Construire la customer intelligence à partir des données de loyalty et de clienteling

# Construire la customer intelligence à partir des données de loyalty et de clienteling

Une cliente entre dans une boutique. Avant qu'elle n'atteigne le comptoir, la tablette du vendeur affiche son nom, le fait qu'elle a acheté un manteau en laine en ligne il y a six semaines, qu'elle préfère le bleu marine au noir, et que ses trois derniers achats étaient tous au prix plein. La tablette suggère aussi le prochain article à lui montrer : une écharpe en cachemire assortie.

Rien de magique là-dedans. Ce sont trois flux de données distincts assemblés en un seul profil. Cette leçon montre comment les retailers construisent ce profil et le transforment en une recommandation qu'un vendeur peut utiliser en quelques secondes.

Les trois ingrédients bruts

La customer intelligence dans le retail part presque toujours de trois sources désordonnées.

1. Les scans loyalty. Quand un client scanne une application de fidélité ou donne un numéro de téléphone en caisse, vous captez une transaction rattachée à un ID connu. C'est votre signal le plus propre : ce qu'il a acheté, quand, et à quel prix.

2. Les identifiants online. Adresses e-mail, comptes clients et comportement sur le site (navigation, ajouts au panier, wishlist). Cela vous renseigne sur l'intention, pas seulement sur les achats.

3. Les notes de clienteling. Le *clienteling* désigne la pratique par laquelle les vendeurs construisent une relation individuelle avec les clients, en consignant souvent des notes dans une application : « préfère les coupes ajustées », « cherche pour un mariage en juin », « son mari fait du L ». Ces notes sont un trésor qualitatif qu'aucun algorithme ne peut déduire.

Le problème : chaque source utilise une clé différente. Le programme de fidélité connaît un ID membre. L'online connaît un e-mail. Le vendeur a noté un prénom et un souvenir vague. Séparées, ces sources vous donnent trois vues étroites de la même personne.

Identity resolution : réunir les morceaux

L'*identity resolution* est le processus qui consiste à décider que « membre 88213 », « sara.kkLe nombre moyen de nouveaux utilisateurs que chaque utilisateur existant génère par recommandation. Au-dessus de 1,0, la croissance s'auto-alimente et devient exponentielle.Voir la définition complète →@email.com » et « Sara, la visite de mardi » ne sont qu'un seul être humain.

Deux approches courantes :

• Matching déterministe. On ne rapproche des enregistrements que lorsqu'un champ commun correspond exactement, par exemple le même e-mail ou le même numéro de téléphone. Confiance élevée, mais on rate les personnes qui ont utilisé des coordonnées différentes selon les canaux.
• Matching probabiliste. On score la probabilité que deux enregistrements correspondent à la même personne à partir de plusieurs signaux faibles (nom proche, même code postal, même appareil). On attrape plus de correspondances, mais on risque des fusions erronées.

La plupart des retailers commencent par le matching déterministe, puis utilisent le probabiliste pour attraper le reste. Une bonne introduction au concept sous-jacent : l'article Wikipédia sur le record linkage.

Une mise en garde avant toute fusion : les données de loyalty et de clienteling sont des données personnelles. Sous des réglementations comme le RGPD européen (Règlement général sur la protection des données) et le CCPA californien (California Consumer Privacy Act), vous avez besoin d'une base légale pour combiner des données entre canaux, et les clients peuvent demander l'accès ou la suppression. Intégrez le suivi du consentement dans le profil dès le premier jour. C'est une décision de conception des données, pas un ajout juridique de dernière minute.

Scorer le client avec le RFM

Une fois le profil unifié, il vous faut un moyen rapide de classer les clients par valeur. L'outil de référence est la segmentation RFM, qui score chaque client sur trois dimensions :

• Recency : à quand remonte son dernier achat ? Les acheteurs récents ont plus de chances de racheter.
• Frequency : à quelle fréquence achète-t-il ?
• Monetary : combien dépense-t-il ?

Le RFM est populaire parce qu'il est simple, interprétable, et qu'il ne demande que des données transactionnelles que vous possédez déjà. Pas besoin de machine learning pour démarrer.

Comment fonctionne le scoring

La méthode standard : répartir les clients en quintiles (cinq groupes égaux) sur chaque dimension, avec un score de 1 à 5.

Un client qui a acheté hier, achète chaque mois et dépense beaucoup obtiendra R5 F5 M5 : votre meilleur segment. Quelqu'un qui a acheté une fois il y a deux ans obtient R1 F1 M1 : quasiment perdu.

Voici la logique de base en quelques lignes de Python, en supposant une table avec une ligne par client :

import pandas as pd

# df has columns: customer_id, recency_days, frequency, monetary
df["R"] = pd.qcut(df["recency_days"], 5, labels=[5,4,3,2,1])  # moins de jours = mieux
df["F"] = pd.qcut(df["frequency"].rank(method="first"), 5, labels=[1,2,3,4,5])
df["M"] = pd.qcut(df["monetary"], 5, labels=[1,2,3,4,5])

df["rfm_segment"] = df["R"].astype(str) + df["F"].astype(str) + df["M"].astype(str)

Cela produit un code à trois chiffres par client. Vous regroupez ensuite ces codes en segmentssegmentsDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → nommés, utilisables par un opérationnel.

Nommer les segmentssegmentsDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète →

Des codes bruts comme « 534 » ne veulent rien dire pour un vendeur. Traduisez-les :

• Champions (R5, F et M élevés) : achètent souvent, récemment, et gros. À récompenser et à protéger.
• Fidèles mais faible dépense (F élevé, M faible) : visiteurs fréquents aux petits paniers. Candidats à l'upsell.
• At risk (étaient R5 F5, désormais R2) : forte valeur passée, s'éteignent. À reconquérir avant qu'ils ne décrochent.
• Nouveaux (R5, F1) : premier achat récent. À accompagner vers un deuxième.

Chaque nom implique une action. C'est tout l'intérêt.

Du segment au next-best-product

Le RFM vous dit *quelle valeur* a un client et *quelle urgence* a la prise de contact. Il ne vous dit pas *quoi lui montrer*. Pour cela, combinez le segment avec deux entrées supplémentaires :

1. L'historique des catégories achetées. Si Sara achète de la maille et des vêtements d'extérieur mais jamais de chaussures, recommandez d'abord dans ses catégories éprouvées.

2. Les notes de clienteling. Les détails du type « préfère le bleu marine », « mariage en juin » filtrent et personnalisent la recommandation.

Une règle simple et explicable, à laquelle un vendeur peut se fier :

> SI le client est un Champion ET que le dernier achat était un manteau ET qu'il date de moins de 8 semaines

> ALORS recommander des accessoires complémentaires dans la couleur préférée.

C'est exactement l'écharpe en cachemire de notre scène d'ouverture. Aucune boîte noire. Le vendeur voit pourquoi.

Les retailers plus avancés ajoutent un *moteur de recommandation* (logiciel qui prédit ce qu'un client voudra ensuite à partir des motifs observés sur de nombreux clients). Mais commencez par des règles. Elles sont transparentes, rapides à déployer, et faciles à contourner pour un vendeur quand la personne en face lui dit autre chose.

🎬 [VIDEO: « RFM Analysis Explained » - youtube.com - une présentation courte et pratique du scoring recency, frequency et monetary avec un exemple chiffré]

Le mettre entre les mains du vendeur

Une intelligence qui reste dans un data warehousedata warehouseUn référentiel central qui consolide les données de nombreux systèmes sources dans un stockage structuré et optimisé pour les requêtes, conçu pour l'analytique, le reporting et la business intelligence.Voir la définition complète → ne change rien. Le dernier kilomètre, c'est l'application de clienteling sur l'appareil du vendeur.

Les principes de conception qui comptent en magasin :

• Un coup d'œil, trois faits. Nom, segment et une recommandation. Les vendeurs ont des secondes, pas des minutes.
• Montrez le « pourquoi ». « Recommandé parce qu'elle a acheté le manteau assorti » construit la confiance du vendeur et lui permet d'ajuster son discours.
• Laissez-les enrichir. La note du vendeur (« a adoré, achète pour sa fille le mois prochain ») doit remonter dans le profil. Le clienteling est une boucle, pas un flux à sens unique.

Les retailers qui gagnent ici traitent les vendeurs comme des contributeurs de données, pas seulement comme des consommateurs de données.

Pièges classiques

Fusionner sans consentement. Combiner des identités online et offline sans base légale est un risque de conformité. Suivez le consentement canal par canal.

Un RFM périmé. La recency change chaque jour. Un rafraîchissement hebdomadaire ou nocturne maintient la pertinence des alertes « at risk ». Un batch trimestriel fera remonter des champions déjà partis.

Faire trop confiance à l'algorithme. Le vendeur voit ce que la donnée ne voit pas : l'humeur, un accompagnant, un cadeau rendu. Laissez toujours l'humain reprendre la main.

Ignorer les notes. Beaucoup de retailers fusionnent loyalty et online mais laissent les notes de clienteling enfermées dans une application séparée. Ces notes sont souvent la donnée la plus différenciante que vous possédez, parce que les concurrents ne peuvent ni l'acheter ni la copier.

Traiter tous les segments avec le même canal. Un Champion voudra peut-être un SMS personnel de son vendeur. Un nouveau client perdu répondra peut-être mieux à un e-mail de remise automatisé. Adaptez la prise de contact au segment.

Un scénario rapide

Imaginez une chaîne d'habillement de milieu de gamme. Elle fusionne les scans loyalty (ID membre), les comptes e-commerce (e-mail) et les notes de clienteling en magasin par matching déterministe sur le téléphone et l'e-mail.

Elle calcule le RFM chaque nuit. Sara score R5 F4 M5 : une Championne. Son historique de catégories montre vêtements d'extérieur et maille. La note de son vendeur indique « bleu marine, ajusté ».

La règle se déclenche : accessoire en maille complémentaire, bleu marine, prix plein (elle ne court jamais après les remises). La tablette fait remonter une écharpe en cachemire bleu marine quand elle entre.

Sara achète. Le vendeur consigne : « a mentionné un séjour au ski en février ». La saison suivante, cette note pilote la prochaine recommandation. La boucle se resserre.

Points clés

• Unifier d'abord, analyser ensuite. L'identity resolution entre les données de loyalty, online et de clienteling est la fondation. Sans elle, chaque insight est partiel.
• Le RFM est le chemin le plus rapide vers la valeur. Le scoring recency, frequency, monetary ne demande que des données transactionnelles et vous donne des segmentssegmentsDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → nommés et actionnables en jours, pas en mois.
• Les segments fixent l'urgence ; l'historique et les notes fixent le produit. Combinez le RFM avec l'historique de catégories et les notes des vendeurs pour arriver à une recommandation next-best-product précise.
• Le vendeur ferme la boucle. Donnez-lui un coup d'œil et une raison, puis récupérez ses notes dans le profil.
• Le consentement est une exigence de conception. Suivez la base légale par canal dès le premier jour, pas après le lancement.