Anticiper les achats pour personnaliser le marketing
Généré par Klaviyo AI
Les analyses prédictives utilisent les données client et l’IA pour estimer les comportements futurs, sans garantir les résultats. La page explique comment exploiter ces estimations pour personnaliser les communications, adapter les remises et réduire l’attrition, ainsi que les conditions nécessaires à des prédictions pertinentes.
- Comportements d’achat anticipés: La date attendue de la prochaine commande, le nombre prévu de commandes et le prochain produit probable permettent d’adapter les communications.
- Remises mieux ciblées: Les comportements attendus permettent d’ajuster les incitations et d’éviter les remises inutiles aux clients déjà susceptibles d’acheter.
- Prévention de l’attrition: Le risque d’attrition et la date prévue du prochain achat aident à identifier les clients nécessitant une campagne de reconquête.
- Valeur client prédite: L’estimation des dépenses sur les 12 prochains mois permet de segmenter les clients et de personnaliser les offres.
- Qualité des données: La pertinence des prédictions dépend d’un historique suffisant et de sources de données connectées et consolidées quasi en temps réel.
Que sont les analyses prédictives ?
Avez-vous déjà rêvé d’avoir une boule de cristal pour guider votre marketing ? Selon de nouvelles recherches, 74 % des consommateurs attendent des expériences personnalisées de la part des marques B2C.
Vous n’avez pas besoin d’avoir un voyant dans votre équipe. Les analyses prédictives utilisent vos données client et l’IA pour estimer ce que chaque client est susceptible de faire ensuite, jusqu’au niveau du profil, afin que vous puissiez rendre chaque expérience plus pertinente, améliorer l’engagement, réduire l’attrition et fidéliser.
Que sont les analyses prédictives, et comment fonctionnent-elles ?
Les analyses prédictives sont l’un des 4 principaux types de Data + Analytics. Cela permet aux entreprises de reconnaître des schémas dans leurs données et d’anticiper ce qui va suivre. Alors que les analyses diagnostiques se tournent vers le passé pour trouver la cause des tendances des données, les analyses prédictives utilisent l’IA et l’apprentissage automatique pour estimer comment les tendances et les relations dans les données d’aujourd’hui sont susceptibles d’évoluer.
Les analyses prédictives ne sont pas exactement une boule de cristal. Les prédictions reposent sur les données dont vous disposez déjà, et elles ne sont pas garanties. Mais utiliser des données historiques pour estimer des scénarios probables aide à prendre des décisions plus éclairées.
3 avantages clés des analyses prédictives
Les analyses prédictives répondent à trois objectifs que la plupart des marketeurs partagent :
- Les analyses prédictives peuvent améliorer les marges bénéficiaires. Affinez votre stratégie de remises et de promotions, et abandonnez les remises généralisées. Adaptez les remises et les incitations en fonction de l’expérience passée d’un client et de son comportement futur attendu.
- Les analyses prédictives peuvent réduire l’attrition. Prévoyez si un client est susceptible d’acheter à nouveau, quand, et combien il est susceptible de dépenser, afin de le contacter avant qu’il ne décroche.
- Les analyses prédictives peuvent renforcer la fidélité des clients. Vous savez déjà quels clients vous apprécient. Les analyses prédictives peuvent aussi aider à identifier ceux qui sont susceptibles de vous apprécier à l’avenir, comme les clients avec une valeur vie client (CLV) prédite élevée, afin que vous puissiez les inviter à rejoindre des programmes de fidélité et demander du parrainage et des preuves sociales.
Cas d’utilisation des analyses prédictives pour le B2C
Les analyses prédictives vous fournissent de nouveaux indicateurs pour évaluer la santé de vos clients et de votre entreprise. Chacun répond à une question différente, il est donc utile de savoir ce que chacun peut vous indiquer. Un agent marketing peut agir en fonction de ces informations : il décrit l’audience, puis crée le segment et rédige la campagne pour que vous la passiez en revue.
Délai moyen entre les commandes
La durée moyenne qui s’écoule entre les commandes d’un client. Cas d’utilisation :
- Comparez le temps moyen entre les commandes pour des segments spécifiques de votre base de clients.
- Regroupez les clients ayant des cycles d’achat similaires dans des segments, puis proposez des incitations aux clients qui achètent rarement.
Valeur moyenne de la commande (AOV)
Le montant moyen qu’un client dépense à chaque fois qu’il passe une commande. Cas d’utilisation :
- Comparez la valeur moyenne de la commande de votre clientèle VIP à la valeur moyenne de la commande des autres segments.
- Segmentez les clients selon la valeur moyenne de la commande, puis lancez des initiatives ciblées qui augmentent la valeur moyenne de la commande des clients qui dépensent peu.
- Créez des branches dans vos flux en fonction de la valeur moyenne de la commande, et incitez les clients qui passent généralement de petites commandes à ajouter plus d’articles à leur panier.
Nombre prévu de commandes
Une estimation du nombre de commandes supplémentaires qu’un client passera au cours des 12 prochains mois, affichée à côté de son nombre de commandes historiques. En raison de son mode de calcul, l’estimation peut être un nombre non entier. Cas d’utilisation :
- Élaborez votre propre cadre de fidélité à partir du nombre de commandes passées par les clients.
- Créez des segments à partir du nombre de commandes que les clients sont susceptibles de passer afin d’identifier ceux qui sont susceptibles d’acheter à nouveau et ceux qui ne le sont pas. Déclenchez des flux à partir de ces segments, ou reciblez les clients susceptibles d’acheter à nouveau avec des publicités.
Date attendue de la prochaine commande
La date à laquelle un client achètera probablement à nouveau si rien ne change. Les marketeurs peuvent l’influencer. Utilisez la date pour la personnalisation, avec d’autres propriétés, car une même date ne signifie pas la même chose pour tous les clients :
- Pour un client qui achète selon un cycle régulier, retenez les messages avant la date attendue, et invitez-le plutôt à rejoindre votre programme de fidélité.
- Pour un client qui achète rarement, envoyez des campagnes testées en A/B avant la date prévue afin d’essayer d’avancer l’achat.
- Pour un client dont la date prévue est dépassée sans achat, envoyez du contenu qui renforce la relation, et vérifiez si un problème lié à sa dernière commande n’a pas été résolu.
Valeur vie client
Trois chiffres associés décrivent la valeur d’un client. La valeur vie client historique correspond à ce qu’un client a dépensé sur l’ensemble de sa durée de vie, la valeur vie client prédite correspond à ce qu’il est censé dépenser au cours des 12 prochains mois, et la valeur vie client totale est la somme des deux. Cas d’utilisation :
- Comparez la valeur vie client (CLV) de votre clientèle VIP à la valeur vie client (CLV) d’autres segments.
- Créez des segments par valeur vie client, puis utilisez-les pour trouver de nouveaux clients grâce à des audiences similaires dans les plateformes publicitaires.
- Reciblez, via des publicités, les clients dont la valeur vie client prédite est élevée.
- Créez des embranchements dans les flux en fonction de la valeur vie client prédite afin de proposer des offres et des incitations personnalisées.
Prédiction du risque d’attrition
Un pourcentage indiquant la probabilité qu’un client effectue ou non un autre achat. La plupart des clients, dans la plupart des secteurs, n’achètent qu’une ou deux fois ; par conséquent, la plupart de vos clients auront probablement un risque d’attrition supérieur à 50 %. Un pourcentage plus faible signifie une probabilité plus élevée que le client effectue un nouvel achat. Cas d’utilisation :
- Comparez le risque moyen d’attrition entre des groupes, tels que vos VIP et l’ensemble de votre base de clients.
- Utilisez le risque d’attrition avec la date prévue de la prochaine commande pour décider qui a besoin d’une campagne de reconquête et qui est un client fidèle, susceptible de réagir à des communications régulières.
Date de vente croisée
Le moment où un client est le plus susceptible d’être prêt pour une offre de vente croisée, sur la base du comportement d’achat de clients similaires. Cas d’utilisation :
- Déclenchez un flux à partir de la date de vente croisée d’une personne afin d’essayer d’avancer son prochain achat.
- Créez des embranchements dans les flux selon la date de vente croisée afin que les clients qui ont déjà de fortes chances d’acheter ne reçoivent pas une incitation inutile.
- Créez des formulaires sur site pour les visiteurs dont la date de vente croisée approche, et présentez une offre conçue pour augmenter la valeur moyenne de la commande, comme un lot ou une offre du type « achetez-en deux, obtenez-en un gratuit ».
- Personnalisez les e-mails, les SMS ou les notification push avec du contenu dynamique basé sur la date de vente croisée.
Produit le plus susceptible d’être acheté ensuite
Le produit qu’un client est le plus susceptible d’acheter ensuite, sur la base de son achat le plus récent. Il se met à jour automatiquement à mesure que le client passe davantage de commandes. Cas d’utilisation :
- Personnalisez les e-mails, les SMS ou les notification push avec du contenu dynamique, basé sur le prochain produit probable.
- Synchronisez les audiences avec les plateformes publicitaires afin de diffuser des publicités de reciblage pour le produit probablement suivant.
Comment éviter des analyses prédictives biaisées
Les analyses prédictives ont besoin d’un volume suffisant de données pour identifier avec précision les modèles et les tendances. Cela signifie : suffisamment de clients ayant passé des commandes, suffisamment d’historique de commandes, et quelques clients ayant passé trois commandes ou plus.
La pertinence des prédictions dépend des données qui les alimentent. Une vue complète du comportement de chaque client sur une longue période donne davantage de matière à un modèle. Si vos données sont réparties entre des solutions ponctuelles et ne sont pas consolidées quasi en temps réel, vos prédictions ne reflètent que les données auxquelles elles ont accès. Connectez vos sources de données et conservez votre historique afin que les prédictions s’appuient sur l’ensemble du contexte.
Commencer avec Klaviyo, le système d’exploitation axé sur les agents pour le B2C, et mettez vos segments prédits au travail avec un agent marketing.