L’e-mail marketing & le data mining, ou comment développer un réel avantage concurrentiel

Publié par L'équipe communication de Dolist dans Gestion & Qualité des Data 13 juin 2013 Temps de lecture : 4 min

Historique d’achat, données de navigation, résultats des campagnes e-mails ou autres données déclaratives… Démultipliées et éparpillées, les données digitales stockées par les entreprises sur leurs clients et prospects sont désormais volumineuses et en constante augmentation. Mais si la collecte d’informations est aujourd’hui incontournable, elle perd tout intérêt sans l’analyse de ces dernières. Sous couvert de terminologies « pompeuses », le data mining mérite définitivement qu’on s’y intéresse, notamment dans un esprit de complémentarité avec l’e-mail marketing. Point par Aude Demoulin, responsable Conseil chez Dolist.

Aude Demoulin, responsable Conseil chez Dolist, fait le point sur la complémentarité entre l'e-mail marketing et la data mining

Data mining, scoring comportemental, analyse prédictive, business intelligence… Des dénominations complexes qui renvoient une impression assez élitiste. Et pourtant, cette technique d’analyse joue un rôle simple - mais essentiel - de détection des besoins et d’opportunités commerciales. En matière d’e-mail marketing, elle permet de mettre en place une stratégie de segmentation des bases de contacts particulièrement pertinente donnant accès à un ciblage intelligent des campagnes. Et le ROI des opérations d’e-mail marketing s’envole !

Commencer par évaluer les données

Aujourd’hui, la réussite de la communication par e-mail dépend principalement d’un travail préalable autour de la donnée. Et les annonceurs ont bien saisi l’importance de cet enjeu. En effet, la qualification des contacts arrive en tête de liste des objectifs e-mail marketing 2013 des annonceurs français (1). Mais comment y parvenir ?

Face à des données multiples, éparpillées et hétérogènes, la normalisation et la centralisation des informations est sans conteste le premier effort à réaliser. S’en suit l’étape la plus délicate : l’identification des données pertinentes, leur interprétation et transformation en connaissances actionnables. C’est justement dans ce cadre qu’intervient le data mining avec pour idée première de faciliter la vie des marketeurs. Historique d’achat, statistiques nominatives liées aux opérations d’e-mail marketing, données de navigation d’un ou plusieurs sites Internet, provenant des réseaux sociaux, des points de vente, etc. le data mining a cette formidable capacité de s’appuyer sur des données issues de différentes sources sans s’y noyer pour en faire ressortir des informations stratégiques pour le marketing.

Transformer les données en connaissance client

« Faire parler » les informations brutes et identifier des groupes d’individus aux comportements similaires, voilà les objectifs recherchés par les algorithmes utilisés par le data mining et qui sont si intéressants. Une approche qui permet donc de pousser plus loin l’analyse des données nécessaires à la bonne connaissance des contacts et d’améliorer les prises de décisions des marketeurs. Les choix de ces derniers ne se basent plus seulement sur des intuitions mais sur des faits concrets !

Segmentation RFM (Récence, Fréquence, Montant), segmentation PMG (Petits, Moyens, Gros clients), analyse prédictive, scoring d’appétence ou d’attrition comptent parmi les analyses les plus connues. En pratique, quels résultats peut-on en attendre? L’identification de profils types de contacts, de prospects/clients à forte valeur ajoutée (clients mono-commande, réguliers ou VIP) ou l’anticipation de phénomènes à venir (contacts susceptibles de se désabonner du programme e-mail, de partir à la concurrence, d’acheter tel produit s’il achète tel autre…).

Mais attention, comme pour nombre d’actions, se lancer dans le data mining sans but précis n’a aucun intérêt. Quels sont les objectifs business de l’entreprise ? Quelles sont les difficultés rencontrées : phénomène d’attrition de la base d’inscrits au programme e-mail, peu de clients multi-commandes, gamme de produits en perte de vitesse… ? C’est donc clairement à l’entreprise de définir sa problématique. Le data mining n’est ensuite qu’un outil analytique qui donnera une réponse et une ligne opérationnelle à tenir afin que celle-ci s’améliore, génère des ventes ou fidélise par exemple.

Mettre en place de véritables stratégies relationnelles

A l’heure actuelle, une stratégie d’e-mail marketing optimisée passe par la mise en place de scénarios « intelligents » en cohérence avec les comportements et actions des contacts tout au long de leur cycle de vie. Mais considérer les informations déjà collectées sur ses contacts comme des éléments fondateurs de sa stratégie e-mail marketing s’avère un indispensable à la mise en place de programmes relationnels cohérents.

Ainsi, sur la base d’une segmentation mise en avant par le data mining, plus adaptée à l’entreprise et en adéquation avec ses contacts (leurs comportements, centres d’intérêts, attentes…), les marketeurs ont bien plus de facilité à engager et développer une relation durable.

D’une stratégie de segmentation découle en effet un scénario d’actions marketing. Côté e-mail marketing, cela se traduit par la définition d’opérations ciblées, automatisées et envoyées au moment opportun. Cette technique, dite de Trigger Marketing, est encore trop peu utilisée en France, bien que son efficacité ne soit plus à prouver. 64% des internautes trouvent que ce type de messages est plus intéressant à lire ! (2) Ils enregistrent en effet des taux d’ouvertures et de clics bien plus importants que les messages e-mails classiques car ils savent parfaitement répondre aux exigences de pertinence des internautes.

Data mining + e-mail marketing = un ROI au rendez-vous

Hausse des indicateurs des actions e-mail marketing, diminution du sentiment de saturation des contacts, opérations de ventes croisées et additionnelles plus efficaces, amélioration de la valeur économique du client… Ces exemples ne sont que quelques-uns des bénéfices de l’utilisation du data mining en e-mail marketing.

Un exemple concret pour appuyer l’efficacité de la complémentarité de ces outils : un e-commerçant envoie des messages e-mails non ciblés à 97.5% de ses abonnés. Les 2,5% restants, identifiés grâce au data mining, reçoivent quant à eux une communication de type Trigger Marketing, ciblée et personnalisée. Résultats : ces messages hyper-ciblés ne représentent que 2.5% du volume d’e-mails envoyés mais génèrent 21% du chiffre d’affaires e-mailing (3) !

.

En 2012, 41% des entreprises ont affirmé avoir une stratégie pour améliorer la gestion et l’utilisation de leurs données (4). Face à cette tendance, le data mining se doit et tente de devenir de plus en plus accessible. Il offre aujourd’hui la possibilité de transformer peu à peu la communication directe digitale et la relation client afin de la modeler au plus près des nouveaux comportements et attentes des internautes. Mais alors, quels seront les annonceurs qui sauront véritablement tirer parti de ces incroyables gisements de données et qui pourront bénéficier d’un avantage concurrentiel avant les autres ?

.

Sources : (1) Dolist - Pratiques & Tendances 2013 de l’e-mail marketing en France – Avril 2013 (2) Marketing Sherpa’s Email Marketing Benchmark Survey – 2010 (3) DMA – National Client Email report - 2013 (4) Talend – White Paper « Où en est l'adoption du Big Data ? » - Mai 2013

Sur le même sujet...