Data marketing ? La data, base d'une stratégie marketing et commerciale : définition, usages et enjeux

Selon le Mercator, le Data Marketing est le Marketing fondé sur la collecte, le traitement et l’exploitation de masses de données numériques afin de mieux connaître les clients, de mieux prédire leur comportement et de mieux adapter sa politique marketing (offre, prix, distribution, communication...). Nous pourrions résumer par le fait de conduire une politique marketing et commerciale en s'appuyant sur la donnée pour la prise de décision.

En France, selon le dernier baromètre Isoskèle-BVA, le marché du data marketing représente un chiffre d'affaires de 2,2 milliards d'euros et regroupe des acteurs assez disparates au sein de 5 grands segments :

• Diffusion & Ciblage : éditeurs de CRM et de plateforme de ciblage
• Vente par collecte, Vente et location de data : fournisseurs de data, brokers
• Structuration du stockage, Hébergement : hébergeurs, spécialistes de la Data Quality et du Data Management
• Publicité On Line : régies online, Moteurs de recherche, Réseaux sociaux
• Analyse & Intelligence : éditeurs de solutions d'exploitation de données, consultant Intelligence Artificielle et Business Intelligence

Le data marketing recouvre donc un domaine assez large de compétences laissant apparaitre de nouvelles fonctions dans les directions marketing et commerciale : Data Analyst, DPO, Data scientist ...

Adopter une stratégie data-driven, c'est donc utiliser la data pour répondre aux enjeux des directions marketing et commerciales, enjeux majeurs qui n'ont que peu changé depuis des années :

1. Fidéliser ses clients
2. En conquérir de nouveaux

ENJEU N°1 : FIDELISER SES CLIENTS GRACE A LA DATA MARKETING

La fidélisation client passe par la capacité d'une entreprise à anticiper le comportement de ses clients, qu'il soit positif ou négatif. Anticiper, c'est se prémunir d'un risque ou préparer un projet avant le moment fatidique où il sera trop tard. Dans cette optique, l'information est évidemment primordiale si tant est que cette information soit vraie et activable ou véloce (les 5 V du big Data)

Anticiper le risque

Du côté négatif, ce qu'il va falloir anticiper c'est la perte éventuelle du client. On parle d'attrition ou de churn. Plusieurs méthodes peuvent être utilisées dans cet objectif, de la plus simple (récolter l'information directement auprès du client) à la plus élaborée (modéliser statistiquement le comportement d'un client type). Entre les deux, toute une série d'actions basées sur la donnée peuvent être mises en place pour anticiper ce risque, notamment dans le B2B :

• Qualification du risque : évaluer le risque d'attrition d'un client c'est le connaitre suffisamment pour détecter en lui d'éventuels facteurs de risque. Cela passe donc par enrichir sur ses clients toutes les données susceptibles d'informer sur sa situation. Ces données peuvent être brutes ou calculées (score de risque de défaillance), selon leur niveau de complexité. Les données financières sont évidemment une des sources principales de prédiction d'un risque financier par exemple, mais d'autres risques peuvent être anticipés grâce à une bonne connaissance clients : appartenance à un secteur d'activité en difficulté ou à un groupe en restructuration, géolocalisation sur des zones à risque ...

• Surveillance commerciale : Il ne suffit pas de bien connaitre son client, encore faut-il le suivre au jour le jour pour détecter tout événement susceptible d'alerter sur un risque potentiel. En premier lieu, surveiller les procédures collectives ou les événements légaux permet d'être alerté au plus tôt. Dans ce type de veille, il peut être également intéressant de surveiller des événements plus lointains mais qui peuvent mettre en exergue des événements à moyen terme susceptibles de condamner la pérennité d'une relation : rachat de l'entreprise, événements. Une autre méthode consiste à détecter des signaux à travers la variation de certaines données clés : variation forte de l'effectif, activité en décroissance ...

Anticiper les opportunités

De la même manière, des opportunités peuvent être détectées en amont grâce à une bonne connaissance de sa base clients. Là encore, on pourra raisonner de 2 manières. La première est de catégoriser son client par rapport à son propre contexte et donc d'anticiper les évolutions structurelles et conjoncturelles qui peuvent avoir des incidences sur lui. Ensuite, mettre en place une surveillance des événements susceptibles de générer des opportunités.

• Connaissance client par la segmentation : le principe est de créer un profil type de client répondant à des critères exogènes (qualification non basé sur la relation avec le client). Cette segmentation pourra également être utilisée en prospection. La segmentation, par l'identification et la catégorisation de comptes-clés, sera par exemple indispensable à la mise en place d'une stratégie ABM.

• Signaux d'affaires : de la même manière que l'on va chercher à détecter une évolution chez son client pour anticiper un risque, on pourra le faire pour anticiper une opportunité. La grande différence réside dans le choix des événements ou des métriques à surveiller : forte croissance du CA, acquisition ou achats de fonds de commerce, embauches sur un site ...

ENJEU N°2 : GENERER DES LEADS AVEC LA DATA MARKETING

Malgré un alignement quelques fois difficile entre les directions marketing et commerciales, un objectif ne peut que tendre à les rapprocher : trouver de nouveaux clients. Historiquement raison de vivre du commercial, la lead generation est en effet devenue l'objectif n°1 des directions marketing du fait notamment de la bascule sur le digital, activité la plupart du temps drivée dans les entreprises par le marketing.

Les stratégies d'Inbound Marketing nourrissent Google et les réseaux sociaux pour que le visiteur tombe sur ses contenus au moment de la prise d'intérêt. ll n'en reste pas moins plusieurs méthodes pour générer du lead par des actions "push" ou "outbound" et ce quel que soit le ou les canaux privilégiés (emailing, phoning, social média ...).

• Fichiers de prospects : opération classique de prospection par excellence, la campagne marketing nécessite désormais plus d'attention pour espérer des résultats satisfaisants. Noyés dans un flots d'emails et de cold calling, les professionnels exigent des attaques plus pertinentes qu'il y a quelques années. Les nouvelles techniques de growth hacking (messages personnalisés imitant un email classique, séquence de mails programmés, scraping de contacts LinkedIn ...) s'invitent désormais dans nos boites mails avec des résultats souvent concluants et la pertinence du ciblage n'y est pas étrangère. Dans le B2B, la méthode des jumeaux statistiques va, par exemple, permettre d'identifier parmi une base de prospects, les entreprises ayant le même profil que les clients actuels. D'où l'importance de bien qualifier sa propre base clients. Plus performante, encore la détection statistique de leads par l'Intelligence Artificielle pour scorer une base de prospects en fonction de leur appétence aux solutions proposées.

• Nouveaux entrants : pour détecter de nouvelles cibles appétentes, il est désormais de plus en plus usité la méthode des triggers. Le principe est ici de définir une série d'événements clés, de signaux, qui vont faire entrer un prospect dans un profil considéré comme appétent. Le trigger déclenchera en automatique une séquence programmée d'actions marketing (envoi d'un email à J+1 suivi d'un autre email 10 jours après puis appel du commercial). Les outils de marketing automation fournissent toutes les solutions pour définir des scénarii de ce type et les contenus associés.

• Données de contacts : reste une problématique récurrente, comment disposer des données de contact nécessaires à rentrer en relation avec le prospect. Le one-to-one sera facilement géré par linkedin mais des envois plus massifs posent d'avantage de problèmes de sourcing. Nombre de solutions de growth marketing existent mais leur légalité est parfois contestable (scraping de site). Reste alors la solution la plus onéreuse mais la moins risquée, s'adresser à des providers spécialisés qui disposent eux de bases de données officielles d'emails ou de téléphones.

Ecoutez le podcast : Data marketing B2B : le tonneau des danaïdes de la collecte des données

Lire nos articles : Pourquoi la data marketing BtoB est une valeur sûre pour votre stratégie commerciale ?

Lire nos Fiches pratiques : Glossaire Data marketing 2023 - 1ère partie ; Glossaire Data marketing 2023 - 2ème partie

Source : Enquête internationale de Criteo (octobre 2020)

On classe généralement les données data marketing en 4 grandes familles.

DONNEES SOCIO DEMOGRAPHIQUES

Ce sont toutes les données qui vont qualifier le profil du contact : âge, sexe, lieu d'habitation, catégorie socio-professionnelles, fonction ...

Ce sont généralement les données les plus simples à obtenir et celles qui vont servir à une segmentation client basique ou à la constitution d'un fichier de cibles de prospection. Dans le B2B, ces données vont être complétées par les informations relatives à l'entreprise du contact : secteur, taille, localisation. C'est typiquement le type de données que l'on retrouve assez facilement en open data.

DONNEES TRANSACTIONNELLES

Comme leur nom l'indique, les données transactionnelles correspondent aux informations relatives à une transaction et sont caractérisées au minimum par deux éléments clés : un montant et une date. La transaction la plus commune est l'acte d'achat mais peut aussi correspondre aux stocks, aux salaires, aux ventes ... Ce type de données est souvent hébergé dans les ERP.

DONNEES RELATIONNELLES ET COMPORTEMENTALES

Les données relationnelles vont catégoriser la relation entretenue entre le vendeur et l'acheteur. Au-delà du simple acte d'achat, elles vont catégoriser la "qualité" de la relation : nombre de contacts, statut de l'acheteur (VIP, exceptionnel), nombre d'interactions dans l'année, propension à ouvrir les communications ...

Ces données sont en majorité alimentées par le comportement de l'acheteur sur les supports digitaux (site web, réseaux sociaux ...). La problématique de ce type de données est de pouvoir raccrocher un comportement à un contact précis. C'est tout l'objet des Data Management Plateform (DMP).

DONNEES CONTEXTUELLES

Moins souvent utilisées car plus difficiles à récolter, les données contextuelles vont livrer des informations sur l'environnement de l'entreprise ou du contact. Le cas typique d'une donnée contextuelle est celui obtenu lors d'une étude de marché ou d'une enquête. Les données contextuelles peuvent également provenir de données très spécialisées issues de bases de données privées (base de données de médicaments, immatriculations de véhicules ...) ou publiques (recensement, zone à risques ...).

UN OUTIL AU COEUR DE LA STRATEGIE DATA : LE CRM

Nous entrons ici dans le cœur des enjeux de data marketing : réussir à mettre en place une structure d'information suffisamment efficace et agile pour activer facilement ses actions. Pour résumer, être en mesure techniquement de répondre au défi de la transformation digitale. Il est nécessaire de faire une petit résumé des grands outils qui vont permettre petit à petit de faciliter les actions des commerciaux et marketeurs.

CRM

C'est le logiciel de la relation clients par excellence. Les CRM gèrent nativement les 2 grands types de service suivants :

• les forces de vente souvent par l'intermédiaire d'un module nommé "Sales"
• le service clients à travers une brique nommée "Service"

Le CRM va permettre de créer, gérer et stocker toutes les interactions avec un client : prise de rendez-vous, assignation de tâches pour les commerciaux, gestion des tickets ...

Sur ces 2 services historiques, le CRM Salesforce reste le leader incontesté du marché devant Microsoft ou Oracle.

CRM 360

Le CRM élargit ses prérogatives. Il absorbe et stocke le maximum des interactions réalisées avec les clients depuis son statut de lead jusqu'à ce qu'il devienne client. Le CRM devient le Référentiel Clients Unique (RCU) en centralisant les données issues des différents sources de données de l'entreprise : données transactionnelles issues de l'ERP, données de production ou de logistique, données issues du logiciel d'emailing ...

La difficulté réside dans le fait de réconcilier des bases de données structurées de manière différente avec un identifiant unique, pour que toutes les données puissent être raccrochées à un seul contact. C'est souvent l'objet d'outils intermédiaires type ETL (Extract - Transform - Load) qui vont traiter, nettoyer et compléter les données avant de les déverser, propres, dans le CRM.

DATA MANAGEMENT PLATEFORM

Data Management Plateform : la DMP est la brique la plus élaborée de la stratégie data-driven puisqu'en plus des données traditionnelles, elle va stocker des données issues du web. Une partie des données est non structurée (cookies, images, texte, citation) et nécessite souvent de passer par des technologies de type Big Data pour les gérer. Et pour reconstituer la vision complète du client, il faudra ensuite réussir à faire parler ces données anonymisées avec les données personnelles classiques. Certains prestataires, spécialisés dans le domaine, stockent, alimentent et commercialisent des bases de données réconciliées de ce type.

AUTRES OUTILS

D'autres outils moins indispensables peuvent aider à la réussite d'un projet data. Parmi eux, les outils de data visualisation vont aider au pilotage des actions, à la conception des études et au final à une meilleure prise de décision. Plusieurs grands éditeurs proposent ce type de solutions qui vont se connecter à tout type de source : Microsoft avec Power BI, Qlik avec Qliksense, Tableau, Google avec Google Data Studio...

UN TRAVAIL DE FOND NECESSAIRE

Les difficultés dans l'installation de ces outils restent réelles. Le choix des technologies (Big data, données structurées, ETL ou ELT, outil unique ...) peut-être source de conflit entre directions marketing, commerciales ou informatiques mais ne doit pas cacher une étape cruciale : la qualité des données.

Le meilleur des outils du marché ne permettra jamais de requalifier une base de données pleine de trous, de valeurs fausses ou obsolètes. La data science avec des méthodes d'analyse exploratoire ou statistique peut être un bon appui tout comme des méthodes de data management plus classiques comme la RNVP pour un fichier d'entreprises. Avec ce type de process, les rapprochements sont souvent déjà satisfaisants et permettent de compléter et nettoyer des bases de données obsolètes en grande partie en automatique. Par dessus tout, c'est un "must-have" pour mettre en place un projet data plus global.

Il ne faut pas négliger non plus la phase de run où les users, dans la saisie quotidienne ou lors de chargements de fichiers peuvent nuire au maintien de la qualité des données, de leur véracité. Dans beaucoup des CRM du marché, existent des pluggin spécialisés dans le data management (comme ES Connect) et qui assurent une qualité des données dans sa phase de vie. Les pluggins homologués par l'éditeur sont souvent disponibles sur leur market place.