Référencement :
conseils, outils, actualité, forum
tout ça gratuit !

        

Blog CRM : marketing relationnel

Il s'agit d'un blog sur le thème du CRM/Marketing relationnel. Les articles sont rédigés par M. René Lefebure, directeur CRM de l'agence web Altima. Il a également écrit deux livres sur le sujet. Il convient à tous ceux qui sont intéressés par le sujet, étudiants ou professionnels.

Actualité du site

Dernières nouveautés du site Blog CRM : marketing relationnel :

• Les 11 points pour faire une bonne segmentation
    La construction d?une segmentation est complexe à mettre en ?uvre pour un débutant en statistique ou en marketing. En effet, à la différence d?un score, où il s?agit de modéliser un comportement (achat, fraude, départ, etc..) à partir des données descriptives ou comportementales, il n?existe pas 1 segmentation à découvrir, mais bien de choisir la « meilleure segmentation ». On ne sait pas ce que l?on cherche, mais il faut essayer de le trouver avec des techniques comme les analyses en composantes principales, en correspondances, canoniques, etc. Il existe bien les principes « marketing » d?une bonne segmentation (accessible, substantielle, etc.) mais ils ne donnent aucune indication sur « comment faire une segmentation ». Pour aider les jeunes marketeux, voici quelques principes à respecter tirés de ma « longue expérience ». 1)      Bien valider le besoin : la première étape d?une segmentation consiste à comprendre les objectifs et attentes de l?entreprise vis-à-vis de cette segmentation : amélioration de la communication, refonte des produits, amélioration de la performance commerciale, etc. Souvent, les objectifs ne sont pas formulés de manière claire et parfois ils ne sont pas convergents au sein de la même organisation : le Directeur Général n?a pas les mêmes attentes qu?un Directeur Marketing ? il est donc important de hiérarchiser et valider les objectifs (quitte à faire trancher !).2)      Sélectionner les « bonnes » données : la sélection des données est une phase critique dans le processus qui peut fausser toute l?analyse. Il faut naviguer entre 2 tentations  :a.       la paresse : ne prendre que les données disponibles et/ou les données traditionnelles et donc avoir une segmentation .. qui ne fait qu?ordonner ce que l?on savait déjà (donc une déception en livraison),b.      l?ambition : vouloir prendre toutes les données en croyant naïvement que les techniques statistiques y retrouveront les « bonnes variables » (donc une jungle de possibilités). La volonté « de faire » vite peut conduire à ne prendre que les données immédiatement disponibles et donc louper les objectifs de décodage d?un marché. La sélection des « bonnes données » passe également par une approche de collecte équilibrée des données par « concept » (client / achat / point de vente / activité / canaux / etc?) avec un respect des poids entre les différents concepts ?. si vous avez 50 variables sur les achats .. et 1 variable sur l?age du client? vous aurez une segmentation ? sur les achats ? inutile pour animer un plan  fichier ! (à la limite le RFM est plus pertinent). 3)      Prendre les « clients significatifs » : la construction d?une segmentation doit s?attacher à comprendre les « comportements » des clients. Il faut donc éviter de sur-représenter dans la base d?analyse des clients disparus .. ou des strates de clients « non captables » avec les offres actuelles. Un fichier contenant 25 % de clients inactifs (avec des lignes parfaites de 0 ou de valeurs inconnues) conduira n?importe quelles techniques statistiques à comme représentatif un comportement majeur d?inactivité et prendra tous les autres clients comme des « satellites » de ce comportement  (les acheteurs). Dans ce contexte, les acheteurs apparaissent presque comme des aberrations  .. qui deviennent difficiles à organiser. Vouloir expliquer la « vie » comme une aberration de la « mort » n?est pas une bonne base de départ. Si vous analysez un fichier avec 20 % d?inactifs et 15 % de clients acquis par des mécanismes de jeu ? vous comprenez le risque de faire une segmentation inutile et instable.  4)      Nettoyer les variables : il existe toujours des données aberrantes qui peuvent avoir des impacts importants sur la direction des axes d?analyse (la fameuse force des axes). Les points « incomplets » ou « aberrants » peuvent traduire soit des erreurs de saisie, soit des mélanges de populations hétérogènes : mélanger dans une analyse sur les flux d?un compte bancaire des « entreprises internationales » et des « particuliers » se traduira par un rapprochement de-facto des cadres dirigeants à 250.000 euros/an avec les revenus à 15.000 euros ?. regroupés fictivement car très distants des Milliards de flux de Total par exemple. La vie quotidienne nous permet d?apprécier qu?il existe des différences notables entre les 2 profils de salariés ci-dessus !  5)      Sélectionner les « variables actives » : une étape de la segmentation consiste à évaluer les corrélations et les dépendances entre les variables pour tenter de distinguer des « dimensions ». Une dimension est d?autant plus forte que de nombreuses variables y contribuent. Il faut savoir progressivement exclure certaines variables, très corrélées à d?autres pour faire émerger d?autres dimensions. La sélection des variables actives doit se faire sur des notions de qualité (taux de renseignement), de coût d?obtention (âge plus facile à obtenir que revenu), de communication (le log du CA est plus difficile à interpréter que le nombre d?enfants), de façon à « réduire » le poids des axes principaux ? et faire monter les « axes émergents ». Ce poids choquera les « maniaques du pouvoir de représentation », mais les segmentations « grands crus » comme les « grands vins » ont des arômes.  6)      Savoir « creuser les dimensions » : la lecture des premières dimensions est souvent  assez peu révélatrice d?informations nouvelles. On y retrouvera nécessairement ? les données que l?on y a entrées, et les intuitions que l?on avait avant de commencer. Bref, on a mouliné des tonnes de données pour sortir des évidences. Il s?agit certes d?un élément rassurant car on ne déstabilise pas les équipes marketing ou commerciales (parfois elles aiment ne pas être bousculées), mais il ne faut pas se contenter de lire les 4 ou 6 premiers axes, et savoir aller regarder un peu plus profond .. pour découvrir des comportements émergents dans les axes 8 à 12. Il faut poursuivre les investigations pour identifier les variables et les individus qui construisent ce comportement émergent et particulier. Ainsi, comprendre les « usages du Web Mobile » dans une population d?abonnés de téléphones mobiles ? n?est jamais dans les 5 premiers axes, mais savoir le lire très tôt permet de « prendre de l?avance » sur le marché.   7)       Définir la taille et le nombre des segments : la sélection du nombre de groupes est souvent guidée par plusieurs contraintes :a.       les capacités de mémorisation du public ? au-delà de 7- 8 segments, il devient difficile de retenir l?ensemble des groupes pour des non experts,b.      les capacités de différenciation ?. créer 12 segments ? pour mettre en ?uvre 2 politiques de communication est sur-segmenter,c.       les contraintes des coûts fixes : avoir des segments trop étroits les rend inopérables au niveau économique, mais attention si un segment pèse 1% en effectif, mais 20 % en revenus ? il se justifie de-facto, car le perdre peut se traduire par la fin d?activité.La taille n?est donc pas seulement une logique d?effectif, il faut regarder la taille des segments sur des dimensions de CA, de marge, de coûts, de visites, etc. 8)      Construire un arbre d?affectation intelligible : il faut pouvoir comprendre pourquoi un individu appartient à un segment, afin de pouvoir mettre en place le programme d?affectation dans les bases de données (et afficher le code segment au centre d?appels par exemple), car cela permet de suivre et interpréter les migrations. Le fait d?être dans le segment A en 2007 et de passer en 2008 dans le segment B doit se comprendre comme une modification d?un ou n critères. Ma philosophie d?affectation s?est progressivement améliorée au cours du temps avec l?évolution des techniques de data mining, le plus simple actuellement est d?utiliser des arbres de décision pour construire les programmations d?affectations, mais il existe aujourd?hui d?autres possibilités (scores comparatifs, marquages sémantiques sous SPAD). 9)      Tester et mesurer la stabilité : il faut évaluer la stabilité dans le temps de la segmentation avant de la communiquer. Il est important de tester sur 2 ou 3 périodes la répartition en structure des segments (passer de 15 % en 2007 à 4 % en 2008 sur le segment A ? est suspect), ainsi que de comprendre les migrations entre les segments. De trop forts mouvements peuvent révéler des problèmes de conception (et donc d?opérationnalité de la segmentation). 10)  Savoir communiquer : il faut « marquer les esprits » des utilisateurs potentiels. Le choc des « noms » et le poids des « mappings » pour paraphraser un tabloïde célèbre !. La technique statistique doit disparaître pour donner de la « chair et du sang » aux segments et aux dimensions. Il faut savoir les nommer, les positionner, les interpréter et les rendre vivants aux yeux des futurs utilisateurs. Une bonne segmentation se vend, et son succès se mesure par le fait qu?elle échappe aux mains des statisticiens. Lorsque le segment des « opportunistes ou des éclectiques » passent dans le langage des équipes commerciales ? c?est gagné ! 11)  Avoir une ligne directrice : ? relire entre chaque étape les éléments attendus dans la phase 1 : les objectifs sont-ils toujours présents. Dans mon vécu, la prise en main par n acteurs (avec des objectifs différents) dans un dispositif de segmentation peut conduire au final à sortir une segmentation « compromise », c?est-à-dire qui a perdu toute sa saveur. Relire et tenir les objectifs !   Dans les études statistiques, réaliser une segmentation reste malgré tout « un chef d??uvre » au sens noble du terme, car il faut mettre de « l?âme » dans la lecture et l?interprétation que l?on va faire des données. A ce jour, je reste encore dubitatif devant les « segmentations automatiques » ? qui font des groupes, mais n?apportent pas de réponses à des problématiques stratégiques.  Un jour, peut-être les techniques me démentiront, mais pour l?instant j?avoue avoir toujours autant de plaisir à faire des segmentations, même si « j?aurais pu aller » plus vite. Mais le temps de faire « accepter » une segmentation est de toute façon beaucoup plus long que de la construire, mais c?est un autre article.       
• Le CRM est mort ? vive le CCS : Customer Collaboration Service
  Le déploiement des projets CRM s?est focalisé sur la concentration des informations au sein de l?entreprise. Il s?agissait essentiellement d'assurer la main mise sur les informations pour : -         mieux les analyser (tableaux de bord, data warheouse, data mining),-         mieux les partager entre les canaux de vente et d?après vente,-         mieux optimiser les processus back office et front office en fonction de la valeur du client. Pour certaines entreprises le long chemin a commencé et elles butent sur les obstacles de la qualité des données et du partage des informations. Pour celles qui ont une expérience plus grande du CRM, la difficulté consiste à assurer une coordination entre les canaux. Les questions qui « circulent » sur le Web dans le domaine du CRM traduisent cependant un état de fin de cycle. Il semble nécessaire de mieux définir ce que sera le CRM 2.0, de créer « un second souffle » au service du client (et/ou des intégrateurs et éditeurs).  On peut rester à raison dubitatif devant les tentatives de certains de détruire l?ancien CRM pour pousser les entreprises vers des migrations coûteuses et risquées avec parfois des faibles plus values (en cash). Mais n?est-il pas sain de se poser la question de la pérennité du modèle CRM actuel afin de décoder les signes de sa mort prochaine.  Le CRM 1.0 est centralisateur, inquisiteur et dominateur du client. Ce CRM est anti-démocratique en donnant à certains tous les contrôles et les pouvoirs. Nous constatons depuis un siècle l?effondrement de ce type de pratiques : pourquoi le CRM 1.0 ne subirait-il pas cette vague « démocratique » ?   Le CRM 1.0 (celui qui existe) est fondamentalement inspiré d?un modèle « taylorien » de contrôle et distribution des informations dans les processus de l?entreprise :-         les commerciaux collectent,-         les informaticiens stockent,-         les contrôleurs de gestion contrôlent,-         les statisticiens scorent,-         les marketeux animent,-         les supports clients traitent les appels. Les acteurs de cette « chaîne » essaient d?optimiser le ratio coûts/volume pour en faire plus avec les mêmes moyens .. ou apprendre à réduire les moyens par une optimisation des processus. En reprenant mes vieux ouvrages d?histoire économique ?. on retrouve les objectifs de M. Taylor. Les limites de ce modèle ont été atteintes dans les années 60-70. Je pense avoir soutenu personnellement ce discours « taylorien » en disant souvent que le CRM était un moyen de rendre plus industriel, un processus (celui du service client) qui était très artisanal.  Mais tous ces efforts se sont-ils fait aux bénéfices des clients ? Lorsque je regarde le quotidien de mes réclamations, de ma boîte mail ou de mon accueil dans les magasins ? j?en doute.Bref en tant que client je ne suis pas plus satisfait. Pour illustrer ce point, lors d?un déjeuner avec mon ami Dara, il m?a annoncé une statistique troublante :-         80 % des salariés d?une entreprise pensent « bien s?occuper des clients »-         8 % des mêmes clients estiment « être bien traités » !Un grand écart quantitatif entre « le perçu » et le « réel ».  Face à cette insatisfaction en tant que client que constate-t-on ? Il m?a suffit d?observer ma compagne Anne Marie dans l?organisation de ses voyages (et faire quelques lectures annexes) pour comprendre les limites du CRM 1.0 dans son processus de décision.Elle est abonnée à des news letters, elle est sollicitée par mailings, elle lit avec ferveur ses revues de trekking, elle décortique son Lonely Planet, elle consulte tardivement les informations sur les « grands sites » pour se donner une idée des circuits, des tarifs. Mais lorsqu?elle doit prendre la décision (sortir sa carte bancaire .. ou la mienne !), elle consulte de plus en plus les forums et les blogs pour entrer en relation avec d?autres clients. Elle reçoit des emails de description des hôtels, des services de promotion du tourisme, mais elle pose ensuite une question à la communauté pour valider son choix. Au final, le choix de la communauté a construit le choix de nos premières nuits à Madagascar ? pas les sites (qui nous ont donné envie).  Ce comportement d?achat qui s?appuie sur une communauté échappe actuellement au CRM 1.0 qui se base sur des informations de visites, de réponse, d?achats, etc.. pour construire des segmentations et des scores et mettre en place des « filières » de relance. Mais le plus important se trouve dans les interactions que mon amie a mis en ?uvre pour « valider » l?information. L?hôtel qui aurait pu gagner ses suffrages aurait été celui qui lui aurait permis de rentrer en relation directement avec les sites communautaires et les avis de consommateurs. Le vrai CRM aurait été de mettre en place un service de Collaboration entre les Clients, d?où ce terme Customer Collaborative Service.   Il me semble de plus en plus probable que l?intégration « des espaces de collaboration client » dans les processus de vente, certainement au moyen des architecture de services (SOA) ou des progiciels on demand (SaaS) représentent le défi de demain tant au niveau informatique que fonctionnel.  Il s?agit d?un véritable défi car il n?existe (à ma connaissance) que :--         peu d?études sur l?impact du communautaire dans les processus d?achat, et les apports d?ethnologues comme mon ami John Krehbiel de Soft Computing dans le monde du marketing sont rares, -        peu d?analyses sur l?introduction du communautaire dans le « parcours » d?achat, et les éclairs de génie technologique d?un Thomas Tonder d?Altima dans le développement de la Customer Experience sont rares,-         peu d?analyses approfondies ou ouvrages sur le sujet ? en tête de liste d'une recherche « thèse communauté » sur Google on trouve le message suivant « Malheureusement, ce nombre est insuffisant pour mener des analyses statistiques et finaliser ma thèse !!! "  Au final, vouloir comprendre, interpréter et interagir une communauté (travail d?un John ou d?un Thomas) peut-il être « transverse » ?. Les comportements de la communauté sont très très différents selon les contextes. Il est évident que les témoignages collectés sur le site Diet Avenue contribuent à crédibiliser et soutenir les efforts des clientes (impact fort de la volonté personnelle), mais quid des mêmes témoignages dans la préparation de mon gâteau d?anniversaire.Une communauté est libre, elle ne se commande pas. Il faudra donc « re-apprendre » à vivre avec un client dont on ne peut anticiper le comportement ? ouf l?imagination n?est donc pas morte. Merci au Web d'avoir assuré un nouvel espace de liberté client . Pour se détendre et apprécier la liberté une bonne illustration trouvée par mon génial Thomas  http://www.youtube.com/watch?v=D3qltEtl7H8
• Les facteurs de résistance à la Valeur Client
  Il existe une littérature très abondante pour insister sur les avantages et la nécessité de mettre en place des approches de détermination de la Valeur Client. Après avoir mené plus d'une dizaine de projets dans la détermination de la Valeur des Clients, j'ai maintenant la conviction :- que c'est possible à calculer,- que cette démarche est riche d'enseignements pour optimiser les processus commerciaux.Mais, la mise en oeuvre ... voire la communication du concept en interne semble rencontrer quelques difficultés. En mixant les apports du professeur Murphy ("Converting Customer Value") et quelques expériences dans ce type de projets, il m'a semblé intéressant de lister quelques facteurs de réticences (voire de blocage).1) Résistance de la force de vente devant le "rationalisme marketing" : la volonté des équipes marketing de piloter les agendas des commerciaux vers les clients à fort potentiel ou valeur se heurte au feeling des "commerciaux" qui considèrent l'approche vente comme un "art" alors que le marketing déroule une "science". Vouloir "rationaliser" le métier du voisin sans charger ses pratiques personnelles est une tendance naturelle, mais pas forcément bien acceptée.2) Incohérence entre la mesure de performance et le concept de valeur : le mode d'évaluation des forces de ventes est souvent basé sur des indicateurs de volume. L'approche "nombre" est prédominante, car facile à piloter et suivre. L'introduction d'un indicateur de valeur complexifie.. et pénalise les résultats et les efforts des équipes de vente. Parfois la volonté d'introduire une sanction immédiate sur les clients à faible valeur se traduit par un conflit ouvert ... alors qu'une récompense "long terme" sur la part des clients à forte valeur consisterait à accorder un "bonus". Une incohérence entre une lecture de performance "court terme" et un indicateur de valeur plus long terme se traduit par un rejet pur et simple.3) Complexité des modèles mis en place : le rationalisme scientifique des experts du chiffres peut se traduire par des règles de calcul particulièrement complexes (le charme des clefs de répartition variables des contrôleurs de gestion ou les modèles probabilistes des data miners) et au final un incompréhension des équipes qui gère au quotidien les "bons ou les mauvais clients", et qui ne comprennent plus l'indicateur de "valeur" affiché. Si nous ne comprenons pas la méthode, nous ne l'appliquerons pas : savoir être simple n'est pas si simple. 4) Mise en oeuvre de politiques de récompenses perverses : les habitudes de "stimulation" (voir l'article sur les OGM sur ce même blog) des clients, des partenaires et des commerciaux conduisent à distribuer des marges commerciales pour soutenir le chiffre d'affaires court terme. En créant une relation basée sur "l'avantage" on détruit l'image et parfois la "valeur" de l'enseigne. La mise permanente aux enchères des Prix a un impact sur la perception du client. Une mise en évidence des impacts des OGM sur la valeur globale des clients est difficile à vivre pour les experts de la stimulation.5) Ne pas intégrer le concept de Valeur dans les opérations : une frustration assez quotidienne de mettre en oeuvre une approche partagée du calcul de la LTV, de mettre en évidence les apports de son utilisation .. et de constater que le chantier Base de données prendra 2 ans, que le tuyau "réseau" ne permet pas de faire passer le code Valeur, que le Poste de contact client ne peut recevoir l'information ... et que les processus CRM ne peuvent intégrer une variation entre les Très Très Bons Clients et les Très Très Mauvais. En fait, le chantier Valeur Client ... qui devait guider les 3 ou 4 ans de la stratégie de l'organisation .. vivra le temps d'un PowerPoint de présentation. Faire du "neuf" avec du "vieux»ce n?est pas possible ?6) Gonfler les ciblages et l'activité : la loi des 20/80, plus proche d'une loi des 30/70 (30 % des clients créent 70 % de la Valeur) se traduit par une réduction théorique des volumétries à traiter. Cette réduction des volumes est mise en avant comme un facteur de productivité par les consultants. Mais parfois ce ciblage fin est contre productif et peut se révéler un frein réel dans le développement de l'activité commerciale. Une approche extensive présente des avantages indéniable en terme de management et coaching des équipes ... il est plus stimulant d'attaquer un volume important pour faire son objectif (et savoir que l'on peut échouer et se refaire sur le volume) que de recevoir quelques "petits dossiers" certes avec une forte probabilité de transformation, mais avec dans ce cas une pression "forte" sur le taux de succès. Tout le monde n'est pas un joueur de poker.7) Le client est ROI : accepter que des clients ne sont pas rentables est parfois impossible. L'entreprise peut ne pas être dans une logique marchande (mutuelles) ou refuser d'assumer ses dysfonctionnements.Aussi, il semble important de se poser les questions de mise en oeuvre de la Valeur Client avant sa détermination :- comment apporter du "plus" aux équipes commerciales avec ce concept- comment intégrer les contraintes des stimulateurs, des contrôleurs de gestion, des data miners sans dénaturer le modèle- comment prévoir son intégration dans le système d'information et les processus- comment la Direction Générale compte utiliser ce concept sachant que les deux règles des 30/70 et des 10/100 (10 % des clients détruisent 100 % de la valeur !) se vérifieront. Bref, qu'est-ce que je "peux en faire" avant de se dire "comment le faire".
• Mise en place du cadran d?optimisation multi canal
  L?optimisation multi canal consiste à repartir différents contacts de la manière la plus productive pour l?entreprise. Comme tout travail d?optimisation il faut identifier les paramètres qui peuvent influer sur la performance, c?est à dire la transformation d?un contact en affaires. Déterminer la combinaison optimale Client x Canal x Offre x Temps x ?Les clients ciblésLa qualité de la cible par rapport aux différentes offres est un des paramètres les plus importants. L?optimisation nécessite la mise en place de scores (probabilités de souscription) par client pour chacun des produits. Une première étape consiste à construire des scores par produit ou univers de produit. La valeur du score dépend de plusieurs paramètres avec une fonction f(x), mais la comparaison entre les scores dépend de facteur comme l?ancienneté et le développement du produit. Comment avoir un score pour un nouveau produit, comment comparer la valeur des scores entres des produits diffusés à 2 % ou 40 % de la clientèle ?Un travail de « normalisation » des scores est donc une étape indispensable. Une seconde étape consiste à s?assurer du taux d?équipement en scores des clients. En effet, si 80% des clients n?ont qu?un seul score, on optimisera que sur les 20% multiscorés. Un travail de « diversification » des scores est donc une étape nécessaire.Une troisième étape consiste à introduire des règles de priorités permettant d?introduire les priorités stratégiques de l?entreprise :- Priorité d?une campagne- Priorité des scores par clientLa gestion des priorités conduit souvent à une sous optimisation. Comme il s?agit de maximiser le rendement global, il est assez fréquent d?avoir une approche itérative pour progresser vers la meilleure solution.L?appétence canal Si les scores « produit - client » donnent une appétence ou la cible? le choix du canal doit permettre de répartir la campagne entre les canaux.Ce mécanisme de répartition se révèle beaucoup plus complexe que la maximisation d?une fonction. Il faut en effet naviguer entre des constantes minimales et maximales différentes en fonction des canaux (presque sans limite maximale pour le canal Web ? mais avec des contraintes maximales fortes pour le centre d?appels).Au premier niveau, il faut s?assurer de l?appétence actuelle du client ? est-il mono canal ou multi canal ? quel canal utilise t-il ? La construction d?indicateurs de type FRAT par canal (Fréquence ? Récence ? Temps ? Type) permet d?évaluer son appétence par type d?opération et par canal. Les clients multi canaux avec une large palette de d?actions doivent être isolés car ils représentent les clients ayant les + fortes possibilités d?arbitrage. Les « perles rares » sont les clients multi scores et multi canaux, ils doivent être quantifiés (nombreuses possibilités d?allocation).Les mono scores et mono canaux sont des « constraints » car ils n?offrent aucune possibilité d?arbitrage. Le cadran d?optimisationLa construction du cadran d?optimisation mesure les possibilités d?agilité et d?optimisation de l?entreprise. On trouve les 2 dimensions précédentes :- Répartition des clients Mono ou Multi-scores- Répartition des clients Mono ou Multi-canal  Une entreprise qui souhaite mettre en place une logique multi-canal doit nécessairement clarifier les effectifs dans les différentes parties du cadran afin de mettre en place les premières actions correctrices. Une recherche d?optimisation avec un outil comme SAS Marketing Optimisation permet de passer dans une phase opérationnelle d?orientation optimisée des contacts .. car il existe des véritables possibilités d?optimisation.
• La détermination de la Valeur Client (1) - Les éléments constitutifs
  La détermination de la Valeur Client nécessite tout d?abord de définir quels sont ses différents éléments. On peut en identifier 4 : - la valeur passée qui correspond aux différentes données que l?on a pu accumuler sur le client depuis son arrivée. Il s?agit d?une valeur constatée et non contestable (pour peu que les historiques de données aient été conservés !) ; - la valeur future qui correspond à la valeur que l?on peut « raisonnablement » attendre dans un futur proche du client (en pratique entre 2 et 5 ans). Il s?agit de projeter une tendance soit parce que le client présente un comportement stable, soit parce que le client a un engagement contractuel (associé avec une clause de rupture) ; - la valeur potentielle qui correspond à une valeur extrapolée à partir de notions « externes ». Il peut s?agir d?éléments recueillis par des données publiques (bilan, déclaration, etc., soit des relevés des forces de ventes (indication des CA des concurrents), soit par des techniques de modélisation qui consiste à déterminer une valeur par rapport à un ratio (si 1 cadre consomme 50 euros de fourniture de bureau par an, une entreprise de 1.000 cadres consommera 50.000 euros) ; -la valeur compétitive qui correspond au positionnement perçu de l?entreprise dans le classement du client. Elle mesure la capacité de réalisation de la valeur potentielle, ainsi que la préservation de la valeur future avec une appréciation du degré de fidélité du client. Les éléments différenciateurs sont-ils perçus ou non ?
• La détermination de la Valeur Client (2) - Les modes de collecte
  La collecte des 4 éléments de la Valeur est très différente. 2.1) La détermination de la valeur passée se construit à partir de l?historisation dans les bases de données. - Il faut avoir une vision complète de la « vie » du client, avec plus particulièrement les données de son origine (canal, coût de recrutement, mode d?entrée en relation, etc..) afin de percevoir les motivations d?entrée en relation du client. Le développement des mécanismes promotionnels de type cadeau, primes, affiliation, etc.. ont profondément modifié les profils des « nouveaux clients » vers plus d?opportunisme. - Il faut mesurer le comportement en terme de Récence ? Fréquence ? Montant et Diversification des Achats du client de manière à appréhender son rythme d?achats (2 clients de même valeur passée peuvent avoir des modes de fonctionnement très différent) et associer ce RFM d?achat aux différents leviers de sollicitations marketing. Le client est-il systématiquement « en perfusion » marketing ou présente-t-il un niveau d?autonomie dans ses achats (pas besoin de sollicitations trop fortes). - Il faut avoir une notion de marge par produit ou type de produits et conserver une vision de l?ensemble des coûts nécessaires pour gérer le client (coûts de promotion, coûts d?animation, coûts de SAV). 2.2) La détermination de la valeur future se construit à partir de la modélisation des données du passé du client. On utilise des techniques de scores tels que les scores de survie et les régressions logistiques pour projeter la durée de vie future du client. - Il faut souvent déterminer dans un premier temps la durée de projection de la valeur future ? 1 an, 2 ans, ? 5 ans, 20 ans ?. Cette durée dépend à la fois des secteurs d?activités (les environnements très concurrentiels et instables comme les technologies imposent une vision courte du futur), mais aussi de la solidité financière de l?entreprise (une valeur à 5 ans pour une entreprise qui a besoin de CA à court terme ne sert à rien) ; - il faut déterminer le comportement que l?on souhaite modéliser. S?agit-il de modéliser la probabilité d?être un client actif dans 3 ans, un client faisant au moins X euros de CA en année N, un client ayant une probabilité d?acheter des produits complémentaires ? - il faut ensuite déterminer les données utilisables pour effectuer l?apprentissage avec la difficulté d?isoler la période d?observation (par exemple les 6 premiers mois de vie du client) et la variable que l?on souhaite modéliser (les achats sur l?année 1). Les modèles les plus performants intègrent progressivement le temps écoulé pour fiabiliser la prévision du futur ; - enfin il faut être réaliste et ne pas sommer de manière trop optimiste l?ensemble des scores (les clients les plus fidèles, sont aussi souvent les plus ouverts à des nouveaux produits) pour ne pas déterminer un futur irréaliste. 2.3) La détermination de la valeur potentielle est plus facile car elle peut être presque introduite de manière arbitraire : - il faut recueillir des données qui permettent de déterminer une notion de « part de client » (part des achats du client dans l?entreprise / somme des achats dans la gamme de produits considérées) ; - il faut vérifier que la valeur potentielle est au moins égal à la valeur actuelle pour éviter de faire 400 % des achats d?un client. 2.4) La détermination de la valeur compétitive est la grande absente des réflexions tant des statisticiens que des stratèges marketing alors qu?elle conditionne la valeur future et la valeur potentielle. - il faut mettre en place des études de satisfaction permettant de comprendre les mécanismes de fidélité et d?infidélité avec des questionnaires validés (voir alpha de Cronbach) pour être sur de la qualité du recueil qualitatif ; - il faut construire les modèles de causalité de la fidélité et infidélité en conservant à l?esprit le poids de l?inertie dans le comportement des clients ; - il faut enfin être capable d?évaluer la position des concurrents sur les différents mécanismes de fidélité et/ou infidélité construits.
• La détérmination de la valeur client (3) - Les limites rencontrées
  Il faut constater que si en théorie la Valeur Passée devrait être facile à calculer l?historisation des données est souvent mal pratiquée : - les données d?origine sont effacées par des mécanismes de 24 mois d?historique, souvent trop agrégées pour être utiles, - les données de comportement RFM sont décalées par rapport à la longueur des cycles d?achat du client et le cumul des achats depuis l?origine est perdu, - les données relatives aux marges et aux coûts par client sont souvent « moyennés » en prenant le poste de coût de la comptabilité et en le divisant par le nombre de clients (coût SAV d?un client = Coût global du SAV / nombre de clients). Une telle pratique revient à introduire une constante dans la formule. et ne permet plus de différencier la valeur des différents clients. A minima une approche par « segment de clients » est un plus. - Le passé récent est souvent plus important que le passé ancien dans l?appréciation de la valeur du client. Il faut donc introduire des fonctions d?actualisation pour diminuer la valeur des achats lointains par rapport aux achats plus récents. L?utilisation des techniques de modélisation statistiques est la difficulté majeure dans la détermination de la valeur future. - un bon praticien des modèles de Cox, des régressions et des chaînes de Markhov peut facilement faire les calculs ? si on lui fournit des données de qualité, ce qui est encore rare. - une analyse des données aberrantes est souvent très importante, il est évident irréaliste de croire qu?un acheteur de salon cuir à 12.000 euros dépensera le même budget l?année suivante, même si le magasin présente une gamme très large d?accessoires ! La détermination de la valeur potentielle ne pose pas de problèmes ? sauf qu?il est souvent difficile de trouver « la bonne valeur ». On pourrait dire que la valeur potentielle est quantique dans sa forme : on peut la prédire, mais jamais la localiser avec précision. Il suffit de vouloir la déterminer pour se tromper. Une des bonnes solutions de contournement consiste à définir que la valeur potentielle existe : un peu, beaucoup, passionnément .. et de mettre en ?uvre des mécanismes marketing pour aller vers la passion. La détermination de la valeur compétitive est complexe (rédaction et administration de questionnaires longs) et relativement coûteux (taille des échantillons interviewés). Il est donc assez fréquent qu?elle ne soit pas calculée. Elle est pourtant importante pour savoir si le potentiel est « atteignable », une entreprise n?ayant aucun facteur compétitif ne peut escompter « sortir » ses concurrents.. sauf avec des remises et des cadeaux alléchants ? nous vous invitons à lire l?article sur les OGM sur ce blog pour comprendre la limite de cette pratique (inverse notoire de la valeur). En conclusion, la détermination de la valeur n?est pas une démarche simple, surtout si vous souhaitez en faire un calcul précis. Il existe un bon test pour savoir si vous devez la calculer. Posez-vous la question suivante : - Quelle stratégie allez-vous déployer sur vos 100 clients (ou les 10 en B to B) ayant la plus forte valeur ? Si vous n?avez pas la réponse, ne chercher pas à la calculer ?. agissez d?abord même avec une intuition divine des « bons clients », l?action est dans ce domaine souvent plus bénéfique que des longs calculs ? et vous verrez les autres difficultés de mise en ?uvre sont d?un autre ressort que les « petits problèmes » ci-dessus. Merci pour cette lecture ? plus longue que la normale..
• Data Mining et Prostitution
  Décidemment le Data Mining n'en finit plus de faire parler de lui...Après le document sur les projets de recherche dans le domaine du terrorisme, on apprend que le FBI a utilisé son "hangar à données" (dénommé Investigative Data Warehouse) et des techniques de data mining pour identifier les mouvements financiers à la limite du seuil de déclaration (seuil de 10.000 dollars).La mise en oeuvre de ce type de détection a été à l'origine du scandale Spitzer, et de sa démission.Sans décrire les techniques utilisées, l'article de Francis Pisani pose les bonnes questions sur le stockage et l'utilisation de ces données (700 Millions de flux par mois !)http://pisani.blog.lemonde.fr/2008/03/17/prostitution-20-et-controle-tic/Bientôt on pourra dire que le data mining aura joué un rôle certain dans le choix du candidat démocrate ... et peut-être du futur président ou présidente des Etats Unis. Enfin un peu de sang neuf pour présenter les applications en lieu et place des traditionnelles "bières et couches culottes".Plus sérieusement, il est vraiment temps de s'interroger sur les limites des techniques et le respect de la vie privée, car à ce rythme .... nous serons tous potentiellement coupables de "quelque chose". 
• Applications du Data Mining dans la lutte anti-terroriste
  Un document du 15 Février 2008 de l'ODNI (Office of the director of National Intelligence) "non classé" présente les projets de recherche Data Mining dans le cadre de la recherche anti-terroriste. Ce document donne une définition spécifique du data mining : "Le data mining est un programme utilisant des requêtes, des recherches ou des analyses dans une ou plusieurs bases de données afin de découvrir ou localiser des formes prédictives ou des anomalies indicatrices d'un acte terroriste ou criminel". Une définition certes différente de la définition traditionnelle, mais le document expose clairement les problématiques spécifiques à la recherche de formes (pattern) pour identifier et prédire un comportement.Les domaines du risque ou du marketing cherchent eux aussi à identifier et prédire des comportements de mauvais payeurs ou d'acheteurs.A ce titre, ces projets de recherche risquent d'avoir des impacts "commerciaux" à moyen terme dans l'analyse et le comportement des clients.L'identification et la recherche de formes se distinguent de la recherche de liens (link analysis) qui consiste à partir d'un fait pour identifier tous les éléments pouvant avoir une relation avec ce fait. Il s'agit de l'opposition traditionnelle entre l'approche confirmatoire où l'on partd'une hypothèse et on valide les faits ayant un lien avec cette hypothèse et l'approche exploratoire du data mining qui consiste à "balayer" l'espace des données pour identifier les "formes fortes".La problématique de croissance des données et la difficulté d'identifier les informations pertinentes sont traditionnelles, mais dans le contexte spécifique du terrorisme la rapidité de réaction est un élément différenciateur du marketing ou du risque où le facteur temps ne revêt pas un caractère aussi critique. Les outils de data mining sont mis en place pour aider les intervenants humains dans la détection et l'analyse de "formes suspectes". Alors que dans les entreprises le data mining est un élément de compétitivité en permettant de mieux comprendre ou analyser les données, dans le domaine de la recherche anti-terroriste, le data mining est un moyen de mettre en relation de nouvelles sources d'informations et de permettre une collaboration entre des organismes internationaux. Il semble donc que ce projet de recherche vise à systématiser et industrialiser les méthodes de recherche.Le rapport présente 4 types de projets :- le projet Tangram qui vise à surveiller des entités connus pour leur lien avec des activités terroristes et évaluer la possibilité de construire des méthodes de détection pouvant alerter les autorités sur des modifications de comportement d'une entité identifiée et effectuer des recherches de formes "terroristes" sur des entités non encore identifiées.- le projet VACE (Vidéo Analysis Content Extraction) vise à automatiser le processus de surveillance Vidéo avec la détection des objets suspects, la reconnaissance et la modélisation des formes suspectes (laisser un sac dans un lieu public), l'indexation des vidéos pour la recherche de suspects.- le projet PAINT (ProActive Intelligence) qui vise à étudier la dynamique des organisations au travers de la recherche de diagrammes decausalité prédictifs d'activité dangereuse.- le projet REYNARD qui vise à étudier le phénomène émergent des communautés virtuelles et des jeux en réseaux. Il s'agit de mieux comprendre les comportements, les mécanismes de socialisations et les normes dans les communautés pour étudier ensuite la possibilité de détecter automatiquement des comportements suspects.Les difficultés dans ce type de problématique sont nombreuses :- données incomplétes, inexactes et manquantes,- multiplications des hypothèses de recherches,- risque important de "fausses détections",- multiplications des sources de données,- hétérogénité des supports.Que peut-on attendre de ces recherches pour les applications traditionnelles ?Il est évident que la recherche de formes complexes et dynamiques est un point qui est peu traité par les techniques actuelles de data mining. Certains outils permettent d'industrialiser la création des scores et des segmentations en associant des variables, mais on reste encore dans un domaine "restreint" aux données traditionnelles, des "formes pas trop complexes" et pas du tout d'analyses dynamiques.La mise en oeuvre de projets pour identifier des formes plus complexes (des chaînes de causalité plus longues), identifiées sur des ensembles de données restreintes et présentant les enchainements de causalité est évidemment un challenge important pour les entreprises à la recherche des "fraudeurs" ou des "impayés".Et le respect de la vie privée .......L'article aborde ce point en profondeur.
• Le virtuel en complément du réel
  Le leader des produits de beauté Yves Rocher fait une nouvelle fois preuve d?anticipation et d?innovation au service de la relation client avec son magasin virtuel : http://magasin-virtuel.yves-rocher.fr Yves Rocher met en ?uvre un magasin virtuel pour présenter ses innovations et la largueur des gammes présentes dans les magasins. A la différence de marque comme le Crédit Agricole qui ouvre des espaces de vente dans Second Life, la démarche d?Yves Rocher se caractérise par une intégration forte du canal virtuel avec les autres canaux, et une volonté de créer du trafic dans les points de vente, le magasin virtuel étant une vitrine de démonstration des produits et services d?Yves Rocher."Notre objectif était de développer un outil de communication sur le Web permettant à nos clients et nos prospects de préparer leurs achats avant d'aller en magasin, explique Sophie Leclercq, responsable Internet magasins d'Yves Rocher. Au delà, nous voulions également leur faire découvrir nos instituts de soins. Aujourd'hui, ce service est présent dans 98 % de nos 550 points de vente, mais il reste encore assez peu connu." Le magasin virtuel s?inscrit dans une démarche de développement de la notoriété d?une gamme de services, il est un outil de « cross selling » et de création de trafic (prise de rendez-vous).Le site ne propose pas de vente en ligne (on le regrettera un peu), mais une visite virtuelle en vidéo d'un magasin de la 5ème génération, accompagnée ou non par une conseillère « réelle » (pas un avatar) répondant au nom de Julie. L'objectif est clair : montrer en trois dimensions le concept de vente d'Yves Rocher, les produits et les univers existants. Les aspects multi-canaux sont présents avec :- la possibilité de géo-localiser le point de vente le plus proche,- la possibilité de demander un rappel téléphonique pour une prise de RDV- les liens vers le site Internet et les possibilités de commandes,- la possibilité d?envoyer le lien à une amie- la présentation de la carte de fidélité.Un bel exemple de combinaison de « click » et « mortar ». Le must aurait été de permettre la souscription en ligne de la carte de fidélité où un passage direct vers la commande en ligne à partir de la découverte des produits qui sont présentés par la conseillère. Malheureusement les panneaux de présentation des produits restent statiques et il n?est pas possible de zoomer sur les différents produits présentés.Certainement une prochaine étape, pour ce site qui a été construit de manière attractive. Article source sur le journaldunet.com ici

Retrouvez le flux de syndication associé en cliquant sur cette icône :