Réussir l’analyse de sa base de données clients / CRM

L’écrasante majorité des entreprises avouent avoir une faible connaissance de leurs clients. Et pourtant, la connaissance client a un impact business majeur. C’est simple, les entreprises les plus performantes en marketing ont toutes pour point commun d’avoir une très bonne connaissance de leurs clients. La connaissance client est ce qui permet d’offrir une expérience personnalisée à ses clients et de cibler au mieux ses sollicitations marketing.

Comment est-ce que l’on construit de la connaissance client ? Par l’analyse des données clients / CRM. Nous allons vous montrer dans cet article comment faire. Et pour vous aider dans ce projet, nous vous offrons un template spreadsheet qui va vous permettre de diagnostiquer votre niveau de maturité en connaissance client. Il est gratuit, profitez-en.

Télécharger le Template Connaissance Client

L’essentiel à retenir sur l’analyse des données clients

• L’analyse des données clients a un gros impact sur la performance CRM : il a été prouvé que les entreprises qui analysent de manière avancée leur base de données clients génèrent un ROI supérieur à 115% et des revenus supérieurs à 93% ! La connaissance client n’est pas affaire de théorie, mais de performance business.
• Plusieurs familles de données sont à prendre en compte pour assurer une analyse précise et fiable : parmi les catégories de données essentielles à analyser, figurent les données de profil, les données d’engagement, les données comportementales ainsi que les données attitudinales. Elles constituent la matière première de toute analyse possible.
• Cadrer son analyse avant même de la commencer est essentiel : vous devez commencer par cadrer les objectifs de l’analyse, ensuite définir les questions auxquelles doit répondre l’analyse, définir un plan d’actions et prioriser les analyses.
• Il y a 4 étapes pour mener à bien l’analyse d’une BDD clients : préparer les données, explorer les données, dégager des enseignements à partir de l’analyse et – le must – faire de l’analyse prédictive.
• L’analyse des données clients s’effectuent via des modèles d’analyse. Nous vous en présentons 10 dans cet article.

L’analyse des données clients a un énorme impact sur la performance CRM

L’analyse de vos données clients est cruciale car elle peut avoir un énorme impact sur votre performance CRM. Et c’est prouvé ! Le cabinet Watermark Consulting a montré récemment que le retour sur investissement (ROI) – cumulé sur 10 années récentes – des entreprises leaders en CX (« Customer Expérience ») est 3 fois plus élevé que celui des entreprises en retard sur le sujet.

En effet, les entreprises retardataires en expérience client ont obtenu sur cette période de moins bons résultats financiers, avec une performance du cours de l’action s’élevant à 63% de leurs objectifs contre un résultat de 184% pour les leaders CX.

Encore dubitatif ? Une étude de McKinsey a récemment 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% !

En quoi cette analyse pourrait booster votre performance ? Elle vous permettra de :

• Mieux comprendre vos clients : en analysant leurs besoins et préférences, et comprendre comment ils interagissent avec vous. Cette compréhension approfondie des clients est essentielle pour développer des stratégies de marketing efficaces et personnalisées à l’aide de canaux marketing identifiés comme performants.
• Mieux cibler les sollicitations : en segmentant les clients en différents groupes en fonction de leurs caractéristiques et comportements communs. Cela vous permettra, par exemple, d’identifier les clients les plus fidèles, et ainsi concevoir des programmes de fidélisation personnalisés pour les maintenir engagés.
• Améliorer vos produit(s), en comprenant justement mieux les attentes et besoins de vos clients.
• Etc.

L’analyse de vos données CRM vous permettra donc avant tout de comprendre les attentes clients et leur offrir une forte personnalisation de produits / services. Et cette personnalisation a été reconnue comme l’un des deux piliers les plus influents dans le score CEE en 2019 pour la France !

Les différentes familles de données à intégrer dans l’analyse

Une base de données CRM comporte plusieurs types de données, que l’on peut classer en 4 catégories principales.

Les données personnelles

Cette famille de données concerne toutes celles qui peuvent être utilisées pour reconnaître un individu. On peut distinguer plusieurs sous-familles :

• Les données de contact : numéro de téléphone, adresse postale…
• Les données de profil, qui informent sur le profil du client, qu’il soit un particulier (nom, genre, âge…) ou un client B2B (secteur d’activité, SIRET, autres données « firmographiques »…).

Savoir « qui » sont vos clients (des hommes ? des femmes ? des jeunes ? des citadins ?) peut vous aider à identifier votre clientèle cible et ainsi adapter les communications marketing en fonction de chaque profil.  Néanmoins, cela n’est pas suffisant puisqu’il n’est de fait pas possible de déduire les centres d’intérêt de vos clients, leurs besoins / valeurs à partir de la seule considération de « qui » ils sont. D’où l’intérêt des autres familles de données que l’entreprise collecte (et doit utiliser dans l’analyse !).

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 de leur parcours. Ces données révèlent à quel point le client est réactif sur les différents points de contact. Voici quelques exemples de données d’engagement, 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…
• Ads : nombre d’impressions, taux de clic, CPC / CPM, nombre de conversions…

Comprendre l’engagement de chaque client vous permet d’avoir une visibilité claire sur votre relation avec chacun d’entre eux. Plus un client répond aux communications de votre marque, plus il est considéré comme actif, et donc engagé. Ce type de client passe alors du simple consommateur à un réel ambassadeur de votre marque.

L’engagement client permet non seulement de faire rayonner votre marque mais aussi de booster votre taux de rétention client. Et c’est d’autant plus intéressant quand on sait qu’une augmentation du taux de rétention de 5% entraîne une augmentation des profits de 25 à 95 % !

Les données comportementales

Chaque fois qu’un utilisateur interagit avec vos canaux numériques, il fournit des signaux cruciaux sur ses besoins et souhaits, y compris son aptitude à acheter. Dans ce contexte, les données comportementales vous permettent d’identifier ces signaux le long du parcours clients. Certaines données d’engagement sont d’ailleurs des données comportementales. On compte :

• Les 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…
• Les données relatives à l’usage du produit : actions répétées, utilisation des fonctionnalités…
• Les données qualitatives : attention de l’utilisation, cartes de chaleur (clics, scrolls, mouvements de souris…).

Plus votre compréhension des habitudes d’achat d’un client est bonne, plus les comportements prédictifs sont précis et plus le parcours du client s’améliore !

Découvrez notre guide complet sur la segmentation comportementale, basée sur les données comportementales.

Les données attitudinales

Ce sont les données relatives à la perception qu’ont vos clients de votre marque. On s’intéresse ici aux émotions, aux sentiments de vos clients. Ces données peuvent être collectées via des questionnaires clients, des réunions clients, l’analyse des réclamations clients, des avis clients, etc.

Selon une étude d’Esteban Kolsky, 67 % des clients quittent une marque du fait d’une mauvaise expérience. Ainsi, analyser ces données vous permettra, dans la plupart des cas, de repérer les signaux d’alarme et vous assurer que les signes de problèmes sont détectés à temps sur votre radar, de sorte qu’il est encore temps d’agir.

Pour aller plus loin, découvrez notre guide complet sur la mesure et l’analyse de l’expérience client

Cadrer son analyse de base de données

Maintenant que l’on a clarifié les données à prendre en compte, concentrons-nous sur le travail de cadrage d’un projet d’analyse, essentiel pour bien appréhender son implémentation.

1 – Définir les enjeux business de l’analyse

Avant de définir ce que vous allez analyser, vous devez définir ce que vous souhaitez faire grâce à l’analyse des données, déterminer la finalité de l’analyse.

Ces finalités sont inséparables d’enjeux business, par exemple :

• Mieux segmenter vos clients pour envoyer des communications plus ciblées.
• Augmenter le panier moyen.
• Augmenter leur durée de vie…

Ces objectifs vous aideront à qualifier l’impact des analyses.

2 – Définir les questions auxquelles doit répondre l’analyse

Une fois les objectifs fixés, vous pouvez identifier les analyses, les enseignements dont vous avez besoin. Vous devez formuler les questions auxquelles le travail d’analyse permettra (on l’espère) de répondre.

On peut se demander par exemple :

• Quelles sont les caractéristiques démographiques des clients ?
• Quel est leur comportement d’achat ?
• Quel est leur niveau de satisfaction ?
• Quels sont les produits ou services les plus populaires ?
• Quels canaux de vente sont les plus performants ?

Les questions découlent directement de vos objectifs. Elles permettent de formaliser les axes d’analyse.

3 – Définir les actions clés à mettre en place suivant les résultats observés

Formuler les objectifs puis les questions permet de savoir ce que l’on recherche : l’analyse apportera les réponses. Comment mener concrètement les analyses ? C’est ce que nous verrons tout à l’heure.

L’étape suivante consiste à déterminer les actions à mettre en place en fonction des résultats de l’analyse. Il est important, dès la phase de cadrage du projet, de formaliser la manière dont vous utiliserez les analyses, les process permettant de transformer les insights en actions.

Cela peut inclure :

• La mise en place de campagnes de marketing ciblées.
• L’amélioration des processus de vente pour mieux répondre aux besoins des clients.
• L’implémentation de programmes de fidélité pour encourager les clients à acheter / dépenser plus.

Cette approche permet d’adopter le bon mindset.

4 – Prioriser les analyses

En fonction des ressources et du temps disponibles, il peut être nécessaire de prioriser les analyses à effectuer. Il est important de se concentrer sur les analyses les plus importantes / à plus forte valeur ajoutée pour atteindre les objectifs fixés. Déterminez de même les ressources nécessaires pour mener à bien l’analyse, telles que le temps, les compétences, les outils et les technologies disponibles.

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

La théorie étant exposée, passons maintenant à la pratique. Voici 4 étapes pour mener à bien l’analyse d’une base de données clients/CRM.

1 – La préparation des données

Les données clients sont la matière première de vos analyses, ce sur quoi elles vont porter. Donc, 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 et de leur volumétrie.

Nous vous conseillons d’organiser une réunion avec toutes les parties prenantes du projet pour faire l’inventaire des données à disposition, comprendre la manière dont vos données sont actuellement exploitées et faire un point sur votre dispositif actuel de reporting de la performance marketing. Vous devez faire un état des lieux des données à disposition et des dispositifs de reporting déjà en place.

Après cela, vous devez préparer les données que vous utiliserez dans l’analyse, ce qui comporte plusieurs actions :

• Évaluer 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.

2 – L’analyse exploratoire

L’analyse exploratoire consiste à analyser un ensemble de données pour résumer leurs principales caractéristiques, afin d’identifier des tendances / patterns. L’analyse exploratoire, c’est l’art de transformer des données plus ou moins brutes en informations et en enseignements utiles pour l’action.

L’analyse exploratoire, menée par des profils data analysts, permet de mieux comprendre les variables d’un ensemble de données et les relations entre elles, notamment à l’aide de méthodes de visualisation de données.

Découvrez notre comparatif des 20 meilleurs outils de DataViz.

3 – La recommandation des actions

La finalité de l’analyse est d’améliorer la prise de décision. Il existe plusieurs modèles d’analyse qui permettent de dégager des recommandations d’action. Nous vous en présenterons plusieurs tout à l’heure. La recommandation d’actions prolonge l’analyse exploratoire. Si l’analyse exploratoire permet de mieux comprendre sa base de données, la recommandations d’actions permet, sur la base de cette analyse, d’aider à la prise de décision.

4 – L’analyse prédictive

Faite à partir de l’analyse de données historiques, l’analyse prédictive consiste à prédire le comportement futur des clients dans le but de leur proposer par anticipation une offre personnalisée (services, produits, réductions…). C’est le must de l’analyse de données qui, grâce à l’analyse prédictive, ne permet pas seulement de comprendre l’existant mais d’imaginer le futur.

10 modèles pour analyser votre BDD clients

Les analyses de données se basent sur des modèles d’analyse. Il en existe de toutes sortes. Certains sont utilisés pour l’analyse exploratoire, d’autres pour la recommandations d’actions, d’autres pour l’analyse prédictive. Nous allons vous présenter 10 modèles d’analyse des données utilités par les Data Analysts. La liste n’est évidemment pas exhaustive.

L’analyse des déciles

Comme expliqué précédemment, l’un des objectifs de l’analyse de base de données clients consiste à identifier les meilleurs clients de votre base en vue de :

• Les prioriser dans vos actions marketing.
• Comprendre les caractéristiques de profil et comportementales de cette catégorie de clients en vue d’identifier des axes d’amélioration de vos parcours.

L’analyse des déciles est la méthode idéale pour comprendre qui sont vos meilleurs clients et quelles sont leurs caractéristiques. Elle consiste à diviser vos clients 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 le nombre de transactions, de promotions, de jours depuis le dernier achat…

Dans l’exemple ci-dessous, le premier décile (colonne de gauche) représente les 10% de clients les plus profitables.

On peut pousser plus loin ce modèle d’analyse exploratoire en analysant par exemple les transactions pour identifier des tendances saisonnières. Ces analyses vous aideront à mieux comprendre votre base client.

La Migration Analysis

Il s’agit ici de s’intéresser à l’évolution de comportement de vos clients au fil du temps. 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 l’année VS l’année précédente. Ce sont en principe les meilleurs clients. Cela doit alerter et inciter à développer des programmes pour les refidéliser.

L’analyse de cohortes

L’analyse de cohortes consiste à analyser différents groupes de clients et à les comparer entre eux. 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. Si vous souhaitez en savoir plus, c’est par ici !

La segmentation basique

Identifier des segments clients peut vous aider à mieux comprendre votre base de données. Il est conseillé de limiter le nombre de segments à 7 ou 8.

Nous vous recommandons de commencer par une segmentation basique, comme la segmentation RFM – Récence, Fréquence, Montant. Au fur et à mesure que vous gagnerez en expérience, vous pourrez mettre en place des modèles de segmentation plus précis, plus en phase avec les caractéristiques de vos clients.

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.

Le modèle « Next-Best-Sell »

L’objectif de ce modèle est d’obtenir des enseignements concernant les produits que vos clients actuels sont les plus susceptibles d’acquérir dans un futur proche. Ce modèle part du principe que l’on peut déduire les achats futurs des achats passés.

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.

L’analyse du panier de la ménagère

Cette analyse est assez proche de la méthode précédente puisqu’elle consiste aussi à déduire le comportement d’achat du client à partir des transactions passées. En revanche, c’est un modèle plus large que le précédent, 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 ».

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 sur une période déterminée. La valeur de cette période dépend de la nature de vos produits : on achète plus de nourriture que de voitures au quotidien !

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

Le modèle d’attrition

Ce modèle vise à identifier les clients qui ont le plus de chance de mettre fin à leur relation commerciale avec votre entreprise. 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.

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.

Le modèle « Look-alike »

Plus précis, ce modèle consiste à utiliser les données sur vos meilleurs clients actuels pour en retrouver d’autres présentant les mêmes attributs. 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 ».

Finalement, en short, analyser sa base de données c’est quoi ?

• Récupérer un maximum de données de toutes les catégories pour réaliser une analyse la plus fidèle à la réalité possible et les hiérarchiser en fonction de leur importance.
• Analyser sa base de données afin d’identifier des tendances et des segments clients.
• Laisser parler l’analyse et se fixer des objectifs mesurables en fonction de chaque catégorie de client pour améliorer ses KPIs business.

Et voilà, vous avez désormais toutes les clés en main pour bien analyser votre base de données !

Télécharger notre Template Connaissance Client

Veuillez remplir le formulaire pour recevoir notre Template Connaissance Client.