Cinq conseils sur l'analyse de données

Ne vous laissez pas piéger par de la donnée de mauvaise qualité !

« Dès que l'on dispose de données, il est possible d'entamer des premières analyses, comme des segmentations RFM. Mais s'il est bien de disposer de données, encore faut-il qu'elles soient fiables. Cette action n'est pas du ressort du statisticien, mais c'est un passage obligé pour mener une analyse de qualité. Imaginons un réseau de magasins qui remonte des données d'achat. Un jour la récupération d'informations s'opère mal et dix jours d'activité ne sont pas enregistrés dans la base. L'analyse menée sur des données clients tronquées ne pourra qu'être fausse. Pour une segmentation, il faut ainsi bien prévoir le temps de qualification et nettoyage de la base, avant de passer à la création du fichier d'études et au travail d'analyse lui-même. » Christian Becko, directeur Etudes de Wegener DM.

Restez simples !

« Pour faire parler les données, il faut naturellement des outils, un zeste de méthode et un peu de connaissances métier ! Parfois, un simple comptage bien mené donne l'occasion d'apprendre de nombreuses choses sur votre clientèle. En appréhendant vos clients selon leur valeur, leur cycle de vie et en fonction de leurs types d'achat, vous pourrez déjà tirer des enseignements importants pour votre action marketing. Un acteur du textile a ainsi découvert que soixante-dix pour cent de ses clients étaient des clients uniques, opportunistes, qui réalisaient un achat cadeau, mais ne revenaient pas. » Laurent de la Mettrie, P-dg de Segmentaction.

De quels outils avez-vous vraiment besoin ?

« On peut distinguer trois niveaux dans l'analyse des données. Une premier palier, descriptif, permet déjà d'avoir une bonne vision de sa base de données clients. Des tableurs comme Access ou Excel peuvent vous suffire. Pour le second niveau, celui de la statistique réelle, la construction de modèles de segmentation, de critères déterminants s'impose. C'est alors que l'utilisation de logiciels comme Clementine de SPSS, Entreprise Miner de SAS, Angoss Knowledge Seeker ou IBM Miner, deviennent indispensables. Enfin, on peut différencier un troisième niveau d'analyse, prédictif, celui du data mining : il faut cependant démystifier le data mining, qui est utile dès que l'on connaît bien ses données et ses objectifs. » Thierry Vallaud, directeur des études et de la prospective d'arvato services vient de traduire un ouvrage sur le data mining, sorti chez Vuibert, Des données à la connaissance, une introduction au data mining.

N'oubliez pas la finalité de votre analyse !

« Tout au long de votre projet, n'oubliez pas de vous poser la même et importante question : quel est mon objectif ? Comment vais-je utiliser cette segmentation ? A quelle offre vais-je l'adosser ? Car la finalité de l'opération est bien d'utiliser l'analyse réalisée dans un contexte client. Nous avons, par exemple, mené un travail de segmentation pour un acteur du jeu vidéo. En définissant les types de clientèle, comme les hardcore gamers, les joueurs les plus fidèles, l'objectif était de définir par la suite une démarche marketing adéquate. La question se posait de savoir, par exemple, s'ils devaient tenir un rôle de parrain, de VIP de la marque. Ou si, au contraire, il n'était pas pertinent de prévoir des actions spécifiques sur cette cible ultra- fidélisée. Une segmentation draine parfois un programme marketing nouveau. » Marc Piroëlle, directeur de l'activité data mining de Soft Computing.

Votre objectif : la pérennité !

« Toutes les phases concernant une analyse sont importantes : depuis l'état des lieux réalisé sur la base de données clients, la fixation des objectifs à atteindre - rechercher certains profils, segmenter, etc. - et l'analyse, selon des problématiques d'optimisation voire de prévision. Ces différentes étapes sont vitales par la suite. Car il ne faut pas oublier que l'objectif de toute analyse est de construire des modèles pérennes, qui doivent être conçus pour être réutilisés par la suite. » Anne Gayet, directrice data mining d'AID.