Votre entreprise fonctionne à une échelle qui rend impossible de comprendre intuitivement les petits détails qui différencient vos clients — et de se concentrer sur ce qui compte pour rendre vos interactions très significatives.
Il y a une tension inhérente à la croissance d’une entreprise : la concentration et les ressources qui vous permettent de ravir vos clients pourraient ne pas être durables à mesure que votre base de clients grandit. Vous risquez de transmettre un message qui semble générique et qui ne fait tout simplement pas bouger les choses — c’est pourquoi les entreprises de toutes tailles utilisent la segmentation de la clientèle pour cibler les bons publics avec des interactions qui résonnent.
Chez Flinks, nous croyons que les données financières ont d’énormes potentiels inexploités. C’est pourquoi nous avons développé une suite d’outils pour simplifier la collecte de données et obtenir des informations approfondies sur chaque client, afin que vous puissiez offrir plus de valeur plus rapidement.
Les mêmes outils de données que vous utilisez peut-être déjà peuvent aussi être utilisés pour créer un engagement significatif, à grande échelle, avec des groupes de clients.
Lisez la suite, nous vous expliquerons ce que signifie segmenter vos clients à partir de leurs données transactionnelles.
Liens rapides
- Qu’est-ce que la segmentation de la clientèle?
- La valeur des données transactionnelles pour la segmentation des clients
- Prochaines étapes
1. Qu’est-ce que la segmentation de la clientèle?
La segmentation de la clientèle consiste à regrouper les clients selon des caractéristiques qu’ils ont en commun. De façon très générale, la segmentation vous permet d’organiser l’information, d’établir des tendances et de clarifier les besoins de vos clients afin de pouvoir prendre des mesures pertinentes.
Les spécialistes du marketing l’utilisent pour envoyer des messages personnalisés et offrir des expériences personnalisées à leurs clients idéaux. Les chefs de produit l’utilisent pour acquérir une compréhension structurée de leurs utilisateurs afin d’orienter quelles fonctionnalités développer.
Si votre organisation a des représentants aux ventes, la segmentation aide à concentrer leurs efforts en divisant un bassin de prospects en petits groupes pouvant être ciblés selon leurs besoins.
Segmenter efficacement augmente les taux de rétention et la valeur à vie du client.
Une façon très simple de représenter la segmentation client est d’utiliser une matrice segmentée à quatre quadrants. Chaque segment partage des caractéristiques spécifiques choisies pour mettre en lumière les différences clés — cela peut aider, par exemple, à identifier qui sont actuellement vos clients les plus performants, ou ceux qui ont le plus de potentiel.
Dans l’illustration ci-dessus, le revenu et le flux de trésorerie disponible sont utilisés pour regrouper les clients en quatre segments. Il n’y a pas vraiment de segment meilleur ou pire — la façon dont vous interprétez votre modèle et déterminez vos clients clés dépend vraiment de vos objectifs d’affaires. Par exemple, une compagnie de cartes de crédit pourrait être intéressée à envisager des personnes à revenu élevé et à faible flux de trésorerie disponible pour les aider à combler l’écart avec une offre spéciale.
Types courants de données utilisés pour segmenter les clients
Il existe de nombreux types de données différents que vous pouvez utiliser pour segmenter vos clients. Les plus courantes sont :
- Données démographiques
- Données géographiques
- Données comportementales
- Données psychographiques
Ces dernières années, les avancées dans le traitement et l’analyse des données ont permis de débloquer des ensembles de données jusque-là inexploités, comme les dossiers complets des transactions de vos clients détenus par leurs banques.
L’historique des transactions d’un consommateur fournit des points de données directs et indirects sur les quatre types de données courants utilisés pour segmenter les clients.
Grâce à des outils d’enrichissement alimentés par l’apprentissage automatique pour les catégoriser et extraire des informations, les données transactionnelles offrent maintenant une perspective incroyablement granulaire sur combien une personne gagne et dépense, quand et où. Le revenu d’une personne est une caractéristique démographique clé, ses habitudes d’achat fournissent des informations sur l’emplacement de ses magasins préférés et d’autres comportements clients, et une analyse plus approfondie révélera des aspects de son mode de vie.
La segmentation doit mener à des actions
Il est possible — et même conseillé, dans certains contextes — de segmenter les clients en utilisant plus d’un type de données. Peu importe le(s) type(s) de données que vous choisissez d’utiliser, le concept est le même : la segmentation doit mener à des actions.
Pour commencer, assurez-vous de :
- Vous avez accès aux données.
- Vos données sont utilisables pour montrer des différences significatives entre vos clients.
- Vous savez sur quoi vous voulez segmenter : la localisation géographique, les transactions passées, les revenus, les événements de vie, la liste continue (et encore).
- Vous avez une action correspondante associée à cette segmentation. Ces actions sont soit prédictives, soit réactives—nous verrons à quoi cela peut ressembler dans la prochaine section.
La segmentation n’est pas un exercice qu’on fait une fois et qu’on ne revisite jamais.
Les gens changent, vos produits changent, même notre contexte mondial change — parfois très rapidement. La segmentation est un effort continu pour comprendre les différences significatives qui rendront vos interactions très pertinentes pour vos clients.
2. La valeur des données transactionnelles pour la segmentation des clients
Les actions qui seront significatives dans votre contexte dépendent de vos objectifs d’affaires concernant différents segments de clientèle, ainsi que de votre identité de marque et des caractéristiques de vos produits.
D’un autre côté, le type de données que vous utilisez pour segmenter vos clients détermine la portée de ces actions. Que savez-vous sur vos clients? À quel point cette information est-elle unique pour chaque individu?
En termes simples, les données que vous utilisez définissent votre terrain de jeu. La façon dont tu décides de jouer dépend de toi.
Par exemple, l’historique transactionnel d’une personne peut fournir à la fois des données générales sur ce qu’elle gagne et dépense (analyses générales), ou une vue très détaillée de son profil financier et de son comportement (analyses de bas niveau).
Dans le même ordre d’idées, l’historique transactionnel d’une personne est une empreinte très individualisée. Cela vous permet de vous concentrer sur un spectre de choses que vos clients ont en commun (une perspective macro), jusqu’à ce qui différencie chacun d’eux de façon unique (une perspective micro).
Voici une courte liste de cas d’utilisation pour segmenter avec des données transactionnelles :
Ciblez mieux les publicités
Utiliser des données transactionnelles dans le ciblage publicitaire signifie que vous exploitez les insights pour cibler des différences générales chez vos clients — disons des seuils de revenus et de dépenses différents.
Ce cas d’utilisation suppose une perspective macro basée sur des insights de haut niveau : vous ne segmentez pas selon les caractéristiques individuelles de vos clients, vous examinez quelques facteurs pour déterminer qui devrait recevoir vos annonces.
Ajoutez de la granularité à vos analyses de cohorte
Historiquement, de nombreuses entreprises ont dû utiliser des données de très haut niveau, incomplètes ou trop simples pour segmenter leurs cohortes de clients. Grâce à des insights, vous franchissez la limite d’utiliser uniquement des éléments restrictifs pour mieux voir où vous réussissez ou non dans votre entreprise.
Ce cas d’utilisation suppose une perspective micro basée sur des analyses de haut niveau, du moins au début : les données transactionnelles vous permettent d’utiliser une combinaison de métriques de haut niveau — revenus, dépenses, paiements de prêts ou de factures, revenus gouvernementaux, etc. — qui sont expliquables à travers votre entreprise pour mieux comprendre vos clients au niveau général initial.
Faites émerger des opportunités d’affaires inexploitées
Celle-ci s’explique mieux par un exemple. Disons que vous gérez une division de cartes de crédit et que vous devez trouver tous les clients actuels atteignant ou dépassant le seuil pour obtenir une nouvelle carte de crédit libérée — revenu ou flux de trésorerie disponible au-delà d’un certain montant, etc. Votre équipe responsable de la segmentation peut commencer par recueillir des informations de haut niveau pour chaque client afin de déterminer lesquelles sont inexploitées pour votre produit.
Maintenant que vous avez votre bassin de clients potentiels, les choses commencent à devenir intéressantes. Votre équipe peut aller de plus en plus loin pour rendre cette opportunité plus réelle.
Peut-être que cette nouvelle carte de crédit offre un programme spécial de remise en argent pour les factures ou les paiements de services publics. Les informations de bas niveau issues des données transactionnelles offrent une visibilité sur ces types spécifiques de dépenses pour chaque personne dans votre bassin de clients potentiels, vous permettant de segmenter davantage. Vous pouvez créer une offre beaucoup plus précise, calculée et pertinente que jamais auparavant.
(Ouf — et ce n’est qu’un exemple.)
Pour résumer : ce cas d’utilisation commence par une perspective macro, en utilisant des insights de haut niveau pour identifier les clients potentiels. Il évolue ensuite vers une perspective micro, utilisant des analyses de bas niveau pour réduire le bassin et assurer une grande pertinence.
Comprenez vos clients les plus et les moins engagés
C’est assez simple. Avec accès aux données transactionnelles et aux informations, vous pouvez observer les tendances au sein des comptes sur une base macro. Les combiner vous permet de comprendre ce qui constitue un client engagé ou non engagé dans le contexte de votre entreprise — cela peut être l’utilisation du compte, le ratio de prêts que vous avez accordés par rapport aux autres prêts du client, etc.
Mais voici le truc : être capable d’identifier des schémas ne mène pas directement à comprendre quelles sont les bonnes actions pour améliorer les taux d’engagement d’engagement.
Pour y parvenir, il faut avoir une vision approfondie des données transactionnelles. Cela se fait principalement à partir d’analyses de bas niveau, afin d’isoler ce qui pourrait être les principaux moteurs du (dés)engagement. Les données transactionnelles vous donnent une visibilité sur les événements de la vie, les changements de situation financière, toutes sortes de schémas d’achats et de flux de trésorerie, et bien plus encore—votre équipe va s’en rendre compte.
Avec ces éléments en main, vous pouvez mener des expériences auprès de votre clientèle, puis approfondir les circonstances individuelles et les actions recommandées qui ont fait avancer les choses afin d’affiner vos hypothèses.
Ce cas d’utilisation suppose à la fois des perspectives macro et (principalement) micro, s’appuyant sur des insights de haut et de bas niveau. Cela démontre la polyvalence des données transactionnelles, car elles permettent d’aborder l’engagement comme un processus d’expérimentation et d’optimisation.
Rendez vos services personnalisés à grande échelle
Les données transactionnelles vous permettent d’acquérir une compréhension si profonde de chaque client individuel qu’elles peuvent en fait être utilisées pour créer, à grande échelle, l’expérience personnalisée ultime — le segment d’un seul.
Ce cas d’utilisation suppose une perspective micro basée sur des analyses de bas niveau, vous permettant de suivre ce qui fait de chaque client un individu unique.
3. Prochaines étapes
La segmentation fait toujours partie des initiatives plus grandes et plus complexes. Nous comprenons cela — c’est pourquoi nous avons créé des outils qui facilitent l’utilisation des données transactionnelles pour votre équipe. Si vous connectez déjà vos clients à leurs comptes bancaires via Flinks, vous êtes pratiquement déjà prêt à fournir des insights à vos modèles de segmentation.
Dans la prochaine partie de cette série, nous expliquons trois méthodes pour exploiter les données transactionnelles pour la segmentation de la clientèle : manuellement, en utilisant des transactions catégorisées, et en utilisant les insights issus des attributs.
