Vous êtes sur la page 1sur 92

La connaissance du client

Segmentation
La compréhension de chaque client commence par
la construction d’une segmentation.

La segmentation est la division des clients en des


groupes homogènes. Les similarités dans les
groupes doivent être plus importantes que les
différences entre les individus à l’intérieur d’un
même groupe.
Chaque segment correspond à des individus
assez homogènes, donc probablement
homogènes même dans leurs besoins et
motivations.

Ce découpage permet de discerner les


facteurs de différenciation les plus importants
pour le client, et de décider quels sont les
clients sur lesquels mettre plus de moyens.
Traditionnellement, les entreprises segmentent leurs clients
par:

• les données sociodémographiques :


• âge, sexe, revenu …

• géographiques :
• urbain, rural, proximité de point de vente …

• socioculturelles:
• personnalité, activités et opinions …

• comportementales:
• occasions d’usage, fidélité à la marque …
Ce mode de segmentation aboutit à une pyramide
des clients pour différencier la relation avec eux:

• Fidélisation du haut de la pyramide;

• Développement du milieu de la pyramide;

• Rentabilisation ou rationalisation du bas de la pyramide.

Ainsi, les clients en haut de la pyramide bénéficient


d’un mode de traitement plus intense soit en
fréquence, soit en présence du commercial.
La segmentation RFM a été développée dans la
vente par correspondance et s’appuie sur 3
critères:

• Récence: date du dernier achat;

• Fréquence: nombre de fois que le client a effectué


des achats sur une période donnée;

• Montant: montant accumulé des dépenses.


Pour chacune des variables, une analyse par
tranche est faite. Ainsi, les clients qui ont le
plus fort chiffre d’affaires ont le code 1,
ensuite 2 etc.

Cette approche est déclinée sur chacune des


3 variables. Les clients qui présentent les plus
forts chiffres d’affaires, la plus faible récence
d’achat et la plus forte fréquence ont le code
111.
• Récemment, le RFM a été modifié avec l’apparition
du modèle FRAT (Frequency, Recency, Amount of
purchase, Type of purchase), qui introduit une
dimension supplémentaire « produit ».

• La segmentation RFM est bien adaptée pour les


entreprises présentant des articles à rotation
rapide.

• Le FRAT est adapté quand l’entreprise a en plus une


très large gamme de produits.
La segmentation par stade de vie consiste à associer aux
clients une notion de cycle.

Ce type de segmentation est utile dans les secteurs où les


cycles d’équipement sont longs, comme l’automobile ou la
banque.

Ainsi, dans le domaine financier, l’âge du client permet de


l’inscrire successivement dans une logique:

• De besoin de crédit d’équipement;


• D’acquisition de la résidence principale;
• De développement de la protection familiale;
• De phase de préparation à la retraite;
• De préparation de la succession.
L’identification du cycle permet d’inscrire la
communication client dans une cohérence.

Il est primordial d’identifier les éléments dans le


cycle de consommation du client. Ils permettent de
le positionner dans un cycle standard, et d’apprécier
le décalage par rapport à la norme ou mesurer le
potentiel du client par la vitesse de passage d’une
phase à une autre.
• Il existe un cycle commun à toutes les entreprises: celui
de la découverte de l’offre de l’entreprise par le client. Les
nouveaux clients présentent un profil d’utilisation des
produits et services très spécifique. Ils ne connaissent pas
la gamme de produits et ne maîtrisent pas les produits.

• L’entreprise doit les accompagner dans cette période


d’évaluation pour faciliter le développement vers d’autres
gammes.

• Les entreprises suivent la croissance du nombre de


gammes de produits au fil de l’ancienneté comme
indicateur de développement.
Le comportement dans la relation:

Ces méthodes de segmentation plutôt classiques sont de plus en


plus remplacées ou complétées par des analyses du comportement
passé en termes de consommation ou de relation.

Les segmentations comportementales utilisent l’ensemble des


données descriptives du client, de ses interactions et de ses achats
pour construire des groupes homogènes avec des techniques
statistiques multivariées comme l’analyse factorielle.

Cette technique simplifie les variables qui sont corrélées et les


regroupant sous des axes, dénommés facteurs. Les individus sont
positionnés par rapport à ce système d’axes et regroupés en
segments sur une notion de proximité. Les axes peuvent être au
nombre de 2 ou 3, voire plus.
L’apparition des entrepôts de données et
l’augmentation du spectre des données accessibles
sur le client ont entraîné une augmentation des
critères de segmentation comportementale et la
diminution de la taille des segments.

Ainsi, le nombre de segments maîtrisables au niveau


opérationnel augmente fortement: ça peut aller
parfois jusqu’à 500 segments différents.
Une segmentation comportementale n’est jamais précise ni unique.
Sa qualité se mesure par la qualité statistique et par l’exploitation
marketing de sa solution.

De ce fait, une forte collaboration entre les équipes chargées de


construire les modèles de segmentation comportementales et celles
chargées de mettre en œuvre les stratégies est nécessaire.

Une bonne segmentation présente 3 avantages:

• Une compréhension globale de la structure de la clientèle;


• Un cadre pour fixer des stratégies et des objectifs marketing;
• Un moyen de mesurer l’efficacité des investissements marketing.
Il est indispensable de comprendre les enjeux des différents
segments pour identifier la façon dont l’entreprise doit conduire sa
politique de constitution de la base de données, les produits et
services à développer et le type de communication à mettre en
place.

La segmentation aboutit également à la mise en place d’outils de


pilotage:

• Tableaux de suivi de l’évolution des segments (transition entre les


périodes T et T+1);

• Mesure de la stabilité des segments pour suivre la robustesse du


modèle et détecter l’émergence de nouveaux comportements;

• Tableau de bord de suivi par segment des indicateurs clés: les


effectifs, les chiffres d’affaires, les remises, les impayés, les budgets
marketing …
Techniques de scoring
• Segmentation prédictive et Scoring: Un nouveau mode de
segmentation est la segmentation prédictive, qui divise la
population en groupes homogènes par rapport à une
probabilité de leur tel ou tel comportement.

• Par exemple, par rapport à leur propension à répondre à


une action de marketing direct.

• Pour construire ce type de segmentation, on utilise les


modèles prédictifs, qui consistent à utiliser des
mathématiques et des statistiques pour analyser une base
de données et déterminer des formules qui expliquent le
comportement du client.
• Elle interprète donc le comportement du client et construit
une fonction qui « probabilise » la réponse du client à une
offre.

• Les méthodes de segmentation prédictive non seulement


déterminent les caractéristiques des segments, mais
également leur donnent un rang.

• La prédiction fournie par un modèle est généralement


appelée un score. Un score est une variable numérique
affectée à chaque individu dans la BDD. Il indique la
probabilité qu’un client présente tel ou tel type de
comportement.
• Ces modèles reposent sur la prédiction du futur par
l’analyse des données présentes ou passés.

• On s’intéresse donc à un phénomène déjà réalisé,


comme la réponse à un mailing dans un groupe test des
clients.

• On cherche alors quelles sont les caractéristiques qui


séparent ce groupe test du reste de la population qui a
reçu le mailing, les non-répondants.

• Ces caractéristiques peuvent être l’âge, le sexe, RFM,


revenu, zone d’habitat …
La modélisation permet d’identifier les variables les
plus pertinentes pour anticiper le comportement du
client. Elle regroupe des clients qui présentent des
caractéristiques identiques par rapport à une offre.

Il est ainsi possible d’utiliser cette connaissance pour


tester des stratégies alternatives d’offres. En
améliorant successivement les offres, et en ajustant
le message, la canal, le produit et le service, il est
possible d’accroitre la satisfaction du client.
Les modèles prédictifs permettent de répondre à des questions
suivantes:

•Quels sont les clients qui peuvent souscrire un produit?

•Quels sont les clients qui peuvent utiliser ce canal de


distribution?

•Quels sont les clients qui présentent un risque d’impayés?

•Quels sont les clients qui présentent un potentiel important?

•Quels sont les clients qui vont me quitter prochainement?


Ainsi, les modèles prédictifs offrent aux entreprises
la possibilité de construire des campagnes
marketing mieux adaptées, multiplier les retours
sur investissements, améliorer la rentabilité des
centres de services, réduire le volume des
argumentaires et accroitre le taux de
transformation.
Outils de datamining
Le terme « data mining » est apparu vers 1995, mais
ses outils sont basés sur les techniques statistiques
traditionnelles.

L’émergence des outils de data mining vient de


l’évolution conjuguée des techniques statistiques,
des capacités des logiciels de gestion des BDD et des
algorithmes d’apprentissage automatique.

Les outils de data mining construisent les modèles


de manière interactive et itérative avec l’utilisateur,
permettant aux managers de prendre des décisions
et mettre en place des actions sur mesure.
Les outils de data mining permettent aux utilisateurs, tels
que les chargés d’études, les responsables commerciaux
etc., à mieux connaître leurs données, sans devenir des
experts en informatique ou statistique.

Grâce à l’interactivité dans la construction des modèles, ils


permettent aux utilisateurs d’orienter les recherches
pendant le processus d’analyse.

Ainsi, les outils de data mining apportent une aide aux


hommes de la GRC pour comprendre le comportement des
clients et augmenter rapidement le capital information de
l’entreprise.
Les outils de data mining apportent également un gain de
productivité et de réactivité dans l’analyse. Ils offrent la
possibilité aux utilisateurs métier de réaliser de manière
autonome leurs propres modèles sans passer par des tiers.

Il existe plusieurs techniques de data mining, mais nous


nous limiterons à ceux les plus utilisés dans la GRC.

Il faut juste retenir que les différentes techniques se


distinguent selon la lisibilité du modèle et la puissance de
prédiction. Généralement, plus le modèle est simple, plus il
sera facile à comprendre, mais la prédiction du modèle sera
plus faible.
Comme nous voyons sur ce graphique, les arbres de décision, de par leur forte lisibilité
(assez facile pour comprendre par les non experts), s’adressent davantage à des utilisateurs
métier.

Par contre, les réseaux de neurones nécessitent des experts de la modélisation car leur
lisibilité est faible (difficile à comprendre par les non spécialistes).
1. Arbres de décision
Un arbre de décision est un enchaînement hiérarchique de règles
logiques construites de manière automatique à partir de la BDD.

Il s’agit d’associer la variable cible, quantitative ou qualitative, à


d’autres variables qui contribuent à l’apparition de cette variable
cible.

Ceci pour subdiviser progressivement l’ensemble de la BDD en des


sous-ensembles plus fins (segmentation).

Ainsi, une arborescence des arbres de décision s’obtient par le


découpage successif de la BDD en sous-ensembles par une séquence
de décision qui s’appuient sur l’identification du meilleur critère de
segmentation.
Comme on peut voir sur le schéma précédent, les arbres
de décision sont faciles à comprendre et à utiliser. Il est
possible par un simple clic de souris d’apprécier les impacts
des autres variables.

Les arbres de décision sont très visuels et offrent une prise


en main presque intuitive. Après une formation d’une
demi-journée, il est possible de confier le logiciel à un
utilisateur métier.
2. Analyse d’associations
• Des modèles d'association permet de détecter des
associations entre des événements, des produits etc.

• Les modèles de séquence détectent des associations


au fil du temps.

• Quelques applications dont les résultats ont pu être


améliorés par l’analyse d’associations:
– placement des articles achetés fréquemment ensemble
(étagère ou une page de catalogue);
– organisation des catalogues ;
– choix des articles en promotion …
Exemple: La méthode recherche quels produits ou services
tendent à être achetés ensemble. « L'analyse du panier de la
ménagère », qui consiste en la recherche d'associations
entre les produits sur les tickets de caisse et l'étude de ce
que les clients achètent.

Voici quelques exemples de règles:


- Si un client achète du lait alors, il achète du pain (90%);
- Si un client achète une télévision, il achètera un récepteur
satellite dans un mois (50%).

Dans la mesure où les résultats peuvent être situés dans le


temps, cette technique peut être considérée comme
prédictive.
3. Raisonnement à base de cas
• Issu de l'intelligence artificielle, le raisonnement à
base de cas - ou CBR (Case-Based Reasoning) - est un
mode de raisonnement fondé sur l'analogie entre
une question posée et un ensemble de problèmes
préalablement résolus et rassemblés dans une base
de cas.

• Chaque cas consiste en une description du problème,


de son contexte et des solutions associées.

• A partir de cette base, le logiciel de CBR recherche


des cas similaires, et pas seulement identiques.
• Ainsi, lorsqu'un client pose une question qui a
déjà été résolue, la solution lui est fournie
immédiatement.

• Si le système ne distingue pas un cas


correspondant exactement à la demande, il
recherche alors les plus proches, grâce à
l'utilisation de la logique floue.

• Les réponses sont fournies avec des coefficients


traduisant la proximité du cas avec le besoin de
l'utilisateur.
• Appliqué depuis des années dans des centres de
support client, le CBR convient particulièrement
lorsque la relation client - en avant-vente ou en
après-vente - se fait via internet.

• En avant-vente, un "vendeur virtuel" guide les


clients sur le site et se charge de trouver des
produits de substitution.

• En après-vente, un "technicien virtuel" pose au


client les bonnes questions et recherche, dans sa
mémoire d'expériences passées, des problèmes
similaires résolus.
• Exemples des questions:

• " J'entends certains bruits sur mon véhicule".


– Le système lui propose une taxinomie des différents types de
bruits.
– Une fois la question définie sans ambiguïté, le logiciel la compare
avec les cas enregistrés les plus pertinents.

• " Je cherche une bouteille de Mouton Cadet 1996 à 120


francs."
– Cela permet de lier le produit demandé - une bouteille de Mouton
Cadet - à un autre similaire (dans la même catégorie) dans la
même tranche de prix.
– La réponse peut alors prendre la forme suivante : " Je n'ai pas de
Mouton Cadet 1996. Je vous propose à la place une bouteille du
même cru de 1997 à 100 francs ".
• Développement et enrichissement de la base de cas:

La base de cas peut être enrichie de deux manières


:
• soit en ajoutant les nouvelles questions posées
et les réponses adéquates,
• soit en transformant un texte libre en base de
cas par génération assistée.

Dans les deux situations, un nouveau cas doit être


validé par un technicien ou un expert.
4. Réseaux de neurones
• Ces réseaux issus de la biologie représentent de façon
simplifiée les interconnections du cerveau humain.

• Les réseaux neuronaux artificiels utilisent des


méthodes statistiques telles que les probabilités et
les distributions.

• Ces outils sont généralement utilisés pour


l'estimation, la prédiction et la segmentation.

• Cependant, les modèles qui en découlent sont


difficiles à comprendre.
5. Algorithmes génétiques
• Les algorithmes génétiques fournissent des solutions aux
problèmes n'ayant pas de solutions calculables en temps
raisonnable.

• Selon cette méthode, des milliers de solutions (par analogie avec


les génotypes) plus ou moins bonnes sont crées au hasard, puis
sont soumises à un procédé d'évaluation de la pertinence de la
solution,

• mimant l'évolution des espèces : les plus "adaptés", c'est-à-dire les


solutions au problème qui sont les plus optimales, survivent
davantage;

• et la population évolue par générations successives en croisant les


meilleures solutions entre elles et en les faisant muter, puis en
relançant ce procédé un certain nombre de fois afin d'essayer de
tendre vers la solution optimale.
• Cette représentation nous permet donc d'étudier
des propriétés quasiment impossibles à étudier
dans leur milieu naturel, ainsi que de résoudre
des problèmes n'ayant pas de solutions
calculables en temps raisonnable.
6. Réseaux bayésiens
• Les réseaux bayésiens sont les modèles qui
permettent d’estimer la probabilité d'occurrence
et fournissent une représentation visuelle
(graphique) et une explication justification du
modèle.
• Technique mathématique combinant statistiques
et intelligence artificielle, les réseaux bayésiens
permettent d'analyser de grandes quantités de
données pour:
– en extraire des connaissances utiles à la prise de
décision,
– contrôler ou prévoir le comportement d'un système,
– diagnostiquer les causes d'un phénomène, etc.
Valeur de client
Il y a longtemps, les entreprises ne cherchaient pas à savoir
ce que leur rapportaient ou coûtaient leurs clients, qu’ils
soient fidèles ou non.

Seule l’analyse de la rentabilité par produit importait pour


maîtriser la rentabilité globale.

De nos jours, les entreprises ne peuvent plus se contenter


d’une lecture de rentabilité par ligne de produits. Elles
doivent intégrer une lecture par activité pour intégrer le
coût de l’avant-vente et de l’après-vente, et des systèmes
d’information qui gèrent ces tâches.
Les premières études sur les coûts client montrent
de profondes inégalités dans leur répartition.

Il n’est pas rare de constater qu’un tiers des


segments de clientèle ne dégage aucun bénéfice,

et que 30 à 50% des frais de commercialisation et


de service à la clientèle sont gaspillés en efforts
visant à acquérir et conserver ces mêmes clients.
L’absence de données relatives à la rentabilité du
portefeuille de clients signifie que les responsables
marketing se trouvent dans l’impossibilité d’identifier les
clients qui contribuent le plus au résultat net.

En conséquence, les actions engagées pour fidéliser les


clients existants reposent essentiellement sur des critères
subjectifs basés sur l’expérience, l’habitude ou l’intuition.

Ainsi, l’entreprise n’est pas capable de diriger ses


investissements commerciaux vers les clients créateurs de
valeur.
La mise en place d’un projet CRM modifie la structure des
coûts de l’entreprise et permet de mieux suivre les
dépenses en client:
• coût de commercialisation d’un produit,
• coût de transformation d’un prospect en client (coût
d’acquisition),
• coût de fidélisation,
• coût des remises promotionnelles,
• coût d’actions commerciales,
• coût de services aux clients,
• coût de qualification des données client.

Il est nécessaire donc de comprendre la répartition de ces


coûts pout évaluer la rentabilité du projet.
Pour évaluer les coûts clients, la méthode des coûts
complets a montré ses faiblesses, dont les principales sont:

• La prise en compte de charges non imputables risque


d’affaiblir le contrôle des coûts réels.
• Les responsables d’exploitation sont plus efficaces lorsqu'il
s’agit de contrôler les coûts directs et les coûts imputables.
• L’affectation arbitraire de charges non imputables risque
de les décourager dans leur responsabilité de maîtrise des
coûts.

Compte tenu de cette limite, de plus en plus d’entreprises


tournent vers la méthode ABC (Activity Based Costing).
Cette méthode donne aux managers une vision précise de la
façon dont les clients consomment les ressources.
Il y a longtemps, selon l’approche transactionnelle, il y
avait la logique du court terme (opération d’achat
unique).

Avec l’approche relationnelle, la logique du long terme et


de la continuité de la relation nous amène à s’intéresser à
la valeur du client.
VANC (Valeur Actuelle Nette du Client)
vs
VVC (Valeur à Vie du Client)
• VANC est une valeur actuelle de la relation avec un
client estimée sur la base de la détention de produits
actuelle.

• On l’appelle également «valeur effective» ou «valeur


réelle »:
– tout ce que l’entreprise a gagné grâce à ce client;
– moins tout ce qu’elle a investi pour l’acquérir et le retenir
(fidéliser);
– ceci actualisé selon les années.

• A ne pas confondre avec la VVC (Valeur à Vie d’un Client).


Valeur Vie Client
• La valeur vie client ou « Customer Life Time Value" (CLTV) est une notion impliquant
une vision à moyen/long terme de ce qu’un client peut rapporter à l’entreprise.

• C’est donc la somme des profits actualisés attendus en moyenne sur la durée de vie
d’un client.

• Il s'agit donc d'un indicateur prédictif dont le calcul peut cependant en partie se


baser sur des valeurs vie réelles passées.

• Lorsqu’on se penche sur cette valeur, on comprend très rapidement l’importance


de la fidélisation et de la conservation de la clientèle.

• Élaborée à partir de la durée de vie moyenne d’un client et de l'évolution théorique


des consommations, la notion de valeur vie client explique que des sociétés
d'assurances peuvent dépenser plusieurs centaines d'€ pour recruter un assuré qui
restera en moyenne client 15 ou 20 ans.
• VVC réunit la valeur effective (VANC) et la valeur
potentielle d’un client.

• Elle peut donner lieu à une modélisation


complexe qui dépend:
– du contexte,
– de l’historique des transactions du client,
– du comportement relationnel du client,
– des prévisions sur l’évolution du comportement ...
Remarque : 

• Il peut être intéressant de calculer la VVC de


manière différenciée selon les groupes de clients
au sein de l’entreprise,

• notamment si ces derniers n’ont pas tous le même


profil ou le même comportement.
• La manière la plus facile de calculer la VVC est
d’additionner les revenus obtenus grâce à un
client (revenu annuel multiplié par la moyenne de
la durée de vie de ce client) moins le coût initial
de l’acquisition de ce client:

VVC = Chiffre d’affaire annuel moyen par client x Durée de


vie du client – Coût d’acquisition du client
On peut aussi raisonner non pas en terme de chiffre
d’affaires mais de marge:

• VVC = Chiffre d’affaires moyen par client X taux de


marge X durée de vie moyenne du client – Coût
d’acquisition du client
Actualisation
Pour comprendre le pricnipe d’actualisation regardez cette vidéo:

https://www.youtube.com/watch?v=A0FEwTuet2c
D’autres variables d’ajustement peuvent être
introduites :

• l’inflation,

• le taux de rétention client (lié à la fidélisation),

• le taux d’attrition (churn).


Un client ne présente de la valeur aux yeux de l’entreprise
que si le ratio est supérieur à 1.
• En résumé, il y a plusieurs formules possibles pour calculer la
Valeur à Vie du Client, et c’est au responsable commercial ou
marketing de définir la formule exacte et de prévoir une
modélisation, en collaboration avec un informaticien.

• Ce qu’il faut retenir, c’est la logique de ce calcul:


– On prend l’ensemble de revenu que ce client nous a rapporté et ce qu’il
est prévu qu’il va nous rapporter sur toute la période de sa durée de
vie:
• Qui peut être exprimé en chiffre d’affaires ou en chiffre d’affaire x taux de marge
commerciale;
– On en soustrait l’ensemble des coûts que l’entreprise a supporté pour
acquérir (pour une fois) et retenir (fidéliser) ce client (sur toute la
période de sa durée de vie);
– On intègre le taux d’actualisation pour estimer la vraie valeur de
l’argent, car une somme d’argent d’aujourd’hui n’a pas la même valeur
que cette même somme d’argent il y a un an ou d’ici l’année prochaine.
Comme la durée de notre relation avec le client est à moyen et long
Ainsi, le calcul des coûts clients, de la VANC et de la VVC nous
permet de répondre aux questions: