SKEMA

BUSINESS SCHOOL
DATA-DRIVEN MARKETING
TP

Pierre-Alain Fantuzzi

MS MDCE online – fall 23

Compétences visées et évaluées

• Approfondir les concepts vus en séance plénière (6 et 9 octobre 2023)

• Réaliser le cas « BALM » en vue de l’évaluation

I – Data digitale dans
quel contexte
 Ce que vous avez retenu de la plénière

Selon vous, en votre qualité de pro du Marketing digital :

Comment se concrétise une démarche de Marketing data-driven ?

 Data digitale et disruption marketing

Depuis toujours, nous appuyons nos décisions marketing sur des éléments rationnels (chiffres de
vente, études marketing, panels), et cela reste d’actualité
Brand-centric
Maîtrisé
Mais en plus :
Nous sommes progressivement À la confiance accordée à ses pairs via
passés du bouche à oreille physique internet, les RS
Inter-personnel Massif
Inaudible Captable

Dans un contexte très digital :

• Quelles limites à une utilisation exclusive du Market Research ?
• Quelles limites à une utilisation exclusive de la Data digitale
Exemples à l’appui
 Data digitale dans un écosystème Marcom

FAIRE SAVOIR ANIMER

RECUEILLIR COMPRENDRE
MEDIA MARKETING RELATIONNEL

Recherche directe

SEA, organique

DATA
Media acquisition INTELLIGENCE

Site internet DB, DL

Media trafic
• Inscriptions
• Qualification
• Actions
Réseaux sociaux • Navigation
• Campagnes
• scores
Email, NL,
Service client, chat trigger Membres inscrits et / optins
 Par exemple : mavieencouleurs

Référencement
News-letter

Site internet

Avis conso
 Data digitale dans un Parcours client « Bibliothèque »
Exemple de Parcours-client et datas recueillies (étapes et caractéristique des datas) :
• de la consultation chez soi à l’emprunt
Je suis sollicité
L'internaute est passif :
comptage des sollicitations
diffusées
Nombre d'impressions dans
Moteurs de recherche (SEO) les moteurs de recherche
Nombre d'impressions en
SEA achat de mot clés
Direct
Média Nombre d'impressions
Lien vers site, selon type de
Referral
CANAUX
partenariat
Email, NL et trigger Diffusion aboutie
Nombre de relations exposés
Réseaux sociaux (notifications, fil d'actualité)
Call-center, tchat
Magasin physique
Nombre de lettres +
Print magazines diffusés
Nombre de contacts ayant
Salons reçu un email :
inclus dans canal "Email & NL"
Moteur de recherche site
OFFRE
Contenu
Nombre de contacts ayant
Clics sur les rubriques "niveau
Promotion, événement, solde reçu un email :
inclus dans canal "Email & NL"
Clics sur les rubriques "niveau
E-service (commande, service en ligne, etc)
Cartographie des parcours utilisateurs
Je cherche
L'internaute effectue une
investigation active
Nombre de visites organic
Nombre de visites SEA
Nombre de visites Direct
Nombre de visites Media
Nombre de visites Referral
Nombre de visites CRM
Nombre de visites
Nombre de visiteurs sans achat
Nombre de pages vues
Clics sur les rubriques "niveau
1" de contenu
1" de Promotion, …
1" de E-service
NIVEAU D'ENGAGEMENT -------->
SANS COMPTE
J'interagis, sans avoir de
compte
L'internaute trouve ce qui
l'intéresse sans compte
(anonymat)
Clics sur les posts / vues vidéo /
téléchargements
Nombre d'appels entrants
Nombre de clients sans CDF
Nombre de contacts sans
récupération des coordonnées
Nombre de visites articles
Nombre de visites
Je m'inscris
L'internaute a un compte et/ou L'internaute identifie ce qui
un optin et/ou est abonné à un l'intéresse sans se connecter
programme Print ou off-line (anonymat)
(carte de fid.)
Nombre de création de
comptes / de comptes créés
Nombre de création de
comptes / de comptes créés
Nombre de création de
comptes / de comptes créés
Nombre de création de
comptes / de comptes créés
Nombre de création de
comptes / de comptes créés
Nombre d'Opt in accordés
Nombre de création de
comptes / de comptes créés
Nombre de création de CDF /
de CDF créées
Nombre d'abonnements
AVEC COMPTE
J'interagis en mode
J'interagis hors connexion Je commente, je participe
connecté / En présentiel
L'internaute joue le jeu et L'internaute partage son
utilise pleinement les services expérience avec ses pairs
ou clique sur les emails ou
utilise le cross-canal
Nombre d'ouvrtures d'email +
Nombre de clics puis visites
Nombre de clics sans
avec connexion ou autolog
connexion ensuite
Nombre de commentaires, likes
Nombre de contacts acceptant
d'être identifiés
Nombre de clients sans Nombre de clients utilisant leur
présentation de leur CDF CDF
Lecture (via Post-test) Scan QRCode (par exemple)
Nombre de contacts ayant déjà
un compte
Verbatims
Nombre de visites articles Nombre de visites articles
Nombre d'actions
Nombre de visites (téléchargement, inscription,
etc)
Nombre d'internautes qui Forum, retour d'expérience,
utilisent au moins 1 e-service notation, etc
II – Data à disposition
des entreprises
DATA PERSONNALISÉE, DATA ANONYME
 Data personnalisée = 1st party
Data collectée en mode connecté + transactions
Rattaché à un individu

Coordonnées Traffic loggué

Qualification Logs
Optin, consentement userID

TRAFFIC
INSCRIPTIONS
Mode loggué
Mag. Physique, e-commerce
Produit, promo
TRANSACTIONS
Montant
Date

Site internet
Délivrabilité
Ouverture
Clic
Zones chaudes
Email, NL,
trigger Membres inscrits et / ou optins
 Data personnalisée – conditions du rattachement
La personnalisation des données, c’est-à-dire leur rattachement aux contacts, n’est
pas systématique, elle dépend de l’architecture choisie par l’entreprise.

EXEMPLE : Rattachement des données de bilans de campagnes d’emails

Outils indépendants : possible Suite logicielle intégrée : BDD X

mais coûteux brique gestion de campagne

Gestion BDD
campagnes relationnelle

EXEMPLE : Mode de rattachement des données de navigation sur le site internet

• Contact loggué
• Pose de fichiers de type fingerprint sur certaines pages / actions clé dans le
parcours
Focus sur le campagne management et sur la navigation sur le
site DATAMART MÉTIER

Connaissance
Campagnes conso
d’emailing
Reporting
Source 1

BDD
Datalake
relationnelle

BDD front BASE DE STOCKAGE DE

(site) TOUTES LES DATAS Site-
BASE DE PRODUCTION • Données anonymées
centric
= « COFFRE FORT » DE • Opérateur : data-scientist
TOUS LES CONTACTS
• Primauté à NAVIGATION
l’intégrité et à la COMPLÈTE
sécurité de la BDD
• Pas d’intervention
externe DMP

MÉDIA
 Data anonyme = 2nd / 3rd party
Réflexion en cours : fin des cookies tiers de Google et
questionnement sur GA

Recherche directe

Trafic
Sources de Source
SEA, organique
trafic Durée
Nb. pages
Media acquisition

Site internet
Media trafic

NAVIGATION
Réseaux sociaux Source : outil de
web-analytics
Service client, chat Membres inscrits et / ou optins
 Data anonyme = 2nd / 3rd party
Réflexion en cours : quelques articles sur la fin des
cookies tiers de Goggle et sur les échanges en cours
entre la CNIL et GA
 Autres types de Data
Data collectée
en dehors de l’écosystème relationnel

Open source

Infos syndicales
Météo
Zones chalandise
etc

Tracking quantitatif
Quelques
centaines / milliers
de répondants
Site internet
anonymes

Blogs, forum, RS

Concepts saillants
+/-/0
implication Membres inscrits et / ou optins
 Qu’est-ce que l’open data ? – 3rd party
1 exemple
Intégrer de l’open data dans une BDD

Données météo Base de

par adresse
données
Adresses
postales
Coordonnées
géographiques des
adresses de la BDD

Source : INSEE
Email diffusé
selon météo
locale
DATA STRUCTURÉE, DATA NON STRUCTURÉE
 Mapping des datas

Où trouve-t-on les datas suivantes ?

Exemples ?
Leur utilisation ?

Personnalisées Personnalisées
Non structurées Structurées

Anonymes Anonymes
Non structurées Structurées
 III – Quels outils pour
héberger et exploiter la
data digitale
BASE DE DONNÉE RELATIONNELLE
Objectif d’une BDD : Rassembler toutes les caractéristiques
d’une personne

Avoir le bon niveau de communication avec 1 personne

Bonne fréquence
Bon canal
Ce qui l’intéresse

Vision holistique

Référentiel Client Unique

(RCU)
 Enrichissement de la qualification d’une BDD

QUALIFICATION = CAPACITE DE CIBLAGE & SCORING

Enrichissement via une base externe

Rapide
plus riche : 2nd ou 3rd party data
RCU Massif
Nom, prénom • Coordonnées croisées postales / @
Onéreux
Coordonnées • Socio-démo, équipement
Socio-démo
Statut (inscrit, optin,etc) & dates
Enrichissement par questionnaire sur
Mdp, pseudo Légitimité
le site
• Coordonnées Adapté au
Emails diffusés contexte
• Socio-démo
Services proposés Lent
• Attentes, usages, attitudes, etc
Ut. Services
transactions Enrichissement augmenté (implicite)
Navigation (logguée) • Déduction d’une nvelle qualification Au cas par cas
Réactivité emails à partir de l’existant, par ex. Achat Rapide
à socio-démo ou achat à
Équipement équipement, etc
Conso / fréquentation retail
Distinction
Enrichissement par look-alike
compétitive
• Toutes données
Itératif
 Enrichissement avec base externe
Faire appel à une mégabase

MÉGABASE
Contacts qualifiés

Fichier des
Base de Extraction contacts à
enrichir
données

Contacts communs BDD et

mégabase avec
qualification manquante
 Exemple de mégabase : Médiapost
Le métier de Médiapost : créer des RCU
 Questionnaire sur le site
Plusieurs moments-clé :

Utilisation d’un
Création du contenu
compte engageant

Coordonnées Qualification
complètes complémentaire

Qualification En lien avec la

permettant une problématique de
meilleure utilisation l’internaute
du site, des
sollicitations
personnalisées

100% des inscrits Dépend de

l’attractivité du
contenu

ATTENTION à la pérennité des questions posées

 Enrichissement augmenté
Principe : déduire d’une information une autre information (information implicite)

Quelques exemples :

Impression d’un
bon de réduction Possession d’un
sur un produit de lave-vaisselle
lave-vaisselle

Lecture d’un
contenu sur
l’aménagement Naissance
d’une chambre prochaine
bébé

Mise en vente
d’une auto sur Prospect
LBC automobile

ATTENTION : distinguer dans l’enregistrement de la BDD la donnée déclarée et la

donnée déduite
 Enrichissement par lookalike

Idée : Utiliser la connaissance obtenue auprès des personnes les mieux qualifiées
pour trouver leurs jumeaux parmi les personnes moins qualifiées.

QUALIFICATION MOINS
QUALIFICATION ÉLEVÉE COMPLÈTE

• Qualification existe • Critère recherché non

Mais aussi d’autres critères Recherche de renseigné
renseignés : jumeaux = Mais d’autres critères
• Socio-démo lookalike renseignés :
• Équipement • Socio-démo
• Navigation sur le site • Équipement
(web-analytics) • Navigation sur le site
• Réactivité (web-analytics)
• Réactivité

PROBABILITÉ ÉLEVÉE D’ÊTRE

IDENTIQUE SUR LE CRITÈRE
MANQUANT
Quelle qualification pour la bibliothèque municipale ?

Madame
MACHIN
 Modèle conceptuel de données

C’est la manière de définir les liens entre les données.

Exemple d’un modèle de données adapté à la gestion de la base de donnée d’une

bibliothèque municipale :
• Côté bibliothèque : gestion des stocks disponibles et du réassort
• Côté lecteurs : interface utilisateur à destination des adhérents

Table

Liaison
 Modèle conceptuel de données : Table
Une table représente un objet et caractérise chaque enregistrement selon les
modalités qui s’appliquent à ses attributs
• Par exemple : table des contacts (adhérents), table des ouvrages

Table ADHERENTS

UserID Nom ZipCode

0001 Untel 75003
0002 Machin 75004
0003 Truc 75003
… … …

ATTRIBUT : Code postal suffisant

ENREGISTREMENT
pour distinguer 2 adhérents
: 1 ligne de la table
ayant le même nom

Table LIVRES

Livre ID N° livre Etat

Le retour du CRM 1 usage
Le retour du CRM 2 neuf
BDD, mon amour 1 à remplacer MODALITÉ : « Le retour du
CRM » : la bibliothèque en
… … … possède 2 exemplaires
 Modèle conceptuel de données : règles de gestion
Selon la table, on décide d’ajouter ou de remplacer les modalités de certains
attributs : ce sont les règles de gestion
• Par exemple : adresses (adhérents) et mots-clé

Table ADHERENTS

UserID Nom ZipCode

0001 Untel 75003
0002 Machin 75004
0003 Truc 75003
… … …

En cas de déménagement :
REMPLACEMENT de l’ancien
code postal par le nouveau

Table MOTS-CLE

Mot-clé Sous mot-clé

Marketing CRM Pour offrir plus de liberté dans la
Communication Marketing relationnel sélection : AJOUT d’un nouveau
Policier Anglo-saxon mot-clé, sans suppression des
mots-clé existants
Jeunesse 6-12 ans
… …
 Modèle conceptuel de données : interface utilisateur

Il faut représenter plusieurs concepts par autant de tables distinctes pour faciliter
l’expérience utilisateur
• Par exemple : recherche par titre, par auteur ou par mot-clé

Table OUVRAGES

Titre N° ISBN Nb. Pages

Le retour du CRM 1003405 348
La malédiction du CRM 1089958 250
BDD, mon amour 1000534 250
… … …

Table AUTEURS Table MOTS-CLE

Auteur ID Nom Mot-clé Sous mot-clé

348 Belplume Francis Marketing CRM
25 Scribe Jean-François Policier Anglo-saxon
151 Virgule Martine Jeunesse 6-12 ans
… … … …
 Modèle conceptuel de données : Liaisons
Une liaison représente le lien qui unit 2 tables (= « clé étrangère)
• Par exemple : lien entre la table des ouvrages et la table des livres

1 LIVRE est un exemplaire

physique d’un OUVRAGE

Est un
exemplaire

1 OUVRAGE est disponible

1 LIVRE est 1 exemplaire et sous la forme physique
1 seul d’un OUVRAGE d’un LIVRE

1,1 1,n
Est un
exemplaire

1 OUVRAGE est disponible

en 1 à n LIVRE (s)
Gestion de la qualité des données
 Data obsolète

Exemple : bibliothèque municipale, pour chaque table

Durée
d’exploitation

Achat PCG, Socio-démo / Socio-démo /

niveau nb. Personnes, DDN
catégories niveau de
Achat PCG, revenus,
niveau Attitude
Abonnements habitat
marque et
produit Usage web, Équipement /
emails biens durables
Usage web,
niveau site et Opinion
app
IV – Quelles techniques
pour exploiter les datas
 Ciblage et data-mining
à partir de la BDD relationnelle
 Exemples de requête SQL

Recherche INSERT insère des n-uplets

SELECT nom, service INSERT INTO a_table (field1, field2, field3)
FROM employe VALUES ('test', 'N', NULL);
WHERE statut = 'stagiaire'
ORDER BY nom;
UPDATE Modifie un ensemble de n-uplets existant
dans une table
Procédure stockée UPDATE a_table
DECLARE N INTEGER;
SET field1 = 'updated value'
SET N = 1;
WHERE field2 = 'N';
FOR C
AS C_USR_MISE_A_JOUR
CURSOR FOR
DELETE Supprime un ensemble de n-uplets existant
SELECT USR_ID, USR_NOM dans une table
FROM T_UTILISATEUR_USR DELETE FROM a_table
ORDER BY USR_ID WHERE field2 = 'N';
FOR UPDATE OF USR_NOM
DO MERGE Combine les données de plusieurs tables.
IF MOD(N, 2) = 0 MERGE INTO table_name USING table_reference ON
THEN (condition)
UPDATE T_UTILISATEUR_USR WHEN MATCHED THEN
UPDATE SET column1 = value1 [, column2 = value2 ...]
WHEN NOT MATCHED THEN
INSERT (column1 [, column2 ...]) VALUES (value1 [,
value2 ...
 Ciblage : ce qu’apporte un MCD correctement réalisé
Par exemple, où et comment sélectionner les données qui permettront de faire :
• Préparation du budget de remplacement des livres usagés
• Envoi d’un email à tous les adhérents qui n’ont pas rendu leurs livres depuis
plus de 2 mois
• Envoi d’un email à tous les emprunteurs d’un livre sur le marketing, pour leur
annoncer la venue en master class de tel auteur
Data-mining
 Process d’analyse (très simplifié)

Le data-mining permet de faire progresser la connaissance, et cela pas à pas.

Traditionnellement, ceci peut prendre la forme suivante :

Variable à
expliquer et Corrélations entre
variables Recommandation
les variables
explicatives
Par exemple :
Nous voulons expliquer la Nous calculons la corrélation Il faut soigner la
fréquence des entre les commandes performance des
commandes. et chacune des campagnes d’emailings
Pour ce faire, nous utilisons variables, en utilisant pour augmenter
les variables : par exemple le R2 significativement le
Clics sur emails Nous constatons un R2=0,92 nombre de
entre le taux de clics commandes.
Durée de session logguée
sur les emails et les
Le nombre de codes promo
commandes.
utilisés
etc
 Analyse de la corrélation
Quelle est l’intensité de la relation entre 2 variables, sont-elles corrélées ou indépendantes ?
Le R2 est un indicateur classique de la corrélation entre 2 variables
Si elle sont corrélées, cela signifie qu’il y a un lien fort entre les 2 - proche de « 1 »
Exemple : l’âge et la taille chez un enfant
Cela ne donne pas forcément la causalité
Exemple : les visiteurs du site X sont sur-consommateurs du produit vendu par X

Pour définir le R2, nous cherchons la loi statistique qui résume le mieux les « points »
constatés
Exemple : sur les graphiques, le R2 de la régression polynomiale est meilleure

% emails cliqués % emails cliqués

50 50
45
40 40
35 R² = 0,82625
30 R² = 0,7528 30
% emails cliqués 25 % emails cliqués
20
Linéaire (% emails cliqués) 20 Poly. (% emails cliqués)

10 15
10
0 5
0 5 10 15 20 25 30
0
-10 0 5 10 15 20 25 30
 Hiérarchisation des corrélations
Travail sur fichier excel

Nb. Codes Promo % emails cliqués

35 50
45
30
40
25 35 R² = 0,82625
30
20
Nb. Codes Promo % emails cliqués
R² = 0,44463 25
15 Poly. (Nb. Codes Promo) 20 Poly. (% emails cliqués)

10 15
10
5
5

0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
 Classer pour simplifier : Segmentation / scoring

Par exemple :
On a mesuré que la fréquence d’achat du produit est corrélée
1. Au taux de clic sur les emails
2. à l’utilisation de codes promo
• Arbre de décision :

Petits cliqueurs sur Pression emails

les emails faible
Total
contacts
Gros utilisateurs de
News-letter PROMO
Cliqueurs fréquents codes promo
sur les emails Peu utilisateurs de News-letter
codes promo CONTENU
• Le scoring : attribuer une note
à chaque contact
 Modéliser pour prédire (très simplifié)
Après qu’on a identifié les liens (grâce aux régressions linéaires principalement),
voire les causalités, on peut modéliser :

– Définir la variable à expliquer

• Par exemple : la fréquence des commandes
– Définir les variables explicatives
• Par exemple : la le nombre de codes promo, le % emails cliqués, les
investissements pub, la tarification, la météo, ...
– Trouver l’algorithme qui lie la variable à expliquer aux variables explicatives
• Ventes = f ( AxPromo + BxPub + CxMétéo + …)
– Tester la pertinence du modèle
• Appliquer le modèle à la réalité et mesurer les écarts

Par exemple :
– Quel impact d’une campagne promo, quelle conséquence d’une mauvaise
météo, etc
 Web-listening
&
Prise en considération du WOM
 Qu’est-ce que le web-listening ?

Regardez, écoutez :

https://www.e-marketing.fr/Thematique/academie-1078/webreportage-10162/
MarketingDay19-Video-Trois-utilisations-social-listening-dans-strategie-
marque-344523.htm#&utm_source=emkg_04_12_2019&utm_medium=email&u
tm_campaign=newsletter
 Bilan de campagne
&
optimisation des emailings
 Campagnes d’emailing et Data

Un peu de lecture :

https://www.e-marketing.fr/Thematique/media-1093/Breves/newsletter-revient-gout-
jour-341856.htm
 Web-analyse
&
optimisation du site internet
 Méthode d’évaluation de l’attractivité du site

Objectifs :
- Evaluer la capacité du site à attirer des visiteurs et à les fidéliser
- Faire le lien entre les indicateurs pour identifier les pistes d’amélioration.

Nb. Visites mois M -23% vs. M-1

650K

Nb. utilisateurs mois M Tx. revisite mois M

325K
-36% vs. M-1
X 2,01
+13% vs. M-1

Enseignement et recommandation :
- Le site perd en attractivité, et se recentre sur ses visiteurs les plus fidèles
ü Il faut activer les leviers de création de trafic
 Méthode d’évaluation de la performance du site

Objectifs :
- Evaluer la qualité des visites, en s’intéressant à la durée passée sur le site
- faire le lien entre les indicateurs pour identifier les pistes d’amélioration.

Temps passé mois M +19% vs. M-1

4’43’’

Nb. Pages/ session Tps passé/ page Tx. revisite mois M

mois M = M-1
X mois M +4% vs. M-1
X 2,01
+13% vs. M-1
2,98 47’’

Enseignement et recommandation :
- Seule la fidélité provoque la croissance du temps passé mensuel sur le site
ü Il faut développer la circulation au sein du site
Méthode d’évaluation de la qualité des sources de trafic

Objectifs :
- Evaluer la qualité des sources, quantitativement et qualitativement
- Comparer les origines du trafic entre elles pour identifier les pistes
d’amélioration.

Sessions Nb. Pages / Durée

Nb. Utilisateurs Taux de revisite
Nombre % vert. session session
Organic 582 202 23% 394 893 1,47 4,62 00:04:04
Direct 227 596 9% 173 093 1,31 3,96 00:03:46
Referral 415 374 17% 307 814 1,35 2,80 00:02:01
Paid 323 516 13% 191 879 1,69 3,66 00:03:03
Newsletter 649 462 26% 323 201 2,01 2,98 00:02:21

Enseignements et recommandations :
- Les NLs contribuent à fidéliser, mais chaque session est motivée par une action précise
ü Il faut élargir le nombre de CTA au sein des NLs
- Le SEO et le SEA conduisent à des visites de découverte, mais la fidélité n’est pas
assurée
ü Il faut organiser l’accueil des nouveaux visiteurs
 Méthode d’évaluation des tunnels de transfo

Objectifs :
- Evaluer la qualité des sources, quantitativement et qualitativement
- Comparer les origines du trafic entre elles pour identifier les pistes
d’amélioration.

90 visiteurs 2
15 « mise 3 « panier
100 VUs rubrique « nos « transaction
au panier » validé »
produits » terminée »

20 visiteurs
rubrique « se
connecter »

Enseignement et recommandation :
- Conversions faibles à 2 moments : connexion et validation du panier
ü Il faut inciter les visiteurs à se logguer, voire faciliter la connexion (UX)
ü Il faut retargeter les paniers non validés
 Web-analytics et IA génératice

Un peu de lecture, pour entrevoir l’avenir :

https://www.journaldunet.com/solutions/analytics/1525515-quel-est-l-impact-de-l-ia-
generative-sur-le-web-analytics/
#utm_source=MagNews&utm_medium=email&utm_campaign=Quotidienne_12/1
0/2023&een=0bafa80f7e18cac9363631fbbfccae86&seen=2&gbmlus
=7ec42f1593a5b3661bedaaee30d8ee473f22a89ce3d3a680350c589c88fc06b7
Exemple d’un NPS post-achat
 Net Promotor Score
Objectifs :
- Mesurer le pouvoir de prescription des membres du programme relationnel
- Comparer les points de contacts / moments entre eux pour définir les priorités
d’amélioration
 NPS par secteur en France

Enseignement et recommandation :
- Le NPS est réactif, il révèle des différences significatives
 NPS : avantages et inconvénients

AVANTAGES INCONVENIENTS

- Prise en compte de l’implication au- - Ambigüité des notes autour de zéro*

delà de la satisfaction - Pas de prise en compte du
- Simplicité d’interprétation* contexte**
- Comparaison entre moments au sein - Pas d’explication de la
d’un même canal (site par exemple) recommandation
- Comparaison entre canaux
- Comparaison entre marques

* Le NPS varie de -100 pour une recommandation nulle à +100 pour une recommandation
maximum
Un NPS de zéro peut résulter soit d’une recommandation toujours moyenne (7 ou 8), soit
de recommandation extrêmement marquées en positif et en négatif qui s’annulent
(+50-50=0)
** Un contexte favorable au programme relationnel (réception de son colis) ou un
contexte de stress (réclamation) influencent le niveau du NPS, sans que ceci traduise un
déséquilibre entre les 2 points de contact
 Customer Effort Score
Objectifs :
- Mesurer l’effort demandé à ses clients pour effectuer une action précise : un achat, un retour,
trouver une information, faire une réclamation, etc
- Comparer les points de contacts / moments entre eux pour définir les priorités d’amélioration

Le principe de cet indicateur est de considérer que moins un client devra fournir d’efforts pour
interagir avec une marque ou effectuer un achat, et plus il sera susceptible de lui rester fidèle, voire
de recommander ses services à ses proches.
 CES : avantages et inconvénients

AVANTAGES INCONVENIENTS

- Mesure fonctionnelle du point de - Mesure unidirectionnelle : pas de

vue du membre (peu émotionnelle)
- Simplicité d’interprétation*
- Comparaison entre moments au sein
d’un même canal (site par exemple)
- Comparaison entre canaux
- Comparaison entre marques
prise en compte de l’effort consenti
par l’entreprise
- Pas de prise en compte de la
dimension émotionnelle de la
relation
- Pas de prise en compte du
contexte**
- Pas d’explication sur la nature de
l’effort

* Le CES varie de 5 pour un effort beaucoup trop élevé à 1 pour un effort tout à fait
acceptable
** dans certains cas, l’effort déployé par le consommateur est nécessairement plus
important
Data-science et IA
 Fonctionnement de l’IA

Un exemple concret, à lire :

https://www.journaldunet.com/solutions/dsi/1492191-comment-les-
machines-reconnaissent-elles-les-emotions-humaines-a-quoi-cela-
sert-il/

https://www.journaldunet.com/solutions/dsi/1516905-ia-generatives-
le-test-du-jdn/
#utm_source=MagNews&utm_medium=email&utm_campaign=News
letter%20Quotidienne_Mercredi%2023%20Novembre%202022&een=
&seen=2
V – Piloter le business
avec les datas
Piloter : définir, suivre et analyser les KPIs
 De la donnée au KPI

Key Performance
Donnée Indicateur
Indicator (KPI)

Donnée :
• Point de contact / Source de recueil
• Caractérisation (personnalisée / anonyme, structurée / non structurée, horodatée)

Indicateur :
• Source des données utilisées
• Calcul
• Caractérisation : évolution, répartition
• Utilisation : tunnel de conversion (volumétrie), ciblage (qualification)

KPI…
 Quels indicateurs ?

Indicateurs ?
Leurs caractéristiques ?
Où les trouver ?

RECRUTEMENT FIDÉLISATION

PERSONNALISATION
 Qu’est-ce qu’un KPI ?

Littéralement, c’est un indicateur clé de performance (Performance Key Indicator)

Il s’agit d’évaluer notre capacité à atteindre les objectifs, en utilisant tous les leviers qui
sont à notre disposition

Son utilisation :
- Tout au long de l’année

Concrètement,
Pour définir les KPIs, il faut suivre une méthode en 3 temps :

Key Performance
Objectif Evaluation
Indicator (KPI)
 Sélectionner les KPIs

Moment de vérité
Peut influencer les comportements
Action
des prospects / clients Utile pour décider

Partage Calcul
Compréhensible pour Définir précisément
tous
 Principaux KPIs et parcours client
Recherc
Push
he Achat Livraison Plainte Opinion
(email)
d’infos

Nbr. Clients
Montant du panier Temps
% ré-acheteurs d’attente
Nbr. Visites
Nbr. Visiteurs
Websi unique Nbr. Clients
te % Bounce Montant du panier
Délivrabilité Nbr. Clics sur % ré-acheteurs
% ouverture CTA
% clic
%
désabonneme
nt Nbr. Appels Nbr. appels
Qualité de % traitement finis
service % en cours
Quantité
Tonalité (>0, alert)
Motiv° de visite Temps d’attente % partage
Ergonomie Evaluation
Impact, Evaluation Qualité des
Q? Notoriété
Persuasion
Look & feel informations pdt la
Evaluation
NPS
Image de prépar° commande
marque Satisfaction
 Des KPIs aux conversions : exemple de l’automobile

Information
Contact Visit & Try Purchase
Research

Conversion rate
« No show » rate = nbr. purchases /
Website = nbr. « non-visit » / nbr. visits
nbr. leads

% lead
= nbr. Leads / nbr.
visits
 Quels KPIs ?

Parmi les indicateurs listés,

Quels KPIs ?

RECRUTEMENT FIDÉLISATION

PERSONNALISATION AMÉLIORATION
 Dit avec d’autres mots…

https://www.xerficanal.com/strategie-management/emission/Barth-Isabelle-Flores-
Laurent-Marketing-digital-apprendre-a-mesurer-et-evaluer-plutot-que-
compter_3749491.html
Améliorer l’UX et la Personnalisation :
Process data-driven
 Chaque conversion est un % de la micro-conversion
précédente
La première étape de la
chaîne des conversions L’UX est le cœur des mécanismes de conversion
est la création de trafic

Search

Direct

Cibles Emails Trafic Interaction

Sélection
panier
Transaction
CAI
Média Appétence

Notifications
Sites Service
Notoriété
référents utilité

Recommandations

Volume ++ Valeur ++

Cible => x % pop

⇒ visites x% cibles
⇒ interactions x% visites
⇒ transactions x% des interactions
 Data-planning : UX et Personnalisation
Il s’agit d’organiser les chantiers Data d’optimisation sur une roadmap

Principe : démarrer par ce qui crée le CA et/ou la rentabilité, c’est-à-dire par l’aval
des tunnels de conversion, puis remonter les étapes
- UX : Évite le risque de déception au cours de la navigation
- Personnalisation : D’abord ce qui est le mieux connu avant de remonter la
connaissance grâce au système des look-alike.

Trafic
CAI

Optimisation Optimisation Optimisation Optimisation Optimisation

N°5 N°4 N°3 N°2 N°1
 Conversion rate optimization
Le CRO est un moyen très efficace pour PRIORISER les actions

3% 10%
Diffusion de 100 000 3 000 clics 300
emails 25% 75 paniers 67% 50 transactions
connexions
3%
1 500
50% 25% 375 paniers 67% 250 transactions
connexions
3 000 clics

Enseignement et recommandation :
- La priorité est de faciliter la connexion sur Mobile
- Enjeu : gagner 200 transactions
 A/B-testing
L’AB-Test permet d’optimiser l’UX quasi en temps réel

Source : Kameleoon – white paper - 2014

 Exemple de console d’AB-test

Enseignement et recommandation :
- La seule amélioration qui aura un impact significativement positif sur la conversion :
CTA en jaune
 A/B testing
Il faut définir l’indicateur que nous souhaitons améliorer

Exemple d’un emailing :

Enseignement et recommandation :
ü A court terme : opter pour la variante bleue
ü A moyen terme : améliorer la performance de la variante rouge car el conduit à
une meilleure conversion
 Exemple d’A/B testing

Enseignement et recommandation :
- Les recommandations peuvent
être inversées : tout dépend du
contexte général du site et de la
mise en avant des produits.
 Personnalisation et look-alike
Plus nous sommes proches de la transaction et plus nous disposons de données sur
les personnes.

Principe : quand une personne A arrête sa navigation en cours de tunnel à l’étape

S(n), nous supposons qu’elle ressemble fortement à la personne B qui poursuit la
navigation jusqu’à l’étape S(n+1). Aussi, pour inciter A à passer à l’étape suivante,
nous devons lui proposer ce qui a séduit B.

Données disponibles : Données disponibles : Données disponibles : Données disponibles :

- xxxxxxxxxxxxxxxxxxxxx - xxxxxxxxxxxxxxxxxxxxx - xxxxxxxxxxxxxxxxxxxxx - Dernière transaction
- xxxxxxxxxxxxxxxxxxxxx - xxxxxxxxxxxxxxxxxxxxx - Transactions précédentes - Transactions précédentes
- xxxxxxxxxxxxxxxxxxxxx - xxxxxxxxxxxxxxxxxxxxx - Produits mis au panier - Produits mis au panier
- xxxxxxxxxxxxxxxxxxxxx - Rubriques visitées - Contenus vus - Contenus vus
- xxxxxxxxxxxxxxxxxxxxx - Durée session - Durée session - Durée session
- Revisite - Revisite - Revisite - Revisite
- Source sessions - Source sessions - Source sessions - Source sessions
- Coordonnées - Coordonnées - Coordonnées - Coordonnées
- Opt-in, consentements - Opt-in, consentements - Opt-in, consentements - Opt-in, consentements

Look-alike Look-alike Look-alike

Merci pour votre
attention