vie client » (conquête/fidélisation/rétention).

Un exemple de l’impact du big data dans le marketing concerne la segmentation client qui catégorise les individus en fonction de leur comportement consommateur. Cette technique concerne autant les clients d’une entreprise via les informations collectées lors des transactions, que ceux n’ayant jamais consommé chez elle par l’intermédiaire de data brokers. L’apport du big data ouvre la voie à une segmentation plus fine, améliorant l’efficacité des campagnes (tant sur le contenu que sur le contenant) et donnant l’illusion au client d’un degré de personnalisation. On distingue différentes formes de segmentation qui ont chacune leur efficacité et leur facilité de compréhension :

  • Démographique : genre, âge, revenu, situation familiale
  • Comportemental : volume d’achat, type de produit et mode de vente, réaction face aux campagnes marketing
  • Géographique : lieux de domicile, travail et consommation
  • Prédictive, basée sur les modèles prédictifs : probabilité d’achat dans les 3 semaines ou probabilité de churn (attrition) dans le prochain mois, sensibilité au prix…

Compte-rendu rédigé par Mahmoud Ben Boubker, Dominique Jeancler et Fabrice Pont, étudiants du Mastère Spécialisé Big Data promotion 2020-2021.

Illustration : photo créée par Senivpetro – fr.freepik.com