Les modèles de segmentation client : basique, intermédiaire, IA !

La segmentation client consiste à découper une audience en répartissant ses clients en sous-ensembles homogènes en fonction de caractéristiques semblables. Ainsi, chaque segment de marché regroupe des individus qui partagent des caractéristiques communes liées à leur profil ou à leur comportement (besoins, critères sociodémographiques, comportements d’achat, etc.). 

Le principal objectif du marketing est de pouvoir adresser chacun de ses clients au moment opportun et avec le message adéquat. Mais pour cela, il faut que la segmentation client soit correctement effectuée et suffisamment précise. 

Dans cet article nous verrons quels sont les différents modèles de segmentation client et comment les aborder.

I. Les familles et modèles de segmentation

La segmentation client est un processus complexe qui permet d’avoir une analyse précise et détaillée de vos clients. Cependant, toute la problématique est de déterminer quelles données analyser et comment les utiliser pour former des groupes de clients homogènes et pertinents. Il existe 3 niveaux de segmentation.

Le premier niveau consiste à filtrer sa base de clients avec des critères démographiques relativement simples tels que le sexe, l’âge ou encore l’emplacement géographique. 

Le niveau intermédiaire fait davantage appel à des calculs type SQL sur les données principalement transactionnelles afin de classifier les clients grâce à des méthodes comme la méthode RFM (Récence, Fréquence et Montant des achats) ou PMG (Petits, Moyens et Gros clients) ou des modèles de scoring prédictif. 

Enfin, le niveau avancé fait référence à l’analyse de différentes données (déclaratives, comportementales, achats, etc.) et à la modélisation en s’appuyant sur des techniques avancées telles que l’intelligence artificielle.

II. Préparation et choix des données

La préparation des données

La préparation des données est une étape primordiale avant d’envisager toute segmentation client. On évoque souvent le Principe de Pareto pour représenter les 80% du temps passé à la préparation des données (exploration, nettoyage, retraitement, etc.) et les 20% du temps consacré à l’analyse des données à proprement parler (création des indicateurs, segmentation, construction des scores, etc.). ​​Le processus de préparation des données peut varier en fonction des besoins, mais il comprend généralement les étapes suivantes :

• Prise en charge des données : identifier et collecter les données dont vous avez besoin pour vous aider à créer des analyses significatives et fiables.
• Exploration des données : explorer les données à votre disposition afin de détecter les éventuelles anomalies dans votre base de données et de préparer l’étape suivante du nettoyage des données.
• Nettoyage des données : améliorer la qualité des données va vous permettre de conserver une base de données claire et facilement exploitable afin d’éviter de produire des analyses biaisées ou peu fiables.
• Structuration des données : enrichir, mettre en forme et regrouper les ensembles de données afin d’obtenir des informations exploitables plus pertinentes et mieux orientées pour répondre à vos besoins.

Le choix des données

La sélection des données à analyser est cruciale pour des résultats fiables en sortie. Pour ce faire, l’expertise du Data Scientist doit être combinée à celle du Marketing Scientist dans le but de retenir les données adéquates à utiliser dans la construction d’un modèle de segmentation. 

En effet, toutes les données ne sont pas utiles lors d’une analyse, et ce, d’autant plus lorsque vous disposez d'un volume de données conséquent. Le risque est, alors, de se noyer dans ce flot de données et de ne pas réussir à en ressortir une analyse tangible. 

Le processus est assez clair : il faut d’abord se fixer un objectif puis se donner les moyens de l’atteindre. Toute la difficulté réside donc justement dans le choix des données à exploiter pour répondre à l’objectif que vous vous êtes fixé.

III. Un modèle pour un usage

Il existe des méthodes de segmentation populaires qui vous permettent de regrouper vos clients selon des caractéristiques communes. On retrouve principalement 3 méthodes de segmentation :

La méthode RFM (Récence, Fréquence et Montant)

C’est un moyen d'utiliser des données basées sur le comportement d’achats de vos clients pour classifier ces derniers. Le modèle RFM est construit à partir de trois facteurs clés suivants :

• La fréquence d’achat ou le nombre de transactions réalisées par un client dans votre enseigne sur une période donnée (généralement 12 mois). 
• La récence d’achat ou la date à laquelle le client a effectué sa dernière transaction dans votre enseigne.
• le montant total qu'il a dépensé dans votre enseigne sur la période considérée

La méthode PMG (ou méthode ABC)

Elle vous permet de diviser vos clients en trois groupes en fonction de leur valeur pour votre entreprise. Cette méthode se base sur le principe selon lequel 20% de vos clients génèrent 80% de votre chiffre d’affaires (CA). On retrouve alors : 

• Les « gros clients » : Ce sont les 20% de clients les mieux classés en termes de contribution au Chiffre d’Affaires sur une période donnée. Ce sont vos clients les plus précieux, ceux qui génèrent la majorité de votre CA et ils doivent par conséquent recevoir une attention et un traitement particulier.
• Les « clients moyens » : Ce sont les 30% de clients suivants les mieux classés en termes de contribution au Chiffre d’Affaires. En les adressant correctement, ces clients ont le potentiel de devenir de gros clients.
• Les « petits clients » : Ce sont les 50% de clients « restants » en termes de contribution au Chiffres d’Affaires. Les clients qui génèrent des revenus mais qui, individuellement, n'apportent pas beaucoup de valeur à l'entreprise.

Le Clustering

Le clustering sert principalement à segmenter ou classifier une base de données (par exemple trier des données clients type âge, profession exercée, lieu de résidence, etc., pour optimiser la gestion de la relation client). Il permet d’identifier des points communs entre les clients et de les regrouper en “clusters”. Une méthode courante d'analyse en cluster est un algorithme mathématique connu sous le nom d'analyse en cluster k-means. Les clusters qui en résultent permettent d'améliorer la modélisation des clients et l'analyse prédictive, et sont également utilisés pour cibler les clients avec des offres et des incitations personnalisées en fonction de leurs désirs, besoins et préférences.

Choisir le bon modèle de segmentation

Lorsque l’on souhaite effectuer une segmentation client, tout l’enjeu est de trouver le modèle qui nous permettra d’atteindre l’objectif fixé. Ainsi, bien qu’il existe différentes méthodes de segmentation, il s’agit finalement de concevoir le modèle personnalisé correspondant à l’usage marketing que l’on souhaite en faire. Et par conséquent, pour chaque usage, le modèle de segmentation choisi sera différent.

Par exemple, je me rends compte que je perds des bons clients depuis quelques mois. On se fixe alors comme objectif marketing de prendre toutes les dispositions pour retenir les clients avant qu’ils ne partent définitivement. Pour identifier et prédire les clients que je risque de perdre dans les prochains mois, je peux utiliser un score anti-churn construit sur mesure pour ce cas précis. 

Ainsi, ce score tiendra compte de données s’appliquant précisément au cas de mon entreprise. Une autre entreprise souhaitant mettre en place ce score le fera peut-être dans un contexte différent en utilisant des données différentes et obtiendra donc un modèle de segmentation qui pourra différer du mien.

Segmenter ses clients se fait donc en plusieurs étapes. Après avoir défini votre objectif, il faut veiller à le garder constamment en tête durant tout le processus de segmentation client, de la préparation des données à la conception des critères de segmentation. 

Pour segmenter vos clients, vous pouvez faire appel à des méthodes plus ou moins avancées (calculs mathématiques, algorithmes, etc.) mais il va de soi que le bon sens du marketeur reste indispensable pour analyser et exploiter les résultats de cette segmentation client. Sans cette expertise, les actions qui en découlent seront très probablement inefficaces et les efforts fournis pour segmenter votre clientèle seront vains.