Le domaine du CRM dans son ensemble résiste à la crise, selon Alexandre Losson, directeur de la division CRM chez Business et Decision. C'est le secteur qui résiste le mieux, juste après la BI. Aucun projet de CRM n'est arrêté même si son périmètre est parfois réajusté et ses objectifs revus à la baisse : les projets se recentrent sur l'obtention d'une valeur à court terme.

La croissance continue du commerce électronique, de l'ordre de 20 % par an, génère des opportunités, favorisées par le faible coût des canaux numériques. En fait, les entreprises qui ne sont pas déjà équipées des solutions de base telles que l'automatisation des forces de vente ou les solutions pour centres d'appel doivent faire vite pour rester compétitives. Parallèlement, le Master Data Management et le marketing analytique progressent rapidement. Mais de nouveaux sujets émergent rapidement : le service client et le support, l'intégration des données clients et les référentiels, le lead management et la fidélisation, le Performance Management (quotas, territoires, incentives, pricing), le Marketing Resource Management.

Pour illustrer ces tendances, nous avons choisi deux exemples issus de présentations effectuées lors de la Matinale du CRM, organisée par Business & Decision le 1er juillet 2009.

Comment capitaliser sur la valeur des clients et optimiser la stratégie de contact avec SAS

L'analyse de rentabilité des clients intéresse aussi bien les services marketing que les directions financières. Les premiers pour mieux organiser leurs campagnes, les seconds pour optimiser les coûts. Le principe en est simple : la rentabilité actuelle d'un client est la différence entre les revenus qu'il génère et les coûts qu'il engendre. Mais autant il est facile d'identifier les revenus par client, autant il est difficile d'identifier précisément les coûts propres à chaque client. Par exemple, comment calculer le coût que représente une sollicitation à un centre d'appel ? Faute d'historique, le raisonnement se fait en termes de moyenne et il n'est donc pas possible distinguer les clients entre eux.

D'après l'éditeur de solutions de Business Intelligence SAS, « les technologies ont énormément évolué et permettent aujourd'hui de produire rapidement des coûts "sûrs" et parfois à un niveau de détail très fin. » Elles permettent de dépasser la solution classique de classement des clients par catégories : contre-productive, elle gomme les différences de consommation entre clients, qui sont justement des sources d'optimisation des ressources, des coûts et de la rentabilité.

Rentabilité de chaque client dans SAS Profitability Management

Avec une analyse fine, on trouve que certains clients à fort revenu ne sont pas rentables. Par exemple, en comparant des clients qui achètent sur un site Web, celui qui passe par 7 étapes coûte moins cher que celui qui passe par 9 étapes. Si le client a une relation continue avec son fournisseur, il génère des frais récurrents car tout appel génère une interaction qui a un coût. Les coûts et les revenus sont différents selon les produits et les clients. Il faut donc chercher à connaître régulièrement la rentabilité de chaque client pour optimiser sa rentabilité globale.

La solution Profitability Management de SAS s'appuie sur le calcul d'une base de coûts unitaires à partir d'une base existante. Puis elle valorise chaque transaction en affectant un taux à chaque comportement et associe les comportements et les transactions au moyen de règles. Pour mettre en place la solution, une bonne méthode consiste à commencer avec une vingtaine de coûts unitaires. Après un certain temps de fonctionnement, la solution peut s'enrichir avec l'aide de l'équipe du contrôle de gestion.

Profitability Management comporte trois composants. Le premier effectue l'extraction, le retraitement et le reporting des données. La solution SAS extrait des informations à partir des bases de données historiques de technologies variées dont disposent les clients et sait traiter de gros volumes de données. Le deuxième composant contient le modélisateur, le moteur de calcul et le générateur de cubes. Le troisième comporte les outils de restitution via le Web. Aucun développement n'est nécessaire si on change des éléments : le cube se recalcule automatiquement.

Les outils de visualisation donnent une visibilité segmentée, par exemple par région. Un simple clic permet une visualisation plus détaillée. On peut voir les clients par rentabilité et afficher le détail de chaque client. Connaissant la structure de coûts par client, l'agent en relation avec le client peut ajuster son discours et proposer un produit supplémentaire à un client non rentable.

Les solutions de data mining de Kxen s'enrichissent d'un module d'analyse des réseaux sociaux

Les réseaux sociaux sont devenus une réalité forte du monde électronique. Les entreprises commencent à se rendre compte du parti qu'elles peuvent tirer des liens entre membres d'une famille, amis ou collègues, essentiellement pour la promotion des leurs services et produits, mais aussi pour d'autres usages.

Kxen est un éditeur franco-américain de solutions de datamining. Ses 500 clients se rencontrent dans les secteurs de la banque, de la distribution, des télécommunications du monde entier. Ils utilisent les produits de Kxen pour les campagnes marketing et l'optimisation du cycle de vie des clients. Le secteur des télécommunications les utilise pour mieux gérer les programmes de rétention, la fidélisation, les résiliations, les banques et les assurances pour les défauts de paiement, les entreprises de distribution pour les cartes de fidélité et l'évaluation des coûts et bénéfices des solutions Internet.

Les 4 fonctions du data mining sont le ciblage (compréhension du comportement, détection de fraude), la segmentation (regroupement des personnes par affinité, par algorithme, par aspect métier), les séries temporelles (détection de tendances, de saisonnalité), les règles d'association (relations entre produits et services permettant de suggérer des actions). Kxen a intégré ces fonctions dans des modules standardisés et automatisés pour pouvoir être mis à la disposition d'utilisateurs qui ne sont pas spécialistes des statistiques. Aucune limite n'existe dans le volume des données.

Kxen a lancé un nouveau module d'analyse de réseaux sociaux au début de 2009. Accessible au travers d'une interface graphique, il donne aux utilisateurs le moyen de suivre une chaîne logique. Il concerne des applications verticales, surtout pour le marketing. Par exemple, il permet d'obtenir des informations à partir des échanges entre les clients des entreprises de télécommunications. Celles-ci tirent parti des CDR (Called Data Records), c'est-à-dire des tickets d'appel qui conservent la trace de toutes les communications. Les banques utilisent l'analyse des réseaux sociaux pour la détection de fraudes avec des cartes de crédit. Pour les entreprises de distribution de détail, cette technique permet d'engager une réflexion sur les groupes de produits ou les groupes de clients par l'association de comportements. Quant aux sites de réseaux sociaux, comme Facebook ou Twitter, leur préoccupation est de monétiser leurs sites.

En pratique, Kxen modélise un réseau social par un ensemble de nœuds et un ensemble de liens ou interactions. Des attributs peuvent être affectés aux nœuds et aux liens. La richesse des informations reportées peut être plus ou moins grande. Dans les télécommunications, le premier niveau d'informations peut être : Julie a appelé Pierre. L'information peut s'enrichir de données telles que : ils ont parlé, puis ils ont parlé 12 minutes. Des attributs supplémentaires peuvent être affectés aux nœuds (nom adresse, H/F) et aux liens (voix, SMS).

La technique consiste à appliquer des filtres (appels du week-end, appels de plus de 3 minutes) pour charger des données, puis créer et afficher un premier réseau. Des solutions sophistiquées doivent être mises en œuvre pour afficher les données dont le volume peut être important.

L'analyse des réseaux sociaux est une technologie nouvelle, pour laquelle il n'y a pas encore beaucoup de retour d'expérience. Héritée du milieu universitaire, elle arrive dans la sphère commerciale où elle commence à donner des résultats intéressants. Avec des informations telles que l'âge moyen d'un réseau social, la répartition entre hommes et femmes, les abonnées ou non abonnés à tel opérateur, des stratégies marketing plus efficaces peuvent être mises en œuvre. La solution de Kxen permet ainsi de faire de l'analyse prédictive.

René Beretz