Accueil
Sam 26 Oct - 15:47 par ahlem.z
La construction d’une segmentation est complexe à mettre en œuvre pour un débutant en statistique ou en marketing. En effet, à la différence d’un score, où il s’agit de modéliser un comportement (achat, fraude, départ, etc..) à partir des données descriptives ou comportementales, il n’existe pas 1 segmentation à découvrir, mais bien de choisir la « meilleure segmentation ». On ne sait pas ce que l’on cherche, mais il faut essayer de le trouver avec des techniques comme les analyses en composantes principales, en correspondances, canoniques, etc.
Il existe bien les principes « marketing » d’une bonne segmentation (accessible, substantielle, etc.) mais ils ne donnent aucune indication sur « comment faire une segmentation ». Pour aider les jeunes marketeux, voici quelques principes à respecter tirés de ma « longue expérience ».
1) Bien valider le besoin : la première étape d’une segmentation consiste à comprendre les objectifs et attentes de l’entreprise vis-à-vis de cette segmentation : amélioration de la communication, refonte des produits, amélioration de la performance commerciale, etc. Souvent, les objectifs ne sont pas formulés de manière claire et parfois ils ne sont pas convergents au sein de la même organisation : le Directeur Général n’a pas les mêmes attentes qu’un Directeur Marketing … il est donc important de hiérarchiser et valider les objectifs (quitte à faire trancher !).
2) Sélectionner les « bonnes » données : la sélection des données est une phase critique dans le processus qui peut fausser toute l’analyse. Il faut naviguer entre 2 tentations :
a. la paresse : ne prendre que les données disponibles et/ou les données traditionnelles et donc avoir une segmentation .. qui ne fait qu’ordonner ce que l’on savait déjà (donc une déception en livraison),
b. l’ambition : vouloir prendre toutes les données en croyant naïvement que les techniques statistiques y retrouveront les « bonnes variables » (donc une jungle de possibilités).
La volonté « de faire » vite peut conduire à ne prendre que les données immédiatement disponibles et donc louper les objectifs de décodage d’un marché. La sélection des « bonnes données » passe également par une approche de collecte équilibrée des données par « concept » (client / achat / point de vente / activité / canaux / etc…) avec un respect des poids entre les différents concepts …. si vous avez 50 variables sur les achats .. et 1 variable sur l’age du client… vous aurez une segmentation … sur les achats … inutile pour animer un plan fichier ! (à la limite le RFM est plus pertinent).
3) Prendre les « clients significatifs » : la construction d’une segmentation doit s’attacher à comprendre les « comportements » des clients. Il faut donc éviter de sur-représenter dans la base d’analyse des clients disparus .. ou des strates de clients « non captables » avec les offres actuelles. Un fichier contenant 25 % de clients inactifs (avec des lignes parfaites de 0 ou de valeurs inconnues) conduira n’importe quelles techniques statistiques à comme représentatif un comportement majeur d’inactivité et prendra tous les autres clients comme des « satellites » de ce comportement (les acheteurs). Dans ce contexte, les acheteurs apparaissent presque comme des aberrations .. qui deviennent difficiles à organiser. Vouloir expliquer la « vie » comme une aberration de la « mort » n’est pas une bonne base de départ. Si vous analysez un fichier avec 20 % d’inactifs et 15 % de clients acquis par des mécanismes de jeu … vous comprenez le risque de faire une segmentation inutile et instable.
4) Nettoyer les variables : il existe toujours des données aberrantes qui peuvent avoir des impacts importants sur la direction des axes d’analyse (la fameuse force des axes). Les points « incomplets » ou « aberrants » peuvent traduire soit des erreurs de saisie, soit des mélanges de populations hétérogènes : mélanger dans une analyse sur les flux d’un compte bancaire des « entreprises internationales » et des « particuliers » se traduira par un rapprochement de-facto des cadres dirigeants à 250.000 euros/an avec les revenus à 15.000 euros …. regroupés fictivement car très distants des Milliards de flux de Total par exemple. La vie quotidienne nous permet d’apprécier qu’il existe des différences notables entre les 2 profils de salariés ci-dessus !
5) Sélectionner les « variables actives » : une étape de la segmentation consiste à évaluer les corrélations et les dépendances entre les variables pour tenter de distinguer des « dimensions ». Une dimension est d’autant plus forte que de nombreuses variables y contribuent. Il faut savoir progressivement exclure certaines variables, très corrélées à d’autres pour faire émerger d’autres dimensions. La sélection des variables actives doit se faire sur des notions de qualité (taux de renseignement), de coût d’obtention (âge plus facile à obtenir que revenu), de communication (le log du CA est plus difficile à interpréter que le nombre d’enfants), de façon à « réduire » le poids des axes principaux … et faire monter les « axes émergents ». Ce poids choquera les « maniaques du pouvoir de représentation », mais les segmentations « grands crus » comme les « grands vins » ont des arômes.
6) Savoir « creuser les dimensions » : la lecture des premières dimensions est souvent assez peu révélatrice d’informations nouvelles. On y retrouvera nécessairement … les données que l’on y a entrées, et les intuitions que l’on avait avant de commencer. Bref, on a mouliné des tonnes de données pour sortir des évidences. Il s’agit certes d’un élément rassurant car on ne déstabilise pas les équipes marketing ou commerciales (parfois elles aiment ne pas être bousculées), mais il ne faut pas se contenter de lire les 4 ou 6 premiers axes, et savoir aller regarder un peu plus profond .. pour découvrir des comportements émergents dans les axes 8 à 12. Il faut poursuivre les investigations pour identifier les variables et les individus qui construisent ce comportement émergent et particulier. Ainsi, comprendre les « usages du Web Mobile » dans une population d’abonnés de téléphones mobiles … n’est jamais dans les 5 premiers axes, mais savoir le lire très tôt permet de « prendre de l’avance » sur le marché.
7) Définir la taille et le nombre des segments : la sélection du nombre de groupes est souvent guidée par plusieurs contraintes :
a. les capacités de mémorisation du public … au-delà de 7- 8 segments, il devient difficile de retenir l’ensemble des groupes pour des non experts,
b. les capacités de différenciation …. créer 12 segments … pour mettre en œuvre 2 politiques de communication est sur-segmenter,
c. les contraintes des coûts fixes : avoir des segments trop étroits les rend inopérables au niveau économique, mais attention si un segment pèse 1% en effectif, mais 20 % en revenus … il se justifie de-facto, car le perdre peut se traduire par la fin d’activité.
La taille n’est donc pas seulement une logique d’effectif, il faut regarder la taille des segments sur des dimensions de CA, de marge, de coûts, de visites, etc.
Construire un arbre d’affectation intelligible : il faut pouvoir comprendre pourquoi un individu appartient à un segment, afin de pouvoir mettre en place le programme d’affectation dans les bases de données (et afficher le code segment au centre d’appels par exemple), car cela permet de suivre et interpréter les migrations. Le fait d’être dans le segment A en 2007 et de passer en 2008 dans le segment B doit se comprendre comme une modification d’un ou n critères. Ma philosophie d’affectation s’est progressivement améliorée au cours du temps avec l’évolution des techniques de data mining, le plus simple actuellement est d’utiliser des arbres de décision pour construire les programmations d’affectations, mais il existe aujourd’hui d’autres possibilités (scores comparatifs, marquages sémantiques sous SPAD).
9) Tester et mesurer la stabilité : il faut évaluer la stabilité dans le temps de la segmentation avant de la communiquer. Il est important de tester sur 2 ou 3 périodes la répartition en structure des segments (passer de 15 % en 2007 à 4 % en 2008 sur le segment A … est suspect), ainsi que de comprendre les migrations entre les segments. De trop forts mouvements peuvent révéler des problèmes de conception (et donc d’opérationnalité de la segmentation).
10) Savoir communiquer : il faut « marquer les esprits » des utilisateurs potentiels. Le choc des « noms » et le poids des « mappings » pour paraphraser un tabloïde célèbre !. La technique statistique doit disparaître pour donner de la « chair et du sang » aux segments et aux dimensions. Il faut savoir les nommer, les positionner, les interpréter et les rendre vivants aux yeux des futurs utilisateurs. Une bonne segmentation se vend, et son succès se mesure par le fait qu’elle échappe aux mains des statisticiens. Lorsque le segment des « opportunistes ou des éclectiques » passent dans le langage des équipes commerciales … c’est gagné !
11) Avoir une ligne directrice : … relire entre chaque étape les éléments attendus dans la phase 1 : les objectifs sont-ils toujours présents. Dans mon vécu, la prise en main par n acteurs (avec des objectifs différents) dans un dispositif de segmentation peut conduire au final à sortir une segmentation « compromise », c’est-à-dire qui a perdu toute sa saveur. Relire et tenir les objectifs !
Dans les études statistiques, réaliser une segmentation reste malgré tout « un chef d’œuvre » au sens noble du terme, car il faut mettre de « l’âme » dans la lecture et l’interprétation que l’on va faire des données.
A ce jour, je reste encore dubitatif devant les « segmentations automatiques » … qui font des groupes, mais n’apportent pas de réponses à des problématiques stratégiques.
Un jour, peut-être les techniques me démentiront, mais pour l’instant j’avoue avoir toujours autant de plaisir à faire des segmentations, même si « j’aurais pu aller » plus vite. Mais le temps de faire « accepter » une segmentation est de toute façon beaucoup plus long que de la construire, mais c’est un autre article.
René Lefebure
http://www.blog-crm.com/datamining/34-datamining/82-les-11-points-pour-faire-une-bonne-segmentation.html
Il existe bien les principes « marketing » d’une bonne segmentation (accessible, substantielle, etc.) mais ils ne donnent aucune indication sur « comment faire une segmentation ». Pour aider les jeunes marketeux, voici quelques principes à respecter tirés de ma « longue expérience ».
1) Bien valider le besoin : la première étape d’une segmentation consiste à comprendre les objectifs et attentes de l’entreprise vis-à-vis de cette segmentation : amélioration de la communication, refonte des produits, amélioration de la performance commerciale, etc. Souvent, les objectifs ne sont pas formulés de manière claire et parfois ils ne sont pas convergents au sein de la même organisation : le Directeur Général n’a pas les mêmes attentes qu’un Directeur Marketing … il est donc important de hiérarchiser et valider les objectifs (quitte à faire trancher !).
2) Sélectionner les « bonnes » données : la sélection des données est une phase critique dans le processus qui peut fausser toute l’analyse. Il faut naviguer entre 2 tentations :
a. la paresse : ne prendre que les données disponibles et/ou les données traditionnelles et donc avoir une segmentation .. qui ne fait qu’ordonner ce que l’on savait déjà (donc une déception en livraison),
b. l’ambition : vouloir prendre toutes les données en croyant naïvement que les techniques statistiques y retrouveront les « bonnes variables » (donc une jungle de possibilités).
La volonté « de faire » vite peut conduire à ne prendre que les données immédiatement disponibles et donc louper les objectifs de décodage d’un marché. La sélection des « bonnes données » passe également par une approche de collecte équilibrée des données par « concept » (client / achat / point de vente / activité / canaux / etc…) avec un respect des poids entre les différents concepts …. si vous avez 50 variables sur les achats .. et 1 variable sur l’age du client… vous aurez une segmentation … sur les achats … inutile pour animer un plan fichier ! (à la limite le RFM est plus pertinent).
3) Prendre les « clients significatifs » : la construction d’une segmentation doit s’attacher à comprendre les « comportements » des clients. Il faut donc éviter de sur-représenter dans la base d’analyse des clients disparus .. ou des strates de clients « non captables » avec les offres actuelles. Un fichier contenant 25 % de clients inactifs (avec des lignes parfaites de 0 ou de valeurs inconnues) conduira n’importe quelles techniques statistiques à comme représentatif un comportement majeur d’inactivité et prendra tous les autres clients comme des « satellites » de ce comportement (les acheteurs). Dans ce contexte, les acheteurs apparaissent presque comme des aberrations .. qui deviennent difficiles à organiser. Vouloir expliquer la « vie » comme une aberration de la « mort » n’est pas une bonne base de départ. Si vous analysez un fichier avec 20 % d’inactifs et 15 % de clients acquis par des mécanismes de jeu … vous comprenez le risque de faire une segmentation inutile et instable.
4) Nettoyer les variables : il existe toujours des données aberrantes qui peuvent avoir des impacts importants sur la direction des axes d’analyse (la fameuse force des axes). Les points « incomplets » ou « aberrants » peuvent traduire soit des erreurs de saisie, soit des mélanges de populations hétérogènes : mélanger dans une analyse sur les flux d’un compte bancaire des « entreprises internationales » et des « particuliers » se traduira par un rapprochement de-facto des cadres dirigeants à 250.000 euros/an avec les revenus à 15.000 euros …. regroupés fictivement car très distants des Milliards de flux de Total par exemple. La vie quotidienne nous permet d’apprécier qu’il existe des différences notables entre les 2 profils de salariés ci-dessus !
5) Sélectionner les « variables actives » : une étape de la segmentation consiste à évaluer les corrélations et les dépendances entre les variables pour tenter de distinguer des « dimensions ». Une dimension est d’autant plus forte que de nombreuses variables y contribuent. Il faut savoir progressivement exclure certaines variables, très corrélées à d’autres pour faire émerger d’autres dimensions. La sélection des variables actives doit se faire sur des notions de qualité (taux de renseignement), de coût d’obtention (âge plus facile à obtenir que revenu), de communication (le log du CA est plus difficile à interpréter que le nombre d’enfants), de façon à « réduire » le poids des axes principaux … et faire monter les « axes émergents ». Ce poids choquera les « maniaques du pouvoir de représentation », mais les segmentations « grands crus » comme les « grands vins » ont des arômes.
6) Savoir « creuser les dimensions » : la lecture des premières dimensions est souvent assez peu révélatrice d’informations nouvelles. On y retrouvera nécessairement … les données que l’on y a entrées, et les intuitions que l’on avait avant de commencer. Bref, on a mouliné des tonnes de données pour sortir des évidences. Il s’agit certes d’un élément rassurant car on ne déstabilise pas les équipes marketing ou commerciales (parfois elles aiment ne pas être bousculées), mais il ne faut pas se contenter de lire les 4 ou 6 premiers axes, et savoir aller regarder un peu plus profond .. pour découvrir des comportements émergents dans les axes 8 à 12. Il faut poursuivre les investigations pour identifier les variables et les individus qui construisent ce comportement émergent et particulier. Ainsi, comprendre les « usages du Web Mobile » dans une population d’abonnés de téléphones mobiles … n’est jamais dans les 5 premiers axes, mais savoir le lire très tôt permet de « prendre de l’avance » sur le marché.
7) Définir la taille et le nombre des segments : la sélection du nombre de groupes est souvent guidée par plusieurs contraintes :
a. les capacités de mémorisation du public … au-delà de 7- 8 segments, il devient difficile de retenir l’ensemble des groupes pour des non experts,
b. les capacités de différenciation …. créer 12 segments … pour mettre en œuvre 2 politiques de communication est sur-segmenter,
c. les contraintes des coûts fixes : avoir des segments trop étroits les rend inopérables au niveau économique, mais attention si un segment pèse 1% en effectif, mais 20 % en revenus … il se justifie de-facto, car le perdre peut se traduire par la fin d’activité.
La taille n’est donc pas seulement une logique d’effectif, il faut regarder la taille des segments sur des dimensions de CA, de marge, de coûts, de visites, etc.
Construire un arbre d’affectation intelligible : il faut pouvoir comprendre pourquoi un individu appartient à un segment, afin de pouvoir mettre en place le programme d’affectation dans les bases de données (et afficher le code segment au centre d’appels par exemple), car cela permet de suivre et interpréter les migrations. Le fait d’être dans le segment A en 2007 et de passer en 2008 dans le segment B doit se comprendre comme une modification d’un ou n critères. Ma philosophie d’affectation s’est progressivement améliorée au cours du temps avec l’évolution des techniques de data mining, le plus simple actuellement est d’utiliser des arbres de décision pour construire les programmations d’affectations, mais il existe aujourd’hui d’autres possibilités (scores comparatifs, marquages sémantiques sous SPAD).9) Tester et mesurer la stabilité : il faut évaluer la stabilité dans le temps de la segmentation avant de la communiquer. Il est important de tester sur 2 ou 3 périodes la répartition en structure des segments (passer de 15 % en 2007 à 4 % en 2008 sur le segment A … est suspect), ainsi que de comprendre les migrations entre les segments. De trop forts mouvements peuvent révéler des problèmes de conception (et donc d’opérationnalité de la segmentation).
10) Savoir communiquer : il faut « marquer les esprits » des utilisateurs potentiels. Le choc des « noms » et le poids des « mappings » pour paraphraser un tabloïde célèbre !. La technique statistique doit disparaître pour donner de la « chair et du sang » aux segments et aux dimensions. Il faut savoir les nommer, les positionner, les interpréter et les rendre vivants aux yeux des futurs utilisateurs. Une bonne segmentation se vend, et son succès se mesure par le fait qu’elle échappe aux mains des statisticiens. Lorsque le segment des « opportunistes ou des éclectiques » passent dans le langage des équipes commerciales … c’est gagné !
11) Avoir une ligne directrice : … relire entre chaque étape les éléments attendus dans la phase 1 : les objectifs sont-ils toujours présents. Dans mon vécu, la prise en main par n acteurs (avec des objectifs différents) dans un dispositif de segmentation peut conduire au final à sortir une segmentation « compromise », c’est-à-dire qui a perdu toute sa saveur. Relire et tenir les objectifs !
Dans les études statistiques, réaliser une segmentation reste malgré tout « un chef d’œuvre » au sens noble du terme, car il faut mettre de « l’âme » dans la lecture et l’interprétation que l’on va faire des données.
A ce jour, je reste encore dubitatif devant les « segmentations automatiques » … qui font des groupes, mais n’apportent pas de réponses à des problématiques stratégiques.
Un jour, peut-être les techniques me démentiront, mais pour l’instant j’avoue avoir toujours autant de plaisir à faire des segmentations, même si « j’aurais pu aller » plus vite. Mais le temps de faire « accepter » une segmentation est de toute façon beaucoup plus long que de la construire, mais c’est un autre article.
René Lefebure
http://www.blog-crm.com/datamining/34-datamining/82-les-11-points-pour-faire-une-bonne-segmentation.html