À l’ère du tout connecté, la donnée est devenue une problématique centrale des entreprises. Comme nous l’avons vu dans l’introduction à la data visualization, cette donnée représente un énorme potentiel pour l’appui décisionnel des entreprises.

Vers un changement de logique vis-à-vis des clients

L’émergence des outils de comparaison, l’ouverture progressive des marchés et la démocratisation du digital ont rendu les clients volatils, infidèles. Ces clients n’hésitent plus à changer de banque à chercher les meilleures offres quitte à y passer du temps : les clients ont le choix et ils le savent ! Face à ce nouveau paradigme, les entreprises et notamment les pourvoyeurs de services ont vite senti la nécessité de se concentrer sur la rétention des clients et non plus uniquement sur la conquête.

L’un des premiers secteurs victime de ce changement global de paradigme a été le secteur des télécoms. Malmenés depuis l’arrivée de Free Mobile et par le changement de business model imposé par celui-ci, les opérateurs historiques (triumvirat) face à des résultats chaotiques ont été obligés d’innover et de chercher à recréer de la valeur par tous les moyens.

Historiquement, le triumvirat se concentrait presque exclusivement sur la conquête (nouveaux clients), la libéralisation du marché et l’arrivée de Free Mobile ayant entraîné une défection des clients, il a très vite été nécessaire pour les opérateurs de trouver un moyen de réduire le taux de résiliation, ce qu’on appelle le churn ou taux d’attrition.

Cette stratégie de rétention a toujours été un serpent de mer dans ces entreprises, mais elle peut désormais se matérialiser concrètement grâce au Big Data. Les données y sont collectées à grande échelle depuis des années via les 76 millions de forfaits mobiles français. Ces informations allaient permettre de recréer de la valeur en analysant et prévoyant le comportement des clients, en anticipant leurs actions.

Grâce à des techniques de croisement d’informations brutes et à des outils et disciplines innovantes comme le datamining (exploration de données) il a été possible de porter l’analyse avancée et prédictive à un niveau de précision jamais égalé auparavant.

Le début des années 2000 voit l’avènement de la data prédictive, avènement particulièrement porté par la finance de marché qui fut le premier secteur à utiliser les prémices de la data visualization afin d’anticiper les mouvements du cours du FOREX. Quelques années plus tard, deux secteurs clés commencent à entrevoir l’intérêt de ces techniques : la Grande distribution (pouvant recueillir un grand nombre de données grâce entre autres à la popularité des cartes de fidélité) et les télécoms, grâce à la quantité pharaonique d’informations dont ils disposent sur leurs clients.

Fin 2013, les opérateurs téléphoniques parviennent à augmenter de plus de 50% l’efficacité de leurs campagnes de rétention clients. SFR s’est même vanté fin 2014 de pouvoir identifier plus de 80% des churners avant qu’ils ne passent à l’acte.

Plus les données sont nombreuses, plus elles sont fiables

Dans tous les modèles d’analyse de données, la clé reste la taille de l’échantillon : plus les données sont nombreuses et qualifiés, plus elles sont fiables et plus il est facile d’en tirer des analyses. L’exploration de données n’est efficace que si la quantité d’information est suffisamment importante. Par exemple, Amazon enregistre tellement de ventes et de visites sur son marketplace qu’il est capable de préparer la livraison des commandes avant même que ses clients aient passé commande.

Comme dit précédemment, en ce domaine, les télécoms ont la chance de jouir d’une énorme quantité de données récoltées depuis des dizaines d’années. L’opérateur T-Mobile analyse plus de 17 milliards de données par jour (temps passé sur le site mobile, typologie et destination des appels, nombre d’applications téléchargée, nombre de SMS envoyés…). À un niveau plus modeste, les opérateurs français croisent quant à eux près de 700 types de variables différentes en temps réel ( à titre de comparaison, les entreprises les plus avancées dans le domaine sont capables d’analyser plus de 1000 types de données en temps réel).

Grâce à des modèles de data visualization dédiés à la résiliation client, il est par exemple possible d’identifier en avance les « churners » potentiels et de déployer un arsenal marketing et commercial pour les retenir. Ainsi les trois opérateurs historiques parviennent à retenir plus de 70% des churners potentiels : une victoire significative rendue possible exclusivement par l’analyse de la data.

Comment retenir un client grâce à la donnée prédictive ?

A partir du constat que nous venons de faire, les opérateurs téléphoniques ont mis en place un mode opératoire permettant de retenir un client ayant pris ou allant prendre la décision de changer d’opérateur.

Prenons l’exemple typique du jeune « connecté » avec son smartphone greffé à la main, un client non engagé avec une forte consommation de data 4G qui paye son forfait téléphonique à un tarif au-dessus du marché ; il téléphone en revanche assez peu et utilise plusieurs applications d’aide à la conduite dont un avertisseur de radar.

Le client, en se connectant à son espace client, autorise l’opérateur à collecter des informations le concernant et ce grâce aux cookies enregistrés, souvent à l’insu de l’internaute lui-même, dans son navigateur. Accepter d’envoyer ses informations personnelles est désormais quasiment obligatoire sur les sites internet.

Plusieurs types de données sont collectés, réparties en différentes catégories :

• Les données sémantiques (Ex : Taper dans Google « résilier mon forfait » créera un cookie qui pourra informer l’opérateur que cette recherche a été effectuée par son client)
• Les données structurées (Ex : consommation de data mensuelle, appel régulier au Service Clients de son opérateur, montant de sa facture mensuelle, nombre de lignes dans le foyer)
• Les données non structurées (Ex : Liker la page Facebook d’un concurrent ou demander sur un forum quel est le forfait le plus compétitif pour une grosse consommation de data. Ces données sont récoltées à l’aide d’outils spécifiques)
• Le données comportementales (Ex : Naviguer plusieurs fois sur la page de résiliation de son opérateur, passer un certain nombre de temps sur une page internet)

Toutes ces données sont ensuite redirigées vers un moteur de recherche d’analyse de data prédictive qui à l’aide d’algorithme préalablement configurés permet de mesurer à l’aide d’innombrables variables le niveau de criticité du Client et sa propension à résilier son forfait téléphonique.

Toutes les données  sont ensuite qualifiées par rapport à tous les détenteurs d’abonnements du parc clients de l’opérateur ce qui permet d’obtenir le recul suffisant pour valoriser correctement les données durement collectées. L’algorithme décide alors à partir du modèle si une prise d’action est nécessaire

Un marqueur est alors attribué à au client, pouvant être « client risqué », « client très risqué » ou, si tout va bien, « client non risqué » ce marqueur sert à regrouper tous les clients ayant le même profil.

Revenons maintenant à notre client. Après analyse de ses données, l’outil est arrivé à sa conclusion par le biais de l’analyse algorithmique. Le client paye son forfait cher, c’est donc un client dit de « Haute valeur ».

Il consomme l’intégralité des données allouées dans son forfait 4G : il est aussitôt identifié comme étant gourmand en data.

Sur son Smartphone sont installées plusieurs applications d’aide à la conduite et un avertisseur de radars l’outil conclut donc que sa data est en grande partie consommée par ces applications très gourmandes. Le client commence à se poser la question de la résiliation et l’outil a détecté plusieurs signes forts. Ses recherches sémantiques ont montré à travers l’analyse de « mon forfait est trop cher » que le client estime être lésé par le rapport qualité prix de son abonnement. Enfin, le « like » sur la page Facebook d’un opérateur concurrent est un autre signe que le client est proche de résilier.

À partir de ces critères notre client sera donc tagué par l’outil comme « client risqué – data »

Le service Marketing n’aura alors plus qu’à identifier le besoin, l’attente du Client et à utiliser un levier de rétention à sa disposition. Dans le cas présent, le levier le plus efficace sur les clients « client risqué – data » selon les retours du service CRM du marketing est le levier tarifaire : l’opérateur décide donc d’offrir 1Go de data 4G par mois pendant un an au client.

Il ne reste donc plus qu’à répondre à la dernière question du puzzle : quel est le meilleur moyen de faire parvenir cette proposition au client ? Ce sont de nouveaux nos algorithmes qui entrent en jeu pour répondre à cette question :

• L’outil de data prédictif a identifié que le client a ouvert ses 5 derniers mails et a cliqué sur les liens contenus dans les trois derniers.
• En revanche il ne répond jamais quand le service client tente de le joindre par téléphone.

Une fois ces données en possession du Marketing, pas besoin d’être un supercalculateur pour deviner quel canal il vaut mieux emprunter !

Si l’on résume, la puissance de la data, avec les bons outils et l’acuité d’un service marketing pertinent ont donc permis de :

• Connaitre les intentions du client et prédire son comportement
• Identifier si le comportement est dangereux ou non
• Connaître les leviers permettant d’enrayer un comportement dangereux
• Adresser le levier choisi par le meilleur canal possible pour maximiser les chances de capter l’attention du client.

À l’aide de ces quatre étapes il est facile d’identifier les clients sur le point de se dérober et il est surtout possible d’adresser les clients avec une précision redoutable en répondant au mieux à leur besoin.

Vers une automatisation croissante de ces dispositifs

Le système de données prédictif a déjà prouvé son efficacité quand il s’agit de retenir un client. Toutefois, là où il fallait plusieurs jours pour un client pour changer d’opérateur (déplacement en boutique, appels interminables au service client) il est aujourd’hui possible de changer d’opérateur en moins d’une heure. Une heure, une petite heure pour réagir et pour tenter de conserver son client. Cela laisse donc peu de temps aux marketeurs pour réagir, même équipé du meilleur outil de données prédictif au monde.

Pour répondre à ce problème, un nouveau système est progressivement mis en place par les opérateurs reposant sur les techniques de « trigger marketing ». Le trigger marketing est une automatisation de l’action marketing et commerciale par l’outil de data mining lui-même. Une programmation permet en fonction de certains critères d’envoyer automatiquement une communication.

Mais revenons aux tags des clients. Un client avec un tag est identifié et segmenté. Grace au trigger marketing, Il est possible à présent de déclencher une action automatique à destination d’un segment de clientèle (donc d’un tag) Le service marketing peut ainsi déclencher à intervalle régulier l’envoi d’une communication prédéfinie ou signaler la nécessité d’appel du service client dans un délai très court.

Restons réalistes : pour l’instant, une réaction dans l’heure n’est pas encore atteignable et ce en raison de contraintes autant organisationnelles  que technologiques . Mais les services marketing les plus aguerris peuvent contacter leurs clients de manière complètement automatisée en moins de 48 heures. Une réelle avancée dans le domaine de la relation clients.

Les analyses de data prédictive sont tout simplement en train de révolutionner le marketing tel qu’on le connaît en utilisant la data comme une force et tirant un maximum de valeur de cette data. Les nouvelles avancées technologiques dans le domaine combinées à l’augmentation exponentielle du volume de données tendent à montrer que nous ne sommes qu’aux prémices d’un renouveau global dans le domaine du marketing.

Reste que les clients avec un peu d’imagination pourraient utiliser ces modèles prédictifs à leur avantage pour pouvoir bénéficier de remises ou de cadeaux en n’ayant pas pour autant l’ambition de changer d’opérateur…