Qu'est-ce que l'exploration de données CRM?
L'exploration de données de gestion de la relation client (CRM) fait référence au processus de recherche dans les bases de données de relation client et d'analyse des données sur le comportement du client. Ces données aident les spécialistes du marketing à mieux cibler leurs campagnes, ce qui accroît la rétention de la clientèle et les ventes. L'exploration de données CRM est également appelée exploration de données et découverte de connaissances. L'exploration de données comporte deux catégories principales: l'analyse descriptive et la modélisation prédictive.
L'analyse descriptive utilise la segmentation et la mise en cluster pour mieux analyser un ensemble de comportements défini parmi un groupe de clients particulier. Les clients peuvent être regroupés en fonction du sexe, de l'âge, de la race et d'autres catégories. L'objectif principal d'un segment est de fournir au marketing un groupe de clients similaires afin d'exploiter plus efficacement les données afin d'obtenir des informations utiles.
La mise en grappe regroupe des groupes de segments. Chaque groupe est mutuellement exclusif et est caractérisé par un ensemble de caractéristiques prédéterminées. Par exemple, une grappe pourrait comprendre des femmes âgées de 18 à 25 ans ayant acheté un vernis à ongles au cours des deux dernières semaines de décembre 2010. Il s'agit d'un exemple d'exploration de données par méthode qualitative CRM.
Dans les segments non exclusifs, une autre forme d'analyse descriptive, un ensemble particulier de comportements de clients conduit à un ensemble de comportements totalement nouveau. Par exemple, un groupe de clients pourrait dépenser une somme importante en services de spa, mais pas beaucoup pour des services connexes tels que les soins des cheveux et des salons de coiffure. Ce type d'exploration de données CRM nécessite une analyse statistique plus avancée que la segmentation de base.
La modélisation prédictive est la plus populaire des deux catégories d'exploration de données CRM. Il mesure le degré de corrélation entre deux facteurs de comportement des clients et la fiabilité statistique de cette corrélation. Le modèle prédictif est construit à l'aide d'une application d'exploration de données qui attribue des scores à chaque client, indiquant la probabilité que le client se comporte de la même manière à l'avenir. Par exemple, le modèle peut aider un spécialiste du marketing à déterminer la probabilité qu’un client de sexe masculin marié âgé de 31 à 42 ans ayant des enfants achète une marque de tondeuse à gazon particulière au cours des six prochains mois.
La spécificité est très importante dans l'exploration de données CRM à l'aide de modèles prédictifs. Il existe plusieurs types de méthodes utilisées à cette fin. Un modèle univarié compare une seule variable à plusieurs autres variables afin de déterminer la relation avec la corrélation la plus élevée. Les modèles d'analyse de détection d'interaction automatique Chi-Squared (CHAID) et d'arbres de classification et de régression (CART) affichent des arbres de décision, une variable provoquant l'instance d'une ou plusieurs variables. Un modèle de régression multivariée teste plusieurs variables pour évaluer les corrélations possibles.