Prédire les comportements de ses cibles, voilà un vœu que tout professionnel du marketing aimerait réaliser. Le machine learning semble à cet égard plein de promesses. Il vient pourtant compléter la palette d’outils du marketing plutôt que la révolutionner. Cet ouvrage est destiné aux professionnels du marketing. Il va vous aider à démystifier le machine learning et les statistiques prédictives en vous expliquant comment les utiliser pour répondre à des problématiques concrètes liées à votre activité et vous permettre de réaliser vous-mêmes vos prédictions. Il vous apprendra également à les combiner avec les outils indispensables du marketing : l’écoute client et l’incitation à agir.

Le premier chapitre revient sur la notion de « consommateur prévisible » et pose ses limites.

Le deuxième chapitre présente les méthodes pour analyser ses données, écouter ses clients et les inciter à agir.

Le chapitre suivant explique comment constituer sa base de données prospects et clients.

Les chapitres 4 à 7 répondent à des questions concrètes en marketing : comment créer des persona ? Comment transformer ses prospects en clients ? Comment augmenter la valeur de ses clients ? Comment anticiper les effets de réputation en ligne ? Chacun de ces chapitres est organisé en trois parties consacrées à la prédiction data, à l’écoute client et à l’incitation.

Enfin, le dernier chapitre vous donne des clés pour communiquer en interne sur ces outils.

Les nombreux exemples présentés sont expliqués pas-à-pas, principalement dans un logiciel no-code nommé JASP, qui est basé sur R, gratuit, simple et user-friendly.

Ce livre est une excellente entrée en matière sur le sujet du marketing prédictif et un bon moyen de faciliter le dialogue entre data scientists et marketeux.


Quizinclus dans
la version en ligne !

• Testez vos connaissances à l'issue de chaque chapitre
• Validez vos acquis

Téléchargements

• Des fichiers complémentaires (1 736 Ko)

Le consommateur, un être prévisible ?

1. Introduction
2. Prédire, un fantasme humain ?
   1. Prédire ou prévoir
   2. Nostradamus : soyez flou !
   3. La leçon de Paul le poulpe
   4. La prédiction sous le coup de l’émotion
   5. La prédiction qui joue sur les émotionsde l’auditoire
   6. L’infaillible investisseur qui avait 100 % deprévisions justes… ou l’art de manipuler !
   7. Ce collègue qui « sent » lemarché
   8. L’imprévisible Front/Rassemblementnational
   9. Ces consommateurs si inconstants !
   10. Le GIEC ou l’exemple à suivre :plusieurs scénarios et de la prudence
   11. Synthèse
3. La perspective rationnelle : homo economicus
   1. La prise de décision rationnelle
      1. La reconnaissance d’un problème
      2. La recherche d’informations
      3. L’évaluation des options d’achat
      4. La consommation et/ou l’utilisation
      5. L’évaluation post-achat
   2. Le rôle du marketing : convaincre
      1. Comprendre le problème
      2. Être visible dès la recherche d’informations
      3. Être le meilleur sur les deux ou trois critèresclés pour votre cible
      4. Penser la relation client lors de l’utilisationdu produit
      5. Être bon dans la durée
4. La perspective expérientielle : au-delà de la rationalité
   1. Les facteurs "non rationnels" de l’expérienceclient
      1. Le rôle des émotions
      2. L’influence des autres
      3. L’environnement
   2. Le rôle du marketing : créerune expérience positive et éthique
   3. Le neuromarketing pour mieux comprendre
5. La perspective expérimentale : modifier l’environnement pour donner des coups de pouce
   1. Les sciences comportementales : de la psychologie,de l’économie comportemental, des neuroscienceset du marketing
   2. Éduquer, récompenser, punir ou uneautre voie ?
      1. Éduquer, expliquer, démontrer
      2. Récompenser et punir
      3. Une autre voie : modifier l’environnement
      4. En quoi tout cela peut-il bien intéresserle marketing ?
   3. Le rôle du marketing : créerun environnement d’achat propice
      1. L’option par défaut
      2. Les normes sociales : qu’ont faitles autres dans la même situation ?
      3. Un petit engagement avant un plus grand
      4. Ne pas perdre plutôt que gagner
      5. Le poids des habitudes ou comment économiserses ressources
6. Conclusion

Analyser, écouter, inciter

1. Analyser : étudier ses données
   1. Les types de données
      1. L’angle du consommateur
      2. Par format : texte, chiffres, images, vidéo,etc.
   2. Le machine learning, pour quoi faire ?
      1. Principes basiques du machine learning
      2. Analyse sur des données quantitatives
      3. Analyse textuelle
2. Écouter : entrer en empathie avec ses clients et prospects
   1. « Se mettre à la placede » ou l’art de l’empathie
   2. Conduire des entretiens individuels
      1. Préparer un guide d’entretien… pasun questionnaire
      2. Écouter et se taire
      3. Demandez des précisions quand cela est nécessaire
      4. Avoir du temps et respecter ce temps
      5. Lorsque l’enregistreur s’éteint…
   3. Conduire des entretiens de groupe
   4. Analyser les données issues des entretiens
      1. Analyse thématique « à lamain »
      2. Analyse statistique
   5. Observer offline (points de vente, rue, lieux de consommation/usage)
      1. Observation non participante
      2. Observation expérimentale
   6. Observer online
      1. Test A/B
      2. Mesure des expressions faciales (émotions)
      3. Eye-tracking, mouse-tracking et clic-tracking
      4. Mesures physiologiques et neuromarketing
3. « Inciter » : donner des coups de pouce (nudges) pour atteindre ses objectifs
   1. Diagnostic (à partir des élémentsdes parties A et B)
   2. Identification du bon levier
      1. La faisabilité
      2. L’honnêteté
      3. La pertinence
   3. Pré-test
   4. Implémenter et évaluer
   5. Analyser et améliorer

Constituer sa base de données de prospection et de clientèle

1. Introduction
2. Où en est votre relation avec vos contacts ?
3. Constituer sa base de données prospects
   1. Quelles données collecter ?
      1. Les données de prospection (online/offline)(first/second/third party)
      2. Le web scraping
      3. Open data
      4. Données de panel
      5. Données de tracking
   2. Le respect de la vie privée
      1. Le RGPD
      2. Le cas des big data
4. Constituer sa base de données clientèle
   1. Structurer ses données
   2. Faire un état des lieux de ses données
   3. Les solutions techniques
   4. Vision à 360° du client : DMP, datalakes
      1. Les data management plateform (DMP)
      2. Les data lakes
      3. Est-ce pour mon entreprise ?
   5. Quelles données ?
      1. Les sources d’information en interne
      2. Type d’informations disponibles en interne
   6. Le respect de la vie privée
5. Nettoyer ses bases de données
   1. Qu’est-ce qu’une base de donnéespropre ?
   2. Pourquoi « nettoyer » sabase de données ?
      1. Éviter la perte de temps
      2. Ne pas renforcer ou susciter de la résistance à unestratégie data-driven
      3. Faciliter la communication entre les différentsoutils de data
      4. Ne pas nuire à la relation client
   3. Comment procéder ?
      1. Définir l’unité statistiqued’analyse
      2. Adopter une logique de table
      3. Supprimer les variables inutiles
      4. Donner une clé unique à vos sujets
      5. Visualiser ses données
      6. Effectuer quelques tests statistiques basiques pours’assurer que les variables soient bien définies
      7. Supprimer les doublons
      8. Nommer les variables de manière efficace
      9. Coder les variables de manière efficace
      10. Traiter les données manquantes
      11. Traiter les données anormales ou aberrantes(les outliers)

Créer des personas : qui se ressemble s’assemble

1. Introduction
2. Segmenter
   1. Qu’est-ce qu’une segmentation efficace ?
   2. Choisir ses critères de segmentation
   3. Notre exemple : l’association deprotection de l’environnement et les campagnes de recrutement
   4. Créer des clusters
      1. Installation de JASP
      2. Importer notre jeu de données
      3. Les trois étapes pour créer desclusters et les comprendre
      4. Étape 1 : déterminerle bon nombre de clusters
      5. Étape 2 : définirles clusters
      6. Décrire les groupes pour faciliter le ciblage
      7. Profil complet des sympathisants - synthèse
   5. Prédire le groupe de nouveaux prospects
3. Définir des personas cibles
   1. Comprendre les clusters par l’écouteclients
   2. Imaginer un persona
   3. Définir la bonne offre, le bon prix, le boncanal par cible

Transformer ses prospects en clients

1. Prédire à partir des premières infos collectées
   1. Le choix de la méthode statistique
      1. La régression linéaire
      2. L’arbre de décisions
      3. Les forêts aléatoires (random forest)
   2. Mise en œuvre d’une régressionpar forêt aléatoire : déterminerle bon prix pour convertir un prospect en client
      1. Présentation du jeu de données
      2. La régression par forêt aléatoire
   3. Limites de la prédiction statistique
2. La psychologie du premier achat
   1. Capter l’attention
      1. Les connaissances antérieures de votre marque
      2. L’implication dans la communauté deconsommation ciblée : qui est ma cible ?
      3. Les actions marketing : media et hors media
   2. Susciter l’intérêt et ledésir ou développer une attitude favorable à l’égardde votre marque
   3. Déclencher l’action
3. Inciter : le coup de pouce du petit engagement (petit engagement > grand engagement)
   1. L’engagement
   2. La communication engageante
   3. Technique d’engagement par escalade
      1. Le principe
      2. Les effets dans les requêtes en face à faceet par téléphone
      3. Les effets dans les requêtes en ligne etdans les interactions avec des intelligences artificielles
      4. Les conditions de la réussite de la technique

Augmenter la valeur de ses clients

1. Introduction
2. Prédire à partir des informations du portefeuille client
   1. Anticiper l’attrition des clients :quels clients risquent de nous quitter ?
      1. Présentation du jeu de données
      2. Mise en œuvre de la méthode de classificationK-nearest neighbor
      3. Mise en œuvre de la prédiction
   2. Quels produits proposer en vente complémentaire ?
      1. Le cross-selling
      2. Logique du cross-selling automatisée
      3. Mise en œuvre : Association RuleMining (ARM) ou Market Basket Analysis
   3. Pour quels clients intensifier l’effort commercial ?
      1. La méthode 20/80 ou ABC
      2. La lifetime Value (LTV) ou valeur-vie du client
   4. Quel produit lancer sur le marché ?Quelle interface web sera la plus efficace ? Quel messagesera le plus impactant ?
      1. Définition des deux alternatives
      2. Définition des metrics
      3. Implémentation du test/contrôledes biais/échantillon
      4. Analyse des résultats
3. La psychologie de la fidélité
   1. La satisfaction par la Conception à l’Ecoutedu Marché
      1. Les trois niveaux de qualité
      2. Qualité perçue et qualité attendue
   2. L’inertie
4. La psychologie de l’attachement à la marque
   1. L’attachement (identité desoi/identité de marque)
   2. Exprimer qui l’on est à traversla marque : les comportements associés à l’attachement(recommandation, défense…)

Anticiper les effets de réputation en ligne

1. L’analyse de données textuelles
2. Extraire des tweets
3. Analyser ce que votre communauté dit
   1. Les méthodes d’analyse
   2. Analyser les tweets pour adapter sa communicationen situation de crise : la classification non supervisée(R.temis)
      1. Analyse descriptive des données
      2. Classification
   3. Analyse les attentes d’une communauté pouradapter ou créer son offre : analyse textuelleen No-Code

Communiquer en interne ou l’art de la persuasion

1. La pédagogie transversale sur les données et la psychologie du consommateur
   1. Communiquer sur les données
      1. Le « dernier mile » dela donnée vers l’action
      2. Data storytelling
      3. Data visualisation
   2. Communiquer sur la psychologie du consommateur
2. La résistance des équipes de terrain : quelques solutions
   1. Les prédictions contre-intuitives et lesidées reçues
   2. La légitimité : terrainvs bureau
   3. Impliquer les équipes