Complex Systems devient SPINDATA pour mieux choyer vos données

2. Qui sont les clients de SPINDATA ?

Hélène Ivanoff : « Les secteurs dans lesquels nous intervenons sont assez vastes et différents. Beaucoup de nos clients proviennent du secteur caritatif : c’est ce que recouvre le terme fundraising, à savoir la collecte de dons au bénéfice d’associations.

Dans le domaine du B to B, nous travaillons, par exemple, depuis de nombreuses années avec Kiloutou et Jean Stalaven – groupe Euralis, dont les clients sont principalement des commerçants, ou distributeurs dans le secteur agro-alimentaire.

En ce qui concerne notre activité B to C, notre clientèle est issue de secteurs d’activités variés, comme le tourisme ou l’hôtellerie avec Louvre Hôtels. Leur problématique est de savoir qui fréquente les différentes enseignes du groupe. Il en découle un certain nombre de questions, auxquelles nous répondons, avec notamment, les données de transactions :

– les clients sont-ils des particuliers ou des professionnels ?

– quelle est la structure de la clientèle en termes de typologie PMG (petits, moyens et gros clients) ?

– quelles sont les habitudes de comportement : les clients viennent-ils en famille ou en solo ? Plutôt le week-end ou en semaine ? Combien de temps restent-ils ?

– quelles sont leurs modalités de réservation ?

Nous avons par le passé travaillé avec BazarChic pour les aider à comprendre comment les prospects ‘s’activent’ (après l’inscription à la newsletter notamment), avec comme préoccupation première de les transformer en clients. La problématique de Teleshopping, un autre de nos clients, est quant à elle de savoir à qui envoyer leurs catalogues pour que cet envoi ait le plus d’impact possible.

Finalement, quel que soit le secteur d’activité, les enjeux sont souvent les mêmes : faire en sorte que le client revienne (qu’il soit fidèle à une marque) et améliorer la connaissance client. Ou que les donateurs continuent à donner voire donnent plus. Les solutions apportées peuvent en revanche être très différentes. »

3. Quelles bases de données utilisez-vous ?

Hélène Ivanoff : « Il existe beaucoup d’informations dans les bases de données transactionnelles, auxquelles s’ajoutent celles liées aux comportements de réponse à différents types de messages (comme les newsletters). Ces bases sont très riches en informations.

Mais nous sommes amenés à les compléter par des informations externes : il y a par exemple une information très intéressante à but statistique qui est l’âge probable, qui consiste à déterminer l’âge probable d’une personne à partir de son prénom. Il faut prendre quelques précautions car la précision n’est pas la même pour tous les prénoms mais le prénom est assez prédictif de l’âge du client.

L’âge probable issu du prénom est obtenu à partir de données INSEE sur la fréquence des prénoms par année, croisées avec des statistiques de mortalité. C’est une information très pertinente notamment dans le secteur caritatif.

Chez SPINDATA, nous intégrons à notre démarche analytique, des données INSEE, et d’autres open data. Nous avons d’ailleurs développé Kaliscope, notre référentiel géomarketing qui modélise des informations à un niveau extrêmement fin, puisque cela concerne des zones géographiques qui ont une superficie de 200 m sur 200 m. Ce référentiel permet d’associer à chaque adresse un ensemble de données socio-démographiques relatives à la composition du foyer, au statut d’occupation du logement (propriétaire ou locataire), au type de logement ou au  revenu par foyer…

L’INSEE transmet en effet des données socio-démographiques intéressantes mais, au niveau du carreau, elles sont parfois très restrictives, pour des raisons de secret statistique. Un exemple concret : l’INSEE livre des informations concernant le revenu par foyer, mais en écrêtant les bas et les hauts revenus. En croisant différentes sources de données à des niveaux géographiques différents, nous sommes parvenus à reconstituer les bords de la courbe des revenus. Résultat : une estimation du revenu par foyer précise qui prend en considération les informations passées sous silence par l’INSEE.

Nous avons aussi intégré les résultats électoraux (à l’occasion des présidentielles ou des législatives). En se basant à la fois sur les résultats des bureaux de vote et les informations et les informations du référentiel Kaliscope, nous avons pu modéliser une sensibilité politique au niveau de chaque carreau de 200 m sur 200 m. Il est devenu ainsi possible d’associer une sensibilité politique à chaque adresse postale. »

4. Quelle est votre définition du prédictif ? 

Hélène Ivanoff :  » Le prédictif est un domaine très vaste, avec beaucoup d’applications. Et c’est un secteur très prolifique et très porteur grâce au développement des datas, du big data, de l’intelligence artificielle (IA). Cela a été le cœur de métier de Complex Systems depuis ses débuts. C’est aujourd’hui toujours celui de SPINDATA. Dans le domaine du marketing, le prédictif est le fait d’utiliser des données (individuelles, transactionnelles, socio-démographiques ou géomarketing avec Kaliscope…) afin de prévoir, finalement, n’importe quel comportement client.

Pour une association caritative, par exemple, il est utile de connaitre la probabilité d’un donateur de répondre à un message de sollicitation, d’anticiper son canal de don, de savoir s’il ouvrira les newsletters reçues, s’il a des chances de d’upgrader son don, ou s’il aura des chances de faire un legs le moment venu.

Pour les entreprises du secteur marchand, le prédictif répond à certaines questions telles que par exemple : ce client a-t-il des chances de devenir un client important ? Quelles sont mes chances de la conserver ?  À quel moment va-t-il acheter ? Par quel canal ? Pour quel produit le solliciter ? …

Un modèle prédictif n’exprime pas la vérité mais il permet d’agir, de prendre des décisions. Cette caractéristique en fait un outil très puissant. Le statisticien anglais George Box a d’ailleurs eu un bon mot pour le définir : ‘Tous les modèles prédictifs sont faux mais certains sont utiles’. La vraie question est de savoir si un modèle prédictif peut aider à travailler, à mieux cibler les messages marketing, à réduire le taux de churn et le risque d’attrition…

Il est possible de construire toutes sortes de modèles prédictifs. Ce sont des outils dont la finalité est de mieux travailler, d’améliorer ses process ou ses méthodes de travail, d’améliorer la rentabilité de son activité. Des  outils qui permettent  d’adresser aux clients la meilleure proposition au meilleur moment pour eux.  La seule question à se poser est ‘Ce modèle me permet-il d’améliorer la manière de travailler ?’. C’est moins sa précision que sa pertinence business qu’il faut considérer.

Un point important à souligner : la protection des données fait partie de notre éthique de base. Nous ne conservons pas les données, nous les protégeons, nous les cryptons. Nous nous conformons naturellement au Règlement Général sur la Protection des Données (RGPD) mais la protection et la sécurité des données sont des éléments qui font partie de nos fondamentaux. La donnée est notre matériau de travail. »

5. Pourquoi Articque est-il le complément idéal de SPINDATA ?

Hélène Ivanoff : « D’une part, nous sommes heureux du partenariat que SPINDATA a noué avec Articque. Nos interlocuteurs chez Articque conjuguent sympathie et professionnalisme. D’autre part, d’un point de vue purement business, Articque est un acteur majeur de la cartographie qui possède des cartes très précises. Nous apportons des informations qui étaient utilisées auparavant de manière abstraite, sans pouvoir disposer d’une représentation cartographique de ces données. Il est fort intéressant d’observer dorénavant tout le travail de modélisation qui est réalisé. Nos données prennent vie grâce aux cartes Articque, c’est une vision complètement différente et assez fascinante, il faut l’avouer.

La complémentarité SPINDATA/Articque est naturelle dans la mesure où nos données se représentent très bien au niveau cartographique. Nos clients découvrent les choses d’une autre manière bien plus agréable grâce à la diversité des applications : il est possible de zoomer dans une petite zone géographique particulière, sur une commune, sur un quartier, etc…

Un autre exemple : en utilisant un algorithme de machine learning, nous avons modélisé l’appétence au don pour une association. Cela permet de repérer des zones géographiques où l’association n’a pas forcément de donateurs aujourd’hui, mais qui sont qui représentent un vrai potentiel pour cette même association. C’est très intéressant d’un point de vue opérationnel pour aller recruter de nouveaux donateurs. »