From Data Science to Growth
L’économétrie au service du marketing.
Construire, à partir des données consommateurs, les indicateurs clés du suivi des performances marketing.
- Période
- Depuis 2021
- Services
- Data Science
- LifeTime Value
- Prédiction du churn
- Client
- Veepee
La célèbre marque e-commerce jouit d’une excellente réputation en Suisse et compte des centaines de milliers de clients romands, acquis depuis plus d’une décennie.
Nous avons commencé à collaborer avec Veepee début 2021, par la mise en place de notre programme Data Science, puis nous avons exploité les apprentissages en mettant en place une stratégie d’acquisition à la performance.
Mission - Analyse de données financières
L’objectif de la mission était de produire des analyses descriptives et statistiques sur les données anonymisées des consommateurs afin de construire un set d’indicateurs clés pour le suivi des performances des futures actions marketing de type CRM et acquisition.
Stratégie - Modélisation des données consommateurs.
Notre stratégie a été de mettre en place le programme Data Science, un framework conçu par l’agence. Il regroupe les méthodes, les algorithmes et les outils permettant à nos experts d’analyser les données, d’optimiser la récolte (tracking, data collection), et de procéder aux analyses descriptives, prédictives et exploratoires.
Une fois la phase d’apprentissage réalisée, nous avons procédé aux analyses des données afin de construire les KPIs marketing à la fois descriptifs et prédictifs permettant de mettre en lumière des opportunités de croissance.
Cinq mois après son dernier achat, ce client n’a plus qu’une chance sur deux d’être actif
Probabilité qu’un client simulé (« client 123 ») soit encore actif (« vivant » au sens du modèle de churn), en %, d’octobre 2020 à février 2022. Les traits bleus marquent ses trois achats. Déplacer la date du jour pour voir où en était le client à cette date.
Survoler la courbe pour lire la probabilité à une date ; cliquer sur le graphique ou déplacer le curseur pour changer la date du jour. La suite de la courbe, encore inconnue à cette date, passe en gris. Le segment reprend les seuils du graphique de segmentation : inactif sous 28%, actif au-delà de 60%.
Source : données simulées à des fins illustratives, Bright ; courbe et dates d’achat relevées sur la figure d’origine, valeurs approchées (±1 point, dates ±3 jours) · Graphique : bright.swiss
58% des clients sont actifs, mais un sur quatre est déjà inactif
Répartition de 1'278 clients simulés selon leur probabilité d’être actif (« vivant » au sens du modèle de churn), en nombre de clients par tranche de 2 points. Segments aux seuils de l’étude, 28% et 60% ; déplacer les seuils pour recompter les clients de chaque segment.
Survoler une barre pour lire son nombre de clients ; cliquer sur le graphique pour y amener le seuil le plus proche.
Source : données simulées à des fins illustratives, Bright ; distribution reconstituée à partir de la courbe de densité et des effectifs de la figure d’origine (333 inactifs, 204 indécis et 741 actifs), valeurs approchées · Graphique : bright.swiss
Impact
Un plan d’action drivé par la donnée pour servir la croissance.
Nos analyses ont permis de construire des KPIs déterminants comme la LifeTimeValue, qui, croisées avec différents indicateurs, ont su révéler des axes de croissance concrets.
La richesse des données nous a permis de mettre au point un algorithme de prédiction du churn pour chaque consommateur. Un indicateur stratégique exploitable pour de nombreuses actions de marketing automation.
L’ensemble des analyses a permis de documenter et de chiffrer un plan d’action composé de plus de 30 projets, des plus simples au plus ambitieux.
CRM – Proposition d’une nouvelle segmentation, pilotée par la data, qui a permis l’identification d’un panel de consommateurs à forte valeur ajoutée ainsi que les consommateurs ayant un fort risque de churn.
Acquisition – Lancement d’une stratégie d’acquisition sur différents canaux médias digitaux sur l’ensemble du territoire suisse.
Les analyses effectuées à travers le programme data science ont été la clef du succès des campagnes d’acquisition. Des informations comme le taux de conversion de deuxième niveau spécifique aux clients provenant des campagnes, l’évolution de la conversion des clients dans le temps, l’évolution de la LTV en fonction des produits achetés lors du premier achat, entre autre, ont été déterminantes pour optimiser finement les campagnes et maximiser ainsi les performances.