A la une
Me contacter

 (Source : Mooc Cousera. A.De Bruyn. « Foundations of Marketing Analytics ».)

  La clientèle d’une entreprise n’est pas homogène ; c’est, bien sûr, le cas des entreprises diversifiées mais même si l’offre est unique, si tous les clients ont le même type de problème à résoudre, leurs « demandes » réelles à l’entreprise sont souvent différentes ; sur le plan des motivations, de l’importance ou de la fréquence des achats, des besoins de « compléments » (produit, livraison, assistance, garanties, SAV), des besoins de prix, etc. C’est cette diversité qui impose la segmentation de la clientèle. On sait que la segmentation est nécessaire pour comprendre les clients et faire le plus de « sur-mesure » possible en matière d’offre comme de promotion. On sait moins, semble-il, qu’elle peut contribuer efficacement à l’élaboration des prévisions nécessaires. Voyons comment en utilisant une méthode simple mais très connue de segmentation, la méthode RFM (« Recency, frequency, and monetary value »).  
  1. La segmentation RFM (Récence, Fréquence, Montant).
Les critères de segmentation à retenir dépendent de l’objectif managérial poursuivi et, en la matière, il importe de viser d’abord la facilité d’utilisation par le manager et une certaine stabilité des règles de détermination. 1.1. Les hypothèses qui fondent la méthode. On peut retenir les deux types principaux suivants : -Les critères de récence, fréquence et montant de l’achat sont parmi les meilleurs prédicteurs des futurs achats, en particulier les valeurs les plus récentes de ces critères. La récence est indiquée par la date du dernier achat du client et plus cette date est récente plus un prochain achat est probable alors que si la date est très lointaine il est probable que le client soit perdu. La fréquence est indiquée par le nombre d’achats effectués dans une période et constitue un bon indicateur de la « fidélité » du client. Les montants moyen et maximum des achats d’une période donnent une indication du besoin et de la satisfaction du client. -Ces critères sont faciles à calculer à partir des enregistrements commerciaux basiques que sont l’identité du client, la date et le montant de l’achat. 1.2. Un exemple (donné par A. De Bruyn). Segmentation et prévision   La récence a servi de premier critère pour définir les quatre segments retenus et leurs noms. L’un ou les deux autres critères ont été utilisés pour affiner la segmentation des clients les plus actifs et on peut aussi affiner la segmentation des autres clients par des critères pertinents.  
  1. L’utilisation de la segmentation RFM pour la prévision.
Voyons les deux types principaux d’utilisation. 2.1. La segmentation base de la prévision des ventes. La prévision de nombre de clients et du chiffre d’affaires prend toujours appui sur de nombreux indicateurs globaux ou spéciaux mais peut trouver ses meilleurs fondements dans les évolutions des segments, en particulier des nombres de clients et des recettes par segments. On peut, en effet, approcher ce que les clients d’aujourd’hui générerons, probablement, comme recettes demain si on admet, au moins comme hypothèse première, que les clients d’un segment d’aujourd’hui vont probablement agir l’an prochain comme les clients du même segment l’ont fait il y a un an. Il est possible de prédire la probabilité qu’un client soit actif ou pas l’an prochain ou de prédire combien un client d’aujourd’hui est susceptible d’acheter l’an prochain si on peut repérer les prédicteurs potentiels de ces comportements et leur impact sur la probabilité qu’advienne ce que l’on cherche à prévoir. La méthode consiste alors à regrouper les données d’années successives, par exemples celles relatives aux années 2014 et 2015 pour mesurer les déterminants à utiliser pour prévoir des résultats probables de l’année 2016: -les données relatives à l’année 2014, considérées comme variables déterminantes ou explicatives, comportent pour chaque client de 2014 les valeurs de la récence, fréquence d’achat, montant du premier achat, montant moyen et montant maximum d’achat ; – les données relatives à l’année 2015, considérées comme variables déterminées ou variables cibles à prévoir sont, pour chaque client, le montant des achats faits et s’il a été actif ou pas en 2015. On peut ainsi trouver le modèle statistique qui traduit le mieux la relation entre variables déterminantes et   variables cibles et permet de prévoir la probabilité qu’un client reste actif en 2016 et le montant d’achat qu’un client de l’année 2015 réalisera probablement en 2016. Pour trouver les déterminants de l’activité en 2015, on utilisera les données relatives à l’ensemble des clients et on cherchera à ajuster la fonction suivante : actif 2015 = fonction de (récence, montant du premier achat, fréquence, montant moyen et montant maximal). Pour trouver les déterminants du montant d’achat en 2015, on utilisera les données relatives aux seuls clients ayant acheté en 2015 et cherchera à ajuster la fonction suivante : montant 2015 = fonction de (montant moyen et montant maximal). Pour établir les prévisions de 2016, on appliquera l’équation trouvée de chaque modèle statistique aux données suivantes relatives aux clients de 2015 : récence et fréquence (qui sont apparues dans l’équation comme les déterminants les plus importants), montant moyen et montant maximum d’achat. 2.2. La segmentation base d’évaluation de la « Customer lifetime value (CLV) » La rentabilité d’une campagne d’acquisition de clients ne se mesure pas à la simple différence entre coûts de la campagne d’une période et ventes ou marges générées par les nouveaux clients pendant la période. Et cette seule différence ne peut suffire, non plus, à choisir ni entre campagnes promotionnelles utilisant des mix différents ni entre traitements différents des clients selon le segment. Les lacunes de cette différence tiennent à ce qu’elle ne prend pas en compte la durée de vie du client, sa fidélité et la « courbe de vie de ses achats », ce qu’on appelle la « Customer lifetime value (CLV) », c’est-à-dire la valeur actualisée nette des profits qu’un client générera dans le futur. La difficulté principale dans ce domaine est de prédire l’activité future d’un client, laquelle dépend de sa durée de vie comme client, de la fréquence de ses achats pendant cette durée et du montant de chacun de ses achats. Si l’on admet que  la récence est une approche acceptable de la durée de vie du client, on voir que la segmentation RFM utilise ces critères et peut servir à l’évaluation de la CLV. La méthode consiste à repérer comment les clients passent d’un segment à l’autre et à calculer les  probabilités de ces passages (ou « Transition ») par segment, comme le suggère l’exemple suivant donné par A De Bruyn. Changement de segment   La matrice de transition peut se calculer sur la base des segmentations des deux dernières années, par exemple 2014 et 2015, ou de segmentations consécutives plus nombreuses. Les probabilités trouvées serviront à calculer les nombres futurs de client par segment pendant un nombre d’année pertinent pour l’entreprise ; ainsi le segment des clients les plus actifs (« Active top ») tendra à diminuer de moitié chaque année. Et la valeur des recettes générées par chaque segment sera le résultat du nombre de clients restant chaque année par l’achat moyen du segment, recettes à actualiser si on a besoin de comparer.   L’utilisation de la segmentation RFM pour la prévision admet des hypothèses contestables : -sur la qualité de la prédiction permise par les critères de la récence, fréquence, montant d’achat ; -sur la validité de la reconduction à l’identique du comportement des clients d’une année à l’autre ; -sur la validité de la permanence dans le temps des taux de passage d’un segment à l’autre ou de la valeur de l’achat moyen. Ce sont les critiques faites habituellement aux prévisions fondées sur la prolongation de la tendance passée. On ne peut, cependant, dénier à la méthode les qualités de pertinence et de simplicité de mise en œuvre ;  de plus, il est toujours plus facile de « corriger » une prévision de type prolongation de tendance que de dessiner une prévision à partir de rien.   NB : Les détails et étapes des méthodes de calculs sont clairement exposés par l’auteur lors de leur application à un exemple. (Voir : https://www.coursera.org/learn/foundations-marketing-analytics/lecture/1XAjD/foundations-of-marketing-analytics)  

Aucune reproduction, ne peut être faite de cet article sans l’autorisation expresse de l’auteur ».  A. Uzan. 18/07/2016

>