Ciblage marketing : la Fnac fait confiance au Machine Learning

Une boîte noire pour piloter le marketing ? La Fnac assure avoir amélioré son ciblage avec les algorithmes de Machine Learning de TinyClues. Une progression validée expérimentalement via un test sur la durée, qui montre une progression de 30 % des ventes.

Les algorithmes plus forts que les analystes ? C’est ce que semble indiquer la Fnac, qui a retenu une start-up française (TinyClues) pour améliorer ses sollicitations marketing sur sa base de clients. Le fruit d’un long travail de réflexion comme le raconte Camille Berland, qui pilote le pôle CRM de l’enseigne : « au sein de la Fnac, nous avons commencé à collecter des données très tôt, via notre programme adhérents et nos boutiques multicanal. Et il y a quelques années, nous avons mené la fusion de nos différentes bases de données. »  Ce qui a ouvert à l’enseigne les portes de la personnalisation et du ciblage. « Le ciblage des actions de communication vise à éviter de trop fatiguer les bases de données par des sollicitations permanentes, tout en augmentant le revenu global généré par ces actions, notamment via la vente de produits de niche », observe la spécialiste, qui s’exprimait lors du colloque Big Data Paris la semaine dernière.

Camille Berland
Camille Berland – Fnac

Mais, selon le distributeur, le ciblage comportemental, permettant de dépasser les critères basiques comme l’âge ou le sexe, n’offre que des résultats peu probants avec les technologies traditionnelles. « On retombe dans des segmentations grossières », déplore Camille Berland. Même si quelques cas peuvent s’avérer exploitables. « Notamment sur les achats récurrents, dans un domaine comme la BD par exemple, où les analyses des historiques d’achat offrent des performances satisfaisantes. Mais nous voulions aller plus loin et aussi gagner en agilité dans la mise en place de nouvelles segmentations », reprend la responsable du CRM à la Fnac. Il faut dire qu’on parle ici de manipuler des bases renfermant des milliards d’événements (achats, clics sur des e-mails, visites Web, avis…) associés à des millions de clients (la Fnac compte environ 3,5 millions d’adhérents).

L’algorithme choisit seul

Surtout, les technologies traditionnelles se montrent incapables de fournir des indications précises sur des achats non récurrents comme l’informatique. « Sur ce type d’événements, arriver au bon moment pour conclure la vente est beaucoup plus complexe », résume Camille Berland. D’où l’idée d’avoir recours à la plate-forme de CRM prédictif en mode Saas de TinyClues. Une solution fonctionnant en mode ‘boîte noire’, et reposant sur des algorithmes de Machine Learning censés apprendre par l’expérience les éléments déterminants de telle ou telle typologie d’achat. La solution se base sur deux types de données : des informations en base (historique d’achats, catalogues de produits, données socio-démographique) et des événements (applications mobiles, traces Web, modifications des paniers). « Parmi ces tables d’événements et les bases de données relatives aux clients, des algorithmes permettent de choisir les éléments significatifs pour un produit donné », assure David Bessis, le fondateur et Pdg de la start-up. Le tout automatiquement.

La solution de TinyClues sert tant au ciblage des consommateurs (identifier les 5, 10 ou 20 % de la base de clients qui vont représenter 90 % des achats d’une référence) qu’aux arbitrages (décider quel produit sera adressé à qui). « TinyClues identifie la cible en temps réel et construit le modèle à la volée », assure David Bessis. La plate-forme propose directement des décisions – qu’approuve l’humain – et non des descriptions de données comme le font des solutions plus classiques.

Directement dans les mains du marketing

David Bessis
David Bessis – TinyClues

Pour valider la pertinence de sa boîte noire, la Fnac a mené des tests selon des méthodes d’AB Testing (consistant à comparer les résultats sur des portions de la base traitées avec deux technologies différentes). Un galop d’essai de 2 mois mené sur une cinquantaine de segments de produits. « C’est le test le plus avancé qu’on ait connu à ce jour », dit le Pdg de TinyClues. Avec des résultats probants selon Camille Berland, qui avance, sur les campagnes, des performances en hausse de 30 % en termes de chiffre d’affaires généré, « sur des cibles qu’on n’adressait pas précédemment ».

Selon la Fnac, la mise en place de la technologie, exploitée directement par le département marketing (sans recours au datamining donc), a duré 3 mois. « Nous nous sommes rencontrés en atelier pour préciser nos spécificités. Puis, entre le branchement de nos flux de données et les premiers tests, deux mois se sont écoulés », se remémore la responsable du CRM du distributeur, qui assure par ailleurs que la plate-forme fournit des résultats en quelques minutes. « Le principal apport de cette technologie réside dans le ciblage de nos clients dans un timing précis, note Camille Berland. Nous avions du mal à appréhender la temporalité avec une segmentation classique ».

A lire aussi :

Big Data Paris : la SNCF et ses drones autonomes récompensés
La France se rêve en championne du Big Data… mais sans données
Big Data : ça avance… mais en ordre dispersé

Crédit photo : Jirsak / Shutterstock