Malgré tous vos efforts, il est possible, voire fort probable, que votre entreprise ne soit pas si riche en données clients que cela. Plusieurs raisons à cela :
Rassurez-vous ! Il existe des moyens alternatifs pour enrichir votre base de nouvelles données clients, plus ou moins modernes.
Un broker est une entreprise à qui vous confiez vos adresses e-mail ou vos numéros de téléphone clients et qui y associera les données dont vous avez besoin avant de vous rendre votre fichier.
Comment le broker procède-t-il ? Son travail revient à constituer un fichier d’individus le plus grand et le plus riche en informations possible. Lorsqu’il reçoit votre base, il la compare avec la sienne, et sur les profils qui se retrouvent des deux côtés, il vous fournit les données que vous lui avez indiquées.
Le broker est payé à la donnée livrée. Chaque type de donnée à un coût différent, qui est fonction de la difficulté à l’acquérir et la mettre à jour. Une civilité ne coûtera pas grand chose car elle est pérenne et largement répandue. Une intention d’achat en revanche est beaucoup plus rare, et temporaire qui plus est.
On imagine bien la donnée ouverte pour mener des analyses de marché, mais moins pour compléter une base clients trop pauvre. Et pourtant, avec un peu de créativité…
Les sources pour enrichir sont par exemple l’INSEE et data.gouv.fr. Imaginez que vous disposiez de l’adresse postale d’un client. Grâce à elle, vous pouvez identifier le quartier dans lequel il vit, et comme “qui se ressemble s’assemble”, il a des chances de ressembler aux profils socio-démographiques fournis par l’INSEE. Vous pourrez même extrapoler sur ses revenus grâce aux données du gouvernement.
Bien sûr, il s’agit de probabilités statistiques, qui n’ont pas la même qualité qu’une donnée collectée et contrôlée par un service client par exemple. Mais c’est mieux que rien du tout dans le cadre d’un ciblage Marketing ! Et très vite vous pourrez constater de la pertinence de cet enrichissement, soit en comparant avec des données “réelles”, soit en constatant que vos campagnes ne performent pas sur cette sous-cible.
Le Lookalike est une pratique désormais très commune dans l’acquisition média, généralisée par Google et Facebook notamment. Dans ce cadre, vous chargez une liste de vos clients et le GAFA va identifier d’autres personnes qui “ressemblent” à vos clients et qui recevront votre campagne. Vous ne connaîtrez jamais les règles qui président aux comparaisons, la tambouille reste une recette secrète de chaque acteur média.
Le principe est le même pour compléter votre base clients, la transparence en plus. Pour illustrer, imaginez que vous ayez uniquement 50% de votre base renseignée avec la civilité (Madame, Monsieur). Vous faites appel à un Dataminer. Celui-ci va mettre en évidence des corrélations : “dans votre base, toutes les Nathalie ont une civilité Madame.” Du coup, il va chercher toutes les Nathalie dont la civilité n’est pas renseignée, et leur attribuer la civilité Madame, et réitérer cette opération avec tous les prénoms. Si par malheur certains prénoms n’existent en grand nombre que dans la partie non renseignée de votre base, le Dataminer ne pourra rien faire.
Cet exemple est stupide car nous aurions tous la volonté d’aller chercher ou créer un référentiel de prénom/civilité plutôt que s’embêter avec de la statistique de haute volée. Mais les corrélations statistiques peuvent aussi révéler des liens moins intuitifs et pour autant tout aussi valides.
Une Data Management Platform, par essence, crée un pont entre les données classiques d’un CRM et les données du Web. Les données récupérables via une DMP sont classées en 3 groupes :
Inévitablement, lorsque vous panachez les sources d’alimentation, vous générez des conflits : le code postal m’est fourni par mon application commerciale mais aussi par un broker, à qui dois-je faire confiance ? Seul vous pouvez répondre à cette question. Mais quelle que soit votre décision, il faudra bien pouvoir implémenter des règles de gestion.
Une façon “simple” de traiter ce point : pour une donnée, vous attribuez un score de fiabilité à chaque source. La source avec le meilleur score l’emportera. Cela implique d’adjoindre à chaque donnée un 2ème champ qui enregistre cette note. A chaque fois que cette source devra être mise à jour, votre système d’information n’aura alors qu’à comparer la note du champ avec la note de la source pour savoir quoi faire.
Cette mécanique peut s’affiner à l’infini :