Ces derniers mois, et le contexte post Covid n’y est peut-être pas totalement étranger, nous sommes souvent face à des annonceurs désappointés et perplexes quant à l’usage de leur solution de Marketing Automation, et plus largement de leur Martech Stack. Pourquoi ? Vers qui ?
La plupart de ceux qui se tournent vers nous ont terminé, parfois au prix de beaucoup d’efforts, l’intégration de solutions de Marketing Automation souvent très puissantes et coûteuses. Au moment de profiter du potentiel de ces softwares, de grandes questions restent sans réponse.
Par où commencer ? Où sont mes priorités ? Quels sont les leviers directement exploitables ?
Le Directeur Marketing d’une de ces enseignes y allait d’une très belle métaphore : "Nous avons désormais une Rolls dans le garage, j’ai les clés, le plein est fait, on nous a expliqué comment la conduire, mais je ne sais pas où aller…"
Et c’est là que la Data Science va les aider à retrouver la bonne direction et l’impulsion !
Deux étapes. D’abord un examen minutieux de l’historique transactionnel nous donnera déjà quelques indications. Une analyse descriptive lèvera le voile sur toute une série de tendances exploitables par la solution. Car à aucun moment dans le travail exploratoire on n’oublie que la finalité est de construire une série d’indicateurs exploitables par le logiciel de Marketing Automation dans le cas qui nous occupe.
Si les questions sont évidentes, trouver les réponses demeure une (data) science. Data Analysts et Data Scientists se retroussent les manches et font ce qu’ils (et elles) font le mieux… plonger dans les données en sachant exactement ce qu’ils/elles cherchent !
Si je prends un exemple, très reproductible, issu du retail : le chiffre d’affaires de l’enseigne a gonflé de 4%. Moins que les prix finalement. Que voit-on au-delà de chiffre ? Qu’un segment de clients s’est mieux comporté que les autres ? Parfait. Pourquoi ? S’est-il tourné vers des produits en moyenne plus chers ou retrouve-t-on plus d’articles dans son panier ? Est-il venu plus souvent ? Oui ? Super… à quel moment et qu’est-ce qui l’a amené ?
Quelle corrélation peut-on dresser entre le contenu de leurs paniers et la contribution au chiffre d’affaires de ce segment de clients ? Au-delà de l’analyse du panier, quel comportement est typique à ce segment qui a "surperformé" et surtout, ce phénomène est-il reproductible sur d’autres segments ou amplifiable sur ce dernier?
Une fois les réponses à ces questions apportées on y voit déjà plus clair. Le brouillard est levé, la destination se dessine mais la route n’est pas encore tracée.
Grâce au constat dressé, une vingtaine d’initiatives sont identifiés. Toutes ne peuvent sans doute pas être menées immédiatement et donc lesquelles sont prioritaires ? Celles qui répondent à une volonté de montée en puissance de nouveaux clients ? Celles qui vont tenter de tirer le maximum d’une relation commerciale existante ? Celles qui vont mettre l’accent sur la fidélisation ?
Et c’est là que l’approche ''Bottom-Up'' rencontre l’approche ''Top Down''. Les initiatives listées seront si nécessaire repriorisées en fonction de l’intention stratégique de l’annonceur.
Les capacités indéniables de la MarTech doivent plus que jamais servir des actions réfléchies. Parce qu’aucun annonceur n’a jamais atteint son objectif commercial grâce à une feature… La solution est une combinaison des bons outils, des bonnes données et d’une bonne analyse.
