Crédit Agricole Poitou-Touraine : les statistiques appuient l'expertise terrain
Grâce au data mining, la Caisse régionale complète par la rigueur mathématique les ciblages des équipes de marketing direct.
Je m'abonne
Depuis janvier 2003, les 800 agents du réseau de la Caisse régionale du
Crédit Agricole Poitou-Touraine testent en grandeur réelle les premiers
bénéfices de l'apport du data mining dans le cadre des campagnes de vente de
produits d'épargne. Ainsi, ils ont pu vanter notamment les mérites du nouveau
Plan d'épargne en action (PEA) qui vient de s'élargir aux fonds de placement
européens en appelant un à un les clients d'une liste établie en fonction de
leur potentiel d'achat. « Les taux de réussite ont augmenté de 15 % par rapport
aux listes établies auparavant sur la seule intuition métier des experts en
marketing, affirme Manuel Pastor, responsable des études marketing. Ce gain
s'explique, notamment, par le meilleur ciblage des clients puisque l'ensemble
des listes a été classé par ordre décroissant de pertinence. »
Une analyse à 7 500 euros
Les premiers pas vers le data mining
correspondent à la création du service études et supports marketing de cette
caisse, en mai 2002. Afin de rationaliser la vision empirique de l'expertise
marketing terrain, le nouveau service s'est donc attelé à constituer sa base de
données orientée clients (datamart) en fiabilisant les références des 500 000
clients de la région et leurs 200 variables associées. Après cette mise à plat,
la segmentation et la modélisation du comportement des clients a été effectué
grâce au logiciel Alice d'Isoft. « Cet outil est adapté aux premières
expérimentations de data mining. On peut commencer à analyser et connaître ses
clients avec un budget raisonnable de 7 500 euros », poursuit Manuel Pastor.
Des compétences poussées en statistiques ne sont pas nécessaires pour tirer
parti du logiciel. Il utilise, par ailleurs, la technique des arbres de
décision dont la représentation est la plus compréhensible aux marketeurs.
Cependant, prévient Manuel Pastor, « il manque de méthodes statistiques
exploratoires qui peuvent se révéler nécessaires pour pousser plus loin
l'analyse et sortir de la simple problématique d'explication de variables ».