Contexte & Objectifs

La mauvaise qualité des données CRM d’un détaillant alimentaire belge en pleine croissance a limité l'expansion de leurs ventes B2B. 

Obtenir des informations client plus précises était crucial pour le détaillant afin de mieux allouer les ressources d'acquisition et de fidélisation. 

Ils se sont tournés vers Agilytic pour enrichir l'ensemble de données de leurs clients potentiels, nettoyer leur CRM, et segmenter les prospects en fonction du comportement transactionnel et des caractéristiques firmographiques. Le résultat souhaité - augmenter la dépense moyenne des clients, accroître la fidélité des clients, et acquérir de nouveaux clients.

Avec ces objectifs à l'esprit, nous avons entrepris de segmenter les clients pour comprendre leurs habitudes d'achat et recommander des moyens d'adapter l'approche de vente.

Démarche

Nous avons travaillé avec le client détaillant et son partenaire commercial pour maximiser la pertinence des résultats.

Tout d'abord, nous avons commencé par un nettoyage des données pour améliorer la qualité de l'analyse (par exemple, supprimer les doublons basés sur les numéros de TVA nettoyés).

Ensuite, avant de développer les segments, nous avons effectué une validation des données pour valider la portée du projet. De plus, nous avons pu exclure les clients/transactions non pertinents pour les campagnes que notre client souhaitait effectuer. Par la suite, pour l'enrichissement des données, nous avons extrait des données BCE et BNB pour enrichir les informations sur les clients (par ex., BCE : pour obtenir les secteurs, la date de création, les éventuels e-mails et numéros de téléphone, et BNB : pour obtenir des rapports financiers donnant le nombre d'ETP, la marge d'exploitation brute ou le résultat net).

Ensuite est venue la segmentation. Nous avons identifié des caractéristiques et des étiquettes basées sur les transactions et créé des informations BCE et BNB. En fonction des catégories de transactions hautes et basses sur les clients (basées sur le montant moyen dépensé annuellement), nous avons identifié les clusters dans les secteurs, les âges des clients et les tailles de clients où nous avions une probabilité plus élevée de clients à transactions élevées. Nous avons ensuite extrait les sosies dans l'ensemble de données BCE basés sur les clusters identifiés.

Après cette phase de segmentation, nous sommes passés à la consolidation des résultats pour une importation dans le CRM. Par exemple, les caractéristiques, étiquettes et segments basés sur les clients existants et potentiels ont été consolidés dans des fichiers à importer dans leur CRM.

Enfin, nous avons fourni de la documentation pour transférer les connaissances à l'équipe de notre client pour les aider à s’approprier le processus. Nous avons rédigé une documentation décrivant l'approche et les scripts utilisés pour construire la segmentation. La documentation incluait également la procédure pour appliquer la segmentation aux nouvelles données.

Résultats

À la fin du projet, nous avons livré :

• Un ensemble de données enrichies et consolidées de leurs clients

• Des segments attribués à leurs clients

• Un ensemble de données enrichies et consolidées de clients potentiels (sosies)

• Description des segments identifiés

• Documentation sur l'approche et la procédure pour créer les résultats

Après avoir terminé le projet en 12 jours, le client a rapidement compris les actions nécessaires pour augmenter son potentiel commercial. Notre modèle a permis au partenaire commercial du client de utiliser les segments pour informer les futures campagnes de vente.