Les méthodes d’analyse du marketing sont diverses et dépendantes de l’objectif poursuivi.
Dans l’article précédant (https://outilspourdiriger.fr/lanalyse-du-marketing-selon-meta-1/) on a présenté les notions de base : les types de données de l’analyse, les sources des données, les outils d’analyse des visiteurs d’un site Web, les outils d’analyse des résultats des actions de marketing.
Dans cet article ci, on présentera les méthodes applicables aux cinq principaux objectifs de l’analyse du marketing : segmenter, mesurer les résultats, mesurer l’efficacité de sa publicité, prévoir par la régression, optimiser sa campagne.
- Segmenter
Les clients et prospects d’une entreprise sont différents sur plusieurs plans même s’ils ont, grosso modo, le même problème à résoudre. Cette diversité rend difficile la compréhension de leur comportement et encore plus la personnalisation de la communication.
C’est pourquoi il faut segmenter, c’est-à dire trouver le ou les « segments » de prospects ou/et de clients les plus homogènes et pertinents au regard de l’action de marketing à réaliser.
On peut segmenter selon plusieurs critères : démographique, psychologique, géographique et comportemental, en utilisant, en particulier, le critère RFM (récence, fréquence, montant de l’achat).
Et pour segmenter, on utilise le contenu de sa base de données clients ou les données achetées et on tente de trouver des « clusters » c’est-à-dire des groupes de données similaires et différentes des données des autres groupes.
Voici un cas pour illustrer la recherche de clusters :
Une entreprise veut savoir si son chiffre d’affaires est lié à la taille de son entreprise cliente et dresse le graphique suivant (nuage de points) :
On voit que la relation est ambiguë : des grandes entreprises achètent beaucoup mais des petites aussi ; les petites entreprises peuvent acheter beaucoup ou peu. Il n’y a pas d’homogénéité des clients selon la taille mais en fait 3 segments. Et il faut chercher ce qui détermine le comportement de chacun.
On peut d’ailleurs améliorer la segmentation en modifiant les données ; par exemple prendre en compte le secteur d’activité de l’entreprise en plus de la taille, ce qui, peut-être, donnerait des segments plus homogènes.
1.1 La méthode de segmentation la plus courante : le K-Means Clustering
On peut faire réaliser la segmentation par des professionnels (par ex. Tableau), utiliser des logiciels spécialisés ou la réaliser soi-même.
Voyons les principes et les étapes de la méthode du K-Means (sans recourir aux méthodes de calculs) :
Le point de départ est de choisir les variables pertinentes, de les croiser pour obtenir un nuage de points, puis de tenter de déceler les segments. Si on ne perçoit rien de significatif, il faut changer les variables jusqu’à obtenir une possibilité de segmentation ayant du sens.
On voit que c’est une méthode empirique et itérative mais que c’est l’intelligence du marketing, le choix des variables, qui comptent le plus.
1.2. Les étapes de la méthode.
-On commence par définir K c’est-à-dire le nombre de clusters souhaitables, « opérables », par exemple quatre.
-On choisit, le plus minutieusement possible, quatre « centroïdes » dans les données, c’est-à-dire quatre centres d’ensembles de données.
-On calcule la distance entre chaque point et chaque centroïde.
-On regroupe chaque point de données autour de centroïde le plus proche pour percevoir les segments.
-On calcule les coordonnées des nouveaux centroïdes.
-On revient aux étapes précédentes pour voir si on peut améliorer l’homogénéité des segments en changeant ou en modifiant les variables.
On évalue la qualité de la segmentation visuellement ou en recourant à des indices spéciaux (l’index Dunn).
Trop peu de clusters ou trop de clusters donnent des résultats peu exploitables. Le bon nombre est celui qui donne suffisamment de granularité tout en restant exploitable.
Ce sont les regroupements de données qui importe et on atteint l’optimum si l’ajout d’un autre cluster ne vous donne pas un résultat meilleur.
Une fois les clusters trouvés, il faut trouver ce qui fait l’homogénéité des clusters et donner un nom à chaque cluster.
- Mesurer les résultats obtenus.
L’objectif des marketeurs est d’obtenir que l’entonnoir de la vente (ou entonnoir de l’achat) fonctionne le plus efficacement possible. Cet entonnoir décrit les étapes que parcoure un prospect pour devenir un client fidèle ; comme le montre le graphique ci-dessous, il a l’allure d’une pyramide inversée parce que des prospects sont éliminés à chaque étape.
Les principales étapes sont les suivantes :
-prise de conscience ; le prospect prend conscience que l’offre existe ;
-mesure de l’intérêt ; le prospect évalue, compare, etc. ;
–décision ; le prospect prépare et définit sa décision ;
–achat ; le prospect achète (conversion) ;
–fidélité ; le client achète à nouveau et surtout devient prescripteur.
Les mesures principales suivies sont les suivantes :
-Le taux de ROAS (Return On Ad Spend) ou le retour sur investissement publicitaire (chiffre d’affaires résultant des annonces / dépenses sur annonces).
-Le taux de ROI ou retour sur investissement de la promotion ou de l’ensemble de l’entreprise (rapport du bénéfice net sur les dépenses nettes) ;
-Le taux de rentabilité du client (Customer Profit) (chiffre d’affaires réalisé par un client au cours d’une année/ coût de conquête et de soutien de ce client au cours de cette année) ;
-La “Valeur vie d’un segment de clients” (Customer Lifetime Value) est évaluée de la façon suivante : valeur moyenne d’une vente multipliée par le nombre moyen de transactions, multiplié par la période de fidélisation de la clientèle, multipliée par la marge bénéficiaire.
La valeur moyenne d’une vente, le nombre moyen de transactions au cours de la vie d’un client, la période de fidélisation du client et la marge bénéficiaire sont des moyennes extraites des données sur l’ensemble des clients de l’entreprise ;
- Mesurer l’efficacité de sa publicité
L’impact d’une campagne de publicité sur les ventes (ou un autre résultat visé) est difficile à mesurer pour le marketeur.
Deux types de méthodes sont possibles = la simple analyse des résultats obtenus et la méthode expérimentale (Experiment)
3.1. L’analyse des résultats sans groupe témoin.
En principe, des objectifs et des indicateurs de performance ont été définis avant le lancement de la campagne.
Le marketeur a en tête une hypothèse sur la relation entre campagne et résultats en définissant qui démarcher, quel comportement modifier, où, quand et pourquoi. Il peut analyser les résultats et tenter d’évaluer la relation entre publicité et résultats mais il ne peut distinguer nettement entre groupe de prospects ou clients exposés à la publicité et les autres groupes, car il n’a pas préparé la possibilité de comparaison.
3.2. La méthode expérimentale est un moyen plus sûr de mesurer l’effet de la publicité.
Elle consiste à définir par avance les personnes qui seront exposées à l’annonce et celles qui ne le seront pas et, par suite, de mesurer et de comparer les résultats de chaque groupe.
Elle est largement utilisée lors de campagnes numériques et non numériques mais elle est difficile à préparer et coûteuse.
Imaginons qu’une entreprise ait deux segments de clients ou de prospects et que son objectif soit une croissance des ventes. On expose alors un des segments à la publicité et l’autre pas et on observe la différence qui mesure l’impact de la publicité.
L’incertitude est réduite mais persiste. Les deux groupes de personnes ne différent probablement pas qu’en matière d’exposition. Pour approcher la création de deux groupes similaires, il faut utiliser la répartition au hasard (randomisation) des personnes composant chaque groupe. On identifie le groupe de personnes à qui on souhaite montrer la publicité (le public cible), on définit le groupe à qui on ne la montre pas (groupe témoin) et tous serons désignés au hasard.
Les résultats d’une expérience se composent de deux parties.
– l’évaluation de la différence de résultats positifs (ex : le nombre de ventes supplémentaires résultant de notre publicité) entre le groupe expérimental et le groupe témoin.
– l’évaluation de la confiance à accorder au résultat ou probabilité que le résultat obtenu soit le même si le test était répété à nouveau dans les mêmes conditions.
- Prévoir par la régression.
4.1. La méthode de la régression.
Lors de l’essai de prévision, on cherche à savoir si on peut prendre appui sur les résultats passés de l’entreprise ou sur les prévisions nationales établies pour estimer les résultats futurs, au moins ceux du futur proche.
On parle, alors, de prendre appui sur des variables indépendantes (dépenses publicitaires, par ex.) pour estimer la variable dépendante (accroissement des ventes).
La méthode courante pour réaliser ce type de prévision est la régression (ou corrélation) linéaire ou pas.
Comme le montre le graphique ci-dessous, le nuage de points permet de voir s’il y a une liaison entre les variables et de mesurer l’intensité de cette liaison. Par exemple, quel lien entre taux de clics et la conversion en client, entre publicité et CA, etc.
Opérer une régression c’est calculer la droite ou la courbe telle que les écarts entre les points du nuage et la courbe soient minimum (on trouvera facilement la formule de calcul). Et la corrélation est d’autant plus intense que les écarts sont faibles.
On notera que la liaison peut être positive ou négative (généralement, la baisse des prix entraine une hausse des ventes et la hausse des prix une baisse des ventes) ; que la régression peut être linéaire si on peut ajuster une droite dans le nuage de points mais aussi non linéaire (logistique, par ex. si la variable dépendante est discrète, par exemple oui ou non)
On peut aussi chercher la relation entre plusieurs variables indépendantes et une variable dépendante (régression multiple). C’est ce que les spécialistes du marketing font pour mesurer l’efficacité de la combinaison de toutes les actions de marketing entreprises et pour optimiser le marketing mix.
4.2. La modélisation du marketing mix (MMM).
Cette modélisation du marketing mix utilise les données historiques concernant les actions de marketing et d’autres types (telles que l’ouverture d’un nouveau magasin, la saison, le lancement de son site web, etc.) pour quantifier l’impact d’un grand nombre de variables sur les ventes, pour comprendre ce qui a influencé les ventes passées et prédire ce qui pourrait se produire à la suite d’une action marketing future.
On ne se lancera pas dans le mode de calcul du MMM mais seulement dans la présentation des principes et des étapes qui sont les suivantes :
-identification de toutes les variables qui pourraient avoir un impact sur les ventes ;
-collecte des données (au moins deux ans de données) ;
-utilisation d’une forme d’analyse de régression linéaire multiple pour établir la relation statistique entre toutes les variables indépendantes et la variable de résultat ;
-utilisation des résultats pour prédire quelle serait la valeur du résultat en fonction des coefficients des modèles et par exemple en répartissant différemment les dépenses de marketing.
Cette modélisation du marketing mix a connu, il y a peu, deux innovations clés :
-La première innovation concerne la manière dont les données sont collectées. Traditionnellement, la modélisation du mix marketing reposait sur la collecte et le nettoyage manuels des données extraites de différents système : données de vente, données de système de gestion de la relation client, données publicitaires, etc.
Aujourd’hui, les fournisseurs de recherche et d’analyse du marketing mix se concentrent de plus en plus sur la collecte de données en temps réel via des API.
-Une deuxième innovation qui entraîne des changements dans le domaine de la modélisation du marketing mix est l’utilisation de l’apprentissage automatique. Nous avons vu comment le MMM utilise des modèles statistiques.
Mais l’apprentissage automatique permet la réalisation de la modélisation en temps réel, et à un niveau de complexité et de précision beaucoup plus élevé.
Ces innovations se traduisent par des délais d’exécution et de rendus des conclusions beaucoup plus courts.
Dans un avenir proche émergera, sans doute, un logiciel qui permettra d’exécuter le MMM en quelques clics.
- 5. Optimiser sa campagne.
Distinguons entre optimiser son annonce et optimiser le choix de ses canaux de publicité.
5.1. Optimiser son annonce
Le test A / B est le processus de comparaison de deux variantes d’une annonce pour évaluer la meilleure.
Les deux versions sont affichées à des moments différents et les résultats sont mesurés au regard de l’objectif poursuivi.
Il est important, ici, de ne modifier qu’une variable (l’image, le texte, la cible, le lieu, l’appel à l’action, etc.) pour repérer la
cause du résultat.
Notons que la plupart des plates-formes de publicité en ligne offre la possibilité de réaliser facilement ce test.
Les résultats des tests A/B comportent, généralement, 2 parties principales :
– le repérage de la version « gagnante », celle qui a produit le meilleur résultat au coût le plus bas ;
– le degré de confiance à accorder au test.
En plus du test A/B, on peut aussi réaliser deux autres types de test, en répartissant au hasard les groupes de prospects ou clients testés :
-un test de marque, pour évaluer l’efficacité d’une publicité sur la perception et la reconnaissance de la marque ;
-un test de conversion, pour évaluer les effets d’une annonce sur les conversions ou débuts de conversions.
5.2 Optimiser ses canaux de publicité
Une stratégie de marketing conduit à réaliser, généralement, sa publicité sur différentes plateformes.
Le défi, alors, et de savoir sur quelle plateforme la publicité a été la plus efficace.
La modélisation du mix marketing (MMM) peut servir en se concentrant sur l’évaluation de la contribution des différents canaux de marketing au résultat final.
On sait que la modélisation du marketing mix consiste à rechercher par régression le lien qui a prévalu entre les données historiques concernant les actions de marketing et d’autres types (telles que l’ouverture d’un nouveau magasin, la saison, le lancement de son site web, etc.) et le résultat visé, pour « expliquer » ce qui a influencé les ventes passées, par exemple, et prédire ce qui pourrait se produire à la suite d’une action marketing future.
Ici, les données à analyser comportent la répartition des dépenses par canal de publicité mais aussi des données diverses (des vues en TV, des écoutes, des actions, etc.) qui doivent être catégorisées.
Le résultat de la modélisation du marketing mix montrera le retour sur investissement de la publicité sur chaque canal ou le pourcentage de contribution de chaque canal ou activité marketing sur le résultat final.
C’est une analyse statistique des liens (régression) entre de multiple variables et un résultat visé, analyse exigeant le recours à des entreprises spécialisées.
L’agence de recherche analyse les données et produit un rapport qui indique quel a été le retour sur investissement pour chacun des canaux et dans quelle mesure chaque canal a contribué aux résultats finaux.
Un des inconvénients de la méthode est de prendre beaucoup de temps et d’être très couteuse. C’est pourquoi, elle est généralement utilisée par les grandes marques recourant à plusieurs canaux et disposant de budgets importants.
Heureusement, de nouveaux moyens de collectes des données accroissent la vitesse de réalisation de la méthode et en réduisent le coût, ouvrant l’accès à des budgets plus modestes.
Source : https://www.coursera.org/learn/data-analytics-methods-for-marketing/home/week/1
Pour aller plus loin : la rubrique « Marketing » du blog comporte 80 articles ; en voici une sélection.
https://outilspourdiriger.fr/methodes-de-marketing-selon-salesforce/
https://outilspourdiriger.fr/le-marketing-btoc-selon-capgemini/
https://outilspourdiriger.fr/lanalyse-du-marketing-numerique/
https://outilspourdiriger.fr/conduire-une-analyse-de-marketing-numerique/
https://outilspourdiriger.fr/outils-pour-choisir-en-marketing/
Aucune reproduction ne peut être faite de cet article sans l’autorisation expresse de l’auteur. A. Uzan. 16/10/2023