Si au 20ème siècle le consommateur régnait en maître, au 21ème siècle le conso-acteur a pris le relais

Et de quelle façon !

Avant il se contentait de se plaindre (un peu), de comparer (parfois) et de négocier (s’il le pouvait). Mais maintenant, pensez, non seulement il se plaint, mais en plus il le fait savoir. Non seulement il compare, mais en plus il est exigeant. Non seulement il négocie en faisant jouer la concurrence, mais en plus il peut ne plus revenir. Et pour certains, c’est même systématique. Bref, le conso-acteur a clairement pris le dessus sur le consommateur et le 21ème siècle sera prospère pour tous ceux qui auront compris comment capter sa voix.

Mais justement, comment capter cette voix ? Et comment en tirer parti ?

C’est là que les advanced analytics interviennent. Apparus en même temps que le conso-acteur, ces outils combinent des capacités techniques, un réel savoir-faire analytique et une mise en application directe sur la chaîne de valeur.

Au 20ème siècle, internet balbutiait. Au 21ème siècle, la question n’est plus de savoir si le “net” existe, mais s’il est possible d’y échapper. Pour la majeure partie d’entre nous, la réponse est clairement non. Par conséquent le réseau apporte un lot incroyable de données et d’informations, 24 heures sur 24, non-stop. Pour celui qui sait aller chercher, c’est une source d’information qui, une fois bien utilisée, peut s’avérer très utile. Notamment pour capter la voix du conso-acteur…

Capter cette voix n’est pas chose aisée, mais c’est loin d’être impossible. Bien des acteurs le font, et ceci de manière très efficiente. Alors pourquoi pas vous ? Pour y arriver, il s’agit de:

• (le plus important) bien comprendre votre chaîne de valeur;
• identifier les “pain points” et les traduire en éléments mesurables;
• identifier tous les points d’interaction de vos clients avec l’entreprise;
• collecter toutes les données issues de ces points d’interaction;
• explorer les corrélations et identifier les facteurs influençant;
• réduire ces données pour en extraire la substantifique moelle;
• les enrichir avec des données connexes (publiques ou privées);
• les processer autant qu’il le faut;
• les réconcilier autour du client et votre chaîne de valeur;
• visualiser le résultat, l’interpréter et en tirer les actions qui influenceront votre ROI;
• mettre en application les dites actions;
• mesurer les résultats et mettre à jour les algorithmes de machine learning en fonction;
• recommencer le cycle.

A ce stade, il vous faut savoir que pour bien faire et obtenir quelque chose qui soit productif, il est recommandé de:

   1. bien identifier les données à collecter et selon quel protocole;

   2. commencer petit et étendre progressivement le nombre de sources à collecter, respectivement le nombre de variables à corréler;

   3. disposer des bons experts, notamment en ce qui concerne le data mining et la gestion opérationnelle des clusters dédiés.

Si cela reste encore quelque peu flou et obscur, sachez simplement que bien des acteurs ont entrepris cette démarche:

• les émetteurs de cartes de crédits, probablement les plus gros “aspirateurs” à données avec la NSA, savent depuis longtemps anticiper la fraude ou anticiper vos prochains achats grâce aux analytics, mais pas que;
• d’autres acteurs comme les distributeurs ont depuis longtemps compris la force des outils tels que les cartes de fidélité qui donnent aux distributeurs les moyens de mieux vous garder dans leurs magasins en vous proposant des offres toujours plus en phase avec votre mode de vie. Certains vont même plus loin en gérant la diversité de leur stock en fonction des besoins émis dans les réseaux sociaux. Et la plupart tente de décrypter d’une façon ou d’une autre nos sentiments (on aime, on aime pas, on se tâte, on se méfie) émis de façon directe (sur les réseaux sociaux, sur les forums, …) ou indirecte (notre chemin dans le magasin, le temps qu’on passe dans les rayons, comment nos yeux se comportent, et tant d’autres paramètres qu’il est possible de capter de nos jours;
• les opérateurs TELCO ont depuis longtemps compris comment augmenter leurs revenus en identifiant les “churneurs” potentiels;
• d’autres, encore, sont allés beaucoup plus loin en prédisant quels seront les prochains crimes et où ils seront commis. Et ça marche: à Détroit, le programme PredPol réduit de façon significative le taux de crimes en prédisant où et quand il faut placer les forces de police;
• de nombreuses villes ont considérablement réduit leurs frais de fonctionnement en gérant en flux tendu les services énergétiques et de voirie;
• la liste est sans fin…

Ils ont suivi la même démarche, ils ont réussi à exploiter le potentiel immense caché dans leurs données et ils s’améliorent jour après jour. Tous savent capter la voix de leurs clients et savent l’interpréter. Ils maîtrisent leur(s) chaîne(s) de valeur et savent collecter l’information là où elle se trouve. Ils utilisent les mathématiques et traduisent leurs modèles en algorithmes performants. Et savent les mettre à jour en fonction des remontées du terrain.

Pour l’analyse prédictive, que les données soient structurées ou pas, qu’elles soient volatiles ou pas, qu’elles soient volumineuses ou pas, le plus important est d’avoir des données. Qu’importe le nombre de sources, le plus important est d’avoir au final de la donnée de qualité, utilisable et exploitable (comme on dit, “shit in, shit out”). Dans tous les cas, pour réussir à anticiper le comportement du conso-acteur, il s’agit avant tout d’intégrer la donnée au centre de vos processus opérationnels et de vous organiser en fonction.

KABE