Data mining

La connaissance client est le nouveau capital des entreprises

La bataille autour des prix et des produits ne suffit plus pour obtenir un avantage concurrentiel. Les entreprises doivent connaître leurs clients pour leur proposer, selon l’expression consacrée, « le bon produit, au bon moment et avec le bon canal ». Tous les secteurs sont concernés par ce nouveau paradigme : « Placer le client aucoeur de l’entreprise », c’est-à-dire mieux connaître son client, le reconnaître et tisser avec lui une relation durable et attractive en lui proposant des services, des avantages ou du statut (club affinitaire). On parle de marketing différencié, à l’opposé du marketing de masse où l’on s’adresse à tous les clients d’une seule et même voix. Les clients sont tous différents, ils n’ont pas les mêmesbesoins, ni les mêmes habitudes ou les mêmes attentes. Il faut donc adapter la relation que l’on entretient avec le client, à la fois pour le fidéliser mais aussi pour augmenter le chiffre d’affaires qu’il génère (on parle d’augmenter la valeur client).

Les programmes de fidélité permettent, grâce à l’utilisation de la carte de fidélité, d’identifier le client et de le « tracer » au fil de sarelation avec l’entreprise ou l’enseigne. On parle d’ailleurs de Chiffre d’affaires identifié ! Ces programmes de fidélité doivent donc être attractifs et différenciants.

Grâce aux moyens informatiques, les entreprises engrangent de nombreuses informations sur leurs clients. Ces informations viennent de sources hétérogènes : transactions d’achat (tickets de caisse), informations identitaires(questionnaire d’adhésion à un programme de fidélité), contacts avec le service relation client (service consommateur, SAV…). De ces informations clients, il devient nécessaire d’en déduire de la connaissance client, comme par exemple des comportements d’achats (le fameux RFM – Récence, Fréquence, Montant – dans la VPC ou la distribution), leur propension (ou probabilité) à acheter un produit (scored’appétence), leur vulnérabilité à la concurrence (score d’attrition), leur versatilité à changer d’enseigne (score de churn, « CHange and tURN », notamment dans la téléphonie mobile), leur réceptivité à un canal (courrier, SMS, e-mail…). On étend le principe du crédit-scoring, bien connu dans le monde bancaire, à tous les aspects de la gestion de la relation client.

Passer de l’informationbrute à la connaissance client nécessite de « transformer » les données, de passer de la transaction commerciale (tickets de caisse, minutes de téléphone) à des indicateurs pertinents (panier moyen dans la distribution, part des communications téléphoniques au national, à l’international de chaque client, client mono-détenteur/multi-détenteur de produits financiers, etc.). Et pour cela, il faut desméthodes, des techniques, des outils et des compétences en STATISTIQUE.

Le Data Mining (ou « fouille des données », en français) est le processus qui permet de passer de l’information brute (le minerai contenu dans les profondeurs des bases de données marketing) à la connaissance client qui permet d’actionner avec pertinence la relation avec le client (c’est le carburant ou l’énergie qui met enaction). Si les techniques de Data Mining empruntent à la statistique (analyse factorielle, classification automatique, régression multiple ou logistique, analyse discriminante) et à l’intelligence artificielle (arbre de décision, réseaux neuronaux), la méthodologie est spécifique aux bases de données marketing car :

? Les données n’ont pas été collectées pour être analysées (ce sont des donnéesde gestion, donc pas de protocole de collecte ou de plans d’expérience),

? Les tests de significativité ne sont plus pertinents (plusieurs dizaines de centaines de milliers, voire de millions d’observations),

? Il n’y a pas d’hypothèse H0, ni de modèle a priori (appelé modèle explicite, dont on pose l’équation) que l’on confronte aux données pour le valider ou le rejeter. Mais ici, au…