Contexte & Objectifs

Un détaillant alimentaire belge en croissance faisait face à une forte concurrence dans le secteur de la vente au détail biologique. Ils se sont tournés vers Agilytic pour utiliser la segmentation afin d'augmenter les dépenses moyennes des clients, accroître la fidélité et acquérir de nouveaux clients.

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

Par conséquent, nous avons entrepris de réaliser une segmentation comportementale des clients pour mieux comprendre leurs habitudes d'achat.

Ensuite, nous avons identifié les différences de comportement entre les magasins pour adapter localement l'approche marketing et commerciale.

Enfin, nous avons développé un tableau de bord permettant au détaillant d'explorer et de bénéficier dynamiquement de l'analyse.

Démarche

Tout d'abord, nous avons commencé par la validation des données et du périmètre. Cela nous a aidés à construire une analyse descriptive et à valider le périmètre 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 effectué une consolidation des données, qui comprend la création de variables pour la segmentation et la description des segments. Dans ce projet, nous avons utilisé des quantités par type de produit pour la segmentation.

Ensuite est venue la segmentation. Nous avons utilisé un algorithme (score de silhouette) pour trouver le nombre optimal de clusters et effectué une segmentation basée sur les résultats. Cette méthode impliquait un mélange de segmentation "business" et "machine learning" (ML) : un algorithme ML utilisé pour la segmentation basé sur des variables sélectionnées préalablement.

Dans ce projet, le nombre de clusters optimaux était de dix. Puisque dix clusters pourraient être difficiles à gérer dans les actions marketing, nous avons proposé deux segmentations : la première avec dix segments et la seconde avec cinq clusters. Nous avons élaboré un rapport sur les segments pour valider les segments 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. Ainsi, nous avons 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 métriques et le type de visualisation dont le client avait besoin avant de développer le tableau de bord dans Power BI.

Enfin, nous avons livré une documentation pour transférer les connaissances au détaillant et l'aider à s'approprier notre modèle. Nous avons rédigé une documentation pour décrire l'approche et les scripts utilisés pour construire la segmentation. La documentation incluait également la procédure pour appliquer la segmentation sur de nouvelles données.

Analyse postérieure supplémentaire

Nous avons identifié des opportunités critiques pour les campagnes marketing suite à la crise COVID en nous basant sur des analyses précédentes. Nous avons fait cela pendant le premier confinement et après celui-ci, en tenant compte de métriques telles que le trafic en magasin, l'évolution des segments de clients, les clients perdus et les nouveaux clients. Cela a abouti à des campagnes marketing exploitables, sensibles au facteur temps et efficaces pour le client.

Résultats

À la fin du projet, nous avons livré :

• Jeu de données consolidé et enrichi avec segments et 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 à de nouvelles données et construire le jeu de données pour le tableau de bord

• Documentation du projet

• Un rapport détaillé sur l'analyse du comportement des clients avant, pendant et après le premier confinement

• 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 marketing.

Grâce à l'analyse des données et à la segmentation, le client peut désormais constater des améliorations de la fidélité des clients grâce à des décisions plus intelligentes concernant la coordination des efforts de commercialisation. Après avoir complété le projet en deux semaines, le client a rapidement compris les actions subséquentes nécessaires pour augmenter sa rétention de clients et son potentiel commercial.