Les marketeurs semblent avoir confiance dans leur capacité à délivrer le bon message aux consommateurs, notamment grâce à une meilleure compréhension et une analyse plus fine des données. Cette confiance se traduit-elle pour autant par des campagnes marketing plus efficaces ou mieux mesurées ? Rien n’est moins sûr, beaucoup de consommateurs semblent insatisfaits par les campagnes dont ils font l’objet. Selon une récente étude du Chartered Institute of Marketing (CIM), la moitié des consommateurs reçoivent quotidiennement un « niveau élevé » d’annonces jugés non pertinentes. Le marketing prédictif n’est en effet qu’à ses balbutiements, néanmoins certaines méthodes et pratiques permettent dès à présent d’avoir un rapport plus ROIste aux investissements Marketing et au ciblage des audiences quel que soit le canal de diffusion (On et OFF)
Prédire, la data plus que jamais au centre de la décision
Le Marketing Mix Modeling (MMM), qui repose sur de la modélisation économétrique, s’est imposé ces dix dernières années comme la méthode standard de prévision et d’optimisation ROIste. Il s’agit d’expliquer le volume de vente ou le chiffre d’affaire d’une marque ou d’une gamme de produit en fonction des différents leviers du Marketing Mix : TV, digital, prix, promotion, lancement produit, trade marketing, etc. Cette approche plus scientifique du Marketing a fait des émules, puisque même les Big Players du web tels que Google ou Facebook lancent aujourd’hui de grands programmes Marketing Mix Modeling. Le MMM permet en effet d’isoler les ROIs de chacun des leviers du Marketing Mix et d’en mesurer l’impact. L’étape suivante, menant au marketing prédictif, est la simulation de différents niveaux d’investissement sur l’ensemble des leviers, pour assurer une hausse de chiffre d’affaire pour la période suivante. Cette méthode permet aux entreprises d’être plus « data-driven », les managers et autres opérationnels des départements Marketing se nourrissant des résultats obtenus via la modélisation pour alimenter leur processus de décision et optimiser l’impact de leurs investissements. Les résultats sont tangibles, disruptifs, même lorsqu’il s’agit de mesurer les impacts online-to-store ou cross-device que les méthodes d’attribution n’arrivent toujours pas à prendre en compte. Ainsi en 2016, un grand groupe automobile, pour lequel Ekimetrics a déployé la méthodologie Marketing mix modeling, a validé plus de 10 millions d’euros de profit additionnel grâce aux prédictions issues du MMM, tandis qu’un assureur a engrangé plus de 50 millions de gains.
Un champ des possibles démultiplié
Au-delà des données de performance et des puissants « insights » délivrés par le MMM, la digitalisation du parcours client et la multiplication des nouveaux canaux a libéré des volumes de données gigantesques ; ces données sont à présent accessibles pour les experts métiers.
Mais devant un tel volume et un tel potentiel, le défi de conduite du changement et de formation des équipes est encore trop complexe pour réellement transformer cette opportunité en de meilleures décisions. On assiste en effet à une démultiplication des outils de datascience plug-and-play permettant de jouer avec les derniers algorithmes, mais ces outils sont encore aujourd’hui plus ou moins aboutis. Après une 1ère phase d’adoption, les annonceurs sont en majorité frustrés de leur portée réelle, et il apparaît que le chaînon manquant de la chaîne de valeur est un maillon humain et culturel : la capacité à comprendre et à retranscrire les mécaniques des métiers, les processus de prise de décision, et à les nourrir par des approches de datascience.
D’un point de vue technique, le potentiel du marketing prédictif a lui aussi été démultiplié ces dernières années. L’amélioration des algorithmes de Machine Learning et la maturation de technologies optimisant les calculs distribués rendent plus tangible le potentiel de prévision, et ce même en temps réel.
Sans maitrise, la puissance n’est rien
Pour s’inscrire dans les meilleurs pratiques, et jalonner le chemin vers le Marketing prédictif, il est essentiel d’établir une échelle commune de mesure pour les actions marketing et ne pas multiplier les approches en silos. Comme nous l’avons précédemment souligné de nombreux outils permettent à présent de répondre en partie à ces questions techniques. La maîtrise des procédés et de la donnée stratégique se situe au-delà des questions techniques, et pour cela il est nécessaire d’avoir une approche stratégique de sa donnée, afin de libérer la puissance des algorithmes. Modéliser les expertises métier, comprendre et structurer la donnée vraiment stratégique, bâtir un écosystème d’approches data cohérentes et connectées sont autant de questions-clés pour construire une vraie organisation data-driven.
ETUDE DE CAS
Le marketing prédictif renforce l’engagement client et le revenu
L’analyse des données ne révolutionne pas les grands principes du marketing, elle accroit le champ de possibles. Rapprocher les data jusqu’à présent en silos, croiser des dizaines de critères à la fois, raisonner en dynamique plutôt qu’en statique, bref créer des programmes d’analyse sophistiqués, intelligents et prédictifs est désormais possible grâce aux applications marketing et CRM de la technologie. La seule limite c’est désormais le ciel… C’est la raison pour laquelle les entreprises data-driven performent notoirement mieux que les autres. Si certaines bénéficient d’un ADN innovant hors du commun, la plupart sont juste pragmatiques, et prêtes à changer la manière dont elles prennent leurs décisions. Augmenter leur performance stratégique et opérationnelle est souvent le 1er levier qui les pousse à changer leurs habitudes de travail au quotidien. Les sociétés data-driven se donnent les moyens d’exploiter leurs données dormantes, méticuleusement collectées depuis des années, et par là de décupler leurs possibilités grâce à des méthodes statistiques innovantes et un accompagnement humain adapté.
Problématique de la marque
Comme dans tous les secteurs, les constructeurs automobiles doivent se tourner vers plus d’innovation et de créativité pour toucher leurs prospects de manière mémorable, et fidéliser leurs clients tout au long de leur parcours. Le secteur automobile traverse une période de transformation de grande ampleur : au-delà des problématiques logistiques et de construction, les comportements consommateurs évoluent vers une demande de plus en plus orientée « services ».
Traditionnellement quatre périodes critiques sont identifiées dans l’industrie automobile, exigeant des programmes CRM adaptés : prospection, achat du véhicule, livraison, après-vente. Dans l’idéal, ce cycle devrait être rebouclé avec du ré-achat. Si la problématique après-vente s’applique à de nombreux secteurs d’activités, c’est une période particulièrement stratégique chez les constructeurs automobiles. Entre deux achats, la période est longue. L’après-vente constitue une opportunité de générer de nouvelles opportunités de croissance, de renforcer la préférence de marque et de soigner la fidélité client. Les points de contact sont rares, très espacés (réparation, révision annuelle…) ce qui rend la relation client extrêmement difficile à mettre en place de manière efficace. Il est donc crucial de ne pas louper le coche, et de tirer le maximum de ces rares opportunités (d’autant qu’il est prouvé qu’il existe une corrélation directe entre relation après-vente, le taux de fidélité et le réachat).
Dans le cas de notre leader français de l’automobile, de nombreuses données étaient disponibles, les étapes du parcours consommateur étaient bien construites, un programme CRM déjà en place et implémenté tout au long du cycle de vie du client. Néanmoins, dans une recherche d’innovation et d’amélioration continue, l’objectif du groupe automobile était d’améliorer sa stratégie après-vente afin d’augmenter son chiffre d’affaire à court terme, et sa préférence de marque à plus long terme.
Pour être accompagné dans le renouvellement de sa stratégie CRM, et intégrer une approche prédictive basée sur l’analyse des données, le leader automobile s’est tourné vers un acteur data réputé pour sa créativité, sa vision stratégique et sa capacité à combiner une expertise technique avec une culture marketing innovante : Ekimetrics.
Solutions stratégiques
Remplacer l’ancien CRM par un CRM prédictif centré sur les besoins client : une approche innovante, des résultats quantifiables.
Pour réinventer sa stratégie relationnelle, et en opposition aux plans CRM traditionnellement construits sur la base de l’intuition ou de l’expérience, l’intelligence data a été injectée à chaque étape. Un programme automatisé et prédictif a été créé sur mesure, remplaçant celui déjà en place, en s’appuyant sur une combinaison de différentes méthodes de datascience (scoring, clustering..). De manière concrète, cela signifie que le programme relationnel a été mis en place pour analyser de multiples critères en flux : la gamme produit achetée par le client, sa fréquence et récence de visite, sa géographie, ses visites concessionnaires, sa révision annuelle effectuée ou non…avant de pousser un message marketing. Sur la base de ces informations très précises, le système est donc à même d’estimer et de prédire quel type de produit peut intéresser le client, quelle offre est la plus pertinente à ce moment-là, et quel discours spécifique est susceptible de l’activer. Le moment précis de son cycle de vie est également pris en compte, pour amener encore plus de pertinence et d’anticipation de ses besoins.
Mise en place opérationnelle
A nouveau, l’enjeu principal ne réside pas dans la méthode marketing ou CRM – le bon message, à la bonne personne au bon moment – mais plutôt dans la manière de le penser en amont, de jouer avec la data, le scoring, la priorisation, de manière à générer des prédictions fiables et ROistes :
- Pousser le bon produit au bon moment : parmi un catalogue de plusieurs
centaines de produits, forfaits, contrats de maintenance… une première
priorisation a été proposée afin de réduire le scope, et focaliser sur
les offres qui ont vraiment du sens pour le consommateur ou pour la
marque. Trois critères ont été choisis : les offres les plus populaires,
les plus récurrentes, et les plus profitables.
- Seuls les produits prédictibles ont été intégrés et les besoins
aléatoires ont été exclus. Via des analyses avancées et complexes, les
tendances d’achat de ces produits ont été identifiées, de manière
à pouvoir prédire la date à laquelle chaque client, et selon son propre
rythme, a besoin de chacun des produits.
- Pousser le bon message à la bonne personne : la segmentation
comportementale est au coeur de cette approche. Fréquence, récence,
modèle et âge de voiture acheté, distance de la concession,
souscriptions, contrats en cours sont croisés et analysés.
L’objectif est de créer des relations fines et d’arriver à
identifier le bon produit, la bonne offre et le bon discours. Meilleurs
prix, qualité de service, expertise technique ou tout simplement
préférence de marque sont des critères susceptibles de révéler des
profils différents.
- Proximité géographique : l’analyse de la fidélité client a
montré que les consommateurs sont plus susceptibles de passer à
l’acte quand il existe une proximité géographique. Afin de
maximiser l’impact de la communication, concessionnaire préféré,
concessionnaire visité ou concessionnaire d’à côté seront donc les
signataires des courriers et emails envoyés au consommateur.
