Le k-means clustering, la segmentation algorithmique au service des stratégies CRM.

Comment générer plus de profits à partir de votre base de clients grâce à la segmentation?

La capacité de bien segmenter et cibler ses prospects et clients est capitale pour toute entreprise. 

Cela permet de mieux répondre aux besoins et d’apporter des réponses marketing plus pertinentes car personnalisées. 

Attribuer davantage de budget sur des segments plus rentables et délaisser ceux qui le sont moins sont également des décisions rendues possibles par une bonne segmentation.

A terme, une bonne segmentation permet un meilleur engagement et doit se traduire par un boost dans les ventes.

Cette semaine chez bright, nous vous proposons une méthode:

• Orientée data
• Offrant la possibilité de faire des segments avec pratiquement n’importe quelle dimension (du moment que c’est quantitatif)
• Permettant la création de segments de manière automatisée
• Facile a reproduire/modifier
• Facile à mettre à jour (nouveaux clients, nouvelles transactions etc.)

Il s’agit de la méthode de clustering k-means et voici un exemple concret de son utilisation afin de segmenter la clientèle de l’un de nos clients.

L’entreprise voulait s'adresser à chaque client de manière plus personnalisée en fonction du type d’achat que ces derniers ont effectué. 

Elle souhaitait, par exemple, mettre une page d'accueil personnalisée en fonction des préférences du client lorsque ce dernier est loggé.

Nous avons donc segmenté la base de données clients en utilisant la méthode k-means, ce qui nous a permis d’identifier de manière mathématique et automatisée 4 segments de clients très distincts.

En effet, nous pouvons constater dans le graphique précédent que les consommateurs appartenant à chacun des clusters ont une préférence marquée pour des catégories de produits distinctes et ne s’intéressent pas (ou peu) aux autres catégories.

Les algorithmes de clustering, dont K-means fait partie, permettent une segmentation efficace (du moins d’un point de vue mathématique) en un nombre de segments choisi en amont. 

Les données sont alors regroupées de façon à faire en sorte que les éléments d'un même segment soient plus ou moins similaires entre eux, et différents des éléments des autres segments. 

Conclusion:

L’entreprise identifie les acheteurs qui sont similaires dans leur comportement d'achat et les place dans un même segment. Elle peut ensuite:

1. Leur envoyer des newsletters uniquement pour les produits qui les intéressent (afin de ne pas les surcharger tout en restant pertinente),
2. Adapter l’expérience client sur le site en fonction du segment d'appartenance,
3. Détecter des interactions entre différents produits et encourager le cross-sell
4. Découvrir quels produits connaissent le plus de succès auprès de ses différents groupes de clients.

 #segmentation #customer #targeting #datascience #businessintelligence