Le guide du marketeur pour la création d’audiences CRM : de l’avantage des solutions plug & play de deep learning

Si votre équipe envoie des campagnes CRM ciblées et n’utilise pas encore de solution de Deep Learning, alors vous aussi vous ressentez certainement ce petit doute qui vous dit que vous n’êtes pas sur la bonne voie. Dans ce guide illustré, je vais vous montrer comment améliorer grandement vos pratiques CRM. C’est parti !

Claire Besset

Digital & Growth Marketing Director

Time to read29 minutes
10 décembre 2021

Avez-vous déjà douté du processus de création d’audience CRM de votre équipe ? Vous vous êtes déjà demandé si vos critères de création d’audiences étaient assez précis ? Ou comment il pouvait être aussi long et fastidieux de générer vos segments ? Ou peut-être vous êtes-vous tout simplement demandé : en 2021, n’y a-t-il vraiment pas de meilleure manière de faire ?

Ou bien, vous n’envoyez que des newsletters de masse, mais envisagez de mettre bientôt en place une approche plus ciblée ? Avec la dizaine de questions qui accompagnent ce projet : le traitement de vos données, la création d’audiences, les ressources internes… 

Ou peut-être avez-vous simplement envie de découvrir comment fonctionne l’IA dans le domaine du marketing CRM B2C ?

Peu importe les raisons, je vais vous aider. Dans ce guide illustré, je vais vous expliquer, étape par étape, le problème des méthodes traditionnelles de construction d’audience et vous montrer pourquoi le Deep Learning est la seule manière de bien construire une audience CRM (ainsi que quelques autres applications pratiques dans le domaine du marketing CRM !). 

Mais pour commencer, une petite remarque : cet article est un peu long. Voici les points que nous allons aborder (cliquez sur un titre pour accéder directement à la section correspondante)

Bref rappel sur les types de communications CRM

Pour commencer, il convient d’établir quelques définitions, car les entreprises ont tendance à utiliser des termes différents pour les différents types de communications CRM.  

Les communications CRM entrent généralement dans l’une de ces catégories :

  • Les messages automatiques, ou triggers : les messages qui sont automatiquement déclenchés par les actions d’un client. Exemple typique : lors d’un abandon de panier 
  • Les séquences, ou journeys : séquences automatisées de messages liés au cycle de vie du client. Exemple typique : une série de bienvenue pour les nouveaux clients 
  • Les campagnes : Messages ponctuels qui ne sont pas envoyés automatiquement, et qui sont soit :
    • envoyés à l’ensemble de votre liste de clients (« batch & blast »)
    • envoyés à une partie de votre liste de clients (« campagnes ciblées »). 

Aujourd’hui, nous allons nous intéresser à ces campagnes ciblées. Elles représentent environ 90% des messages CRM envoyés par une marque. Elles sont utilisées pour communiquer sur les nouvelles collections ou produits, les promotions, des catégories de produits spécifiques…

Généralement, les équipes CRM commencent par envoyer des campagnes batch & blast à l’ensemble de leur base clients. Cependant, elles constatent généralement très vite les limites de ce type de campagnes :

  • Les campagnes batch & blast ne sont pas très pertinentes pour beaucoup, voire la plupart, de vos clients, puisque vous envoyez le même contenu à tout le monde ; par conséquent…
  • Vous ne pouvez envoyer qu’un nombre limité de ces campagnes par semaine si vous ne voulez pas noyer vos clients de messages non pertinents et leur procurer une expérience négative.

Vous allez donc tout naturellement passer à des campagnes ciblées, sur des sujets ou des offres spécifiques à communiquer à une petite partie de votre clientèle, particulièrement intéressée par ce que vous avez à lui proposer.

Pour réussir, les campagnes ciblées doivent proposer un contenu ultra pertinent

Pourquoi les équipes CRM mettent-elles en place des campagnes ciblées ? Les raisons sont nombreuses : 

  • Les campagnes ciblées seront, en théorie, plus pertinentes et offriront donc une meilleure expérience client à chaque message….
  • … ce qui aura un impact positif sur l’engagement, les taux de conversion et les revenus…
  • … et diminuera le taux de désabonnement.
  • Les campagnes ciblées permettent également aux équipes de communiquer sur un plus grand nombre d’offres et de produits, donnant ainsi une plus grande couverture CRM à l’ensemble de leur catalogue de produits ou d’offres, pour satisfaire du même coup un plus grand nombre de stakeholders  – pensez par exemple à vos category managers, qui veulent pousser leurs produits dans vos newsletters, ou aux marques partenaires qui vous demandent de pousser votre partenariat auprès de tous vos clients… Les campagnes ciblées vous permettront ainsi d’envoyer une plus grande variété de messages, à un nombre plus restreint de clients. Et si la pertinence globale des messages que vous envoyez est plus élevée, vous pourrez alors envoyer plus de messages à chacun de vos clients

Pour atteindre vos objectifs, vos campagnes ciblées doivent répondre à un impératif : être aussi pertinentes que possible. 

Et leur succès repose sur l’hypothèse que votre équipe CRM sera capable d’identifier, pour chaque campagne ciblée, le segment de clients le plus intéressé par votre campagne. 

Mais les audiences créées avec les méthodes traditionnelles sont rarement pertinentes

Alors comment rendre une campagne pertinente ? Une équipe CRM doit identifier, pour chaque campagne ciblée, le segment de clients qui sera intéressé par le ou les sujets de sa campagne, qui s’engagera et finira par convertir. 

Ça vous semble facile ? Détrompez-vous. 

En tant que marketeurs, nous avons tous appris à segmenter notre marché et à catégoriser nos clients dans des cases bien définies. C’est devenu une telle habitude que nous en oublions parfois que nos clients sont de vraies personnes, dans toute leur complexité, avec leurs envies, leurs caprices, leurs idées, leur spontanéité – en bref, tout ce qui les rend humains.

Les meilleur·e·s d’entre vous n’oublierons peut-être pas… mais quelles options vous reste-t-il ? 

Les outils de segmentation traditionnels reposent sur des présupposés qui orientent les audiences créées.

En pratique, voici à quoi cela ressemble :

Bien sûr, c’est un peu caricatural. J’espère que la campagne de cette petite bande dessinée réussira quand même à générer des ventes. Mais vous comprenez sûrement ce que je veux dire. L’approche traditionnelle du ciblage de campagnes, basée sur un ensemble de présupposés, présente de nombreux défauts.

La méthode inclut des présupposés – à double reprise !

Les données first-party de votre base CRM sont certainement très riches. Vous avez tellement de points de données sur vos clients, leur comportement et vos produits.

Et pourtant, lorsque vous construisez des audiences avec la méthode décrite juste au-dessus, une double simplification s’opère, généralement orientée par vos présupposés :

  1. Vous devez décider quelles dimensions sont de bons indicateurs du comportement d’achat. Dans l’exemple ci-dessus, Steve a décidé que le genre, l’historique des achats récents et la localisation sont les dimensions les plus importantes. Mais pourquoi ? Comment pouvez-vous être sûr·e·s qu’il ne vaudrait pas mieux s’intéresser à l’âge, au prénom ou à l’historique de navigation ? 
  2. Pour chacune de ces dimensions, vous devez décider des valeurs à sélectionner. Dans l’exemple ci-dessus : femme, achat récent d’une robe, localisation géographique. Encore une fois, pourquoi ? La caractéristique la plus intéressante de ces robes est peut-être qu’elles sont sans bretelles. La sélection d’acheteurs récents de hauts sans bretelles ne serait-elle pas un meilleur choix ? Peut-être, peut-être pas. Qui sait ?  

Pour ces deux dimensions et ces deux valeurs, vos paramètres seront guidés par l’intuition (dans le meilleur des cas) ou par vos présupposés (dans le pire des cas) et seront donc toujours influencés par vos biais personnels.

Par conséquent, vous pouvez deviner mon prochain point…

Les performances ne seront pas exceptionnelles

Parce que cette méthode n’est qu’une tentative très approximative de « prédire » la pertinence de vos campagnes :

  • Certaines personnes vont être incluses dans l’audience cible même si la campagne ne les concerne absolument pas.
  • Certaines personnes vont être exclues de l’audience cible alors que la campagne aurait été 100% pertinente pour elles.
  • Cette approche est rarement assez sophistiquée pour tenir compte de la saisonnalité ou du cycle de vie du produit. Les personnes qui précommandent un nouveau jeu vidéo ont un profil très différent de celles qui achètent le jeu plusieurs mois après sa sortie pour l’offrir à Noël. Comment une méthode traditionnelle de construction d’audience pourrait-elle en tenir compte ? 

Vous cloisonnez vos clients au lieu de promouvoir les ventes croisées

La prise en compte de l’historique d’achat pour prédire les achats futurs enfermera malheureusement vos clients dans leurs catégories de départ et vous manquerez l’occasion de leur communiquer des offres supplémentaires, même si ces offres pourraient être pertinentes pour eux.

La portée de vos campagnes peut vite devenir ridicule 

L’un des pièges de la multiplication des critères pour affiner votre audience est de trop réduire sa taille. Il est fréquent que les marketeurs réalisent que leur audience finale est trop restreinte. Ils devront alors faire des compromis, ajouter de nouveaux segments, supprimer certains critères… pour se retrouver à leur point de départ : une audience large et mal définie.

Vous ne prédisez pas la propension à acheter MAINTENANT

Lorsque vous créez une audience, il ne vous suffit pas de prédire sa propension à acheter un produit donné. Vous devez en réalité prédire sa propension à acheter au moment de l’envoi de la campagne

Il ne vous suffit pas de dire « Steve a acheté une robe au cours des 6 derniers mois, donc Steve achètera probablement une autre robe un jour » pour inclure Steve dans votre campagne sur les robes. Sur une très longue période, cette affirmation a de bonnes chances de devenir vraie, mais cela n’aide pas vraiment la campagne que vous devez envoyer demain.

Il serait beaucoup plus efficace de pouvoir dire : « Steve a une très forte propension à acheter une robe cette semaine, alors incluons-le dans la campagne de demain ».

J’espère que nous sommes maintenant aligné·e·s sur les limites des méthodes traditionnelles de construction d’audience. 

Heureusement, il existe une solution, et c’est, bien sûr, l’intelligence artificielle.

Plus précisément, le deep learning. 

Le deep learning est LA solution pour atteindre une vraie pertinence CRM, car il peut prédire avec précision la propension à acheter maintenant

Quand on y pense, c’est plutôt logique :

  • Les marketeurs CRM disposent d’une tonne de données first-party et l’intelligence artificielle excelle à donner un sens aux grands volumes de données.
  • Notre sujet de ciblage des campagnes présente de nombreuses similitudes avec un cas d’utilisation très populaire du deep learning : la reconnaissance d’images.

Vous pourriez vous demander quels sont les points communs entre la création d’une audience et la reconnaissance d’images. Les voilà : 

  1. Dans les deux cas, nous essayons de répondre à une question simple… Cette image est-elle un chat ? Steve va-t-il réserver un voyage en Thaïlande cette semaine ?
  2. Dans les deux cas, nous disposons de données riches et complexes pour nous aider à répondre à la question :
    1. Les images sont composées de centaines de milliers de pixels, chacun d’entre eux pouvant prendre l’une des 16 777 216 valeurs de couleur possibles (en RVB).
    2. Les données CRM : entre les attributs des clients, les attributs des produits et l’historique des transactions, vous avez facilement plus d’une centaine de points de données. Imaginez maintenant toutes les combinaisons possibles… ajouter à cela l’historique de navigation, les données d’ouverture de vos campagnes, la temporalité… vos données CRM ont une profondeur incroyable ! 
  3. Nous pourrions imaginer nous concentrer sur un petit nombre de données pour répondre à nos questions… 
  4. Mais nous nous rendrons bien vite compte que même si nous passons beaucoup de temps à établir une liste de critères, le taux de réussite restera très faible

Illustration by David & Alex Dedaj

5. Cependant, dans les deux cas, il est possible de rassembler un grand nombre d’exemples pour lesquels une réponse à la question a déjà été donnée.

    1. Pour la reconnaissance d’images : il existe des ensembles de données d’images qui contiennent des chats et sont taguées comme telles, ou qui ne contiennent pas de chats et ne sont donc pas taguées.
    2. Pour la prédiction du comportement d’achat CRM : la combinaison de vos données clients, de l’historique de vos transactions et des attributs de vos produits représente de nombreux exemples où votre question a déjà trouvé une réponse ! « Pierre a-t-il acheté une robe le 3 décembre ? « Non » Le 4 décembre ? « Non » Marie a-t-elle acheté une robe le 3 décembre ? « Oui » Le 4 décembre ? « Non » Jennifer a-t-elle… »

Nous savons que le deep learning fonctionne étonnamment bien pour la reconnaissance d’images. Avec un ensemble de données suffisamment grand pour entraîner les modèles, le taux de réussite est proche de 100%. Pour certaines applications spécifiques (l’imagerie médicale par exemple), les modèles de deep learning sont déjà plus efficaces que les humains ! 

Le deep learning appliqué à la reconnaissance d’images (et en général) fonctionne un peu comme le cerveau humain : de la même manière qu’un enfant apprend à reconnaître un chat, non pas parce qu’il apprend une liste de critères fournis par ses parents, mais parce que ceux-ci lui montrent patiemment des animaux de compagnie et lui disent « ceci est un chat », « ceci est un chien ». 

Le deep learning appliqué au CRM fonctionne à peu près de la même manière. L’algorithme basera son apprentissage sur l’intégralité de votre base de données, véritable trésor de données first-party dont nous avons déjà parlé, sans écarter aucun point de données ou s’encombrer de règles arbitraires. Il intégrera tous les cas limites, que vos critères intuitifs n’auraient jamais pu identifier, et les prendra en compte pour ajuster ses prédictions.

L’algorithme de deep learning sera capable de détecter des données très subtiles telles que le cycle de vie des produits, la saisonnalité, le « style » des gens, leur « imprévisibilité »… sans qu’aucune de ces dimensions ne soit inscrite en tant que telle dans votre base de données.

Le deep learning peut prédire avec précision que Marie va acheter une robe à fleurs vintage, même si elle n’a jamais acheté de robe chez vous auparavant, ou de produits “vintage” ou “à fleurs”, pour tout vous dire.

Chers lecteurs, attention : toutes les intelligences artificielles ne se valent pas

Bien entendu, tout ce dont je viens de vous parler ne s’applique qu’à un algorithme de deep learning bien conçu. Il ne vous suffira pas de charger des tableaux de données CRM dans un algorithme de reconnaissance d’images pour obtenir des prévisions sur les intentions d’achat.

De même, nous savons tous que l’intelligence artificielle et le deep learning sont des termes bien à la mode. Voici donc quelques points qu’il est bon de garder à l’esprit lorsque vous envisagez d’intégrer de l’intelligence artificielle ou du deep learning dans votre stratégie CRM (!):

  • L’intelligence artificielle est un terme générique qui peut qualifier tout type de procédé automatisé de prise de décision, comme des arbres de décision, basés sur des règles, un peu comme ceux dont je vous parlais un peu plus haut, et dont nous avons constaté qu’ils présentaient tant de lacunes ! Il est intéressant de noter qu’une intelligence artificielle basée sur des règles (on parle de « systèmes experts ») était la forme dominante de l’IA dans les années 1980… période qui s’est ensuite soldée par un « hiver de l’IA » (âge sombre de l’IA, lorsque l’enthousiasme pour l’IA a diminué et que les investissements ont presque cessé).
  • Le machine learning (apprentissage automatique) est un domaine beaucoup plus avancé de l’IA. C’est la recherche sur le machine learning qui a redynamisé le domaine de l’IA après le deuxième « hiver de l’IA » de la fin des années 2000, dont je vous parlais juste au-dessus. Finies les prises de décision codées en dur et basées sur des règles. En résumé, le machine learning développe ses propres règles prédictives sur la base de modèles qu’il observe dans les données qu’il analyse. Comme je vous le disais un peu plus tôt, cette approche est essentielle lorsqu’il s’agit de traiter des données CRM et de prédire la propension d’un client à acheter ! Cependant, le machine learning présente toujours un inconvénient important : il nécessite une intervention humaine pour s’assurer que les données sont bien structurées et catégorisées… Et bien entendu, difficile de s’en assurer dans un contexte CRM. 
  • Le deep learning (apprentissage profond) est une pratique encore plus puissante dérivée du machine learning. Le deep learning imite par essence le fonctionnement de notre cerveau. Les « réseaux neuronaux artificiels » du deep learning peuvent apprendre à partir de n’importe quel type de données, avec un minimum d’intervention humaine, pour obtenir des résultats exceptionnels. Ces réseaux sont construits de manière à pouvoir donner du sens par eux-mêmes à des ensemble de données et à apprendre seuls sur cette base !

Bingo ! Il semble que le deep learning soit donc la forme d’intelligence artificielle la plus appropriée pour prédire la propension à l’achat.

Restent quelques questions essentielles au sujet du deep learning :

  • Quels ensembles de données sont utilisés ?
  • Comment les algorithmes gèrent-ils les données erronées ou incomplètes ?
  • Dans un ensemble de données, à partir de quelles données les algorithmes apprennent-ils ? Les points de données d’il y a cinq ans ont-ils le même poids que les points de données les plus récents ? Comment cela se passe-t-il dans la pratique ?
  • Vers quel but les algorithmes tendent-ils à s’optimiser ? 
  • La technologie est-elle efficace en termes de ressources ? Permettra-t-elle d’évaluer votre clientèle en un jour ou en une minute ?

Comme c’est souvent le cas, la valeur réelle d’un algorithme réside dans son utilisation et son exécution. C’est pourquoi un grand nombre de modèles de “deep learning” sont en libre accès ou vendus commercialement. Même s’il s’agit de très bonnes bases pour vos algorithmes, elles ne vous mèneront pas très loin dans votre usage quotidien.

C’est également la raison pour laquelle, de manière générale, vous devriez vous méfier des applications d’IA, de machine learning ou de deep learning qui n’ont pas été développées pour un usage bien défini, mais pour une grande variété de cas d’utilisation. Einstein, Watson, ça vous dit quelque chose ?

Les modèles d’IA ou de deep learning ne sont pas tous créés égaux. 

Comment alors obtenir des résultats vraiment exceptionnels ?

Pour que le deep learning puisse être appliqué avec succès à la construction d’audiences CRM, il doit suivre certains principes de base :

  1. Efficacité : les résultats doivent être aussi précis que possible
  2. Praticité : la configuration doit être aussi simple que possible

Sans ces deux qualités, une application ne serait jamais utilisée.

Voici quelques évidences sur une bonne application de deep learning appliquée au CRM :

L’application doit résoudre des problèmes concrets. 

L’application doit être adaptée aux méthodes de travail d’une équipe CRM.

L’application doit être facile à utiliser par un marketeur CRM, sans nécessiter de compétences en data science.

Toutes ces affirmations semblent plutôt évidentes, et c’est bien pourquoi ces applications sont appelées « solutions » et non « problèmes » ! Mais vous pourriez être surpris par le nombre de « solutions » qui ne cochent pas ces trois cases. 

*

Ceci étant dit, passons aux choses sérieuses. 

L’algorithme doit pouvoir utiliser toutes les données first-party disponibles, quel que soit leur état à un instant T, même si elles ne sont pas en ordre et non centralisées.

  • Praticité : Les données parfaites n’existent pas. La plupart des entreprises ont déjà commencé à chercher leur CDP, mais cela prend souvent du temps… Ont-elles vraiment le temps d’attendre ? Et que risquent-elles de découvrir lorsque leur CDP sera enfin prête ?

Que leurs données ne sont toujours pas “propres” : harmonieuses, ordonnées, exploitables.

Non, les données “propres” n’existent pas.

Nous devons vivre avec et tout de même obtenir les résultats pour lesquels nous sommes attendus. La bonne nouvelle, c’est que c’est tout à fait réalisable si le modèle a été développé en tenant compte de cette contrainte.

  • Efficacité : Les données sont importantes. Les données sont un signal. Même les données qui sont en désordre. Laissez le deep learning apprendre par lui-même et découvrir ce qui compte et ce qui n’est que du bruit. C’est son job, après tout. 

L’algorithme ne doit pas avoir besoin de règles ou de critères pour fonctionner.

  • Efficacité : Les règles iraient à l’encontre du principe même d’utilisation d’une application de deep learning. Cela reviendrait à réintroduire un biais dans les prédictions. Souvenez-vous, le fameux « hiver de l’IA » dont je vous parlais plus haut…
  • Praticité : L’élaboration de règles prend du temps !

L’algorithme ne devrait pas démarrer à froid.

C’est assez évident, tant du point de vue de l’efficacité que de la praticité. Les marketeurs veulent obtenir des résultats dès le premier jour d’utilisation, c’est non négociable. Les modèles de deep learning doivent donc être capables d’apprendre à partir de données historiques et avoir une grande qualité prédictive, dès le départ. (Pour en savoir plus, lisez l’article de l’un de nos data scientists – il est un peu plus technique que ce que vous êtes en train de lire, vous serez prévenus !).

La saisonnalité, les tendances et les changements de comportement des consommateurs doivent être reflétés dans les prédictions de l’algorithme.

C’est surtout une question d’efficacité : si ces tendances et comportements ne sont pas reflétés dans les prédictions, les résultats seront alors au mieux médiocres. Les habitudes d’achat sont très différentes pendant les fêtes de fin d’année et au début du printemps par exemple !

Pour mieux tenir compte de la saisonnalité, le modèle doit être réglé de manière à accorder une attention particulière aux achats les plus récents de l’offre pour laquelle il prédit la propension !

L’algorithme doit être optimisé en fonction de votre indicateur de succès préféré

Les revenus, dans la plupart des cas, plutôt que les taux d’ouverture, les taux de clic, etc.

L’algorithme doit être capable de faire des prédictions précises même pour les clients pour lesquels il n’y a pas de données récentes. 

Pendant une semaine donnée, peut-être que 2% de vos clients vont visiter votre site Web ou effectuer une transaction, source de nouveaux points de données.

Et sur 3 ou 6 mois, peut-être atteindrez-vous 20 ou 30 % d’entre eux ?

Mais qu’en est-il de tous les autres, la grande majorité de vos clients, pour lesquels vous ne disposez pas de données récentes ? Vous aimeriez quand même être en mesure de leur envoyer des communications pertinentes. Il se pourra même qu’ils soient inactifs, rendant leur réactivation encore plus nécessaire. C’est le défaut de nombreuses solutions de personnalisation ou de recommandation de produits : elles fonctionnent bien pour les clients dont les données d’intention sont très récentes, mais sont absolument inefficaces pour tous les autres. 

Et pour faire suite à tout ce qui précède, l’algorithme doit être capable de faire des prédictions multi-catégories et d’aller au-delà d’une simple extrapolation d’historique des achats.

En effet, nous sommes très peu nombreux à n’acheter que des robes, que des tapis ou que des vols pour Miami. Si Jean a déjà acheté des chaussettes chez vous, allez-vous lui envoyer uniquement des campagnes sur les chaussettes ? Si Marie a visité votre hôtel à Bordeaux dans le passé, sera-t-elle condamnée à recevoir vos offres « Week-end à Bordeaux » pour l’éternité ? Et si Marie n’aimait pas visiter deux fois le même endroit ?

*

Comme nous l’avons vu ensemble, le développement d’un modèle de deep learning dédié à la prédiction de la propension d’achat à partir d’un ensemble de données CRM implique de se poser de nombreuses questions. Si nombreuses à vrai dire , que cela ne vaut jamais la peine pour une entreprise de construire son propre modèle en interne : le niveau d’expertise et le temps de développement nécessaire devraient en dissuader plus d’un…

Cependant, pour une équipe d’experts en data science, dont le seul objectif depuis des années est de créer et d’affiner un tel modèle, c’est possible ! Et ces recherches trouvent de nombreuses applications concrètes dans le domaine du marketing CRM.

Si le deep learning peut prédire la propension d’achat, quelles sont ses applications dans le monde réel ?

Les applications pratiques de la capacité à prédire précisément la propension d’achat de chaque client de votre base pour un produit ou une offre de votre catalogue sont infinies. En voici quelques-unes :

​​Création d’audience

La première application pratique est bien évidemment la création d’audience (bien vu, c’est le sujet de cet article).

Disons que votre algorithme de deep learning peut classer tous vos clients du plus susceptible au moins susceptible d’acheter un produit donné. Dans ce cas, la création de l’audience pourrait simplement revenir à :

  1. sélectionner le(s) produit(s) ou les offres présentés dans votre campagne CRM
  2. sélectionner le volume de destinataires souhaité OU suivre la recommandation de l’algorithme (envoyer à tous ceux qui ont une propension d’achat supérieure à la moyenne, par exemple).

Gestion de la fatigue marketing

Les équipes CRM envoient de nombreuses campagnes chaque semaine, parfois plusieurs par jour. Mais elles peuvent avoir une règle selon laquelle aucun client ne doit recevoir plus de 3 messages par semaine, ou plus d’un message par jour.

Mais que se passe-t-il si un client a une très forte propension à acheter chacun des produits présentés dans les campagnes prévues pour une même journée ? 

Les informations relatives à la propension d’achat pourraient être utilisées par l’algorithme pour affecter ce client à la campagne pour laquelle sa propension à acheter sera la plus élevée, assurant ainsi une pertinence maximale de vos messages tout en minimisant sa fatigue.

Un CRM multicanal

Si vous pouvez obtenir la propension d’achat d’un client / produit, il n’y a aucune raison pour que vous ne puissiez pas obtenir la propension d’achat d’un client / produit / canal.

Cela ajoute une nouvelle dimension à tout ce que nous nous sommes dit jusque là !

Identifier les sources inexploitées de propension à l’achat

Il existe peut-être un petit groupe de vos clients très friand d’un produit donné en ce moment. Il ne sera pas visible dans vos indicateurs clés car il ne figurera pas encore parmi les « meilleures ventes »… mais il existe une forte demande concentrée sur ce petit nombre de personnes. C’est l’audience idéale pour une campagne de CRM ciblée !

Ces informations pourraient par exemple être utilisées pour créer une heat map de votre catalogue de produits, vous permettant de visualiser facilement toutes ces opportunités. 

Planification du calendrier CRM

Faut-il mettre en avant deux produits dans la même campagne ou dans deux campagnes distinctes ?

La réponse dépend du fait de savoir si les personnes intéressées par un produit le seront également par l’autre.

Devinez donc comment obtenir cette information…

Vous voulez en savoir plus sur le sujet ?

Si vous êtes arrivé jusqu’ici dans cet article, je vous en remercie ! J’espère que vous y aurez appris plein de choses. 

Si vous voulez en savoir plus, voici quelques conseils : 

  • Regardez cette vidéo dans laquelle le VP CRM de Sally Beauty vous explique comment il a déployé avec succès le machine learning (*en réalité, il parlait plutôt de deep learning 😉 ) pour mettre en place une stratégie centrée client.
  • Lisez cet article de Matt, notre directeur du marketing produit, pour en savoir plus sur la stratégie de construction d’audience et de ciblage.
  • Envoyez-moi un e-mail pour convenir d’un moment pour discuter ensemble (vous avez peut-être remarqué que je suis passionné par le sujet et que je pourrais continuer ainsi pendant des heures 😉 )
  • Demandez une démo de Tinyclues (parce que, comme vous l’avez peut-être deviné, chaque promesse du deep learning que j’ai décrite dans cet article… Eh bien, notre fantastique équipe de data science l’a déjà réalisée, en mieux). 

Vous voulez plus de contenu CRM ?

Abonnez-vous à notre newsletter – des idées neuves sur la gestion CRM, des dessins humoristiques et des articles de fond, envoyés directement dans votre boîte aux lettres toutes les deux semaines.

You might also like