Comment mener une analyse de votre base de données clients / CRM ?

Aujourd’hui plus que jamais, la connaissance client est l’un des leviers majeurs de la performance marketing et commerciale. Pour cette raison, l’analyse de la base de données clients est une activité incontournable.

Si vous voulez connaître les fondamentaux de l’analyse de base de données clients, cet article va vous intéresser. Si vous voulez comprendre l’impact concret de l’analyse de BDD sur la performance business, si vous voulez connaître les principaux modèles d’analyse de BDD clients et les grandes étapes de l’analyse, cet article pour vous. Vous êtes tombé au bon endroit !

Pourquoi l’analyse de la base de données clients est si importante

La connaissance client impacte directement la performance business

La connaissance client, définie de manière synthétique, est la somme des informations dont l’entreprise dispose sur ses clients. Les informations sont soit directement exprimées par les données dans leur état brut (Nom = Dupont > Dupont est à la fois une donnée et une information), soit obtenues grâce à un travail d’analyse des données. L’analyse des données augmente la connaissance client : elle permet d’obtenir des informations, des enseignements (insights) qui ne sont pas directement donnés par les données à l’état brut.

La visée de la connaissance client n’est pas spéculative. Elle est pratique. Mieux connaître ses clients, leurs besoins, leurs attentes, leurs appétences, leurs comportements, leurs préférences permet d’améliorer votre dispositif relationnel – c’est-à-dire vos programmes marketing, vos campagnes, vos scénarii. La connaissance client rend possible une pratique marketing plus intelligente, plus fine, mieux ciblée, davantage personnalisée…et donc plus efficace. In fine, la connaissance client est le principal levier de performance du marketing.

La connaissance client obtenue grâce à l’analyse des données de votre BDD CRM peut vous aider concrètement à savoir :

• Comment acquérir de nouveaux clients, autrement dit comment améliorer votre stratégique et vos techniques de conquête client.
• Comment retenir vos clients embasés et augmenter leur lifetime value.
• Identifier vos meilleurs clients pour les cibler dans des programmes cousus sur-mesure pour eux (programme ambassadeurs, programme de parrainage, etc.), pour améliorer votre stratégie de conquête (mieux cibler vos campagnes publicitaires par exemple).
• Comment améliorer vos parcours clients. L’analyse des données permet en effet d’identifier des axes d’amélioration de l’expérience client.

Une étude de McKinsey a montré que les entreprises qui analysaient de manière avancée leur base de données clients généraient un ROI supérieur à 115% et des revenus supérieurs à 93%. Le schéma ci-dessous, proposé par le blog de Segment, résume les résultats de cette étude :

Donc clairement, il y a de forts enjeux business derrière la connaissance client.

La connaissance de votre base client peut avoir un impact business fort en acquisition et en rétention

La connaissance client peut être utilisée pour améliorer :

• L’acquisition clients :
  • Amélioration de vos taux d’acquisition.
  • Réduction de vos coûts d’acquisition.
  • Augmentation de vos taux de conversion.
  • Réduction de la durée du cycle d’achat.
  • Augmentation du panier moyen.
  • Augmentation du ROI de vos campagnes & scenarii marketing.
• La rétention clients :
  • Amélioration de vos taux de rétention / réduction de vos taux de churn.
  • Augmentation des achats répétés.
  • Augmentation du cross-sell, de l’upsell.
  • Réduction des coûts du Centre de contacts.
  • Amélioration de la satisfaction client et de la fidélité client.

Nous allons maintenant concrètement comment l’analyse des données comportementales et des parcours clients permet d’améliorer l’acquisition (1) et la rétention client (2).

Découvrez comment rendre vos équipes marketing plus autonomes sur les sujets Data / Tech.

#1 L’analyse de la base de données clients au service d’une meilleure performance en Acquisition

Pour bien comprendre en quoi l’analyse des données clients (et essentiellement des données comportementales) peut avoir un impact sur votre acquisition client, il faut comprendre les challenges auxquels les équipes marketing font face aujourd’hui. L’un des phénomènes majeurs est la complexification des parcours clients. En 2020, le client utilise de plus en plus de canaux et passe de l’un à l’autre sans cesse. Il est devenu « omnicanal ». Le parcours d’achat se compose d’un plus grand nombre de points de contact, implique un plus grand nombre de canaux et se déroule sur un temps plus long. Entre la phase de « découverte » d’un produit et l’achat, il peut s’écouler des mois. La capacité de l’entreprise à proposer une expérience client omnicanale, sans couture, est clé. Mais c’est une tâche ardue.

D’autant que ce phénomène est à l’initiative du client. C’est le comportement omnicanal du client contemporain qui oblige les entreprises à suivre le pas. La forme que prend le parcours d’un client, aujourd’hui, dépend plus des motivations, des besoins, des valeurs du client que de la volonté de l’entreprise. C’est pour cette raison qu’il y a en un sens autant de parcours qu’il y a de clients. Donc, non seulement les parcours clients doivent être omnicanaux, mais en plus ils doivent être personnalisés. Ce besoin de personnalisation est de plus en plus fort. Toutes les statistiques le montrent :

• 52% des clients sont prêts à changer de marque si l’entreprise ne personnalise pas ses communications.
• 65% des acheteurs B2B sont prêts à changer de marque si le vendeur ne personnalise pas ses communications.

Clairement, il n’a jamais été aussi complexe pour les entreprises de proposer une expérience client réellement satisfaisante. Pour y parvenir, de nouveaux outils sont nécessaires. Des outils qui ont directement à voir avec l’analyse des données. L’un d’entre eux est l’analyse des parcours clients, leur cartographie. Cet outil a été spécifiquement conçu pour déduire des axes d’amélioration de l’expérience client à partir d’une analyse des données à disposition. L’analyse du comportement des clients aux différentes étapes de leur parcours permet de dégager des patterns comportementaux très utiles pour améliorer la CX.

Les enseignements tirés de la cartographie des parcours clients peuvent être utilisés pour :

• Améliorer le parcours d’achat grâce à la personnalisation.
• Cloner vos meilleurs clients. C’est-à-dire pour cibler et acquérir plus de clients présentant des comportements similaires à celui de vos clients les plus profitables – et qui, par hypothèse, ont plus de chances d’avancer loin dans le parcours d’achat.
• Améliorer la gestion de votre budget d’acquisition. Les parcours clients et l’analyse de base de données clients en général permettent de mieux allouer les ressources marketing en acquisition. Pourquoi ? Parce que vous pouvez concentrer vos efforts sur les clients ayant la plus grande probabilité d’acheter et la plus longue lifetime value. Vous arrêterez de gaspiller de l’argent et du temps sur des prospects pas rentables.
• Améliorer le ROI de vos actions marketing et réduire vos coûts d’acquisition en vous focalisant sur les canaux les plus efficaces et en améliorant les programmes marketing pour chaque segment client.

#2 L’analyse de la base de données clients au service d’une meilleure performance en rétention

L’analyse des données clients et du parcours d’achat de vos clients peut vous aider à améliorer votre rétention client. Selon une étude Esteban Kolsky, 67% des clients considèrent qu’une mauvaise expérience client est un motif de churn – mais seulement 1 client mécontent sur 26 se plaint. 91% des clients insatisfaits se contentent de quitter la marque.

Cela signifie essentiellement une chose : Vous ne pouvez pas vous reposer sur vos clients pour dresser des red flags, pour prédire le churn ou la rétention. C’est l’analyse des données clients qui peut vous aider à identifier les irritants et les frictions sur vos parcours clients et – à l’inverse – les enchantements. C’est cette même analyse qui peut vous permettre d’être informé immédiatement lorsqu’un client est insatisfait ou s’apprête à partir.

Les plaintes clients en sont pas la seule cause de churn. Souvent, c’est le manque de valeur tiré du produit ou du service délivré qui pousse un client à mettre fin à sa relation avec la marque. Cette baisse d’intérêt pour les produits et les services n’est pas simple à détecter…sauf si vous investissez dans de l’analyse de base de données clients et dans la segmentation client !

Nous allons prendre un seul exemple pour illustrer dans quelle mesure l’analyse des données de votre base CRM peut vous aider à améliorer votre rétention client et donc la lifetime value. Cet exemple, c’est Netflix. La marque de streaming vidéo fait un usage massif des données comportementales et de l’analytics pour réduire le churn / augmenter la rétention. En analysant ses données, Netflix a identifié le temps minimum qu’un utilisateur doit passer par mois sur la plateforme pour qu’on soit sûr qu’il poursuive son abonnement. Lorsque qu’un client passe sous ce niveau d’usage minimum mensuel, le risque de churn devient très élevé. L’analyse du comportement de ces clients a risque de churn élevé est riche d’enseignements et est utilisé par Netflix pour améliorer son UX, augmenter l’engagement de ses clients et les inciter à consommer plus de contenus.

Netflix utilise aussi les données comportementales pour faire des recommandations ultra-personnalisées et pour prendre ses décisions en matière de production de contenus et d’achats de droits. Grâce à un recours massif à l’analyse de sa base de données clients, Netflix présente un taux de churn parmi les plus bas du secteur.

L’analyse de la base de données clients doit s’appuyer sur des données transactionnelles et comportementales

Une base de données clients comporte plusieurs catégories différentes de données :

• Les données personnelles, qui peuvent elles-mêmes être divisées en deux catégories : les données sur des personnes identifiées (PII) et les données sur des personnes anonymes (non-PII).
  • Données personnelles. On retrouve dans cette famille toutes les données qui peuvent être utilisées pour reconnaître un individu :
    • Les données de contact : nom, adresse postale, adresse email, identifiants de connexion, numéro de licence, numéro de sécurité sociale, numéro de passeport, informations de carte bancaire, numéro de téléphone…
    • Les données de profil : nom et prénom, département – commune, civilité, âge – tranche d’âge, profession…Ou, en B2B : Secteur d’activité, CA, nombre de salariés, adresse du siège social…
      • Données anonymes. Il s’agit des informations anonymes, qui ne peuvent être utilisées pour identifier une personne. Par exemple : l’adresse IP, les cookies, l’identifiant de device…
• Les données d’engagement. Les données d’engagement désignent l’ensemble des données qui permettent de savoir comment vos clients interagissent avec votre marque via les différents points de contact des parcours clients : les données web, les interactions sur les réseaux sociaux et avec le service client, etc. Voici quelques exemples de données, classées par canal :
  • Site web et application mobile : visites web, niveau d’engagement dans l’appli (app stickiness), pages les plus vues, flux d’utilisateurs, sources de trafic…
  • Réseaux sociaux : nombre de post likes, nombre de partages de posts, nombre de commentaires sur des posts, nombre de vues sur les vidéos natives…
  • Email : taux d’ouverture, taux de clic, taux de rebond…
  • Service client : nombre de tickets, détail des motifs de contact, feedbacks clients…
  • AdWords : nombre d’impressions, taux de clic, CPC / CPM, nombre de conversions…
• Les données comportementales. Ces données permet d’identifier des patterns sous-jacents dans le comportement des clients le long de leur parcours. Certaines données d’engagement d’ailleurs sont des données comportementales. Voici quelques exemples :
  • Données transactionnelles : détails d’abonnement, détails de commande / d’achat, anciens achats, panier moyen, données de paniers abandonnés, lifetime value moyenne, données du programme de fidélité…
  • Données relatives à l’usage du produit : actions répétées, utilisation des fonctionnalités, devices…
  • Données qualitatives : attention de l’utilisation, cartes de chaleur (clics, scrolls, mouvements de souris…).
• Les données attitudinales. Ce sont les données relatives à la perception qu’ont vos clients de votre marque et de vos offres. On s’intéresse ici aux émotions, aux sentiments de vos clients. Il s’agit pour l’essentiel de données qualitatives et subjectives. Elles sont collectées soit via des questionnaires clients, des réunions clients, l’analyse des réclamations clients, des avis clients, etc. Voici quelques exemples de données attitudinales : satisfaction client, désirabilité produit, préférences, motivations & challenges, critères d’achat…

Cette catégorisation des familles de données a un intérêt en soi pour quiconque s’intéresse à la connaissance client. Mais si nous avons vous dresser ce petit panorama, c’est pour attirer votre attention sur un point essentiel. En connaissance client, on s’intéresse beaucoup plus aux trois dernières familles de données qu’aux données personnelles. Lorsqu’on étudie une base de données, ce sont les données d’engagement, les données comportementales et (mais dans une moindre mesure) les données attitudinales qui sont au coeur du travail d’analyse. C’est à partir de ces données que l’on va pouvoir créer des segments dynamiques, améliorer le ciblage de ses campagnes & scenarii, identifier les axes d’amélioration des schémas de conquête et de rétention.

Savoir « qui » sont vos clients (des hommes ? des femmes ? des jeunes ? des vieux ? des citadins ? des urbains ?) peut vous aider à identifier votre clientèle cible, mais cela n’est pas suffisant. Le VP of Production Innovation de Netflix, un certain Todd Yellin, disait dans une interview qui date de quelques années :

L’idée sous-jacente, c’est qu’il n’est en fait pas possible de déduire les centres d’intérêt des gens, leurs besoins, leurs désirs, leurs valeurs à partir de la seule considération de « qui » ils sont et des critères socio-démographiques. Ce qu’on comprit depuis longtemps des entreprises comme Netflix, Amazon ou Google, c’est que comprendre un individu, un client, c’est d’abord comprendre ce qu’il fait, la manière dont il se comporte : les séries qu’il regarde (et pas celles qu’il déclare regarder), les produits qu’il achète, les recherches qu’il fait. Ce raisonnement est une vérité du marketing autant qu’une vérité philosophique : une personne se définit moins par ce qu’elle est que par ce qu’elle fait.

Les 4 étapes pour mener l’analyse d’une BDD clients

Nous savons maintenant ce qu’est l’analyse de données d’une BDD CRM dans son principe et quels sont les bénéfices d’une démarche de connaissance client. Nous allons voir de plus près comment les choses fonctionnent. Grosso modo, l’analyse de données peut être décomposée en 4 étapes :

• La préparation des données (Data discovery) : collecte des données, diagnostic des données, présentation des résultats.
• L’analyse exploratoire, qui consiste à analyser sa base de données afin d’identifier des tendances et des segments clients.
• La recommandations d’actions : Pour aller plus loin que l’analyse exploratoire, vous pouvez utiliser d’autres modèles d’analyse – des modèles orientés sur l’action marketing.
• L’analyse prédictive : Nous présenterons à la fin quelques modèles d’analyse prédictive. Ces modèles permettent de franchir une étape supplémentaire dans la connaissance client.

Etape #1 – La préparation des données

Avant de commencer à analyser vos données clients, vous devez réaliser un audit pour savoir quelles sont les données à disposition. Ce travail préliminaire vous permettra d’avoir une bonne vision des données stockées dans votre base, de leur qualité, de leur volumétrie. Nous vous conseillons d’organiser une réunion, en faisant participer un représentant de toutes les parties prenantes du projet, pour identifier vos challenges / problèmes business, faire l’inventaire des données à disposition, comprendre la manière dont vos données sont actuellement exploitées, faire un point sur votre dispositif actuel de reporting de la performance marketing. Ce premier travail vous permettra de mieux identifier les données à intégrer dans l’audit.

Voici, ensuite, les objectifs proprement dit de l’audit :

• Evaluer l’intégrité et la complétude des données collectées.
• Nettoyer / Dédupliquer les données si nécessaire.
• Recenser et qualifier les champs de données actuellement intégrés dans votre base de données.
• Identifier les variables clés qui pourraient être utilisées pour créer vos segments.
• Identifier les trous dans votre base de données et identifier si nécessaire les solutions pour y remédier (utilisation de données third party…).
• Identifier et créer les variables utiles pour mener à bien vos premières analyses.
• identifier les autres enseignements clés concernant votre base de données CRM.

A la fin de l’audit, vous serez en mesure d’identifier et de prioriser les axes d’analyse en vue de l’étape #2.

Etape #2 – L’analyse exploratoire

L’analyse des données peut prendre différentes formes suivant la méthode choisie. Nous allons vous présenter quelques-unes des méthodes les plus utilisées.

L’analyse des déciles

On a vu au début de l’article que l’un des objectifs de l’analyse de base de données clients consistait à identifier les meilleurs clients de votre base en vue de :

• Les prioriser dans vos actions marketing / concevoir des programmes relationnels taillés sur-mesure pour ce segment.
• Comprendre les caractéristiques de profil mais aussi et surtout comportementales de cette catégorie de clients – en vue d’identifier des axes d’amélioration de vos parcours / vos programmes marketing.

L’analyse des déciles est la méthode idéale pour comprendre qui sont vos meilleurs clients et quelles sont leurs caractéristiques. Elle consiste à diviser les clients de votre base en 10 groupes de même taille : en 10 déciles. Chaque groupe correspond à un décile. Pour chaque décile, vous pouvez calculer de nombreuses variables, comme par exemple le nombre de transactions, de promotions, de remboursements, de jours depuis le dernier achat…

Voici un exemple concret d’analyse des déciles. Le premier décile (colonne de gauche) représente les 10% de clients les plus profitables.

On peut pousser plus loin l’analyse exploratoire. Par exemple, vous pouvez analyser les transactions de manière plus fine pour identifier des tendances saisonnières. Ces analyses vous aideront à mieux comprendre votre base client et vous aidera à prendre de meilleures décisions, à mieux allouer vos ressources marketing.

La Migration Analysis

Il s’agit ici de s’intéresser de plus près à la manière dont le comportement de vos clients évolue au fil du temps, de mesurer l’évolution de l’activité de chacun de vos segment client d’une année sur l’autre. Cette analyse permet d’identifier notamment les patterns d’achat les plus stables dans le temps. Par exemple, si vous êtes en B2B : Quels sont vos clients dont le business a connu une croissance ? Quelles sont les familles de produits vendues par vos clients dont les ventes sont en déclin ? Ce type d’information peut vous aider à améliorer le ciblage et le contenu de vos communications marketing.

Dans l’exemple ci-dessous, 53% des individus du segment Premier présentent une baisse de leurs dépenses au cours de la première moitié de l’année en cours VS l’année précédente. Ce sont en principe les meilleurs clients. Cela doit alerter et inciter à développer des programmes visant à maintenir la valeur de ces clients au fil du temps. Dans le même exemple, 24% des clients « High Value » et 56% des clients « Medium Value » sont inactifs. Cela suggère de développer des programmes de réactivation.

L’analyse de cohortes

L’analyse de cohortes consiste à analyser différents groupes de clients et à comparer les groupes entre eux. Les méthodes que nous avons présentées plus haut peuvent être utilisées dans le cadre d’une analyse de cohortes. Par exemple, vous pouvez comparer les différences de comportement, de performance entre vos nouveaux clients et vos clients existants. Cette analyse pourra vous aider à optimiser vos programmes de bienvenue ou d’onboarding.

Dans l’exemple ci-dessous, les nouveaux clients représentent 30% des clients actifs de la base, mais seulement 17% des achats. En clair, les clients existants dépensent plus, achètent plus de tickets et réalisent plus de visites que les nouveaux clients. Le pourcentage significatif de « Unknown » (genre inconnu) révèle un problème de collecte de données. Tout indique que l’entreprise doit faire évoluer ses actions marketing pour accélérer la croissance des ventes au niveau du groupe des nouveaux clients.

La segmentation basique

Identifier des segments clients et suivre leur comportement au fil du temps peut vous aider à mieux comprendre votre base de données. La segmentation peut se réaliser à différents niveaux. En vous basant sur les informations et les enseignements issus des précédentes méthodes, vous devriez être en mesure de segmenter vos clients en différents groupes distincts. Il est conseillé de limiter le nombre de segments à 7 ou 8 – même si cela dépend beaucoup de vos données.

Nous vous recommandons de commencer par une segmentation basique, comme par exemple la segmentation RFM – Récence, Fréquence, Montant. Pour en savoir sur cette méthode de segmentation, nous vous renvoyons vers l’article complet que nous avions rédigé à ce sujet : Segmentation RFM – Définition et Introduction au calcul des scores. Au fur et à mesure que vous gagnerez en expérience, vous pourrez mettre en place des modèles de segmentation plus fins, plus en phase avec les caractéristiques de vos clients, de votre activité.

Découvrez notre guide complet sur la Segmentation client – Définition & guide complet.

L’analyse des contacts / des campagnes marketing passées

En fonction des données à disposition, la phase d’analyse exploratoire peut aussi inclure des analyses de vos campagnes marketing passées et de l’impact de ces campagnes sur le comportement client. Ce travail d’analyse peut permettre de révéler des enseignements concernant la manière dont vos différents segments réagissent à vos actions marketing.

Etape #3 – La recommandation d’actions

Une fois que vous avez mis en place une segmentation basique des clients de votre base CRM et que vous bien analysé comment chaque segment performe, vous pouvez vous fixer des objectifs mesurables. La finalité de l’analyse des données, c’est l’action, c’est l’amélioration des KPIs business. Voici trois exemples de modèles d’analyse orientés actions.

Le modèle « Next-Best-Sell »

L’objectif de ce modèle est d’obtenir des enseignements concernant les types de produits que vos clients actuels sont le plus susceptibles d’acquérir dans un futur proche. Ce modèle part du principe que l’on peut – jusqu’à un certain point – déduire les achats futurs des achats passés. « Dites-moi ce que vous avez acheté jusqu’à présent / dernièrement – je vous dirai ce que vous achèterez prochainement. »

Ce modèle permet d’améliorer la pertinence des produits mis en avant dans les campagnes et scénarii marketing en fonction de ce que vous savez des achats passés de vos clients. Vous pouvez scorer vos produits en fonction de leur probabilité d’achat. Le schéma ci-dessous est un exemple de modèle « Next-Best-Sell ». Par exemple, les clients du segment C ont la plus grande probabilité d’acheter un produit de la catégorie Plomberie pour leur prochain achat.

L’analyse du panier de la ménagère

L’analyse du panier de la ménagère (marketing basket analysis) est assez proche de la méthode précédente en ce sens qu’il consiste à déduire le comportement d’achat du client à partir des transactions passées. C’est par contre un modèle plus large que le précédent, un modèle qui intègre dans l’analyse un plus grand nombre de règles et de patterns concernant le comportement d’achat.

Par exemple, si les clients du Segment C achètent effectivement un produit de la famille Plomberie, il y a des chances aussi qu’ils achètent un produit de la famille « Appliances ». Ce modèle d’analyse, plus poussé, complète bien le modèle « Next Best Sell ». Combinés, ces deux modèles permettent de mettre en place des communications marketing ultra-ciblés et ultra-pertinentes.

Le modèle de réactivation

L’objectif de ce modèle est d’identifier les clients inactifs en vue de les intégrer dans un programme de réactivation. Un client inactif est un client qui n’a pas réalisé d’achat au cours une période de temps déterminée. La valeur de cette période dépend de la nature de vos produits, de votre activité. On n’achète pas une voiture tous les 4 matins, de la nourriture si!

Ces modèles d’analyse directement orientés sur l’action complètent les modèles classiques d’analyse exploratoire. Ils permettent d’aller plus loin.

Découvrez notre guide complet pour intégrer et unifier vos données clients dans un Référentiel Données Clients.

Etape #4 – L’analyse prédictive

Après les modèles d’analyse exploratoire, après les modèles destinés à nourrir vos programmes marketing, nous allons passer en revue quelques modèles d’analyse prédictive. Ces modèles consistent à prédire le comportement futur des clients à partir de l’analyse des données historiques. C’est le must de l’analyse de base de données clients.

Le modèle d’attrition

Ce modèle vise à identifier les clients qui ont le plus de chances de mettre fin à leur relation commerciale avec votre entreprise – en clair, vos clients qui risquent de vous abandonner. On parle d’attrition lorsqu’un client a décidé qu’il n’avait plus besoin de vos services, qu’il a décidé d’aller chez un concurrent ou qu’il est inactif depuis longtemps et qu’il n’a manifesté aucun signe de retour.

Pour construire un modèle d’attrition, il faut chercher à identifier les indicateurs transactionnels qui sont des précurseurs potentiels de l’attrition. Par exemple : une réduction progressive de la fréquence d’achat, une insatisfaction relative à un produit ou à un service particulier, ou d’autres signaux qui indique une baisse de l’intérêt du client pour votre marque.

Le modèle « look-alike »

Dans son principe, ce modèle consiste à identifier, parmi l’ensemble des clients qui composent votre base, ceux qui partagent les caractéristiques de vos meilleurs clients mais dont le comportement transactionnel ne permet pas de les ranger dans la catégorie des meilleurs clients. Les caractéristiques utilisées peuvent être de type démographique, liées au mode de vie, à la phase de vie.

L’idée générale sous-jacente à ce modèle, c’est que certains attributs clients peuvent vous aider à comprendre pourquoi un certain type de clients fait partie de vos meilleurs clients. Pour mettre en place ce modèle, il faut que vous ayez une définition précise et quantifiable de ce qu’est pour vous un « meilleur client » (une définition basée sur les données transactionnelles).

Si vous maîtrisez tous ces modèles, il n ‘y a pas de doute, vous êtes un as de l’analyse de base de données clients. Nous espérons que cet article vous a intéressé. N’hésitez pas à nous contacter si vous souhaitez discuter de votre projet d’analyse data. C’est notre rayon !

10+ ressources & templates documents à télécharger - Pilotage / CRM / Web Analytics

Découvrir