Dans le contexte actuel ou le consommateur est considéré comme volatile, ou la concurrence s’intensifie et ou les marchés deviennent saturés, le client devient l’acteur principal de l’entreprise. Des milliers d’informations sont collectées sur les comportements des clients mais sont le plus souvent mal exploitées. Le data mining intervient alors pour exploiter au mieux ces données.
1 . Présentation du data mining
Le data mining (appelé également exploitation stratégique de données) est apparu au milieu des années 90 avec le développement des datawharehouse. En effet, il ne suffit pas de collecter des montagnes d’informations, de les stocker dans des bases de données, mais il faut les exploiter.
Le data mining correspond à l’ensemble des techniques et des méthodes qui à partir de données permettent d’obtenir des connaissances exploitables. Son utilité est grande dès lors que l’entreprise possède un grand nombre d’informations stockées sous forme de base de données.
Le data mining utilise une démarche statistique mais ses outils sont appelés à être utilisés par des non statisticiens spécialistes. Pour cela, il faut mettre en place et utiliser des progiciels spécialisés.
2. Les raisons du succès actuel du data mining
L’intensification de la concurrence et de la volatilité
du consommateur doublée du développement des systèmes d’informations
ont permis l’émergence du data mining dans les entreprises. Cet engouement
récent ne semble pas être un effet de mode puisque le développement
des data wharehouse a entraîné un accroissement de l’information
disponible.
Par ailleurs, pour assurer aux clients un produit de qualité, les entreprises
sont passées d’un marketing de masse à un marketing individualisé.
Cela est possible grâce à l’exploitation des données
collectées qui permettent d’anticiper et de satisfaire les besoins
des consommateurs.
3. Les solutions de data mining offertes sur le marché
Sur ce marché vaste et en pleine expansion, de nombreux éditeurs de logiciels proposent des solutions de data mining. Ce type d’applications appartient aux outils d’aide à la décision des années 80. Mais actuellement, vue la masse des données traitées, elles permettent un véritable pilotage de la fonction marketing par une connaissance beaucoup plus étoffée et fine du comportement des consommateurs.
Les logiciels de data mining doivent offrir des richesses analytiques importantes, doivent pouvoir être utilisés par des non spécialistes des méthodes statistiques, doivent être conviviaux, faciles à mettre en œuvre, offrir une certaine ergonomie et permettre l’accès aux datawharehouse.
Exemples de logiciels (liste non exhaustive)
- CLEMENTINE - ShowCase (www.showcase.fr)
- AC2 - ISoft (www.isoft.fr
- STATISTICA - StatSoft
- SAXON - PMSI (www.pmsi.fr)
- GALVANO - PMSI
Les différents
outils proposés par les éditeurs de logiciels reposent sur des
techniques différentes. On retrouve principalement les arbres de décision,
les règles d’associations, les réseaux de neurones, les grilles
de score etc...
(pour plus d’informations concernant les techniques utilisées, voir le
site Web de la société PMSI : www.pmsi.fr ou l’ouvrage de
Lefébure et Venturi - Data mining)
4. Exemples d’applications du data mining dans le domaine
du marketing
Les applications du data mining sont multiples ; elles concernent : la grande distribution, la vente par correspondance, le marketing direct, la gestion de la relation client....
Marketing direct
Le data
mining répond aux besoins de comprendre la relation client, de connaître
les comportements des clients, d’optimiser et de rentabiliser les opérations
de prospection afin de diminuer les coûts d’acquisition des clients. Les
solutions de data mining vont faire des prédictions de comportement et
indiquer quels types de prospects devront en priorité être contactés
par des opérations de marketing direct afin d’augmenter le taux de retour.
Par exemple, les sociétés de vente par correspondance réalisent
à coté de leur catalogue généraliste des catalogues
spécialisés. L’utilisation du data mining permet de sélectionner
parmi les clients principaux, ceux pour lesquels il est utile de leur envoyer
un catalogue spécialisé en terme de ciblage. Cela augmente le
taux de retour. C’est en effet grâce à l’historique
des achats que les vépécistes peuvent déterminer quel client
est susceptible d’acheter un article sur catalogue spécialisé.
Résumé d’un exemple développé dans l’ouvrage
de Lefébure et Venturi - Data mining
Centre d’appels
Un centre
d’appel mettant en place une opération de phoning pour relancer les clients
/ prospects suite à l’envoi d’un mailing peut grâce au data mining
déterminer vers quel clients / prospects il peut être utile d’effectuer
une relance téléphonique en étudiant son comportement face
aux relances. L’entreprise s’apercevra ainsi que pour un client, une seule relance
est inutile alors que pour d’autres, elle peut aller jusqu’à 5 relances.
Le tout étant de ne plus généraliser les relances mais
de les cibler.
Résumé d’un exemple extrait de la revue "Marketing
direct - Septembre 2002"
Fidélisation des clients
En mettant en place une solution de data mining, les entreprises vont essayer d’allonger la durée de vie d’un client en repérant les risques de son départ.
Comportement des clients de grandes surfaces spécialisées
Les GSS
utilisent les techniques d’associations de produits pour anticiper le comportement
futur des ses clients. Un client qui achète une baignoire va probablement
envisager l’achat de robinets. Par conséquent, les outils de data mining
peuvent permettre de sélectionner selon les achats antérieurs
des clients vers qui l’envoi d’un mailing sera efficace.
Résumé d’un exemple extrait de la revue "Marketing
direct - Septembre 2002"
Satisfaction de clientèle
EDF a
mené des études de data mining pour connaître l’impact des
micro coupures de courant, il a comparé les appréciations des
clients avec la fréquence connue des pannes. Il a découvert que
pendant un certain temps ces coupures étaient perçues comme mineures
par la clientèle, mais passé un seuil elles devenaient intolérables.
L’objet de l’étude menée est alors de déterminer le seuil
de fréquence qui va générer l’insatisfaction.
Résumé d’un exemple extrait de la revue "Marketing
direct - Septembre 2002"
Comportement d’achat du client de grandes et moyennes surfaces
Les premières applications de data mining concernaient l’étude des tickets de caisse des clients de grande surface. Cela a permis de montrer que pour certaines catégories de clients les promotions mises en place pour des produits qu’ils avaient l’habitude d’acheter simultanément n’étaient pas efficaces et n’engendraient pas d’augmentation de chiffre d’affaires.
Le data mining semble aujourd’hui prendre de l’essor au sein de la fonction marketing. En effet, la mise en place des sites Web d’entreprises permettent de collecter de plus en plus d’informations qu’il va falloir exploiter au maximum. Cependant, le data mining ne doit pas être considéré comme une solution miracle à l’ensemble des problèmes des entreprises. Il correspond à une avancée technologique qui permet de faire face au volume croissant des données collectées. Mais, les entreprises devront instaurer un climat de confiance afin de ne pas porter atteinte à la vie privée des clients / prospects en exploitant les données collectées.
Pour aller plus loin
De nombreux sites internet traitent du data mining, on citera
- www.web-datamining.net (Foire aux questions sur le data mining)
- www.cnam.fr (Data mining sur Internet)
- www.pmsi.fr (Solutions de data mining - Techniques de data mining)
Les parutions sur le sujet sont principalement axées sur les aspects techniques, peu d’ouvrages abordent les applications marketing du data mining
- Data mining - René Lefébure et Gilles Venturi - Editions Eyrolles - mars 2001
Pour télécharger l’article au format Pdf, cliquez sur le lien ci-dessous
