Equipement sportif

Utiliser l'intelligence Artificielle pour identifier les dynamiques comportementales et personnaliser l'expérience client

Secteur

Equipement sportif

Action

Clustering

Périmètre

EMEA+NORAM

Indicateurs de performance

ans d'historique
0
bases de données
0
features utilisées pour le clustering
0

Introduction

Notre client souhaitait accroître la part de son Chiffre d’Affaires réalisée en direct (boutique et e-commerce) auprès de ses consommateurs. Afin de personnaliser au mieux l'expérience de marque, il a fait appel à nos équipes pour développer un clustering de sa clientèle.

Action #1

Audit des segmentations et persona existants

Nous avons réalisé un audit des segmentations mises en place par notre client pour évaluer leur structure et leur pertinence. Cette analyse a consisté à examiner les segmentations actuelles afin de comprendre comment elles étaient utilisées pour le ciblage et la personnalisation des campagnes marketing. 

Nous avons passé en revue les critères de segmentation existants, sans aller au-delà de ce qui était déjà en place, et avons identifié les axes potentiels d’amélioration pour une meilleure efficacité future.

Action #2

Identification des cas d'usages à forte valeur ajoutée du clustering client et priorisation

Dans le cadre de cette mission, nous avons mené des entretiens avec les équipes métiers pour comprendre leurs attentes par rapport au clustering client et identifier les cas d’usages ayant un impact commercial fort. Les cas d’usages définis couvrent plusieurs aspects du parcours client, allant de la stratégie de ciblage à la personnalisation de l’expérience client, en passant par l’analyse de tendances.

Identification des cas d’usages

Les cas d’usages identifiés pour le clustering client incluent :

  • ­Stratégie de ciblage : Développer une stratégie de ciblage fondée sur les clusters, permettant de mieux allouer les ressources marketing et de s’assurer que les campagnes s’adressent de manière pertinente aux consommateurs cibles
  • Parcours client personnalisé : Définir des parcours adaptés pour chaque cluster afin d’offrir une expérience plus fluide et engageante, en fonction des besoins spécifiques et des comportements identifiés dans chaque segment
  • Définition des assortiments produits : Déterminer les assortiments de produits à promouvoir en fonction des préférences et comportements d’achat des différents clusters
  • Analyse des tendances à travers l’évolution des clusters : Surveiller l’évolution des clusters au fil du temps pour identifier des tendances émergentes, telles que les changements de comportements ou les préférences nouvelles, et ajuster les actions marketing en conséquence
 
Priorisation des cas d’usages
 

Les cas d’usages ont été priorisés en fonction des critères suivants :

  • Besoins business : Nous avons évalué chaque cas d’usage en fonction de son impact sur des objectifs clés tels que la fidélisation, l’acquisition, le cross-sell, l’upsell, etc.
  • Potentiel ROI : Chaque cas a été analysé pour estimer son retour sur investissement en termes d’impact sur les KPIs marketing et les performances commerciales
  • Faisabilité : La faisabilité technique de chaque cas d’usage a été vérifiée en fonction des données disponibles et des capacités des outils existants

Action #3

Réalisation du clustering

Collecte des données et détermination des attributs pertinents pour le clustering

Nous avons collecté les données nécessaires au clustering, en identifiant les sources et les variables pertinentes pour faire tourner un algorithme de clustering sur la base de données. Les attributs sélectionnés incluaient des informations comportementales, transactionnelles, démographiques, géographiques et RFM (récence, fréquence, monétaire), afin de nous assurer que le modèle allait capturer les différents aspects du comportement des consommateurs.

Préparation des données

Après la collecte des données, nous avons procédé à la préparation des données, une étape essentielle pour garantir la qualité du clustering :

  • ­Traitement des valeurs aberrantes : Identification et élimination des valeurs extrêmes susceptibles de biaiser l’analyse
  • ­Imputation des valeurs manquantes : Application de méthodes d’imputation telles que la moyenne ou le KNN pour remplir les valeurs manquantes, tout en minimisant les biais
  • ­Normalisation : Utilisation de techniques de normalisation des données (min-max, gaussienne, etc.) pour garantir que toutes les variables étaient sur la même échelle, ce qui est particulièrement important pour les données numériques
  • Réduction de dimensions : Application de la PCA (Analyse en Composantes Principales) pour réduire la complexité des données tout en conservant les informations essentielles, afin d’améliorer la qualité du clustering

Évaluation et sélection du modèle de clustering

Nous avons testé plusieurs modèles de clustering, tels que K-means et Gaussian Mixture Models (GMM), et évalué leur performance à l’aide de diverses métriques : Davies-Bouldin Index, WCSS (Within-Cluster Sum of Squares) et CH (Calinski-Harabasz Index). Ces critères ont permis de mesurer la cohésion interne des clusters ainsi que la séparation entre eux.
 
Nous avons également mis en place un benchmark RFM pour comparer l’efficacité du clustering aux méthodes classiques basées sur des critères RFM. Cette analyse a permis de discuter de la pertinence du clustering par rapport aux approches traditionnelles et de déterminer si le clustering apportait une valeur ajoutée.
 
Le modèle offrant les meilleures performances en termes de qualité des clusters a été retenu pour l’analyse finale.

Action #4

Analyse détaillée des clusters obtenus

Une fois les clusters obtenus, nous avons procédé à une analyse détaillée en utilisant des critères variés afin de comprendre les spécificités de chaque groupe de consommateur ainsi isolé :

  • ­Critères comportementaux : Identification des habitudes d’achat, de la fréquence des visites, des préférences de produits, etc.
  • Critères démographiques : Analyse des clusters en fonction des informations comme l’âge, le sexe, la situation familiale, etc.
  • Critères géographiques : Étude de la répartition des clusters en fonction de la localisation géographique pour ajuster les stratégies locales
  • Critères RFM : Définition de la valeur de chaque cluster en utilisant les indicateurs RFM pour mieux comprendre la fidélité, la réactivité et le potentiel de chaque cluster. Cette analyse a permis de mettre en évidence des opportunités spécifiques pour chaque segment et de formuler des recommandations précises
 

Action #5

Définition des stratégies d’activation spécifiques à chaque cluster avec les équipes métiers

En collaboration avec les équipes métiers, nous avons défini des stratégies d’activation adaptées à chaque cluster identifié. Pour chaque segment, nous avons élaboré des plans d’action qui incluaient :

  • Des campagnes de ciblage personnalisé (publicité, emails, promotions) fondées sur les caractéristiques spécifiques des clusters
  • Des recommandations de produits et de services en fonction des préférences et comportements identifiés
  • Des stratégies de fidélisation et de réengagement pour les clusters à fort potentiel, fondées sur leur activité passée et leur propension à acheter

Action #6

Gestion du drift des clusters

La gestion du drift des clusters est un processus continu, essentiel pour garantir que les segments restent pertinents au fil du temps. Nous avons mis en place un système de surveillance permettant de détecter tout changement significatif dans les comportements des consommateurs qui pourrait influencer les clusters :

  • Suivi des comportements : Mise en place de mécanismes de suivi réguliers pour observer l’évolution des distributions des données, des comportements et des tendances au sein de chaque cluster
  • Réajustement des modèles : En cas de drift détecté, les modèles de clustering ont été réajustés ou recalibrés pour s’assurer qu’ils capturent toujours les tendances actuelles du marché
  • Analyse des nouveaux entrants : Intégration des nouveaux clients dans les clusters existants ou création de nouveaux clusters si nécessaire pour garantir que l’ensemble des segments reste cohérent et exploitable

Découvrir les autres cas clients