Sept étapes à suivre

1 Nettoyer la base de données

Avant de se lancer dans la segmentation de sa base de données, il convient de la nettoyer afin d'en extraire les informations erronées ou aberrantes qualifiant les individus ou les produits à analyser. Certaines variables peuvent, en effet, avoir été mal renseignées. Ont, par exemple, été enregistrées des dates de naissance n'existant pas sur le calendrier ou des montants d'achats de valeur négative. Cette phase de préparation arrive parfois à mobiliser autant de temps que l'analyse de la base proprement dite. Les informations de détails sont ensuite agrégées pour donner, par exemple, des paniers moyens, des répartitions par famille de produits ou des zones géographiques. Ces données agrégées donneront lieu à des croisements statistiques pour modéliser des relations entre l'annonceur et ses clients ou prospects. Mais encore faut-il avoir récolté suffisamment de données, autant de renseignements déclaratifs (nom, adresse postale, situation de famille, date de naissance, etc.) que d'informations enregistrées automatiquement (ticket de caisse, commande en ligne, réclamation, etc.). La qualité de la segmentation dépendra, en effet, de la richesse, de la fiabilité et de la pertinence de toutes ces données.

2 Fixer au préalable les objectifs marketing

La segmentation doit répondre à un objectif commercial défini à l'avance. Veut-on augmenter le panier moyen des clients fidèles ou réactiver des clients volatils ? Un annonceur cherche-t-il à affiner la connaissance de ses clients en comparant leur réactivité à une même campagne marketing ? Un autre a-t-il décidé de personnaliser ses campagnes selon différents profils de clientèle avec, pour objectif, d'en améliorer le rendement ? Selon le but recherché, le travail de segmentation sera orienté différemment. Quoi qu'il en soit, cette opération sert toujours à améliorer les messages marketing envoyés aux clients et prospects. D'où l'importance de connaître l'objectif commercial avant de s'attaquer à l'analyse de base de données. Une banque cherche, par exemple, à se positionner sur de nouveaux marchés. Aussi va-t-elle revoir le découpage de sa clientèle afin d'allouer les efforts commerciaux qui conviennent.

3 S'entendre sur le terme segmentation

Segmenter une base de données ne veut pas dire la même chose pour un spécialiste du marketing et un statisticien. Pour le premier, il s'agit de découper une population de clients ou de prospects en sous-groupes homogènes selon des critères déterminés à l'avance. Dans le cadre d'un découpage de type RFM, les individus sont réunis entre eux selon des comportements caractérisés en fonction de la récence, de la fréquence et du montant de leurs achats. Il s'agit alors de travailler selon des typologies de clients prédéterminées. Dans ce contexte, la segmentation est obtenue en appliquant des modèles descriptifs. Pour le second, le statisticien, cette opération consiste à prendre comme postulat de départ un résultat escompté en aval afin d'identifier quels sont les groupes homogènes susceptibles de donner ce résultat. Il ne décide pas a priori des caractéristiques qui vont qualifier ces groupes. Ainsi, il cherche à savoir à qui adresser une campagne ciblée de marketing direct. Comme retenir, par exemple, les clients qui risquent de partir. Il va donc regarder ce qui s'est passé lors des campagnes antérieures similaires afin d'extraire de la base de données les variables discriminantes. Les statisticiens en charge d'opérations de data mining effectuent un ciblage dans le cadre d'analyses prédictives.

4 Réaliser les typologies avec les bonnes variables

Le nombre de renseignements enregistrés par individu ne cessent de croître au fur et à mesure qu'augmentent les capacités offertes par les outils informatiques de saisie et de stockage. Les annonceurs ont donc tendance à vouloir prendre en compte de très nombreuses variables pour caractériser leurs clients. Comme les logiciels de data mining arrivent à croiser un très grand nombre de données entre elles, ce n'est pas la technique qui les arrête. Une base de données avec 25 millions d'individus répartis selon 2 500 variables tient, en effet, sur un simple PC. Les clients ne sont donc plus uniquement caractérisés en fonction de leur comportement d'achat en termes de récence, fréquence et montant. Ils sont également regroupés par zone géographique, par âge, par sexe et par situation familiale. Compte également leur façon de faire en termes de retour de marchandise, d'utilisation d'assurances, de mode de paiement et de communication. Au départ, il est difficile de hiérarchiser toutes ces variables entre elles. Mais leur pertinence respective est affinée au fur et à mesure de l'évolution du rendement des différentes campagnes de marketing lancées sur chacune des cibles. Seront progressivement éliminées les variables dont la prise en compte ne change en rien les résultats des campagnes.

5 Tester le modèle statistique retenu

Dans le cadre de l'analyse prédictive, le statisticien va trouver un modèle mathématique qui caractérise le comportement des clients selon certains de leurs attributs. Il va prendre une population et se baser sur son historique. Ceci afin de prévoir, par exemple, quels clients vont répondre à une campagne de marketing ou pas. Ce modèle statistique permet également de lier la réponse du client au contenu du message dans le but de justifier l'adhésion ou non du prospect. Ceci afin d'optimiser la probabilité de réponse du client. Le modèle mathématique devra avoir un fort pouvoir discriminant de manière à obtenir un ciblage très précis et définitif. Etant obtenu en analysant le passé, il fera ensuite l'objet d'un premier test, toujours sur des historiques. L'opération consiste à prendre une population différente de celle ayant permis de bâtir le modèle et de regarder s'il fonctionne. Si les résultats obtenus sur la population test sont en phase avec ceux prédits, des essais réels sont lancés. Une campagne est alors envoyée sur un échantillon de personnes ayant les attributs propres à la cible identifiée. C'est seulement si cet essai se révèle positif que les campagnes démarreront à grande échelle. Ce processus est itératif, l'analyse des retours de chaque campagne servant à enrichir la base de données et les modèles statistiques.

6 Rendre la segmentation compréhensible par les utilisateurs

Les entreprises qui construisent les campagnes marketing ne connaissent souvent de la segmentation que le résultat final. Aussi celui-ci doit-il être facilement compréhensible afin d'être utilisé à bon escient. Et il le sera d'autant plus que l'annonceur a bien intégré la manière dont il allait utiliser cette segmentation dans son approche marketing. D'où l'importance d'écouter et de prendre en compte les besoins des opérationnels, comme les chefs de produits, les chefs de marché ou autres commerciaux, dès le démarrage de l'analyse de la base de données. Une démarche qui n'est pas toujours aisée. En effet, les opérationnels et les chargés d'études n'ont pas la même façon d'aborder le problème. Les outils informatiques, qui se focalisaient jusqu'à présent sur la partie analyse statistique, disposent dorénavant de fonctionnalités adaptées à la diffusion des résultats auprès de ceux qui devront les utiliser dans leur travail au quotidien.

7 Ne pas externaliser à tout prix

Lorsque la segmentation porte sur l'identification de typologies prédéterminées, il est aujourd'hui possible de la traiter en interne, à l'aide d'outils informatiques dont l'utilisation est devenue abordable. De même, lorsqu'il y a récurrence d'analyses de data mining sur de très gros volumes de données, il s'avère intéressant de procéder en interne en intégrant des compétences en matière de calcul et d'interprétation statistiques. L'avantage ? Si elles coûtent chères, en raison de leur forte valeur ajoutée, ces compétences permettent aux équipes internes de mieux intégrer les attentes de l'équipe du marketing. D'où leur capacité à orienter leur recherche en conséquence. Dans certains contextes, l'externalisation offre toutefois des avantages. Ainsi, lorsque les besoins de trouver de nouvelles segmentations restent ponctuels, il est préférable de sous-traiter les opérations à un prestataire de services spécialisé sur le secteur. De même, il arrive qu'un annonceur disposant d'une équipe interne aguerrie aux problématiques de la statistique ait intérêt à faire appel à de la sous-traitance lorsqu'il s'agit de renouveler les modèles de calcul.