3 arguments pour se lancer aujourd’hui dans les « big data »
Retour au sommaire
blog

Le succès en quatre étapes avec l’analytique prédictive

Vous, le marketeer, ne pouvez plus en faire l’économie : travailler sur la base des informations que vous donnent les données intelligentes. Souvent, les marketeers le font en examinant les données historiques, pour expliquer ce qui s’est produit par le passé et pourquoi. Mais vous pouvez bien sûr aussi utiliser ces données historiques pour prédire le présent et le futur. Et même adapter vos processus d'entreprise pour contrer les spirales négatives prédites et faire trier automatiquement pour vous les prospects selon les chances de réussite. La technologie est prête, mais comment faire pour mettre fructueusement en œuvre votre realtime analytics ?

Avant que je ne vous présente les étapes à parcourir, je vais vous expliquer avec quelques exemples, ce que j’entends par predictive analytics.

Imaginons qu’un visiteur surfe sur votre site web et que vous connaissiez assez bien le profil de ce visiteur. Vous pouvez alors adapter le contenu du site web en fonction de ce que les visiteurs ayant un profil similaire ont fréquemment lu ou téléchargé dans le passé. Vous entreprenez alors une action en temps réel (au moment où le visiteur est sur votre site), sur la base d’informations du passé (comportement des Lookalikes). Ce comportement du passé sert à son tour de base pour influencer le comportement du visiteur actuel et le convertir plus facilement en client. En analysant les caractéristiques des entreprises, personnes et transactions devenues clientes, nous pouvons, à l'aide des caractéristiques des prospects, prédire les chances que ceux-ci deviennent des clients. On appelle cela le predictive leadscoring.

Les entreprises sont fréquemment confrontées à un problème de déperdition de clients, qu'elles tâchent de régler: elles veulent réduire le churn. L’analyse des données historiques permet de prédire le moment où les clients vont très probablement s’en aller. Si vous pouvez remettre chaque mois à vos account managers une liste de tous les clients ayant un churn score très élevé, vous pouvez les prendre de court. Un petit coup de fil pour savoir si tout se passe conformément à leurs souhaits, et c'est réglé. Cela semble simple, mais la probabilité qu’ils décident de rester clients par la suite, est en tout cas plus élevée.

La voie vers la predictive analytics

Ce ne sont-là que quelques exemples pratiques. Des scénarios beaucoup plus complexes peuvent évidemment être imaginés, mais en général, les étapes à parcourir pour intégrer fructueusement cette méthode de travail dans votre organisation sont les mêmes.

1. Des données internes correctes

Quel que soit le scénario : pour effectuer des prédictions, vous avez besoin de données pertinentes pour votre entreprise. La taille de l’entreprise détermine dans une importante mesure la complexité des sources que vous pouvez utiliser. Les données internes sont celles que votre organisation utilise pour l’enregistrement et le traitement de toutes vos données clients : un progiciel CRM, un progiciel ERP pour la facturation et le traitement financier, l'automatisation du marketing ou la gestion des documents. Tous ces systèmes internes comportent des données, que vous pouvez utiliser pour mettre en œuvre l'analytique prédictive.

2. Enrichir avec des données externes

Vous pouvez enrichir les données internes avec des données externes. Et rechercher les tendances et développements sur le marché. Songez par exemple aux données sur les branches qui se développent ou qui déclinent, ou aux données CBS d’un groupe cible spécifique. Les big data vous permettent aussi de recueillir beaucoup de données, par exemple sur les sujets dont vos clients parlent en ligne.

3. Récolter et analyser les données

Vous pouvez regrouper les données internes et externes dans un data warehouse ou entrepôt de données. Et ainsi analyser qui sont vos meilleurs clients ou qui sont les plus actifs, qui sont les clients difficiles ou les plus fidèles. Les analyses permettent ensuite de déterminer comment un groupe de clients se développe ou, avec un logiciel prédictif, comment il va se développer dans le futur. Vous pouvez aussi mettre à jour des liens, par exemple entre la taille de l'entreprise et le secteur, et les chances de réussite d'une vente, que vous auriez manquée sinon. En associant ces données à vos données internes, vous pouvez établir des segments et effectuer des analyses (prédictives).

4. Établir des business rules

Ensuite, vous pouvez publier le résultat des analyses dans d'autres systèmes, afin que les collaborateurs et les systèmes puissent anticiper et mettre à profit les opportunités positives ou contrer une tendance descendante. Vous créez ainsi un véritable réseau neutre dans votre entreprise, qui réagit à un centre de calcul en tant qu’unité depuis tous les départements, évaluant toutes les sources dans et en dehors de votre organisation pour déterminer quelles sont les plus grandes chances de réussite.

L’envoi de ces données est comparable à l’appli très populaire : ‘If This Then That’. Vous décidez ce qui doit se passer et qui doit être informé quand une condition donnée est remplie. Vous devez procéder ainsi pour plusieurs systèmes, pour que toutes les parties impliquées et tous les systèmes concernés puissent agir de la même façon, en groupe.

Un exemple de chez nous : un visiteur vient sur le site web. Nous pouvons voir quelle est l’entreprise de ce visiteur, et de quel secteur il provient. Grâce aux analyses du fichier clients et du marché, nous savons que ce client a potentiellement une grande valeur. Nos processus business sont conçus de façon à ce que ce lead se voie proposer un corporate nurture traject par la Marketing Automation dès qu’il s’enregistre. Il est automatiquement suivi par les corporate sales s’il se fait connaître comme un lead et toute personne dans l'organisation qui a ce visiteur au téléphone connaît son statut et son potentiel. Avant même qu’il se soit identifié. Real time.

Un schéma pour expliquer la cohésion entre les données internes et externes, les règles analytics et business :

Le-succes-en-4-etapes-avec-l-analytique-predictive.png

Predictive analytics : make or buy ?

Il existe deux méthodes pour bien intégrer la predictive analytics. Vous pouvez opter pour un shortcut, en faisant usage de toutes sortes de solutions SaaS pouvant récolter souplement les données. Tout indique que le nombre de solutions à cet effet va considérablement augmenter très rapidement. On voit apparaître sur le marché aussi de plus en plus d'applications générant des predictive leadscores en combinant les données de différentes solutions SaaS. Infer ou Fliptop en sont des exemples.  L’avantage d’un tel shortcut, c’est qu’il vous permettra probablement de vous mettre à l'œuvre plus rapidement. En revanche, vous aurez moins de liberté et moins de prise sur la qualité de vos données. Vous n’aurez pas non plus parcouru de procédure où l'état d'esprit, la connaissance et la culture dans le cadre de la realtime analytics auront changé. Ce qui ne profite généralement pas à la pérennité au sein de l'organisation.

Au lieu de choisir un logiciel externe, vous pouvez créer vous-même une data warehouse et utiliser un logiciel de predictive analytics. Ce qui vous permet alors de déterminer, au niveau du terrain, quelles prédictions vous voulez faire et d’apporter plus facilement des adaptations dans la façon dont le leadscoring s’effectue. Vous pouvez adapter vous-même les modèles et ajouter des sources pour renforcer la capacité prédictive, ré-envisager les résultats de la predictive analytics et vous êtes plus flexible pour l'envoi des résultats aux différentes parties prenantes et aux divers systèmes. Nous avons choisi d’emprunter cette voie plus complexe. Elle prendra généralement plus de temps, parce que vous buterez souvent contre certaines barrières dans l'organisation.

Vous avez de l’expérience avec la realtime analytics ou des choses à ajouter à cet article ? Dans ce cas, faites-moi part de vos réactions ci-dessous !

Publications similaires