Ce n’est un secret pour personne : l’efficacité des campagnes marketing dépendent essentiellement d’une bonne sélection des personnes à cibler. Pour différencier leurs messages, la plupart des annonceurs conçoivent ainsi des segmentations marketing afin de comprendre et identifier les cibles les plus porteuses sur la base de critères socio-démographiques, comportementaux et affinitaires.
NON CE N’ÉTAIT PAS MIEUX AVANT…
Lorsqu’une segmentation classique consistait à classer les clients similaires en fonction de différents critères : genre, âge, CSP, valeur client (récence, fréquence et montant d’achat), les nouvelles méthodes et algorithmes permettent aujourd’hui d’affiner encore plus le spectre des connaissances client grâce au rattachement de nouvelles données provenant de sources multiples.
En intégrant de nouvelles sources, les data scientists enrichissent les formules de départ avec des données perfectionnant l’élaboration des profils marketing, permettant de proposer au client final une communication et une offre marketing plus personnalisée, plus adaptée à ses attentes et donc plus rentable. Issues directement de la DMP, des données Insee, des bases en open data, des réseaux sociaux, des plateformes digitales, du webscraping, de données partenaires, les données second et third party complètent les données propriétaires classiques -les données first party-et donnent une dimension plus complète et prédictive du potentiel client.
Une approche qui permet de prendre en compte les effets générationnels, d’identifier les leviers clés du parcours d’achat et mieux appréhender la lifetime value, la « valeur espérée » à moyen terme pour chaque client. Au-delà des actions commerciales et marketing, cette segmentation augmentée peut influencer la création de produits, le merchandising magasin, le choix des couleurs d’une communication, la couleur du prochain produit…
En passant d’une macro-segmentation centrée sur le profil et la valeur actuelle à une micro-segmentation centrée sur les attitudes et la valeur future, les clients sont vus comme une entité hétérogène où chaque groupe se distingue par ses intérêts, ses goûts et ses comportements, pour une vision stratégique plus globale qui permet de prendre des décisions en amont et d’adapter son offre à sa clientèle.
C’est la segmentation qui va révéler les caractères rassembleurs des différents groupes.
LA CLUSTERISATION NON SUPERVISÉE DANS UNE NOUVELLE ÈRE
Les anciennes techniques de segmentation des clients se basaient sur un ensemble de règles pour créer les différents segments et supposaient une connaissance des variables des segmentations en amont. Avec l’évolution des différentes méthodes de machine learning, la segmentation classique cède sa place à des techniques de clusterisation ou segmentation non-supervisée, qui peuvent détecter des relations, des similarités beaucoup plus complexes et ainsi créer des clusters plus circonstanciés.
En d’autres termes ce sont les similarités entre tous les individus qui créent des groupes de persona. Les critères similaires, et les analyses marketing qui en découlent, ne sont donc pas connus en amont de la segmentation. C’est la segmentation qui va révéler les caractères rassembleurs des différents groupes.
Vos données sont souvent sous-exploitées, pourtant plus vous disposez de données sur vos clients, plus les équipes data peuvent aller à un niveau suffisamment fin dans la segmentation pour optimiser significativement vos investissements en poussant uniquement les offres adaptées.
C-Ways, dont le cœur de métier consiste à répondre à ces problématiques dans la plupart de ses missions, développe des solutions et des méthodes ad hoc innovantes basées sur la puissance des algorithmes de la data science pour accompagner les entreprises dans la compréhension de leurs clients et établir leurs stratégies de demain. Prêt(e)s pour la segmentation 4.0 ?
Grégoire Mialet – Associé C-Ways