La segmentation RFM appliquée à la location d’adresses externes |
| Written by Paul Adam |
|
There are no translations available. La segmentation de base universellement utilisée par les loueurs d'adresses est la segmentation ou classification RFM. Dans certains cas l'approche « RFM » peut aussi donner lieu à un « score ». R pour RécenceNéologisme du marketing direct qui exprime en nombre de mois la durée qui nous sépare de la dernière commande (achat avéré) ou de la dernière réaction à une offre, sous forme de demande de documentation par exemple. L'échelle de valeur est habituellement 6 mois. La récence pourra donc être exprimée en 0-6 mois, 0-12 mois, 7-12 mois ...etc. Les deux critères suivants ne concernant que des adresses de personnes ayant effectivement réalisé un achat. F pour FréquenceIl s'agit là de la fréquence d'achat ou nombre de commandes sur la période retenue en matière de récence. En règle générale, pour une segmentation simple, nous utiliserons cette donnée pour départager les acheteurs unique ou « mono acheteurs » n'ayant passé qu'une seule commande sur la période, des « multi acheteurs ». M pour MontantC'est soit le montant du dernier achat s'il s'agit d'un « mono acheteur » soit le montant moyen sur la période observée dans le cas d'un « multi ».
Dans certaines bases, mal conçues au départ, seul un montant cumulé d'achat depuis l'origine est disponible. L'on pourra toutefois s'en contenter car ce montant n'est ni plus ni moins que la résultante entre le produit du nombre de commandes (F) par le montant moyen (M) rapporté à la période depuis l'origine du client. Sous réserve toutefois de pouvoir disposer au moins de la récence (R). Ainsi toute adresse disposant de données dynamiques issues d'un historique de commande pourra être classée dans des segments homogènes qui les regroupent en fonction de leur date de dernière commande, de leur fréquence d'achat et du montant de leur achat. Ainsi vous pourrez vous voir proposer des :
Les deux derniers critères peuvent ne pas être présents, ou autrement dit à 0. Il s'agit dans ce cas d'adresses de « prospects ». Le terme « actif», par opposition à prospect, terme que vous allez rencontrer dans toute description de fichier ou datacarte® est à prendre avec prudence. En effet la qualité d' «actif» ne préjuge en rien de sa prépondérance sur un prospect en matière de performance. Aussi le terme doit toujours être suivi de la récence exprimée en mois. Par exemple « actif 0-6 mois » par opposition à « prospect 0-6 mois ». Il m'est arrivé souvent de constater que la récence prime sur la notion d'actif ou de prospect, c'est-à -dire qu'un prospect de moins de 6 mois pourra mieux fonctionner qu'un actif dont la dernière commande remonte à 2 ans. Suivant le type de produit acheté et la récurrence plausible de cet achat un client « actif » pourra être déclassé et qualifié d' « inactif » s'il n'a pas renouvelé son achat depuis 1, 2 ou 3 ans, voire plus. Il n'y a pas de règle en la matière. L'appréciation « actif » vs « inactif » est très subjective suivant que l'on voudra comparer un acheteur sur catalogue de téléviseur à écran plat et la cliente d'une maison de café par correspondance, et dont les dernières commandes datent toutes deux de 3 ans...vous en conviendrez. Dans le domaine qui nous intéresse, à savoir l'échange et la location d'adresses, rares sont les fichiers qui proposent des sélections allant au-delà d'une classification RFM de base. Ils se limitent souvent au seul critère de récence qui s'avère néanmoins suffisamment efficace pour des fichiers de petite taille où toute sélection trop fine risque de nous écarter de précieuses adresses. Lorsque le comportement recherché est présent dans des fichiers volumineux où une approche par la seule récence ne suffit pas il existe des méthodes plus complexes pour classer les adresses afin de permettre à l'annonceur de tester successivement des couches ou « strates » hiérarchisées...et d'arrêter dès lors que le point de non rentabilité est atteint. Au-delà d'une classification RFM de base par groupes de homogènes : le scoring et le dataminingSur des fichiers de grande taille qui présentent par exemple des potentiels de plusieurs centaines de milliers d'adresses en 0-6 mois (plus courant aux USA qu'en France !) proposées à la location ou lorsqu'il s'agit d'exploiter les données dynamiques pour son propre compte, la segmentation RFM telle que vue plus haut peut s'avérer insuffisante. Prenons l'exemple de l'envoi d'un catalogue lourd qui nécessite, une attention toute particulière dans la sélection d'adresses. Et si la marge dégagée par une moitié de mon fichier était absorbée par les pertes occasionnées par l'autre moitié ? En l'occurrence, si j'arrivais à isoler les bonnes adresses des « mauvaises » je pourrais optimiser mon résultat en évitant de router les « mauvaises » et ainsi retirer une marge largement bénéficiaire de mon opération. Je perdrais un peu de chiffre d'affaire, mais je ferai l'économie de la moitié de mon investissement publicitaire. Dans notre cas nous pourrions éviter un routage de 25 000 catalogues à 2€ s'il nous est donné de pouvoir prédire, ou mieux, pronostiquer, que ce segment auquel ces catalogues étaient initialement destinés ne rapportera pas la marge nécessaire pour couvrir le coût de ces catalogues. Pour nous permettra de hiérarchiser un groupe de consommateur à priori homogène nous utiliserons une technique basée sur la notation individuelle de chaque individu, le score. La note propre à chaque adresse sera la résultante d'un algorithme qui aura pris en compte les trois données de base RFM, chacune pondérée selon des connaissances acquises par l'étude de statistiques issues d'opérations antérieures. Un exemple très simple est : MxF/R Cette petite méthode, très simple reste efficace dès lors que le fichier à segmenter ne dépasse pas 40000 ou 50000 adresses.  Retrouvez la rubrique de Paul Adam dans VAD magazine |
