Overblog Suivre ce blog
Editer l'article Administration Créer mon blog
1 avril 2003 2 01 /04 /avril /2003 11:39

Ni devin, ni sorcier, le data mining est avant tout un outil qui segmente finement le fichier client et détecte de nouvelles cibles. La technologie se vulgarise à petit pas. Pourtant il ne suffit pas d’appuyer sur un bouton pour lancer une analyse ! L’aide de spécialistes est nécessaire pour transformer ses prédictions en actions opérationnelles et dynamiser sa stratégie de marketing direct…...

On attribuerait presque des miracles au data mining : une capacité formidable à révéler des comportements cachés des clients et prospects. Mais, derrière ce jargon d’informaticien se cache simplement un outil de traitement de l’information, basé sur des analyses statistiques.
Avec les débuts de l’informatique, les analyses statistiques ont trouvé une nouvelle application et le marketing s’est rapidement emparé de leur potentiel. « Les entreprises ont créé de gigantesques entrepôts de données, c’est le principe de départ du décisionnel, rappelle Philippe Nieuwbourg, PDG du cabinet conseil Marcom Génération. Une fois ces énormes bases construites et alimentées, comment faire pour comprendre les informations ? : Le data mining sert justement à mettre à jour des informations impossibles à déceler. »
L’objectif de l’analyse des données - ou data mining - est ainsi de compartimenter la base des contacts clients et de définir des comportements passés pour en tirer des conclusions pour l’avenir. Son intérêt est d’aller plus loin qu’un simple tableau de bord. « Certaines entreprises pensent disposer de toutes les analyses possibles avec leur panoplie de logiciels décisionnels ou de reporting. Mais ce n’est pas si simple ! Si elles ont ainsi une vision de leur activité commerciale, en revanche elles ne peuvent pas segmenter et classer leurs clients », explique Anne Gayet, responsable des études statistiques de AID, société de conseil en gestion de la relation client.

La partie cachée de l’iceberg

Les vépécistes les assurances et les banques ont tiré profit les premiers des outils de data mining. Leur profil correspond parfaitement au type de situation qui pousse les entreprises à tester l’analyse de données : « Le data mining est pertinent quand on a beaucoup de clients, beaucoup d’informations sur ces clients et beaucoup d’interactions avec eux ! », lance Didier Richaudeau directeur de l’activité data mining de Soft Computing. Or, « le problème majeur des entreprises aujourd’hui est qu’elles ne disposent que de critères limités dans leurs bases de données. Elles ont cinq ou six critères dans leur fichier pour décrire leurs clients et rarement de données qualitatives sur eux », remarque Philippe Nieuwbourg.
Un obstacle de taille qui rejoint un autre pré-requis indispensable à toute analyse : la qualité des données clients. Cela semble être une évidence, pourtant dès que le sujet data mining est évoqué, on oublie bien souvent cette partie cachée de l’iceberg. « 80% du travail consiste à préparer l’analyse, à nettoyer les données et à les traduire avec des indicateurs pertinents », explique Olivier Mazuel, DGA de MRM Customer Intelligence.
Le vépéciste France Abonnements dont la base de données contient plus de 3 millions d’adresses, a acquis progressivement l’expérience du data mining. Depuis les débuts 2002, France Abonnements s’est équipé du logiciel Set Analyzer de Business Objects en complément de l’outil data mining de SPSS. « Le conseil que je donnerais est de de rester très prudent, rappelle Serge Le Brun, directeur des études et fichiers. Si nous avons un doute sur un critère, nous ne l’utilisons pas. Et nous ne lançons des analyses que sur des données pour lesquelles nous avons un historique suffisant de l’ordre de trois ans au moins, par exemple, sur l’abonnement.  »
Si ce pré requis - disposer de nombreuses informations de qualité - est réuni, le data mining peut entrer en action ! En général, les responsables marketing commandent une première analyse avec l’une de ces deux interrogations en tête : Qui sont précisément mes clients  ? Pourquoi mes clients se comportent-ils ainsi ? Pour répondre à la première question, une typologie de clients va être établie. Par exemple, un distributeur souhaite faire un point sur l’utilisation par ses clients de sa carte de fidélité. Grâce aux capacités de modélisation de l’outil, deux groupes sont établis : les utilisateurs des points cadeaux de la carte et les non utilisateurs. Dans ces deux groupes, deux types de clients sont identifiés : les petits et gros acheteurs. Et ainsi de suite, jusqu’à segmenter finement par différents critères les types de clients. Cela facilite la détection de nouvelles niches de cibles. Les deuxièmes types d’interrogations sont plus précis. Il s’agit bien souvent de savoir pourquoi les clients quittent la marque ou bien quels types de clients vont quitter la marque. L’objectif du data mining est alors de «  cloner le comportement passé pour prévoir le futur, explique Didier Richaudeau de Soft Computing. Imaginons que vous avez des cycles de vente saisonniers et que vous voulez savoir quels sont les clients qui risquent de partir dans les trois prochains mois. Vous allez étudier le comportement des clients entre mai et juillet 2002, afin d’estimer quel est le niveau de risque que telle catégorie de clients vous quittent entre mai et juillet 2003. »
Une fois le modèle établi, il va être testé auprès d’un échantillon de clients pour en vérifier la validité… puis se transformer en actions opérationnelles : lancer une campagne de relance auprès de tels segments de clients à telle époque ou créer une nouvelle offre pour des prospects jusqu’à alors ignorés des campagnes habituelles. Néanmoins, on ne peut pas être sûr que telle analyse va éclairer d’un nouveau regard sa segmentation de clientèle. Pour une première approche, il est possible de faire appel à des sociétés spécialisées comme Soft Computing, AID ou Complex Systems ainsi qu’aux départements data mining des cabinets conseils comme MRM. Ces prestataires prennent en charge l’analyse et travaillent de concert avec l’équipe marketing interne. Les entreprises dotées d’un service études et fichiers font également parfois appel à eux. « Malgré notre expérience de vente à distance, nous pensons à confier à des prestataires certaines analyses très spécifiques », explique Serge Le Brun de France Abonnements.

Les interactions humaines

L’analyse de données ne peut être conçue qu’en binôme avec le marketing opérationnel. « Il faut accompagner le data mining d’une excellente réflexion métier en amont », remarque Serge Le Brun. D’ailleurs les analystes appartiennent aux services marketing, aux études et fichiers, et ne sont en lien avec le service informatique que pour récupérer les fichiers de données.
Au sein des Assurances Banque Populaire, les analyses sont assurées par l’équipe du marketing stratégique, responsable des études et fichiers, qui travaille avec le marketing marché et opérationnel. « Nous lançons les analyses soit sur la demande du marketing marché, soit de notre propre initiative, explique Fabrice Friedberg, chargé d’études marketing au sein de l’assureur. Nous voyons systématiquement en amont l’équipe terrain puis en aval, une fois l’analyse menée, afin de corriger le tir si besoin et de lancer les tests en réel. »
Cette collaboration s’avère indispensable à plusieurs titres. « Les outils de data mining ne sont pas adaptés aux non-statisticiens car ils nécessitent au préalable de travailler sur les données : faire le tri dans l’ensemble des données disponibles et recoder certaines informations. Les équipes marketing sont plus amenées à utiliser des outils de requêtes, qui ne sont pas des outils de data mining à part entière  », remarque Hélène Ivanoff, directrice du développement de Complex Systems, société d’études data mining.
Bien sûr, quiconque peut à priori utiliser un outil de data mining et sortir des résultats mais de quelle pertinence ? « Imaginez que vous vouliez segmenter vos cibles sur le marché du tabac : un non statisticien aboutirait certes à un résultat : que le marché a peu de chances de se développer sur la cible des moins de dix ans », s’amuse Philippe Nieuwbourg. Le rôle du statisticien n’est pas seulement de traduire les données en critères pertinents mais aussi de délimiter le champ de d’analyse. « Il apporte également sa valeur ajoutée en faisant appel à des techniques statistiques simples qui ne sont pas présentes dans les logiciels même les plus chers », ajoute Anne Gayet, d’AID.
Nombre de directions marketing opposent encore souvent l’analyse de données et leur vision du terrain. « La créativité est partie intégrante du marketing, qui repose sur une connaissance de ses clients mais aussi sur des convictions stratégiques. Les directions marketing ont encore parfois du mal à accepter la réalité des analyses », regrette Olivier Mazuel de MRM.
Froideur des chiffres d’un côté, qui scrutent sans à priori les comportements des clients, intuitions stratégiques de l’autre côté : pour que ces deux approches marketing parlent le même langage, des formations commencent à voir le jour. A Grenoble Ecole de Management par exemple, en collaboration avec l’éditeur SAS, un mastère spécialisé en informatique décisionnelle, a commencé en septembre 2002. Au Ceram de Sophie Antipolis les étudiants sont également sensibilisés à l’analyse de données : « Nous présentons à nos étudiants tous les outils reliés aux études statistiques et à la gestion des entrepôts de données dans le contexte plus global de la gestion de la relation client. Ils doivent comprendre le jargon des informaticiens pour mieux savoir ce qu’ils peuvent en attendre » explique Lyvie Gueret-Talon professeur de marketing management.
Si la préparation des données et la conception des modèles ne sont pas à la portée des néophytes, en revanche le lancement d’analyse sur des modèles pré-programmés peut être réalisé par le marketing terrain. Des suites logicielles, plus simples dans leur présentation, commencent à voir le jour. Aux Assurances Banque Populaire, il est envisagé à terme de donner accès à une partie de l’outil DataDistilleries aux équipes terrain : les statisticiens prépareront les modèles et les marketeurs pourront les utiliser, sans en modifier la structure. A la caisse régionale du Crédit Agricole Poitou-Charentes, il est également envisagé de donner accès aux experts métiers, via l’intranet, à quelques requêtes simples d’Alice d’Isoft. Chez Decisia, éditeur de Spad, des clients de l’opérationnel demandent parfois à être formé au logiciel : « Récemment un directeur général nous a demandé s’il pouvait participer à un séminaire pour apprendre à utiliser les statistiques, remarque Gilles Hustaix, pdg de Décisia. Les utilisateurs finaux veulent de plus en plus avoir directement accès au logiciel. »
Quand arrive le moment de s’équiper d’une suite logicielle data mining, le casse tête commence ! L’analyse de données est une niche du marché très dynamique de la Business Intelligence. D’après le cabinet d’études high tech Pierre Audoin Consultants, en 2001 le marché français du data mining, incluant licences et services représente un chiffre d’affaires de 40 millions sur les 785 millions d'euros pour la Business Intelligence. Sa croissance se situe entre 5 à 10% et concerne encore une clientèle majoritairement constituée de grands comptes.

Mosaïque logicielle

Ce segment est dominé par des éditeurs spécifiques anglo-saxons issus du monde de la statistique comme Sas ou Spss. Le logiciel Spad, de Decisia, met en avant son expertise des modèles statistiques des universitaires français. Cependant, les fonctions "data mining" commencent à se banaliser. Elles apparaissent aussi dans des suites décisionnelles telles celles de Business Object ou de Cognos. Elles complètent les progiciels de gestion de la relation client édités par Siebel, Sap, ou Oracle. Elles s’ajoutent aux outils de gestion de campagnes tel Marketic. Enfin, elles s’intègrent dans les progiciels Internet de type Websphère d’IBM. 
Par ailleurs la tendance se développe de proposer des produits simplifiés. Ils peuvent automatiser les modèles statistiques et prévoir des scénarios pré-définis. Certains sont limités à des modèles statistiques plus faciles d’accès comme les arbres de décision. Alice d’Isoft s’est positionné sur ce créneau depuis déjà plusieurs années. DataDistilleries, distribué par NextApplication, met aussi en avant sa facilité à être utilisé par des non spécialistes. KXEN est également un éditeur qui compte : son logiciel est intégré soit dans les suites d’autres éditeurs du marché soit dans les projets d’informatique décisionnelle globale de grandes entreprises.
En réalité, les services études fichiers des entreprises ainsi que les prestataires ne sont jamais équipés d’un unique logiciel ! Aux Assurances Banque Populaire, avant de s’équiper de DataDistilleries, le service étude utilisait déjà les logiciels de Sas et Spss. Les combiner les uns aux autres permet de disposer de toute une palette de logiques statistiques différentes. Les outils les plus sophistiqués ont la faveur des experts, ils leur laissent une plus grande liberté pour programmer leurs propres modèles. « Les outils sont assez complémentaires, confirme Olivier Mazuel de MRM. Mais des techniques sont parfois mieux formalisées chez certains ou privilégiées chez d’autres. On choisit aussi son logiciel en fonction de critères comme : la rapidité à traiter de lourds fichiers ou la capacité à s’intégrer au non aux plates-formes logicielles que vous avez déjà. Une autre dimension entre aussi en compte : le recrutement du statisticien ! Car les spécialistes sont formés sur tel ou tel logiciel : si vous ne l’avez pas, vous ne pouvez pas recruter des profils parfois très intéressants. »
Avant de diminuer ses coûts de mailings, grâce à un meilleur ciblage ou de booster son chiffre de vente auprès d’une cible sous exploitée, il faut d’abord débourser quelques milliers d’euros ! En sachant, comme le rappelle Philippe Nieuwbourg que « si les données ne sont pas bonnes, le coût de leur nettoyage peut représenter 10 ou 20 fois le coût d’acquisition d’un logiciel ». Pour s’équiper d’une suite analytique évoluée, les prix débutent à 50 000 euros jusqu’à 200 000 euros en fonction des éditeurs, des fonctionnalités ou du volume de la base traitée. A ce coût d’acquisition s’ajoute le coût de la création d’un poste de statisticien en interne. Les logiciels pré-programmés sont beaucoup plus accessibles à partir de 3000 à 7000 euros. Les sociétés spécialisées en data mining, qui récupèrent les données du client, les traitent, et mènent les analyses proposent des prestations entre 10 000 euros minimum et 100 000 euros, en fonction de la complexité de l’analyse.
Est-il vraiment temps de s’équiper en data mining ? La gymnastique statistique devrait logiquement se banaliser au fur et à mesure que les bases de données clients s’enrichiront. Alors, le "data mining" ne sera plus qu’un souvenir : il s’agira d’un outil décisionnel parmi d’autres, un indicateur sûr du potentiel client à coupler avec la vision stratégique du marché.

 


 

Projet data mining : quatre questions clefs

1. Cet outil est-il indispensable à une stratégie client ?
Le data mining est complémentaire à une stratégie marketing terrain. En se basant sur des analyses statistiques, il permet de segmenter plus finement la base de données clients et de découvrir des potentiels de cibles inexploitées. A partir des résultats des analyses, les campagnes terrain de marketing direct peuvent ainsi être optimisées.

2. Quelles sont les conditions pour obtenir des résultats performants ?
Avoir une base de données complète et saine : un projet data mining est pertinent si l’entreprise dispose de nombreux clients, de nombreuses informations sur eux, et des données régulièrement mises à jour.

3. Combien de temps pour obtenir des résultats ?
L’étape la plus longue consiste à préparer les données, les nettoyer et les transformer en indicateurs performants : en fonction de la situation de l’entreprise, cela peut se compter en mois voire en années. La seconde étape : la conception du modèle par un statisticien et le lancement de l’analyse prend en général au minimum un mois.

4. Comment débuter un projet data mining ?
Soit en externalisant le projet : en faisant appel à un prestataire spécialisé, qui analyse les données de l’entreprise. De nombreuses sociétés font ce choix même s’il existe des freins à confier ses données stratégiques à un prestataire. Soit en créant, au sein du département marketing études et fichiers, un poste de statisticien, afin d’utiliser les logiciels acquis.

 


 

Smatis : une année pour préparer les données

La mutuelle française Smatis a consacré l’année 2002 à améliorer l’accès interne à l’information sur ses clients. Ce travail sera rentabilisé sur les prochaines opérations de mailing.

Smatis, mutuelle complémentaire de santé et de prévoyance a lancé en avril 2002 une campagne marketing sur une nouvelle formule de garantie obsèques. Cela a constitué un test du data mining riche d’enseignements. D’un côté, les envois ont été réduits de moitié grâce à un meilleur ciblage des clients mais de l’autre les taux de retour du mailing ont été décevants…
« Les économies réalisées ont conforté nos prévisions de retour sur investissement du logiciel Enterprise Miner de Sas acheté en janvier 2002, confie Christophe Martino, responsable du pôle actuariat (statistiques et études). Mais nous avons aussi compris que nous manquions de données pertinentes pour comparer les résultats de cette campagne avec d’autres du même type. »
Le nettoyage des données à donc monopolisé l’année 2002 pour obtenir des bases fiables et homogènes sur les 120 000 adhérents. Cela a consisté en particulier à transformer en langage courant les informations fournies sous forme de codes par le service informatique. Par exemple la référence chiffrée d’un produit se traduit désormais par sa marque commerciale ou encore les jours apparaissent par leur nom et plus par leur nombre.
Depuis, les services marketing, commerciaux et financiers ont la même vision des données grâce à des tableaux de bord bâtis avec Sas. Des analyses vont être lancées sur trois domaines : la création de produits, la politique tarifaire et le suivi de la rentabilité des clients. Pour sa part, le marketing direct bénéficiera de meilleurs ciblages de ses campagnes de mailings et de télémarketing, avec pour objectif d’obtenir le même nombre d’adhésions pour un coût réduit. « C’est dans ce domaine que nous aurons les indicateurs les plus concrets pour justifier la rentabilité du data mining, poursuit Christophe Martino. Désormais nous souhaitons inverser la tendance et consacrer 90% de notre temps à l’analyse et 10% au traitement des données ! »

 


 

Crédit Agricole Poitou-Touraine : les statistiques en appuient l’expertise terrain

Grâce au data mining, la caisse régionale complète par la rigueur mathématique les ciblages des équipes de marketing direct.

Depuis janvier 2003, les 800 agents du réseau de la Caisse régionale du Crédit Agricole Poitou-Touraine testent en grandeur réelle les premiers bénéfices de l’apport du data mining dans le cadre des campagnes de vente de produits d’épargne.
Ainsi, ils ont pu vanter notamment les mérites du nouveau Plan d’épargne en action (PEA) qui vient de s’élargir aux fonds de placement européens en appelant un à un les clients d’une liste établie en fonction de leur potentiel d’achat. « Les taux de réussite ont augmenté de 15% par rapport aux listes établies auparavant sur la seule intuition métier des experts en marketing , affirme Manuel Pastor, responsable des études marketing. Ce gain s’explique, notamment, par le meilleur ciblage des clients puisque l’ensemble des listes a été classé par ordre décroissant de pertinence. »

Une analyse à 7500 euros

Les premiers pas vers le data mining correspondent à la création du service études et supports marketing de cette caisse, en mai 2002.
Afin de rationaliser la vision empirique de l’expertise marketing terrain, le nouveau service s’est donc attelé à constituer sa base de données orientée clients (datamart) en fiabilisant les références des 500 000 clients de la région et leurs 200 variables associées.
Après cette mise à plat indispensable, la segmentation et la modélisation du comportement des clients a été effectué grâce au logiciel Alice d’Isoft. « Cet outil est adapté aux premières expérimentations du data mining. L’on peut commencer à analyser et connaître ses clients avec un budget raisonnable de 7 500 euros », poursuit Manuel Pastor. Des compétences poussées en statistiques ne sont pas nécessaires pour tirer partie du logiciel. Il utilise, par ailleurs, la technique des arbres de décision dont la représentation est la plus compréhensible aux marketeurs.
Cependant, prévient Manuel Pastor, « il manque de méthodes statistiques exploratoires qui peuvent se révélées nécessaires pour pousser plus loin l’analyse et sortir de la simple problématique d’explication de variables ».

 

Sophie Maréchal et Laure Deschamps, Marketing Direct, avril 2003


 

Pour approfondir : les archives de Marketing Direct : http://www.e-marketing.fr/

Partager cet article

Repost 0
Published by Sophie Maréchal et Laure Deschamps dans MARKETING DIRECT - dans Vie numérique
commenter cet article

commentaires