Une des notions clés du marketing est la démarche de segmentation d’un marché cible. Cette démarche est essentielle car c’est en découpant le marché en sous segment qu’une entreprise pourra choisir ou non de proposer une offre et de l’adapter en fonction des différents segments.
La segmentation doit ainsi permettre d’établir des groupes homogènes de clients / utilisateurs en fonction de critères qui peuvent plus ou moins être complexes. Si pour certaines activités une segmentation par zone géographique, âge ou revenu peut être très adaptée, pour d’autres une réelle réflexion est nécessaire pour arriver à la segmentation idéale.
La segmentation version 1.0 : du bon sens et une étude de son marché
Afin d’isoler des segments pertinents, la méthode la plus utilisée est d’utiliser des critères déterministes permettant de découper le marché de manière logique.
Ces critères vont différer selon les entreprises :
- Socio-démographiques
- Économiques
- Géographiques
- Comportementales
Mais il se peut que les marketeurs passent par une segmentation de type produits / marchés lorsque des critères même croisés ne permettent pas de faire ressortir des segments pertinents.
Une méthode efficace pour élaborer une segmentation marketing consiste aussi à étudier son marché grâce à des études de marché pour faire ressortir des similitudes entre des groupes (attentes, centres d’intérêts, …) et ainsi, à partir des données disponibles sur les répondants, de faire ressortir des segments.
Place à la segmentation 2.0 : le Clustering
Et c’est là qu’intervient le Clustering …
En Data Science, le Clustering est une méthode d’apprentissage qui permet de regrouper des données brutes en groupes homogènes : Clusters. Issu du monde de la science, le Clustering trouve une application directe dans le domaine du marketing pour permettre de classer une population d’individus (clients, prospects, …) en groupe homogène c’est-à-dire en Segment.
Pour cela, le Clustering fait appel à des algorithmes de Machine Learning qui peuvent être supervisés, semi supervisés ou non supervisés selon le mode d’apprentissage employé.
Ainsi, le Machine Learning non supervisé vient corriger la subjectivité d’une segmentation traditionnelle basée sur un choix pré établi de critères de segmentation et apporte une nouvelle dimension aux méthodes de segmentation utilisées jusqu’alors. Les profils similaires sont regroupés en prenant en compte une combinaison intelligente de tous les critères marketing. Les algorithmes de Machine Learning permettent aussi de révéler les critères les plus discriminants. Ces derniers sont naturellement mis en avant lors de la classification.
Ces nouveaux algorithmes construisent donc des clusters directement induits par le comportement des clients. Les clusters reflètent exactement les données et non l’interprétation que l’humain s’en fait.
Ceux-ci sont ensuite étudiés mathématiquement. Certains traduisent des comportements connus comme, par exemple, les familles partant en vacances mais d’autres affichent des attitudes de clients moins intuitives et pourtant bien réelles.
Ces clusters qui sortent de l’intuition humaine sont difficiles à nommer de par leur complexité. Ils sont néanmoins redoutablement efficaces lorsque associés à une stratégie marketing adéquate.
Quelques préalables pour la mise en place d’algorithmes de Machine Learning
Toutefois, les algorithmes de Machine Learning ne fournissent pas de solution miracle sans nécessiter une compétence spécifique.
Une première condition nécessaire à la réussite du Clustering est l’abondance et la qualité des données collectées sur l’ensemble des clients. Les données brutes ne pouvant être utilisées telles qu’elles, elles exigent un prétraitement nécessaire à la réussite de la classification. Celui-ci est d’ailleurs considéré comme la partie la plus technique du travail de l’ingénieur car il requiert une méthode rigoureuse ainsi que des connaissances avancées en statistiques et en mathématiques.
De plus, chaque étude de Clustering mérite une attention particulière. Il apparaît impossible de présenter un algorithme universel pour deux bases de données différentes. Il est donc nécessaire d’apporter une solution personnalisée en fonction du sujet traité. Les résultats seront ainsi optimum.
L’utilisation grandissante du Machine Learning non supervisé est une révolution dans le domaine du Clustering. Là où la segmentation marketing classique fournit une segmentation des clients partiellement biaisée et incomplète, les nouveaux algorithmes construisent un modèle fidèle à la réalité. Ces nouveaux clusters peuvent donc induire une stratégie de communication encore plus efficace. Les recherches actuelles en Data Science évoluent sans cesse et il est important de ne pas rater le train en marche.
