Comment les distributeurs peuvent-ils offrir le bon niveau de personnalisation à leurs clients

Des émissions que nous regardons aux produits que nous achetons, et même dans la façon dont nous prenons soin de notre santé, la personnalisation commence à devenir monnaie courante dans à peu près tous les aspects de notre vie quotidienne. Que l’on nous recommande un film basé sur ce que nous avons regardé auparavant ou que des tableaux de bord de voiture soient construits en fonction de la façon dont nous conduisons¹, partout dans le monde, les organisations adaptent leurs services à nos besoins spécifiques.

Dans la grande distribution, la situation est généralement un peu plus complexe. Les supermarchés fonctionnent à un niveau de fréquence et de volume sans comparaison – traitant des dizaines de milliers d’articles et des millions de clients individuels. Par conséquent, le niveau de personnalisation qui pourrait fonctionner pour un magasin de vêtements ou un libraire n’est généralement pas suffisant pour répondre aux exigences d’une enseigne alimentaire.

C’est particulièrement vrai en ce qui concerne le concept de personnalisation prédictive. Ici, les distributeurs peuvent utiliser la data science pour faire des prédictions pertinentes sur les articles dont chaque client aura besoin et serait disposé à acheter à l’avenir, et ainsi être en mesure de proposer des offres et des promotions personnalisées au bon moment sur ces produits. C’est particulièrement utile car cela donne aux clients ce dont ils ont besoin quand ils en ont besoin et aide les distributeurs à augmenter leurs ventes.

La personnalisation à ce type d’échelle est complexe et n’est pas quelque chose que la majorité des systèmes CRM et MarTech « traditionnels » peuvent offrir. Cependant, il n’est pourtant pas rare que les distributeurs investissent dans ces plateformes en croyant qu’elles en sont capables. C’est un problème, en particulier lorsqu’un distributeur a déjà consacré beaucoup de temps et d’argent à l’intégration d’un système, pour découvrir qu’il ne fait pas tout ce dont il a besoin.

Alors, comment les distributeurs s’assurent-ils qu’ils offrent le bon niveau de personnalisation aux acheteurs ? Et de quoi ont-ils besoin pour assurer la réussite de leurs offres personnalisées ?

Répondre aux besoins de millions de personnes en temps réel

Pour fournir une personnalisation prédictive à grande échelle, vous avez besoin de trois choses : des données client riches et sur une durée importante, les bonnes techniques d’analyse pour en tirer des informations et un système de personnalisation qui peut simultanément traiter et agir sur ces informations.

Les données elles-mêmes sont peut-être les plus facilement disponibles des trois. Aujourd’hui, la plupart des distributeurs sont déjà en possession de tout ce dont ils ont besoin, équipés des données d’achat en ligne et hors ligne ainsi que des données recueillies par les programmes de fidélité. Transformer ces informations brutes en informations exploitables devient alors possible en appliquant la bonne data science.

Il existe de nombreux modèles différents pouvant être utilisés pour piloter la personnalisation à partir des données client, mais deux en particulier sont très efficaces. Le premier est ce que nous appelons les « affinités de produit », qui sont en quelque sorte une inversion des techniques de catégorisation typiques.

Dans un supermarché normal, les produits sont arrangés de la manière la plus logique pour un client lorsqu’il parcourt les rayons. La pâte à tartiner, la confiture et le miel seront tous placés ensemble, par exemple. Les affinités produits ne tiennent pas compte de cela et se concentrent plutôt sur les articles qui vont ensemble dans le panier d’un client en utilisant un comportement longitudinal : miel et pain, par exemple, ou spiritueux et épices à cocktail.

Ces affinités varient pour chaque distributeur sur chaque marché, mais elles nous aident essentiellement à comprendre les différents états des besoins des clients et la façon dont les consommateurs font leurs achats. Cela nous aide à faire des prédictions intelligentes sur ce qu’ils pourraient vouloir ensuite. Un client qui achète fréquemment des viennoiseries pour le petit-déjeuner peut également avoir besoin de beurre, de café et de jus d’orange, par exemple.

La deuxième technique qui a tendance à être utilisée ici est ce qui peut être décrit comme des clusters de « personnes qui me ressemblent ». Ces clusters regroupent les clients qui achètent des produits similaires et fournissent une pondération par rapport aux autres articles. Si vous et deux autres personnes achetez 30 articles similaires, il y a de fortes chances que vous soyez également intéressé par quelque chose d’autre qu’ils ont également acheté après tout.

Créer un segment unique

Ces modèles reposent sur des éléments tels que les scores de catégorie. Ceux-ci fournissent un aperçu de l’engagement d’un client avec une certaine catégorie et sont calculés grâce à une analyse approfondie de l’activité d’un individu dans une catégorie précise afin de déterminer son engagement et son cycle d’achat individuel. En comparant leur fréquence d’achat à la moyenne de tous les acheteurs, les scores de catégorie aident les distributeurs à comprendre si un client sur- ou sous-indexé dans une zone spécifique.

En s’appuyant également sur de nombreuses techniques de machine learning, il est possible de créer un segment unique pour chaque client – c’est-à-dire une carte complète de leurs comportements passés et de leurs potentiels besoins futurs. Cette carte nous permet ensuite de créer des scores de propension qui nous indiquent la probabilité qu’une personne achète un article spécifique dans un délai donné. Cela va jusqu’au niveau du SKU individuel.

Comme vous pouvez l’imaginer, l’échelle dont nous parlons ici est absolument énorme. Le propre moteur scientifique de dunnhumby génère environ 15 000 points de données uniques pour chaque acheteur et les actualise quotidiennement en fonction de nouvelles actions et de nouveaux comportements. C’est ce niveau de granularité qui nous permet de créer des recommandations et des offres personnalisées adaptées si spécifiquement aux acheteurs individuels.

Un bon exemple de cela dans la pratique est via notre Solution d’annonces sponsorisées onsite.

En utilisant le type d’analyse décrit ci-dessus, nous pouvons prédire avec un certain degré de certitude quand un client est le plus susceptible d’acheter un article spécifique. La nature des publicités sponsorisées en ligne signifie que les marques peuvent enchérir afin qu’une publicité pour ce produit soit présentée à cet acheteur au bon moment, et d’une manière tout à fait naturelle qui s’intègre parfaitement au site commerçant du distributeur.

Le client obtient ce dont il a besoin quand il en a besoin, la marque optimise l’efficacité de son budget publicitaire et le distributeur réalise une vente tout en générant des revenus médias. Tout le monde y gagne.

Être pragmatique sur la personnalisation prédictive

Réussir à faire de la personalisation à grande échelle est l’un des plus grands défis auxquels sont confrontés les distributeurs en matière de personnalisation prédictive, et pas seulement en termes de données. Comme mentionné plus tôt, de nombreux distributeurs ont commencé à créer les bases de la personnalisation sous forme de systèmes CRM, malgré le fait que ces plateformes ne peuvent pas toujours offrir ce qu’ils recherchent réellement.

La question est alors, bien sûr, de savoir si les distributeurs devraient prendre les données dont ils disposent et tenter de développer leurs propres capacités afin de traiter, d’analyser et d’exploiter eux-mêmes ces informations.

Nous pensons que la meilleure réponse ici est de penser à la personnalisation prédictive de la même manière que nous pensions au cloud computing il y a environ cinq ou six ans. Alors que les distributeurs étaient initialement sceptiques, préférant la familiarité de leur propre matériel et infrastructure, la puissance, les performances et la rentabilité que les fournisseurs de cloud ont amenées sur le marché sont devenues impossibles à ignorer.

Tout comme le cloud, il y aura un moment dans un avenir proche où la personnalisation prédictive sera une nécessité absolue pour tout acteur de la grande distribution. Et encore une fois, tout comme le cloud, les distributeurs n’ont pas besoin de consacrer du temps et de l’argent à la construction et à la maintenance de leurs propres systèmes alors que des alternatives très avancées existent déjà.

Pour la grande majorité des distributeurs, le chemin vers la personnalisation prédictive existe déjà, avec leur riche base de données clients servant de point de départ idéal. La seule nécessité pour s’engager sur ce chemin est l’ambition de faire ce premier pas.

^{1The Next Level User Experience of Tesla’s Car Dashboard – Adobe Blog}