Une segmentation plus intelligente pour améliorer l'expérience des clients dans le commerce de détail
Contexte et objectifs
Un détaillant alimentaire belge en pleine croissance était confronté à une forte concurrence dans le secteur de la vente au détail de produits biologiques. Il s'est adressé à Agilytic pour utiliser la segmentation afin d'augmenter les dépenses moyennes des clients, de les fidéliser et d'acquérir de nouveaux clients.
L'obtention d'informations plus précises sur les clients était essentielle pour permettre au détaillant de mieux répartir les ressources consacrées à l'acquisition et à la fidélisation des clients.
Nous avons donc entrepris de procéder à une segmentation comportementale des clients afin de mieux comprendre leurs habitudes d'achat.
Ensuite, nous avons identifié les différences de comportement entre les magasins afin d'adapter l'approche marketing et commerciale au niveau local.
Enfin, nous avons développé un tableau de bord pour que le détaillant puisse explorer et bénéficier dynamiquement de l'analyse.
Approche
Tout d'abord, nous avons commencé par la validation des données et du champ d'application. Cela nous a permis d'élaborer une analyse descriptive et de valider l'étendue des clients, des données et des transactions avec l'équipe (par exemple, le comportement par magasin, le volume de clients inconnus et les produits).
Ensuite, nous avons procédé à la consolidation des données, qui comprend la construction de variables pour la segmentation et la description des segments. Dans ce projet, nous avons utilisé les quantités par type de produit pour la segmentation.
Vient ensuite la segmentation. Nous avons utilisé un algorithme (silhouette score) pour trouver le nombre optimal de clusters et avons effectué une segmentation basée sur les résultats. Cette méthode est un mélange de segmentation "business" et de segmentation "machine learning" (ML) : L'algorithme ML utilisé pour la segmentation est basé sur des variables sélectionnées au préalable.
Dans ce projet, le nombre de grappes optimales était de dix. Étant donné que dix groupes pourraient être difficiles à gérer dans le cadre d'actions de marketing, nous avons proposé deux segmentations : la première avec dix segments et la seconde avec cinq groupes. Nous avons élaboré un rapport sur les segments afin de les valider avec le détaillant.
Après cette phase de segmentation, nous sommes passés à la visualisation. Le client prévoyait d'utiliser et de construire son propre tableau de bord à long terme. Nous avons donc développé une solution temporaire sous la forme d'un tableau de bord dans Power BI. Nous avons d'abord créé une maquette pour valider les dimensions, les mesures et le type de visualisation dont le client avait besoin avant de développer le tableau de bord dans Power BI.
Enfin, nous avons fourni de la documentation pour transférer les connaissances au détaillant et l'aider à s'approprier notre modèle. Nous avons rédigé une documentation décrivant l'approche et les scripts utilisés pour construire la segmentation. La documentation comprenait également la procédure d'application de la segmentation sur de nouvelles données.
Autres analyses a posteriori
Nous avons identifié les opportunités critiques pour les campagnes de marketing suite à la crise du COVID sur la base d'analyses antérieures. Nous avons procédé à cette analyse pendant et après le premier blocage et avons pris en compte des paramètres tels que la fréquentation du magasin, l'évolution des segments de clientèle, les clients qui ont quitté le magasin et les nouveaux clients. Il en a résulté des campagnes de marketing efficaces, adaptées au temps et à l'action pour le client.
Résultats
À la fin du projet, nous avons livré la marchandise :
Ensemble de données consolidé et enrichi avec des segments et des champs calculés pour construire la segmentation
Rapport de segmentation avec l'approche et la description des segments
Tableau de bord dynamique montrant les comportements globalement, par segment et/ou par magasin
Nous avons développé des scripts pour construire les segments, appliquer la segmentation aux nouvelles données et construire l'ensemble de données pour le tableau de bord.
Documentation du projet
Un rapport détaillé sur l'analyse du comportement des clients avant, pendant et après la première fermeture.
Une liste de recommandations à tester, basée sur les types de produits à promouvoir auprès de clients / segments spécifiques
Notre modèle a permis au client d'utiliser les segments pour informer les futures campagnes de marketing.
Grâce à l'analyse et à la segmentation des données, le client peut désormais constater une amélioration de la fidélisation des clients grâce à des décisions plus intelligentes concernant la coordination des efforts de commercialisation. Après avoir achevé le projet en deux semaines, le client a rapidement compris les actions ultérieures nécessaires pour augmenter la fidélisation de ses clients et son potentiel commercial.
