« What scares me about this is that you know more about my customers after three months than I know after 30 years. »
Lord MacLaurin, Tesco former CEO (Hayward, 2009)

Ce texte fait partie d’une série de 7 études de cas, pour un dossier spécial sur le Big Data.

Les budgets marketing de plusieurs organisations sont souvent dépensés pour acquérir de nouveaux clients. Toutes sortes de campagnes et de promotions sont mises en place pour impressionner le public ciblé, alors que les clients actuels sont oubliés. Prenons comme exemple le domaine des télécommunications au Québec. Est-ce qu’un câblodistributeur vous a déjà remercié d’être un fidèle client de l’entreprise en vous envoyant un rabais lorsque votre abonnement annuel vient à échéance ?

L’oublie des clients actuels

C’est d’autant plus frustrant que les nouveaux clients bénéficient d’une ribambelle de rabais juste parce qu’ils sont de nouveaux clients ; comme si les anciens clients n’étaient pas importants. En fait, les anciens clients sont tellement “importants” qu’ils doivent payer plus cher que les nouveaux clients pour profiter du même service. C’est pourtant à cause de la marge de profit réalisée grâce aux anciens clients que les organisations peuvent avoir une marge de manoeuvre pour baisser les prix des abonnements de leurs nouveaux clients.

Cette incohérence constatée dans plusieurs entreprises est peut-être la résultante d’une mauvaise stratégie d’affaires en amont. Ces entreprises essaient tant bien que mal de dominer par les coûts alors qu’elles devraient en fait se différencier, en personnalisant davantage la relation qu’elles ont avec leurs clients actuels. Ce marketing relationnel est d’autant plus important qu’il est beaucoup plus coûteux d’acquérir un nouveau client que d’entretenir, d’optimiser et de maximiser les revenus générés par un client actuel. En effet:

« one Loyal customer is worth 12 Uncommitted customers…spending 3 times as much per trip & visiting 4 times more often. Making one more customer loyal and delighting them time and time again will deliver many times more sales than chasing 12 new customers » (Dunnhumby, 2010).

Fidéliser avec des points

En fait, très peu d’entreprises ont le volume nécessaire pour s’offrir le luxe de dominer par les coûts. C’est ce que comprend le groupe Tesco, un leader mondial dans le secteur du commerce de détail, lorsqu’il met en place un des premiers programmes de fidélisation de la clientèle en Angleterre, au milieu des années 90. Ce programme consiste à offrir une carte aux clients de l’entreprise qui leur permet de cumuler des points pour chaque transaction qu’ils effectuent. Chaque point représente en fait de l’argent réel qu’ils peuvent ensuite utiliser pour faire d’autres achats. D’autres promotions et rabais de toutes sortes sont envoyés aux détenteurs de cartes pendant l’année, en échange desquels les clients tolèrent que Tesco enregistre et conserve l’ensemble des données relatives à leurs transactions.

« The Clubcard is a contract between Tesco and its customers. In exchange for recording a customer’s shopping behaviour everytime they swipe their Clubcard, Tesco customers earn one point for every £1 spent; these points are translated into vouchers where one point is worth one penny » (Hayward, 2009).

L’ambition de Tesco est ni plus ni moins que de dresser un profil génétique des consommateurs à partir des items qu’ils placent dans leur panier d’épicerie. Ainsi, elle peut offrir les bonnes offres, aux bons moments, aux bons segments de clients, ce qui lui permet de maximiser ses profits tout en accroissant leur satisfaction. En fait, paradoxalement, Tesco cherche à recréer le bon vieux climat d’autrefois avec ses clients. Tout comme l’épicier du coin, elle apprend à bien connaître ses clients. Seulement elle passe par l’analyse d’une quantité extraordinaire de données pour arriver à bâtir et à entretenir cette relation.

Le fonctionnement de la carte peut être résumé par ce schéma:

The Tesco clubcard story - shéma de la loyauté des clients. Source : Dunnhumby (2010). The Tesco clubcard story. Dunnhumby.

Comment analyser ces données?

C’est une chose d’amasser des données, cela en est une autre de les utiliser stratégiquement. Pour l’aider à faire du sens des données qu’elle recueille, Tesco s’associe avec Dunnhumby. En quelques mois, des millions de transactions pour des dizaines de milliers de produits sont analysées pour mieux comprendre les comportements des consommateurs, définir leurs habitudes de vie et mieux les cibler.

« Every customer’s shopping basket is analysed by scoring each product against 50 different dimensions. Are these products foreign, branded, economy or family, for example? These products and insights are fed into a clustering model, which has identified six segments of people: price-sensitive, health-focused, traditional,convenience, mainstream and upmarket » (Hayward, 2009).

L’algorithme Rolling Ball est conçu pour comprendre les tendances et les relations entre les produits. Si, par exemple, « Alphabetti Spaghetti » est un produit catégorisé « famille » et qu’il apparaît souvent dans le même panier que le produit « Coco Puffs », Dunnhumby assigne une cote « famille » plus importante à « Coco Puff ». Cette technique d’agglomération de données (clustering) permet en fait à Dunhumby de classifier les 65 000 différents produits d’un supermarché sans pour autant être obligée de les répertorier. Avec le temps, des billions d’associations sont ajoutées afin d’améliorer l’efficacité de l’algorithme.

Les analyses de Dunnhumby permettent non seulement à Tesco de mieux comprendre ses clients, mais aussi de prendre de meilleures décisions en ce qui concerne les stratégies de marketing les mieux adaptées pour communiquer, influencer et fidéliser;

“for the first time, bosses could see what was being bought by which customer. Assumptions about the way people shopped– notably that they bought everything from the same store – were shattered” (Brown, 2010).

Optimisation de la loyauté

Le but ultime de la carte Tesco est en fait de consolider la loyauté des clients, c’est-à-dire faire en sorte que les meilleurs clients continuent d’aimer l’entreprise encore plus.

« What creates loyalty is how much we understand your life and what we do about it that helps your life » (Dunnhumby, 2010).

Comment fidéliser les clients pour optimiser la loyauté? Source: Dunnhumby (2010). The Tesco clubcard story. Dunnhumby.

Cette stratégie relationnelle est très fructueuse puisqu’elle permet à Tesco de surperformer systématiquement chaque année depuis 1993 dans le marché du Royaume-Uni.

« Tesco has experienced rapid growth in revenue, proof that the company truly accomplished its customer focus. Tesco’s cutomers began to feel appriciated and in return they developed a tremendous affinity for the company » (Kelly Rainer & Cegielski, 2011).

En 2010, plus de 14 millions de personnes utilisent activement la carte privilège de Tesco.

L’image provient de la section business analytics sur intelligenteconomy.com.

No related posts.

“We have an infrastructure that allows us to react”
H. Lee Scott, Jr., CEO, Wal-Mart (PNSR, 2008)

Ce texte fait partie d’une série de 7 études de cas, pour un dossier spécial sur le Big Data.

Lorsque l’on parle de données – et de quantités phénoménales de données –, il est difficile de ne pas penser à Wal-Mart et à son expertise dans la gestion des données qui lui a permis d’optimiser ses processus de distribution pour dominer par les coûts dans son secteur d’activités. En fait, Wal-Mart est le symbole d’une entreprise traditionnelle (par opposition à une entreprise virtuelle comme Google ou Facebook) dont la gestion est basée sur l’analyse des données.

« With 3,600 stores in the United States and roughly 100 million customers walking through the doors each week, Wal-Mart has access to information about a broad slice of America – from individual Social Security and driver’s license numbers to geographic proclivities for Mallomars, or lipsticks, or jugs of antifreeze. The data are gathered item by item at the checkout aisle, then recorded, mapped and updated by store, by state, by region » (Hays, 2004).

Toutes les décisions d’affaires chez Wal-Mart relèvent de l’extraction d’informations stratégiques à partir de données générées par les habitudes de consommation de ses clients et sur les produits de son inventaire.

« No company better illustrates the advantages of leveraging massive volumes of data for competitive advantage than Wal-Mart, which operates a data warehouse with, at last count, 583 terabytes of sales and inventory data built on a massively parallel 1,000-processor system from data-warehouse-technology vendor Teradata, an NCR Corp. subsidiary. While some companies might consider having more than half a petabyte of data overkill, at Wal-Mart it’s the way to do business » (Babcock, 2006).

Cet exercice permet entre autres à Wal-Mart de :

• stocker des produits ou de prévoir le nombre de ressources humaines requises, selon l’analyse des tendances des habitudes de consommation de ses clients;
• utiliser des modes de gestion juste à temps pour gérer l’approvisionnement de son inventaire en partenariat avec ses fournisseurs, ce qui lui permet de réduire les coûts d’entreposage des stocks au minimum;
• savoir en temps réel où un produit se trouve dans la chaîne d’approvisionnement et combien de temps ça prendra pour le retrouver sur les étagères des succursales.

En fait, l’analyse des données de Wal-Mart est un avantage stratégique que l’entreprise a compris bien avant ses compétiteurs lorsqu’elle investit 4 billions en 1991 pour :

• créer le programme « RetailLink », qui lui permet de partager des informations avec ses fournisseurs ce qui transforme son modèle d’affaires;
• mettre en place sa base de données, qui lui permet d’inventorier et de consulter la performance des produits de toutes ses succursales en temps réel et selon une multitude de critères à partir desquels elle peut faire des analyses croisées;
• mettre en place toutes sortes d’innovations comme les codes-barres et la technologie EDI (Ludloff, 2011).

À l’interne, l’analyse des données permet à Wal-Mart d’optimiser ses opérations. À l’externe, elles lui permettent de dégager toutes sortes de corrélations et de tendances pour mieux comprendre les clients et prédire leurs besoins. À cet égard, il vaut la peine de citer l’exemple de l’ouragan Frances.

En 2004, alors que l’ouragan Frances se dirigeait vers la Floride, Wal-Mart décide de tester ses nouvelles méthodes d’analyse prédictive afin de comprendre quels sont les produits qui seront les plus demandés avant la tempête, pour s’assurer de ne pas manquer de stock. Les résultats des analyses mettent en lumière des tendances qui étaient demeurées invisibles jusqu’à ce jour. Bien sûr, des produits naturellement liés à l’évènement comme des lampes de poche ou des batteries émergent du lot des items convoités. Mais quelques surprises comme une hausse pour la demande des Pop-Tarts aux fraises et pour la bière étaient beaucoup moins évidentes à prévoir.

« Thanks to those insights, trucks filled with toaster pastries and six-packs were soon speeding down Interstate 95 toward Wal-Marts in the path of Frances. Most of the products that were stocked for the storm sold quickly, the company said » (Hays, 2004).

L’illustration Pop Tart Cat! provient de la collection personnelle de Peter Coombe.

Related posts:

1. La gestion des opérations de la chaîne logistique d’Heineken
2. Planification stratégique d’une fusion