À partir de cet instant, les entités perçoivent la nécessité d'aller plus loin dans l'analyse et l'exploitation des données clients, car celles-ci pourraient être un avantage concurrentiel. Imaginez que vous puissiez anticiper les besoins de vos clients et savoir exactement ce qu'ils souhaiteront demain, avant même qu'ils en aient exprimé le besoin. C'est exactement le but du marketing prédictif. Selon l'encyclopédie du marketing, la notion de marketing prédictif regroupe les techniques d'analyse des comportements clients et prospects afin d'anticiper leurs futurs besoins, à partir de leurs comportements passé et présent. Concrètement, l'utilisation du marketing prédictif repose sur des algorithmes, des outils de Machine Learning ou encore des outils de scoring. Ces outils sont programmés pour envoyer des alertes automatiques quand ils observent une combinaison de critères définis dans votre base de données. Exemple: vous décidez de recevoir une alerte automatique dans votre CRM lorsqu'un de vos prospects consulte votre site internet à 3 reprises (facteur 1) et est localisé en France (facteur 2), car vous avez défini que dans ce cas, il devait être contacté par un commercial.
Voilà ce que permet de faire le marketing prédictif, comme dans cet exemple d'un marchand de jeux vidéo, éditeur d'une newsletter envoyée à une base très importante mais aux résultats décevants. Adressée à tous les types de gamers, du joueur occasionnel (Super Mario, Pokémon…) au hardcore gamer (Call of Duty…), la newsletter avait du mal à trouver son public. Cette stratégie généraliste n'était pas très performante, et Tinyclues a permis d'y remédier. En envoyant 3 newsletters différentes à des populations plus réduites (200 000 contacts vs. 1 million précédemment) et finement ciblées, les taux de clic ont explosé. La solution a même permis de cerner un profil type de client pour chaque sortie de jeu, en fonction des personnes qui avaient pré-commandé et en fonction des comportements passés. 4. Les voyageurs qui partent chaque année en février changent de destination… Le constat peut paraître trivial, mais dans la pratique, comment peut-on anticiper l'évolution des tendances d'une année sur l'autre quand on est voyagiste?
Vous devrez aussi vous assurer que votre datamart contient des données « nettoyées » et suffisamment propres pour être exploitables statistiquement (par exemple l'élimination des effets indésirables des données aberrantes). 4) Utiliser très tôt les segmentations La segmentation est l'outil de base pour permettre au marketeur de comprendre le comportement de ses clients. De plus, une base segmentée fera gagner en précision toutes les méthodes de marketing prédictif que vous mettrez en place ultérieurement. Elles sont assez faciles à réaliser et vont vous faire gagner un temps précieux par la suite. Le minimum est une segmentation basée sur les transactions et une autre basée sur l'activité du prospect et/ou son attachement à la marque. Mais on ne devrait pas s'arrêter là et réaliser aussi une typologie complète de ses clients afin de comprendre comment ils se regroupent logiquement en « classes » avec un comportement homogène à l'intérieur de chaque classe. Les segmentations seront le point de départ du ciblage de l'ensemble de vos campagnes marketing par la suite.
Par conséquent, le data mining est fondamentalement lié à l'intelligence artificielle. Dans ce processus, les programmes informatiques apprennent de manière presque autonome grâce à des bases introduites et acquièrent de nouvelles informations en fonction des nouveaux modèles développés. C'est ici que l'on peut observer une grande différence entre data mining et analyse prédictive. L'exploration de données classique vise habituellement à montrer les schémas structurels sur des informations et groupes existants. Cependant, l'accent mis sur un développement quasi autodidacte des calculs qui s'étend progressivement au-delà du groupe de données (et qui est donc une caractéristique de l'intelligence artificiel) joue un rôle décisif dans la définition de l'analyse prédictive. Les algorithmes déjà existants doivent être combinés pour amener de nouvelles conclusions et pouvoir prévoir par exemple des comportements d'une cible d'acheteurs potentiels. Le « condensé » de ces enquêtes est appelé Smart Customer Data.
L'analyse prédictive affine cependant le fonctionnement du data mining et comprend des techniques supplémentaires. Des éléments de la théorie des jeux et de l'apprentissage automatique sont notamment pris en compte. En outre, sont également utilisées dans l'application de l'analyse prédictive des méthodes d'analyse spécifiques, qui sont basées sur des algorithmes complexes afin de dégager un modèle reconnaissable à partir de toutes les contributions en apparence sans lien des médias sociaux ou articles de blog. Remarque Le data mining (ou exploration de données) cherche à définir des modèles en données larges à l'aide d'algorithmes et de méthodes mathématiques et stochastiques. Idéalement, les connaissances ainsi acquises peuvent être utilisées pour identifier et anticiper les tendances et des développements potentiels. Afin de mieux comprendre les fonctionnalités de l'analyse prédictive, il est utile de disposer d'un aperçu des termes courants utilisés: Analyse de régression: les interactions entre diverses variables dépendantes et indépendantes sont identifiées.