Segmentation client data driven

Personnaliser la relation client n’est plus un choix, mais un pré-requis qui impacte significativement la valeur des clients tout au long de leur cycle d’achat : de l’acquisition à la recommandation en passant par la rétention. Pour mettre en place cette stratégie de personnalisation, les marketeurs disposent de différents outils et techniques se basant sur une connaissance fine des comportements clients, acquise grâce à l’exploitation des données clients. La segmentation est un outil incontournable, simple et puissant. C’est la première étape dans la construction d’une stratégie client personnalisée, permettant une communication  différenciée avec chaque groupe de clients avec des comportements similaires.

Dans cet article, nous nous intéressons à l’apport de la data science dans cette technique classique et comment notre approche méthodologique nous permet d’objectiver la segmentation tout en intégrant les contraintes et connaissances métiers. Ainsi nous présenterons notre approche permettant de concilier pertinence métier et robustesse statistique.

Une segmentation est une opération consistant à regrouper les clients partageant des caractéristiques similaires dans le but d’opérer sur chaque groupe des actions adéquates et différenciées. Les segmentations marketing ont longtemps été conçues à partir de croyances sur les profils et comportement clients ou d’étude quantitative et qualitative. Mais la data science peut objectiver ces analyses, en exploitant les données de comportement et de profil des clients. Ces segmentations data driven vont prendre en compte différents types de données : des données démographiques (de profil client), des données géographiques, des données de comportements (achats, navigation…) et des données de préférences des clients. Les critères pouvant être utilisés dans une segmentation sont multiples et dépendent du secteur d’activité de l’entreprise mais aussi de l’objectif final de la segmentation.

La mise en place de segmentation marketing data driven va se baser sur des méthodes de clustering. L’objectif est de regrouper des clients partageant des caractéristiques similaires au sein d’un même cluster. Outre ce travail purement statistique, la segmentation pour être pertinente et actionnable doit intégrer les spécificités sectorielles et les contraintes métier. Le travail du data-scientist ne s'arrête pas une fois le clustering effectué. En effet, la mise en place des stratégies d’activation pertinentes passe par une forte compréhension des critères d’affectation des clients à un cluster et des différents profils des clients. Afin de permettre une utilisation de la segmentation par les marketeurs, les data scientists doivent interpréter l’algorithme et le rendre facilement compréhensible quitte à diminuer la précision de l’algorithme.

La mise en place d’une segmentation sera accompagnée par la mise en place d’actions de communication différenciées sur chaque segment, permettant de s’adapter aux préférences et caractéristiques des différents segments. Cette personnalisation aura un impact significatif sur le comportement du client (en termes d’achat, de réachat et de recommandation) mais aussi en termes de valeur client.  Elle va  permettre de délivrer un message approprié par la compréhension fine des besoins d’un groupe de client, ce qui va permettre une amélioration significative de l’expérience client et donc une meilleure rétention des clients.  En complément le suivi de la segmentation dans le temps va permettre d’identifier les tendances émergentes, des changements de comportement parmi les clients ou une nouvelle typologie d’acheteurs.

Comme souvent en Data Science, il n’y a pas de recette miracle mais plutôt un ensemble de techniques qui sont appropriées à certains cas d’usage. Nous présentons néanmoins une approche générique permettant de réaliser une segmentation robuste et intégrant les contraintes et enjeux métiers.

La première étape est la définition de l’objectif et des spécificités métiers, qui va nous permettre de déterminer l’ensemble des contraintes à intégrer dans notre travail  de segmentation. Voici un exemple de liste de questions nécessaires pour la création d’une segmentation actionnable :

•  Quel est l’objectif de la segmentation? Développer la fidélité , la valeur client…?
•  Souhaite-t-on développer une nouvelle segmentation ou affiner une segmentation existante
• Y a t’il des groupes de clients prioritaires à isoler à priori?( ex nouveaux clients)
• Quel est le niveau de granularité souhaité?
• Y a t’il des critères de segmentation qui ne seront pas ou plus pertinent à court terme  (ex changement de gamme de produit ou de prix)

Après avoir défini les objectifs, il faut regarder la donnée de manière approfondie, on peut distinguer deux étapes, l’étude sur la qualité de la donnée et la phase exploratoire. 

Tout d’abord, chercher et corriger les potentiels problèmes de qualité. Cette étape est la pierre angulaire de la stratégie marketing qui sera mise en place. En effet, si les données clients sont incomplètes ou de mauvaises qualités (ex présence de doublons), les résultats ne pourront être à la hauteur des attentes et les enseignements seront biaisés. 

Ensuite vient l’exploration des données nous permettant de calculer les premiers indicateurs décrivant les comportements clients et les premières analyses univariées puis multivariées. Cette étape est centrale car elle permet de mieux comprendre les comportements clients et permet d’enrichir la segmentation statistique avec des à priori métiers sur le comportement client. Ces enseignements seront également la base de la stratégie d’activation.

L’étape de segmentation a pour but de créer des groupes de personnes homogènes. Cette étape se divise en trois phases: d’abord, le preprocessing afin d’utiliser de manière optimale nos variables explicatives dans la segmentation. Il est en effet nécessaire de retraiter les variables continues et catégorielles. 

Par la suite, deux choix sont possibles: 

• Utiliser ces méthodes sans réduction de dimension afin de garder les variables explicatives dans la segmentation
• Ajouter une étape de réduction de dimension (PCA) afin segmenter les clients avec moins de variables explicatives. 

Dans ce dernier cas, le but est de réduire le nombre de variables explicatives ainsi que la colinéarité entre les variables. Cette étape est optionnelle et l’un des inconvénient est la perte d’explicabilité par la création de nouvelles variables dépourvues de  sens métier. Enfin il faudra choisir le meilleur algorithme pour effectuer la segmentation. Nous comparons généralement deux approches, l’ACH et les KMeans, aussi bien en termes de robustesse et qualité de modèle qu’en termes de représentation métiers des résultats.

Une fois la segmentation statistique réalisée, il faut l’interpréter pour pouvoir ensuite donner aux marketeurs les éléments leur permettant de mettre en place une stratégie marketing différenciée. L’objectif  est de qualifier chaque segment, comprendre quelles sont les caractéristiques communes que partagent les clients appartenant au même cluster. Pour cela plusieurs méthodes existent et peuvent être combinées: tel que, l’analyse des variables discriminantes, la construction d'arbres de décision pour reconstruire nos clusters. L’analyse de la stabilité temporelle de la segmentation et des évolutions intra cluster au cours du temps permettra de définir les évolutions naturelles du comportement client  et d’identifier les chemins vertueux. 

A la fin de cette étape,nous disposerons alors des critères d’affectation des clients à chaque cluster, nous permettant de définir les profils types des clients de chaque segment et de construire les chemins vertueux sur lesquels se basera la stratégie d’activation. Les enjeux marketing clés par segment seront également identifiés. En croisant l’analyse des segments avec l’analyse exploratoire préalable, il sera possible d’identifier pour chaque cluster les moments clés du cycle d’achat et les appétences et ainsi mettre en place une stratégie adaptée et différenciée basée sur des éléments quantitatifs combinés à la connaissance métier. 

Nous avons détaillé dans cet article l’approche nous permettant de mettre en place des stratégie client data driven reposant sur la mise en place d’une segmentation statistique interprétable et prenant en compte les objectifs et contraintes métiers. Dans un prochain article nous proposerons une revue des algorithmes de clustering et d'interprétation que nous utilisons dans ce type d’approche.