Les avancées dans le domaine de la connaissance des clients

6296398_blog

Les visites sur Internet sont une manne pour connaître les clients

Le site voyage-sncf.com par exemple enregistre 6,9 millions de visiteurs uniques par mois (sources Fevad-Médiamétrie 2è trim 2015). Il dispose de 2 datacenters qui traitent 60 téraoctets de données chaque mois.
L’analyse des données clients passe par la conception d’algorithmes complexes qui établissent un lien entre les observations de différentes natures et des probabilités d’achat.

Plus les données sont riches et variées, plus les algorithmes seront pertinents

la richesse de la donnée permet d’individualiser plus finement la réponse apportée au client. Dans l’exemple du voyage, un client qui s’intéresse à un vol pourra se voir proposer un hébergement correspondant précisément à ses goûts et son budget. Il sera même possible d’associer une promotion adaptée à sa recherche.

Pourquoi n’en sommes nous pas encore au niveau de pertinence attendu.

Il est vrai que les e-mailings, sms ou autres que nous recevons ne sont que rarement pertinents. C’est que le sujet est complexe.
Il ne s’agit pas seulement de constater que vous avez demandé par deux fois un hôtel quatre étoiles pour en déduire qu’il s’agit là de votre préférence.
La grande question est celle dite de la « contextualisation », c’est à dire de l’interprétation de votre demande en intégrant les éléments du contexte de cette demande.

Comment avancer efficacement dans la connaissance client ?

On avance sur ce sujet grâce aux données indiquant le canal utilisé, la localisation et grâce aussi aux informations concernant les déplacements et le temps.
Sur quel canal avez-vous fait votre recherche, dans quel lieu, à quelle heure ? Ces informations vont permettre de donner une « valeur » à cette navigation qui sera enregistrée comme une métadonnée.
Ainsi notre client est-il peut-être celui qui donne les bons tuyaux à ses collègues de bureaux sur les lieux de vacances à l’autre bout du monde, mais ne part jamais hors de France.
Pour renseigner ses collègues il utilise sa tablette aux heures de bureau. Devant son ordinateur à la maison en soirée, il consulte les gîtes de province dans le cadre de sa recherche personnelle. Les données de localisation et de temps vont nous permettre de distinguer ces deux comportements.
Je me rappelle d’une étude que nous avions fait pour une banque et qui nous avait permis de comprendre les usages des DAB (Distributeur automatique de billets) en analysant les lieux de retrait (à proximité du travail, du lieu d’habitation où de lieux de séjours), les montants retirés et le jour du retrait. On pouvait en déduire des modes de « fonctionnement » de nos clients et y associer des styles de vie.

On gagne aussi en hybridant les données

Le croisement de données internes à l’entreprise avec des données issues d’autres sources est un facteur de richesse considérable.
J’ai eu l’occasion, pour une banque, de croiser un fichier de clients supposés à haute capacité d’investissement avec une mégabase de données de consommation (les consommateurs sont invités dans le cadre d’un sondage à enregistrer tous leurs achats semaine par semaine).
Le résultat a été spectaculaire en terme de connaissance. Les modes de consommation nous ont permis de valider notre algorithme de classement des clients dans des groupes à fort pouvoir d’investissement et à retirer certains types de clients de ce segment.
Nous étions dès lors beaucoup plus pertinents dans nos propositions.
Mais ce n’est pas dans la culture française et encore moins dans la culture bancaire d’échanger des données. L’expérience que j’évoque ici n’a pas eu de lendemain.
Il faut que nous apprenions à échanger les données entre intervenants de secteurs différents, en respectant bien entendu la confidentialité des données, ce que l’on est tout à fait en mesure de faire, si nous nous en donnons les moyens.
Les DMP sont dans ce domaine la preuve que les choses avancent aussi dans ce domaine.

Pour faire avancer la connaissance client il faut supprimer les effets de silos

Les équipes chargées de la connaissance des clients doivent-être pluridisciplinaires. Elles doivent compter des compétences en codage informatique, en analyses statistiques, en modélisation mathématiques et marketing.
Il est intéressant de leur associer des experts en communication. Les moyens financiers ne viendront que si des Directions clientes acceptent de s’intéresser à ce potentiel de connaissance et commandent des études.
Si un communicant ne leur « vend » pas le projet, elles préfèreront ronronner sur des pratiques usées et peu productives, mais moins risquées parce que connues et reconnues.

Big Data study Case ING Belgium


Pourquoi se lancer dans le Big Data?

Pour ING Belgium, le choix de s’orienter vers le Big Data est lié à la nécessité de trouver de nouvelles ressources de ciblages.

En 2009, 5% des contacts commerciaux s’appuient sur des modèles de scores. Mais en 2014, c’est 60% des contacts qui résultent de modèles prédictifs.Environ 4,4 millions de scores sont utilisés dans la sélection des clients à contacter.

La demande du marketing porte sur des ciblages de plus en plus fins et le potentiel de réponses basées sur les techniques utilisées jusque-là s’épuise.

Pour qui et sur quels thèmes initier la démarche ?

En 2014, ING Belgium décide de créer un « Lab Big Data ». Les premières applications sont réalisées pour le marketing « retail » et les entreprises. La Direction du Marketing était la plus intéressée par cette démarche et constituait un excellent « sponsor ».

Les premiers travaux portent sur des données non structurées, il s’agit d’exploiter les « commentaires libres » laissés par les conseillers dans l’outil de CRM. La recherche s’oriente ensuite vers l’identification du réseau de contacts des clients entreprises. Ces travaux sont très vite encourageants.

Aujourd’hui le Big data est bien installé dans une fonction d’exploration de données qui ne seraient pas exploitables par les techniques habituelles d’analyses statistiques.

Comment organiser un « Lab Data » ?

L’équipe est constituée de 9 personnes. Elle présente la particularité d’être pluridisciplinaire

  • 3 spécialistes de l’IT qui maintiennent la plateforme et déploient les outils*
  • 1 expert métier
  • 3 Datascientists
  • 1 planificateur/organisateur

Quelle expérience en retire ING Belgium ?

Tout d’abord le Big Data recèle bien des trésors de connaissance.

Dans le cas présent, le Big data est envisagé comme un outil de R&D. La plateforme est déconnectée des infrastructures de production de la Banque. On gagne en souplesse et on ouvre des voies de recherche qui n’auraient pas pu être investiguées autrement.

Pour ING Belgium, la clé du succès d’un Big Data de R&D repose sur une équipe pluridisciplinaire constituée d’experts IT, d’experts métiers, de Datascientists et d’au moins un organisateur.

Le Datascientist doit avoir un profil particulier. Il a d’autres compétences que le statisticien travaillant habituellement sur les scores.

  • Il a l’esprit tourné vers l’exploration, il est curieux, il est autonome pour trouver des solutions
  • Il a une bonne expertise du métier pour lequel il fait ses recherches
  • Il sait coder en différents langages pour assurer son autonomie (dont « R » et « Python »)
  • Il est statisticien et mathématicien
  • Il a des connaissances en intelligence artificielle
  • Enfin, il aime travailler en équipe

Comme on s’en rend compte, il n’utilise pas spécialement SAS ou d’autres outils standardisés d’analyses statistiques (SPSS…)

Une autre clé du succès tient à l’organisation du travail. Il est indispensable d’entretenir un rythme soutenu sinon le risque de s’enliser dans des recherches sans intérêt existe réellement.

ING Belgium s’organise avec des méthodes agiles (dans ce cas, c’est du Scrum avec des « sprints » de 2 semaines).

Tous les 15 jours une réunion de travail permet un échange pluridisciplinaire sur les recherches engagées et prend la décision de continuer ou d’arrêter l’analyse.

Le succès de cette démarche ouvre sur de nouvelles questions, l’une d’entre elles retient l’attention.

Compe tenu de la connaissance métier nécessaire au Datascientist et au travail d’équipe à organiser autour de thèmes de recherche, faut-il ouvrir ce Data Lab à d’autres Directions de l’entreprise, ou créer autant de Data Lab que de domaines d’expertises ?

Nous verrons dans un prochain article un début de réponse à cette question.

voir la vidéo de l’intervention lors de la conférence Eacp-Marketvox, IESEG

Study Case Big Data ING Belgium