Benchmarks et Études de cas

Segmentation basée sur le CLV en utilisant l’exploration de données

La segmentation client est de plus en plus nécessaire lorsque les intérêts des clients sont vitaux pour la survie des entreprises. Ce projet, appliqué dans une entreprise de l’industrie alimentaire, utilise des techniques de l’exploration de données pour classer les clients en fonction de leur Customer Lifetime Value (CLV). Ce qui signifie que chaque segment de clients est décrit par un ensemble de règles basées sur les habitudes d’achat des clients. Le but de ce projet était d’utiliser les segments de clients obtenus pour dynamiser les stratégies de marketing, car ces segments permettent de différencier les clients.

L’entreprise

L’entreprise dans laquelle le projet a été mené est reconnue comme une entreprise durable et compétitive, qui investit dans la qualité et l’innovation pour créer des confiseries uniques. Au fil des ans, l’entreprise s’est préoccupée des besoins des clients. Par conséquent, l’investissement dans les clients a été adopté comme une stratégie à long terme, essentielle pour augmenter la part de marché et se démarquer aux niveaux national et international.

Il faut souligner que les clients de l’entreprise ne correspondent pas au client final, mais aux grossistes et aux détaillants, puisqu’il s’agit d’une entreprise B2B.

Le défi

L’entreprise étudiée catégorise le marché en utilisant des facteurs géographiques, en raison des différences entre les marchés appartenant à différents pays. La segmentation des clients par zone géographique est une approche traditionnelle de la segmentation, qui n’est plus utilisée dans la même mesure qu’auparavant, car de nombreux services sont devenus électroniques, ce qui réduit les difficultés inhérentes à la distance. En outre, la localisation ne représente pas forcément un comportement d’achat similaire.

L’objectif du projet était de construire des segments clients basés sur le Customer Lifetime Value (CLV) afin de développer des approches marketing différenciées.

Les données collectées comprennent 28 259 transactions de 296 clients, sur une période d’un an.

L’approche

La première étape du projet a consisté à organiser les données en un jeu de données de 296 lignes, chacune représentant un client, et à le préparer pour la phase de clustering. Cet ensemble de données comprenait 4 variables, à savoir les variables RFM – l’intervalle de temps entre le moment de l’analyse et le moment de l’achat le plus récent (Récence), le nombre d’achats effectués par le client au cours d’une période donnée (Fréquence) et la valeur moyenne des transactions (valeur Monétaire) – ainsi que la localisation géographique du client.

Dans l’étape de clustering, le modèle de segmentation RFM a été appliqué après avoir été défini le nombre de clusters sur la base de la méthode de la silhouette moyenne. La valeur de la silhouette (sil) est une mesure de la similitude d’un objet avec son cluster (cohésion) par rapport à d’autres clusters (séparation). Une valeur élevée indique que l’objet est tout à fait compatible avec son cluster, contrairement aux clusters voisins. Le nombre de clusters, représentant le nombre de groupes de clients qui ont un comportement RFM similaire, a été fixé à 5 et couvre 83,6% de la variance totale présente dans l’ensemble de données.

Pour une meilleure compréhension de chaque cluster, un arbre de décision présente les règles qui permettent de distinguer les segments.

La valeur de chaque segment pour l’entreprise a été évaluée par l’application du RFM pondéré (WRFM). À cette fin, il était nécessaire de définir les pondérations de chacune des variables RFM. Ceci a été effectué en utilisant le processus de hiérarchie analytique (AHP). Pour définir l’importance relative des critères, les principaux décideurs de l’entreprise ont été impliqués pour comparer chaque paire de critères possible. Après l’exercice de comparaison, la cohérence des jugements portés et le CLV ont été évalués.

Note that the complementary to one of the normalised recency values was taken because Cj aims at measuring the value of the customer, which is higher when the recency is lower.

Le segment numéro 5 a la valeur CLV la plus élevée. Dans ce cas, la plupart de ses clients ont récemment acheté, avec la moyenne d’achat par transaction la plus élevée. Ces clients présentent les caractéristiques d’un segment de grande valeur dont les stratégies de segmentation devraient tenir compte de ces spécifications.

Résultats et prochaines étapes

En analysant les caractéristiques des segments créés, déduites des arbres de décision, l’entreprise était très confiante que la stratégie marketing dérivée de la segmentation apporterait des résultats encourageants.

Avec les informations découlant de cette étude, l’entreprise est en mesure de définir une stratégie spécifique en fonction des caractéristiques du cluster. Pour le segment se référant à la valeur la plus faible, des campagnes de marketing et des remises pourraient être lancées pour stimuler les achats, pour faire connaître les produits actuels (par exemple, en fournissant des échantillons), pour promouvoir l’expérimentation, pour éliminer des produits ou pour estomper la saisonnalité de la consommation. Pour les groupes de produits qui ont actuellement une valeur plus élevée, un traitement premium et une relation plus étroite avec les clients, sont recommandés pour maintenir la valeur du client. Étant donné que l’entreprise met l’accent sur l’innovation et le lancement conséquent de nouveaux produits, il pourrait être intéressant d’impliquer les clients les plus importants dans l’idéation et/ou de garantir des ventes exclusives pour renforcer leur statut spécial.

#industrie de transformation #marketing et ventes