Big Data, Science des données, aide à la décision en entreprise, business intelligence, data warehouse, reporting, OLAP, web analytics, data visualization, data mining, internet des objets, informatique cognitive, intelligence artificielle...

Abonnez-vous gratuitement à Decideo !


Decideo

 


Arrêtez !! La segmentation client ne sert à rien !


Rédigé par Olivier FABRE, SocialIntelligence le 25 Mai 2016

Dans le cadre de projets de transformation digitale, de vision 360° du client ou d'approches multicanal, nos clients nous demandent régulièrement de segmenter leur base clients. L'idée derrière cette demande est de pouvoir cibler simplement lors de campagnes marketing, des ensembles de clients homogènes (Personas), ayant potentiellement des goûts/appétences similaires et d'adapter au mieux leurs messages à leurs marchés.



Mais segmenter sur quoi ?

On peut segmenter sa base client sur tout un tas de caractéristiques ; géographiques, sociaux économiques, comportementales...
Ne prenons que ces 3 caractéristiques ; on pourrait avoir 5 segments géographiques, 4 segments sociaux économiques ou 6 segments RFM (Analyse du comportement client basée sur la Récence, Fréquence et Montant des achats),...
Pour être encore plus performant dans son approche client, on pourrait aussi croiser ces segments entre eux, soit : 5 x 4 x 6 = 120 segments !!

Là c'est l'exploitation de la segmentation qui pose problème. Plus on crée de segments, plus on est efficace dans son message, mais plus la gestion de ces segments est complexe. A trop vouloir segmenter sa base client, on en perd le sens et l'on s'y noie.

La transformation digitale de l'entreprise, les projets de vision 360° du client, ainsi que les approches multicanal, font exploser les informations sur nos clients, autant de caractéristiques qui justifieraient de nouvelles segmentations.

Quand faire sa segmentation ?

La mise à jour de la segmentation de sa base client est nécessaire dès lors qu'une part significative de ses clients change de comportement.

Chaque événement, interaction avec notre client (commande, visite, appel, email...) est une information susceptible de faire évoluer la connaissance qu'on a de lui et donc son appartenance à un segment.
Le non événement peut lui aussi être une nouvelle information. La perte de relation avec un client est le signe d'une usure de la relation client-fournisseur (attrition/churn).

D'autre part, si nous cherchons à cibler nos Personas en fonction de leur comportement d'achat, il est pertinent d'intégrer leur sensibilité à certains facteurs externes (saisonnalités des produits, météo...). 70% du PIB mondial est météo-sensible, la météo du jour peut donc justifier une nouvelle caractéristique de segmentation.

Ainsi, il faudrait pouvoir segmenter ses clients quasiment tous les jours, ou plus exactement avant chaque action vers le client (action marketing, relation commerciale, SAV...).

La segmentation laisse donc place à l'ultra-personnalisation

Comment passer à l'ultra-personnalisation ?

Olivier FABRE, Directeur Commercial de SocialIntelligence
Olivier FABRE, Directeur Commercial de SocialIntelligence
La multiplication du nombre de caractéristiques (attributs) d'un client rend son profil beaucoup plus précis. Les messages qu'on lui adressera en seront d'autant plus performants. En revanche, le corolaire est que l'utilisation d'un grand nombre de segments devient humainement ingérable.
Le sens des croisements de X segments de Z caractéristiques est difficilement appréhendable.

A l'ère du BigData, le Machine Learning synthétise l'ensemble des caractéristiques des clients pour proposer le meilleur message à un client donné, ou pour un message donné, proposer les meilleurs candidats clients.

Quelque soit l'approche de la segmentation client, elle découle de la stratégie marketing de l'entreprise.

Segmentation traditionnelle :
- mise en place longue,
- vision synthétique voir schématique des personas, donc peu exhaustif
- nécessite que les segments soient partagés et compris par tous, pour une utilisation optimale
- actualisation longue => peu fréquente

Utilisation du Machine Learning :
- Modélisation rapide et agile
- Vision personnalisée à l'individu/ pour chaque action marketing
- Pas de concept à expliciter : 1 message = 1 cible
- Actualisation traitement informatique à la demande

En conclusion

Les occasions de relations avec les clients sont de plus en plus fréquentes et variés (vente directe, indirecte, site internet, email...). L'ensemble des informations qui en découles permettent de mieux connaître ses clients et d'anticiper leurs attentes. Elles sont utilisables au quotidien dans les actions marketing.

Bien plus performant qu'une simple segmentation client, le Machine Learning exploite l'intégralité de ces données pour bâtir des relations intimes avec ses clients. Dans un monde où les habitudes de consommation évoluent vite, c'est l'outil agile qui accélère l'action marketing et accroit sa performance.




Commentaires

1.Posté par Vallaud Thierry le 01/06/2016 23:39
Soit je n'arrive pas à bien lire cette article et je ne comprends pas tout, soit c'est une somme de poncifs et de contre vérités avec des mélanges de tous un tas de concepts dans une sorte de gloubiboulga un peu allumé. Je ne vois en quoi le machine learning peut à lui seul révolutionner la segmentation quand souvent les segmentation sur internet recherchent le reach pour avoir des effets volumes. Evidement il y a un optimum entre l'hyper segmentation individuelle et trop de peu de segments cf le graphique "original" du début de l'article que l'on retrouve sur le site de Social Intelligence. Intéressant mais étrange.

2.Posté par Julien BLAIZE le 07/06/2016 09:47
Je suis aussi assez déçu par l'approche adoptée ici. Opposer une segmentation traditionnelle et l'utilisation du machine learning pour une modélisation rapide n'est pas nécessaire. Une bonne utilisation du datamining en général devrait être de créer les bons indicateurs de synthèse comme le sont les typologies et de les utiliser (avec le reste des données) pour alimenter des algorithmes spécifiques pour les besoins ponctuelles de personnalisation. De plus une bonne typologie client qui s'appuie sur une analyse factorielle et pas juste du RFM peut tout aussi bien exploiter l'ensemble des données qu'un algorithme de machine learning.

3.Posté par Vallaud Thierry le 08/06/2016 22:50
@ Julien tu as raison mais une bonne RFM ou une segmentation croisant propension d'achat, récence, appétence aux canaux est toujours aujourd'hui une des plus efficace pour avoir des incréments d'achats significatifs et personnaliser la relation sans forcément tomber dans l'hyper segmentation. Après le reste du discour c'est du marketing. Une des forces de SPAD c'est les typos c'est vrai. Après l'articile de Social Intelligence est intéressant mais on ne comprends pas bien ce qu'ils font en fait avec le "machine learning". Aujourd'hui quand tu prononces ces deux mots magiques on a l'impression que les statistiques classiques, le data mining (dpnt la différence est assez tenue avec le machine learning) ont été remplacées par le machine learning. C'est amusant...

4.Posté par Alex Boulangé le 09/06/2016 10:14
'...on ne comprends pas bien ce qu'ils font en fait avec le "machine learning"...'
Merci Thierry pour cette question, qui devrait nous permettre de clarifier notre article.
Les segmentations fines (sur des scores RFM etc..) sont construites mathématiquement (nombre optimum de segments pour maximiser la variance inter groupe et minimiser l'intra), ce que je veux dire par là c'est que nous n'avons besoin que de segments homogènes que nous n'allons pas expliquer*, peu importe donc leur nombre.
La seule vocation de ces segments est de servir de variables prédictives en entrée de notre moteur de machine learning 5p100.
En conclusion, nous faisons de la segmentation opérationnelle pour les machines, pas besoin d'appropriation humaine, l'analyse des courbes de gain sur les différents échantillons nous suffit pour savoir que la machine a bien compris :-)

* Evidemment, nos clients veulent savoir pourquoi ça marche, nous leur fournissons donc un dossier technique présentant les caractéristiques de chaque segment (boites à moustaches à l'appui !)

5.Posté par Vallaud Thierry le 09/06/2016 12:50
Merci pour cette réponse : appellons un chat un chat ou plutôt une segmentation une segmentation pour que je vois bien l'apport du machine learning. Vous chercher à maximiser la classification automatique pour avoir le plus grand nombre de petits groupes bien homogènes possibles par entropie (avec des SOM de Kohonen par exemple) puis vous cherchez ensuite à expliquer ces segments avec un modèle supervisé dont les groupes sont les modalités de la variable à expliquer pour les regrouper à nouveaux sur quelques critères discriminants qui carractériseraient certains groupes ? Sur d'autres variabes non incluses au départ dans celles éligibles à la la classification ? Donc à la fin vous regrouper les groupes sur ces critères ? C'est cela ? Ou alors vous scoré les groupes sur une variable cible choisis à priori également non présente dans les variables constitutives des groupes, le premier décile des mieux scorés représentant la cible 1 par exemple. Je ne comprends pas la phrase "l'analyse des courbes de gain sur les différents échantillons nous suffit pour savoir que la machine à bien compris". Soit tous les groupes sont en entrée du modèle qui cherche à les discriminer et vous avez un bon fit et un bon lift et la courbe des gains suffit et forcément "la machine à compris" dans tout les coups, ce sont les données qui sont variantes et donnent plus ou moins un bon fit. OK pour les boites à moustache qui décrivent les groupes. En fait c'est intéressant, je cherche à comprendre l'aspect innovant de l'approche. Une petite référence bibliographique sur une méthode de segmentation basé sur l'hyper classification http://www.decideo.fr/eBook-Estimation-du-potentiel-individuel-de-chiffre-d-affaires_a4649.html

6.Posté par Alex Boulangé le 09/06/2016 14:40
@ Thierry concernant la question "...Je ne comprends pas la phrase "l'analyse des cour..."
La seule finalité de nos segmentations est la modélisation à des fins de scorings, prédiction des ventes etc..
Les courbes mentionnées sont les courbes de performances de chaque échantillon (apprentissage, validation-croisée et test pour mesurer la robustesse de l'apprentissage supervisé).
Notre seul objectif est de créer des modèles pour la personnalisation de l'expérience client: la segmentation n'est pas la finalité.

7.Posté par Vallaud Thierry le 10/06/2016 19:06
@Alex merci pour cette précision
Etape 1 : une classification automatique sur toutes ou parties des variables de la base pour avoir des petits groupes (clusters) biens homogènes en grands nombres
Etape 2 : un modèle supervisé pour regrouper les groupes sur une variable cible : un critères comme la réactivité aux campagne par exemple
Etapte 3 : une score card issue des résultats du modèle supervisé pour choisir les petites groupes les plus affectés aux déciles les plus réactifs de la score card
C'est cela ou j'oublie un élément clef ? Cela me parait une très bonne approche.

8.Posté par Julien BLAIZE le 13/06/2016 09:38
Je vous remercie aussi pour ces commentaires qui apporte un meilleur éclairage sur l'objectif de la méthode. J'ai cependant un peu peur que l'article amène les gens à prendre l'autoroute du prédictif sans passer par la brettelle du descriptif comme beaucoup le font aujourd'hui. Par exemple je veux faire une campagne en 2016 je fais tourner mon algorithme prédictif aussi bon soit-il pour choisir les meilleurs clients potentiels. Mais de toute façon je n'ai pas fait avant une étape (nécessaire) de méthodes descriptives pour orienter ma campagne, son sujet, son canal, son format. Donc je passe à côté du plein potentiel que la campagne pourrait avoir. Quand je parle de descriptif cela comprends aussi des typologies remisent à jour et les matrices de passages des individus de la typologie de l'année n-1 à n et leur analyse.

9.Posté par Vallaud Thierry le 14/06/2016 21:32
Julien se n'est pas parce que Social Intelligence fait une approce de ce type qu'ils ne font pas une AED (Analyse Exploratoire des Données) systématique sur les résultats des campagnes et toutes les analyses associées, matrices de passage des types de leur typologie....Etc...

Nouveau commentaire :
Facebook Twitter

Vous pouvez commenter ou apporter un complément d’information à tous les articles de ce site. Les commentaires sont libres et ouverts à tous. Néanmoins, nous nous réservons le droit de supprimer, sans explication ni préavis, tout commentaire qui ne serait pas conforme à nos règles internes de fonctionnement, c'est-à-dire tout commentaire diffamatoire ou sans rapport avec le sujet de l’article. Par ailleurs, les commentaires anonymes sont systématiquement supprimés s’ils sont trop négatifs ou trop positifs. Ayez des opinions, partagez les avec les autres, mais assumez les ! Merci d’avance. Merci de noter également que les commentaires ne sont pas automatiquement envoyés aux rédacteurs de chaque article. Si vous souhaitez poser une question au rédacteur d'un article, contactez-le directement, n'utilisez pas les commentaires.