Cet article n'est pas terminé, mais constitue déjà une base de réflexion en analyse de marketing digital.

La prospection digitale est aujourd'hui incontournable. Nous parlons ici principalement de prospection par email, les fameuses newsletters.

Moins coûteuse en temps et en argent, la prospection digitale est facilement mesurable et qualifiable. Elle permet de mieux diriger les commerciaux et si les outils d'emailing et de suivi relationnel (CRM) sont liés, le gain est encore plus évident.

Entretenir ses bases et les enrichir est donc important. Mais comment viser juste au moment de l'acquisition ou de la constitution de nouveaux prospects ? Comment calculer un indicateur prévisionnel d'aide au ciblage de nouveaux prospects digitaux ?

En plus de l'appréciation qualitative propre à chaque secteur d'activité, le bon sens voudrait regarder les taux de transformation par pays ou par catégorie (métiers, centres d'intérêt...) pondérés par les chiffres d'affaire réels (qu'on appelera ici variables naturelles). Et c'est déjà pertinent pour analyser les résultats d'une prospection.

Mais pour orienter la prospection future, d'autres facteurs semblent intéressants : les variables digitales.

Les variables digitales

1) Les récurrence typologiques

Si par le passé on a constaté un gain à viser telle ou telle zone géographique, telle ou telle catégorie, on prend des habitudes de prospection qui peut-être se confirmeront, mais peuvent aussi nous fermer des portes, en biaisant nos efforts. Exemple :

Tel pays était intéressant hier. Nous y concentrons nos efforts aujourd'hui. Le lendemain nous avons effectivement récolté le fruit de notre prospection.

Certes mais si nous avons concentré nos efforts sur ce pays, c'est logique d'avoir une confirmation de résultats. Cela ne prouve pas pour autant qu'un autre choix aurait été moins judicieux.

De même si nous avons une prédominance d'une catégorie dans nos bases, et malgré un éventuel faible taux de transformation, c'est logique d'avoir des retours effectifs conséquents. Ça ne prouve toujours pas, digitalement, que cette catégorie est une cible pertinente (mais ici il sera facile de pondérer les variables naturelles avec les chiffres d'affaire).

L'inverse est également valable. Un pays à faible taux de transformation mais sous-représenté dans les bases, n'est pas forcément une perte de temps dans un contexte de prospection digitale. Le faible taux de transformation s'expliquant peut-être par un plus faible temps accordé à la personnalisation des newsletters à destination, ou simplement du fait de la sous-représentation de ce pays dans les bases, cercle vicieux.

De plus dans un outil emailing, les prospects sont souvent bien plus nombreux que les clients réels. Leurs typologies sont donc polluées par la qualité des provenances diverses, et ne sont pas toujours mises à jour, contrairement aux données clients.

Dans le cadre d'un indicateur prévisionnel d'aide à la prospection, le taux de transformation sera donc avantageusement pondéré par le poids des grandes catégories (zones géographiques et centres d'intérêt classiquement, mais vous pouvez choisir en fonction de vos propres besoins : ville, langue, âge, sexe...). Un poids élevé de ces grandes catégories devant minorer l'indicateur final. Ce qui atténura leur influence quantitative et induira une diversification intelligente des résultats (et donc des futures données).

2) Les comportements digitaux

Prédire l'importance des réactions, actives ou passives, avant d'acquérir ou de constituer de nouveaux prospects, serait très intéressant. Il ne s'agit pas de divination, mais avec une approche qualitative et en observant le comportement de ses bases, on peut miser sur certains postulats. Quelques exemples suite à des réactions passives :

Les rebonds

• Les pays très connectés vont souvent changer d'emails, donc avoir de plus nombreux rebonds potentiels.
• Les professions peu connectées vont avoir des emails plus durables, donc moins de rebonds potentiels.
• Les pays/professions à fort turn-over professionnel vont souvent changer d'emails, donc avoir de nombreux rebonds potentiels.
• Les bases acquises auprès de prestataires sont sans doute très spammées, et donc avoir de nombreux rebonds potentiels.
• ...

Un indicateur de prospection digitale à visée prévisionnelle pourra alors être agrémenté d'une variable définissant la potentialité de rebonds dans les futures bases. Minorant les résultats.

Autres exemples de postulats suite à des réactions actives cette fois :

 Les ouvertures, clics, désabonnements et non-ouvertures

• Tel pays semble plus - ou moins - sensible à la teneur de nos newsletters.
• Telle profession semble plus - ou moins - sensible à la teneur de nos newsletters.
• Un pays très connecté est coutumier de la possibilité de désabonnement aux newsletters.
• Une profession très connectée est coutumière de la possibilité de désabonnement aux newsletters.
• ...

Il sera alors intéressant d'ajouter une variable qualifiant la positivité des réactions digitales. Majorant les résultats.

Les variables naturelles

Nous allons intégrer des facteurs quantitatifs logiques et d'autres qualitatifs à notre indicateur prévisionnel. À la fois pour l'ancrer dans le réel, mais aussi pour le diriger vers des objectifs.

D'abord nos variables quantitatives directement liées à l'état de l'activité : qui sont les clients et quelle est leur importance ?

Nombre de vente par tranches

Par pays ou catégorie, elles seront révélatrices de l'interaction-client, de la fréquentation d'un événement par exemple, ou du succès d'un produit.

Attention, des tranches sur-représentées ou sous-représentées peuvent gréver vos résultats dans certains cas (des anciennes ventes mal qualifiées, des ventes récentes d'un produit tout juste disponible...). Évincez-les.

Nous ne prendrons pas ces chiffres en compte tel quel dans l'indicateur. Nous l'utiliserons plutôt pour calculer un taux de transformation par rapport au nombre de contacts digitaux. Puis c'est ce taux de transformation qui sera l'une des variables de l'indicateur.

Chiffre d'affaire par tranches

Révélateur de l'inportance réel des tranches dans le chiffre d'affaire globale.

Variable qualitative

Une variable qualitative experte est nécessaire pour définir les grandes sources de clients potentiels. En effet même si la future base de données est bien structurée (catégories, pays...), et qu'on utilise bien le chiffre d'affaire par tranche (révélateur du niveau de consommation des tranches), difficile de prévoir à moyen et long terme les types de profil une fois ces nouveaux prospects transformés : les petits clients, les gros clients...

L'appréciation qualitative du marché peut alors faire foi pour minorer ou majorer les résulats.

Méthodes

Dans notre cas nous ferons des tranches par spécialités et pays. Nous allons aggréger dans le même tableau des lignes décrivant chaque spécialité pour chaque pays.

Nombre de commandes et CA par pays et spécialité

Nous commençons par extraire les tranches des données de facturation (les données clients, les variables naturelles).

Nous choisissons les données originales en fonction de la richesse des données qui nous intéressent : nous prenons la spécialité et le pays dans la facture si l'information existe, ou sinon dans la fiche client. Ces données sont presque totalement harmonisées, nous corrigeons juste quelques spécialités récalcitrantes...

Ensuite nous faisons un décompte en nombre de commandes et chiffres d'affaires par pays et spécialités.

Nous évinçons les valeurs aberrantes issues d'anciennes données peu qualifiées, ou au contraire de données trop récentes pour être utilisées comparativement. Les erreurs utilisateurs (montants à zéro...), les commandes trop peu élevées et les différents tests du personnel sont également évincés.

Dans notre cas d'étude nous arrivons à un 1^er tableau de 1129 tranches. Soit 1129 lignes avec les 4 champs pays, spécialité, nombre de commandes et total des montants.

Variables retenues

• Le taux de transformation (nombre de commandes \ nombre d'abonnés)
• Le chiffre d'affaire (montant des commandes)
• Le poids (rapport entre la taille des bases)
• Le taux de rebond
• Le taux de comportement positif