Cinq façons d'utiliser l'analyse prédictive

L'analyse prédictive offre un aperçu de l'avenir et donne accès à des informations stratégiques susceptibles de créer de nouvelles opportunités. Voici cinq façons d'utiliser l'analyse prédictive et de repenser votre approche des données.

Candidats qualifiés

D'après une étude de Forrester, l'analyse prédictive a identifié trois principaux cas d'utilisation pour la gestion des prospects. Plus précisément :

1. Notation prédictive : Cette méthode analyse la réaction des prospects à vos actions marketing et leur propension à passer à l'action suite à ces informations. Vous pouvez ainsi identifier plus rapidement les prospects sur lesquels concentrer vos efforts et ceux dont il est préférable de ne pas investir davantage.
2. Modèles d'identification : Cette approche consiste à comparer les prospects aux clients ayant déjà effectué des actions. Vous pouvez ainsi allouer vos ressources aux prospects les plus prometteurs en fonction de leurs interactions passées et identifier de nouveaux marchés insoupçonnés.
3. Personnalisation: En plus de prédire quelles actions sont les plus susceptibles d'être entreprises par les prospects, ces mêmes données permettent de déterminer quels prospects réagissent le mieux à quels types de messages. Cette segmentation avancée va plus loin que la simple répartition des prospects en groupes : elle permet de leur envoyer des messages beaucoup plus personnalisés.

Un exemple frappant a été présenté dans la Harvard Business Review, détaillant comment une concession Harley Davidson a augmenté ses prospects de 2930 % grâce à une IA nommée Albert.

L'IA a analysé les données CRM pour identifier les caractéristiques et les comportements des clients précédents. Elle les a ensuite segmentés en micro-segments en fonction de ces caractéristiques. Pour chaque segment, elle a testé différentes combinaisons de titres, de visuels et d'autres éléments afin de déterminer la plus performante.

La valeur de la qualification de vos prospects dépend fortement de la valeur et de la quantité de vos données. Aussi performants soient vos modèles statistiques, leurs capacités restent très limitées sans accès aux informations nécessaires pour mieux connaître vos clients.

Dans l'espace numérique – surtout si vous n'utilisez pas de CRM – le meilleur point de départ pour l'analyse prédictive sera presque certainement l'intégration de Google Analytics et de Google BigQuery.

Modélisation du comportement des clients

Bien que la qualification et la conversion des prospects constituent l'application la plus évidente de l'analyse prédictive, et probablement celle qu'il convient d'examiner en premier, elle est loin d'être la seule application marketing de cette technologie émergente. Cependant, la modélisation client en est un élément fondamental dans quasiment tous les cas d'utilisation.

On peut diviser la modélisation client en trois types de base : les modèles de cluster, les modèles de propension et le filtrage collaboratif.

Modèles de cluster

Le clustering est une méthode de segmentation des clients basée sur de nombreuses variables. Un modèle de clustering recherche les corrélations entre différents attributs et identifie des équilibres où certains types d'attributs tendent à s'accumuler. Ce qui distingue le clustering de la segmentation traditionnelle, c'est le nombre considérable de variables impliquées. Les clusters utilisent souvent 30 variables, voire plus, bien plus que ce qui serait possible avec une segmentation manuelle des clients, ou même si les clients eux-mêmes s'auto-segmentaient.

Les clusters se présentent sous trois formes :

1. Groupes de produits : Il s’agit de groupes de clients qui ont tendance à n’acheter que certains types de produits, ignorant les autres articles de votre catalogue.
2. Groupes de marques : Ces clients ont tendance à acheter auprès d’une sélection spécifique de marques.
3. Groupes comportementaux : Il s’agit de segments de clients présentant un ensemble spécifique de comportements, tels que les acheteurs fréquents qui passent de petites commandes, ou les clients qui préfèrent le centre d’appels au panier de paiement.

Il est important de comprendre que ces regroupements permettent de prédire à quels groupes appartiennent les individus, même avec des informations limitées. Si un individu achète un produit d'une marque spécifique, votre regroupement de marques peut prédire les autres marques susceptibles de l'intéresser, au lieu de se contenter de lui recommander systématiquement tous les autres produits de la même marque.

Modèles de propension

Un modèle de propension permet de prédire le comportement futur des clients en se basant sur les corrélations avec d'autres comportements et attributs. Ceci peut être réalisé grâce à l'analyse de régression ou à l'apprentissage automatique. Un bon modèle de propension contrôle autant de variables que possible afin d'éviter de confondre corrélations et causalité.

Voici quelques exemples de modèles de propension :

• Propension à l'attrition : Il s'agit de clients susceptibles de se désabonner si vous ne prenez pas de mesures, mais qui pourraient représenter une valeur importante autrement.
• Propension à se désabonner : Un modèle de ce type permet de déterminer la fréquence d’envoi d’e-mails appropriée, en pondérant la probabilité de désabonnement du destinataire par rapport aux éventuels effets positifs.
• Valeur à vie : Modéliser la valeur à vie d’un client peut vous aider à prendre des décisions marketing stratégiques si cela vous conduit à des clients ayant une valeur à vie plus élevée, ou à des comportements qui prolongent cette valeur.

D'autres modèles de propension consistent à prédire à quel point vous vous situez dans la valeur à vie d'une personne et quelle est la probabilité qu'elle convertisse ou achète.

Filtrage collaboratif

Si vous avez déjà vu les recommandations « Les clients qui ont aimé ce produit ont aussi aimé… » d’Amazon, vous savez de quel type de modèle il s’agit. À première vue, le filtrage collaboratif peut sembler similaire aux modèles de regroupement basés sur les produits, mais il est légèrement différent. Au lieu de regrouper les clients selon les types de produits qu’ils sont susceptibles d’acheter, les filtres collaboratifs font des recommandations basées sur un comportement agrégé.

Autrement dit, il s'agit moins des préférences de l'utilisateur en matière de produits que des comportements que les produits ont tendance à engendrer chez les utilisateurs.

Il existe trois types de filtres collaboratifs :

1. Recommandations de vente incitative. Il s'agit de recommandations pour une version supérieure d'un produit avant la conclusion de la vente.
2. Recommandations de vente croisée. Proposées également avant la conclusion de la vente, ces recommandations concernent un produit souvent acheté en même temps que le produit initial.
3. Recommandations complémentaires. Il s'agit de recommandations pour des produits que les gens ont tendance à acheter dans un certain délai après avoir acheté un produit précédent, comme le remplacement d'un produit en fin de vie ou l'achat de vaisselle après l'achat d'une table.

Mettre en relation le bon produit avec le bon marché

En partant de la modélisation client, il est possible d'identifier des marchés pour vos produits dont vous n'aviez peut-être pas conscience. Voici quelques exemples d'application :

• Intégrez les sources de référence à vos modèles de clustering. Vous pourrez ainsi identifier les sources de trafic corrélées à certains types de produits, marques ou comportements. Vous pourrez alors repérer immédiatement un nouveau marché pour ces produits ou marques.
• Intégrez les sources de recommandation dans vos modèles de valeur vie client. Cela vous permettra de déterminer les zones géographiques où investir davantage vos ressources marketing, puisque vous aurez une idée approximative du retour sur investissement.
• Recherchez les corrélations entre les sources de trafic et le succès des ventes additionnelles, des ventes croisées et des recommandations de suivi.
• Recherchez les corrélations entre les mots clés et vos modèles de clients.
• Analysez les attributs qui prédisent fortement l'achat de certains types de produits et identifiez d'autres marchés susceptibles de partager ces attributs et que vous n'avez pas encore ciblés.
• Analysez les cas exceptionnels présentant des performances élevées pour lesquels les données sont limitées et déterminez si une expansion sur ces marchés constitue une bonne option.

Mettre en relation les bons utilisateurs avec le bon contenu

Il existe plusieurs façons d'exploiter vos modèles clients pour mettre en relation vos prospects avec du contenu qui vous rapproche de vos objectifs ; certaines sont plus évidentes que d'autres. Voici quelques exemples :

• Associer le contenu aux produits ou aux marques en fonction des groupes appropriés
• Associer les utilisateurs aux textes de conversion lorsque les modèles de propension prévoient qu'ils sont les plus susceptibles d'acheter
• Recommander aux utilisateurs du contenu qui améliore leurs scores de propension
• Recommander aux utilisateurs du contenu susceptible d'accroître leurs chances de bien réagir à une vente incitative ou croisée.
• Faire correspondre les sources de trafic au contenu qui tend à produire des scores de propension élevés pour chaque source de trafic particulière.

Comme vous pouvez le constater, le nombre d'approches possibles augmente rapidement. Réfléchissez stratégiquement à la meilleure façon d'utiliser vos modèles et d'en tirer le meilleur parti.

Découvrir des informations stratégiques en marketing

Bien que certains outils d'analyse prédictive puissent automatiquement rationaliser votre processus marketing et générer des résultats (comme Albert l'a fait pour Harley Davidson), il est important de se rappeler que les décisions humaines jouent toujours un rôle très important dans ce processus.

L'un des principaux défauts des outils d'analyse prédictive et d'IA associés est leur tendance à « sur-apprendre » les données. Ils peuvent se retrouver bloqués à des valeurs maximales et minimales locales, incapables d'explorer de nouveaux horizons.

Pour éviter de tels pièges et tirer le meilleur parti de ces outils en général, il est nécessaire de trouver des informations stratégiques au sein de vos modèles d'analyse prédictive.

Par exemple, supposons que vous constatiez qu'un contenu spécifique tend à augmenter le score de propension de vos prospects ; vos systèmes d'automatisation peuvent alors être utilisés pour personnaliser la manière dont vos utilisateurs sont ciblés et les inciter à consulter ce contenu. Cependant, l'analyse prédictive ne peut pas vous indiquer s'il existe d'autres sources de trafic, non encore explorées, qui seraient pertinentes pour ce contenu. Grâce à votre expérience et à votre capacité de réflexion, vous pouvez identifier d'autres marchés potentiels pour ce contenu, les intégrer à votre modèle et observer l'impact de cette exposition.

Lorsque vous travaillez avec ce type de modèles, votre objectif doit toujours être de trouver des informations comme celles-ci et de les tester pour vérifier si les résultats sont conformes aux attentes. Si votre modèle fonctionne en mode automatique, il ne découvrira aucune nouvelle opportunité par lui-même.

_____

by Manish Dudharejia

Source: searchenginewatch.com