Des données à la connaissance client .A la découverte de la plateforme de connaissance client knowlbox ®

Quels sont les pré-requis et les freins ?

o Se poser les bonnes questions
La connaissance client est un moyen de résoudre des problématiques. La première chose à faire est donc de les identifier :
– l’attrition des nouveaux clients : le taux des nouveaux clients ne renouvelant pas leur premier achat est élevé
– l’attrition des clients actifs : une forte proportion de clients actifs une année deviennent inactifs l’année suivante
– la réactivation : le volume de clients inactifs grossit chaque année, formant un vivier de clients à réactiver ; comment optimiser le ROI d’une opération de réactivation
– la personnalisation de la communication
– l’optimisation du rendement d’une newsletter : maximiser le nombre de retours en minimisant le nombre de désabonnements (un désabonné doit être remplacé par un nouveau client)
– l’optimisation des parcours sur un site web : quels enchainements de pages selon le point d’entrée …
Il ne faut donc pas se focaliser sur une solution (par exemple « développer un score », « faire une segmentation ») mais prendre le temps de préciser l’objectif. C’est autant de temps de gagné, et de déceptions en moins. Nombre de projets de connaissance clients échouent à cause d’une mauvaise définition de l’objectif.

o Disposer d’une ou de plusieurs bases de données
Les données sont essentielles et doivent résider dans un ou plusieurs SGBDr. Ce sont des données individuelles, de détail, elles concernent chaque client, ou prospect, et non des données agrégées. La qualité des données est bien sûr essentielle. Les tables clients ne doivent pas comporter de doublons, l’historique client doit pouvoir être rattaché sans ambiguïté à un client… Si l’on parle beaucoup de Big Data, rappelons que les données le plus souvent disponibles telles que l’historique d’achat, l’historique des sollicitations, l’historique des interactions clients (appels, recours au SAV, enquêtes de satisfaction…) sont largement suffisantes pour mettre en place une démarche de connaissance client efficace.

o Le coût et la complexité des outils à mettre en œuvre
Un des freins à la diffusion de la connaissance dans les entreprises est certainement la complexité des solutions de datamining et pour nombre d’entre elles leur coût. Parce qu’elles nécessitent d’extraire du système d’information des données, qu’il faut ensuite traiter, agréger, recoder. Ces manipulations sont complexes, prennent beaucoup de temps, 70% à 80% du processus global! De plus, elles ne peuvent être réalisées que par des statisticiens, dataminers, ou terminologie plus en vogue, des data scientists.

o Le coût de l’expertise, la rareté des dataminers
Les solutions de datamining sont globalement développées par des statisticiens pour des statisticiens. Ces profils, experts, augmentent le coût global de mise en œuvre d’une démarche de connaissance client. De plus ils s’avèrent relativement rares sur le marché et de fait répondent difficilement aux attentes des métiers générant ainsi des frustrations voir des pertes d’opportunités de croissance et de rentabilité.

Qui peut porter la démarche de connaissance client dans l’entreprise ?

o Les dataminers La connaissance client est historiquement leur apanage. Ils sont formés aux techniques de datamining, et à leur mise en œuvre.
o Les opérationnels, marketers, commerciaux. Ils ont l’avantage de bien connaître les problématiques. Ils sauront poser les bonnes questions. Ils ne sont pas formés aux statistiques et datamining, et devront être accompagnés par un dataminer / informaticien, et/ou utiliser des outils facilitant l’analyse de données.
o Les informaticiens : ils connaissent bien les données, sont sensibilisés à leur qualité, à la manière dont les bases de données sont alimentées, et aux contraintes de déploiement des modèles prédictifs, des segmentations… Ils sont en général peu concernés par les problématiques métier et pourront travailler en tandem avec un opérationnel par exemple.

Comment choisir une solution de connaissance client ?

Il existe plusieurs types de solutions, plus ou moins exhaustives en termes d’algorithmes d’analyse, simples à utiliser, rapides à déployer dans l’environnement informatique, onéreuses aussi. La bonne solution dépendra donc de l’importance de chacun de ces principaux critères. Des cabinets spécialisés peuvent aider à préciser les critères de choix et orienter vers la solution optimale.

o Selon le type d’utilisation : quel est le but de l’acquisition de la solution, sonutilisation sera–t-elle occasionnelle ou fréquente, doit-elle répondre à un type de problématique spécifique (par exemple scoring) ou doit-elle permettre de couvrir différents types d’analyses ? Est-elle une solution complémentaire destinée à un usage spécifique ou la solution principale ?
o Selon le profil utilisateur : dataminer, chevronné ou débutant, opérationnel ? Les profils les plus novices en datamining s’orienteront vers une solution plus simple à prendre en main et donc plus rassurante. La taille de l’équipe entre aussi en ligne de compte, un dataminer ou un opérationnel débutant et isolé sera rassuré par une solution plus simple et orientée métier.
o Selon les priorités de l’entreprise : le budget total alloué à la connaissance client, inclue le coût des licences, de la formation, de l’assistance, et des utilisateurs, plus ou moins experts, donc plus ou moins chers. La productivité de la solution, parce qu’elle permet d’économiser du temps et des ressources humaines, doit aussi entrer e ligne de compte.