Interview : le data mining au service de l’e-mail marketing ?

Data mining, scoring comportemental, analyse predictive… Qu’est-ce que c’est ? Quel intérêt ? Pour qui ? Quelle complémentarité avec l’e-mail marketing ? Hervé Malinge, Président de Score MD, répond à nos questions sur le sujet et fait le point sur cet outil au service des stratégies de marketing direct digitales.

Interview : le data mining au service de l’e-mail marketing ?
Hervé Malinge, Président de Score MD, aborde la complémentarité entre le data mining et l’e-mail marketing

[EMM-Actu] Pouvez-vous nous expliquer ce qu’est concrètement le data mining ?

[Hervé Malinge] Le data mining, c’est l’analyse statistique de la donnée dans le but de la « faire parler » et d’être plus efficace en marketing. On parle également de scoring comportemental ou d’analyse prédictive.

L’idée est en effet de combiner toutes les données d’une organisation issues de différentes sources : historique d’achat d’un client par exemple, performances et informations nominatives liées aux opérations d’e-mail marketing, données de navigation sur un site Internet ou encore informations collectées sur les réseaux sociaux. Le data mining s’appuie ensuite sur des moteurs mathématiques qui analysent toutes les données brutes afin de faire ressortir des groupes d’individus aux comportements similaires.

Un exemple anecdotique parlant : grâce au data mining, un groupe de distribution américain a découvert une corrélation entre la vente de couches culottes et celle de bières. Les responsables marketing analysent les résultats de plus près et découvrent alors que, généralement, lorsque le père de famille rentre chez lui en fin de semaine, sa femme le sollicite pour aller chercher des couches culottes pour le week-end. Et chemin faisant dans le magasin, l’homme achète également de la bière. Le distributeur a ainsi pu agir d’un point de vue merchandising et rapprocher ces deux produits sur ses étales pour améliorer ses ventes.

Autre utilisation, celle d’Amazon qui affiche sur son site une rubrique « les internautes qui ont acheté tel produit ont également acheté ceux-là ». Cette règle est appelée la « règle des associations de produits », tout comme il existe des « règles de rapprochement d’individus » qui permettent de détecter des appétences similaires.

[EMM-Actu] Dans quelle mesure le data mining peut s’avérer pertinent pour développer la performance des campagnes d’e-mail marketing ?

[Hervé Malinge] Pour répondre, il convient de revenir sur les débuts du data mining. Dans les années 90, les sociétés de ventes à distance et les établissements de crédits analysent les premières leurs bases de données clients en utilisant les techniques de data mining. Traditionnellement positionnées sur du marketing direct, celles-ci ont été les premières à vouloir mieux connaître leurs clients et identifier des profils types afin de gagner en efficacité marketing.

Dans les années 2000, s’est ensuite développé le commerce sur Internet. Les pure players n’avaient alors qu’une logique : acquérir des nouveaux contacts et envoyer des campagnes e-mails en masse. A la fin des années 2010, un constat émerge : Internet a certes facilité la collecte de données et celles-ci se sont démultipliées, mais les campagnes e-mails non ciblées perdent fortement en efficacité. Quelques e-commerçants ont alors intégré dans leur stratégie marketing l’analyse prédictive, la segmentation client et le scoring comportemental afin d’identifier des segments à potentiel, scénariser les communications par e-mails, développer des Trigger Marketing ou encore développer des scénarios relationnels.

La complémentarité entre l’e-mail marketing et le data mining est donc forte, ce dernier apportant une réelle valeur ajoutée à la donnée. Ainsi, si la règle observée est « lorsqu’un client achète tel produit, il a alors une forte propension à acheter tel autre produit 3 jours après », l’ensemble des clients ayant acheté uniquement le 1er produit pourra être identifié et ciblé avec une campagne e-mail dédiée. Et le ROI est au rendez-vous !

Un cas réel pour appuyer ce propos : Un e-commerçant français envoie une newsletter quotidienne non différenciée à l’ensemble de ses abonnés correspondant à 95% du volume de ses communications par e-mail. Les 5% restants sont issus du data mining. En la matière, 7 modèles prédictifs ont été mis en place pour capter les profils des individus et les scorer. Ces 7 modèles prédictifs déclenchent 7 scénarios marketing basés sur l’envoi d’e-mails hyperciblés. Résultat : ces scénarios génèrent plus de 50% du CA e-mail en ne consommant que 5% des envois d’emails.

 

[EMM-Actu] Quels sont les préalables à respecter avant de se lancer dans le data mining et quels sont les écueils à éviter ?

[Hervé Malinge] Pour faire de l’e-CRM et du scoring comportemental correctement, il faut :
- se constituer une base de données marketing alimentée par une ou plusieurs sources d’information (achat, web, e-mails, etc.),
- centraliser toutes les informations rattachées à un individu au même endroit, au sein d’un même système d’information, et les harmoniser,
- prévoir des actions scénarisées adaptées aux appétences des contacts – et les outils pour le faire.

Mais attention, faire du data mining pour faire du data mining n’a aucun intérêt. Quels sont les enjeux actuels de l’entreprise ? Quelle est la problématique à résoudre : un problème de fréquence d’achat, d’intérêt pour les newsletters ? Il faut bien comprendre que le data mining est la réponse à un enjeu spécifique via un modèle prédictif qui aidera l’entreprise à atteindre l’objectif voulu.

Bien entendu, un minimum de volumes de données est nécessaire pour que l’opération soit intéressante. Cela commence à être pertinent à partir de 50 000 contacts environ.

Ensuite, il existe sur le marché certains outils d’analyse prédictive ne nécessitant soi-disant aucune compétence spécifique. Je mets en garde : pas besoin d’être statisticien certes, mais encore faut-il savoir paramétrer correctement l’outil pour obtenir des corrélations justes. En la matière, le mieux reste encore à l’heure actuelle l’externalisation si l’annonceur n’a pas les compétences en interne.

Il faut enfin savoir que le coût d’une étude de data mining est encore relativement élevé. Mais des efforts de démocratisation du marché sont en cours. Chez Score MD par exemple, nous voulons en quelque sorte démocratiser le marketing prédictif pour le rendre accessible à un maximum d’annonceurs. Dans cette optique, la solution Scoring Factory « on demand » permet à un annonceur de déposer un fichier préparé par ses soins, de choisir le modèle mathématique qui lui convient (segmentation RFM, association de produit, etc.) et de récupérer très rapidement son résultat et son fichier scoré prêt à l’emploi. Cette solution avantageuse financièrement (modèle au CPM) permet ainsi d’ouvrir l’analyse prédictive au plus grand nombre.

Segmenter les fichiers et cibler toujours plus finement les communications, adapter les contenus au plus près des attentes des contacts, envoyer des messages au moment le plus opportun, tirer le ROI des opérations vers le haut… Autant de sujets propres à l’e-mail marketing qui peuvent être traités plus efficacement avec le data mining. En effet, le data mining a cette formidable capacité à prédire aujourd’hui ce que les consommateurs feront demain. Un vrai atout pour mieux connaître ses contacts, augmenter la pertinence des campagnes e-mails, développer l’engagement des contacts et mieux transformer !

Vous avez une expérience en matière de data mining ou une réaction sur cette article ? N’hésitez pas à la partager avec nous !