L’analyse prédictive pour extraire de la valeur des données clients

J’ai rencontré, il y a peu, Hervé Dhélin, Responsable de l’Analyse Prédictive chez IBM.

IBM commercialise un logiciel d’analyse prédictive – IBM SPSS – racheté depuis 3 ans à l'éditeur éponyme qui existe depuis 1968.

Les clients potentiellement concernés par IBM SPSS sont (liste non exhaustive) des directeurs Marketing, des directeurs Service de la Relation Client, toutes les personnes qui gèrent le risque et la fraude, les professionnels de la qualité. Des interlocuteurs assez différents.

IBM SPSS est utilisé par quelque 250 000 clients à travers le monde (sans compter les utilisateurs finaux). La clientèle concerne aussi bien une personne en free-lance qu’une multinationale.

Qu'est ce que l'Analyse Prédictive ?

L’analyse prédictive sert à trouver des caractéristiques communes à un comportement donné, quel que soit le secteur d’activité. Un outil d'analyse prédictive peut calculer la probabilité que le même comportement survienne avec une situation retrouvant les mêmes caractéristiques. 85% des usages de l’analyse prédictive concernent le comportement humain et 15% la prévention des risques. L’analyse prédictive c’est du data mining. Ce qui compte c’est d’avoir des données.  

Cela tombe bien, à l'ère du big data, la plupart des entreprises croulent sous des amas de données dont elles ne savent pas toujours quoi faire. D’autant que 70% des données amassées sont non structurées. Ces entreprises sont assises sur une mine d'or. Mais encore faut-il creuser.

Celles qui le font extraient de la valeur : les entreprises qui analysent leurs données sont bien plus efficaces : elles ont des revenus 1,6 fois plus élevés que les autres [source IBM]. Elles peuvent aussi réduire, voire éviter des baisses de revenus.

C’est le cas d’un client (secteur Telco) dont le taux d’attrition atteignait les 19% (pour un 12% habituellement dans le secteur). Le directeur Marketing a eu l’idée de demander au Responsable du call center d’avoir accès aux données concernant le client. Grâce à l’analyse de ces données, ils ont pu identifier les causes d'attrition, y remédier et faire chuter ce taux à 2% !

L'analyse, pour être rentable, requiert d'être efficiente. Actuellement, les entreprises qui "creusent" passent 80% de leur temps à trouver quelles sont les données disponibles, parmi des données hétérogènes, hétéroclites et éparpillées pour 20% du temps passé à appliquer un algorithme, qui va produire un résultat ! Il est difficile de centraliser les données. Ce qui manque aux entreprises c’est d’architecturer les données. Et des architectes des données.

Pour cela, une tête bien pleine peut s’avérer utile : aux Etats-Unis, des data scientists sont embauchés pour analyser des données client pour le service client, supply chain, back office, bref tout ce qui contribue à la rentabilité de la Sté. L’objectif de ce data scientist est de baisser les coûts et augmenter les revenus.

Que peut-on faire avec un logiciel comme IBM SPSS ?

1. identifier les groupes de clients, identifier les clients qui font partie d’une segmentation x. Par exemple, ceci a permis d'augmenter le chiffre d’affaires de 2% d’un distributeur de cosmétique français en réveillant 8% de clientes endormies ;

2. analyser les conversations sur les réseaux sociaux et les communautés pour trouver les clients leaders — car l’information est bien souvent disséminée et ne concerne pas toujours les clients leaders d’opinion ;

3. identifier ceux qui vont être influencés par les influenceurs ou ambassadeurs ;

4. mettre ces données en parallèle avec les autres données classiques du CRM ;

5. prévoir le ROI d’une future campagne Marketing — exemple, obtenir un taux de retour sur une campagne d’e-mailing de 30% ;

6. être assisté en situation de vente ou de communication avec un client, en utilisant une prédiction en temps réel, quand le client est en face de soi — c’est possible notamment pour le Service Client. Pourquoi attendre la campagne Marketing dans une semaine ?  Autant lui faire une offre de suite (up-selling ou rétention). Ceci permet, par exemple, d'aider un call-center à devenir un centre de profit. C’est le cas d’une compagnie d’assurance qui a obtenu 30 M€ de revenus additionnels en 20 000 ventes (cross-selling) sur 1 million d’appels entrants, car les opérateurs ont vendu en temps réel.

Ce qui est important c’est de comprendre que les directeurs CRM, Relation Client et Marketing sont assis sur une mine d’or [leurs données] qui, une fois exploitée, peut rapporter de la valeur.  

Reste à calculer le ROI d'une solution d'analyse prédictive, comme IBM SPSS. Qui a un coût ! Vous trouverez quelques pistes de calcul de ROI à la fin de mon précédent article sur l'Analyse Prédictive.