Contexte & Objectifs

Une grande entreprise pharmaceutique disposait d'une base de données de qualité inférieure qui l'empêchait d'effectuer une segmentation précise des Généralistes et autres spécialistes en Belgique.

Obtenir une compréhension plus précise des clients était crucial pour l'entreprise afin d'allouer efficacement les ressources d'acquisition et de fidélisation. Par conséquent, nous avons entrepris de recueillir des données ouvertes accessibles publiquement sur les clients potentiels et de développer la connaissance client.

Ce projet d'enrichissement des données visait à améliorer le ciblage commercial à l'avenir (c'est-à-dire à améliorer les messages personnalisés et les canaux de communication).​

Démarche

Nous avons travaillé avec les départements marketing et opération pour maximiser la pertinence des résultats.​ Nous avons d'abord évalué le potentiel de scraping des différentes sources, en sélectionnant les plus pertinentes. Ensuite, nous avons déployé des techniques de web scraping et collecté des données ouvertes sur les médecins à partir de divers sites publics (par exemple, INAMI, recherche Google, LinkedIn et plateformes de rendez-vous comme Doctena).​ Nous avons utilisé une API de page de résultats de moteur de recherche (SERP) pour obtenir des résultats filtrés à partir d'une recherche Google et PhantomBuster pour LinkedIn.​ 

Nous avons effectué le web scraping et la consolidation avec le langage de programmation Python. Le processus est réplicable pour tout développement futur interne à l'entreprise pharmaceutique ou mise à jour des données à tout moment.

Enfin, nous avons intégré les données obtenues dans un fichier Excel.

Résultats

À la fin du projet, nous avons livré un modèle et d'autres ressources permettant au client d'éventuellement utiliser les données pour créer des segments qui guident les futures campagnes marketing, y compris :

• La base de données consolidée, enrichie avec toutes les données collectées

• Un dictionnaire de données - détaillant chaque colonne de la base de données, fournissant ainsi des informations sur chaque fonctionnalité.​

• La documentation de la méthodologie et du code. Nous avons développé des scripts pour construire le jeu de données.

• Nous avons développé tout le code en Python pour une réplication future et un développement interne.

• Un rapport détaillant l'approche.

La base de données a commencé avec 15,000 médecins et 13 caractéristiques sur ces médecins. Après le projet de web scraping et en utilisant sept sources au total, ce nombre est maintenant de 40 nouvelles caractéristiques, offrant ainsi une image plus riche de chaque profil.

Et, parce que nous nous sommes assurés que le code pour le scraping des données est réplicable, le client peut effectuer une mise à jour future des données et un développement interne.

Grâce à l'analyse des données, le client a  amélioré sa connaissance client et peut prendre des décisions plus judicieuses concernant la coordination des efforts de commercialisation. Après avoir terminé le projet en 3 semaines, le client a rapidement compris les actions nécessaires à la augmentation de la rétention client et du potentiel commercial.