Nl

TECH

Comment Python a initié Brico à la culture data-driven

Mercredi 24 Janvier 2024

Comment Python a initié Brico à la culture data-driven

Imaginons que vous soyez l'un des plus grands acteurs du secteur DIY du pays. Votre assortiment est impressionnant, mais votre programme de fidélisation n’est pas vraiment au goût du jour.

Pour y remédier, en ces temps de marketing personnalisé, Brico s’est adressé à Python Predictions. Le résultat probant de l'exercice a marqué le début d'un partenariat durable. 

Sophie De Spiegeleer, CRM & Loyalty Manager chez Brico, et Joost Neujens, Data Scientist chez Python, nous racontent l’histoire de cette coopération.

Comment votre collaboration a-t-elle commencé ?

Sophie De Spiegeleer : Brico disposait d’un programme de fidélité avec points et bons d'achat depuis plusieurs années, mais il n'était pas du tout intégré à notre système CRM. En mars 2020, nous en avons donc lancé un nouveau, et lorsque la base de données qui y est associée a atteint un certain volume, nous nous sommes mis à la recherche d'un partenaire qui pourrait nous aider à tirer parti de toutes ces informations. Il faut savoir que nous avons beaucoup de références de produits. C'est ainsi que nous avons fait appel à Python.
Joost Neujens : Notre mission est d’amener les organisations et entreprises à un mode de fonctionnement data-driven.

Pour cela, nous agissons à différents niveaux, de la stratégie à la construction de modèles et à la gestion de plateformes de données.

Le cas de Brico était d'autant plus intéressant qu'il touchait à tous ces niveaux. 
Brico souhaitait passer d'un programme de fidélisation classique à une stratégie de remise personnalisée, avec des avantages réellement utiles pour chaque client. Il y avait déjà une plateforme cloud et nous avons aidé Brico avec la construction de l'infrastructure requise pour traiter la masse de données. Nous avons également créé des modèles dans le cadre de la stratégie qui doit garantir que les publicités s’adressent aux bonnes personnes (et non plus aux mauvaises). 

Sophie De Spiegeleer : Python a été un véritable partenaire tout au long du parcours, et c’est précisément ce dont nous avions besoin. Brico et le secteur du DIY en général sont complexes à appréhender : vous pouvez vous y intéresser pour toutes sortes de raisons. La stratégie typique de remise personnalisée était compliquée à mettre en œuvre, les achats récurrents n’étant pas réellement d’application. Nous avions davantage besoin de modèles prédictifs, par exemple pour déterminer quelle serait le prochain projet du client, ou quel type d'avantages offrir aux personnes qui n’ont pas de jardin pendant la saison de jardinage.

Pouvez-vous nous en dire plus sur les solutions mises en œuvre ?

Joost Neujens : L'ensemble de l'approche repose sur l’Analytical Base Table comprenant des centaines de variables pour décrire l’historique et l’engagement de chaque client individuel. Lors de l'élaboration d'un algorithme machine learning, 80% du temps est consacré à collecter des données et à les structurer de manière à ce que l’algorithme puisse en tirer des enseignements. Ce tableau peut constituer la base de tout algorythme AI, à partir duquel vous pouvez rapidement définir des prédictions : qui a besoin de peinture, qui a besoin de rénover son habitation, etc.

Sophie De Spiegeleer Certaines choses sont faciles à prédire, d'autres moins : il est plus facile de savoir si quelqu'un n'a pas de jardin que s'il va acheter de la peinture. Si un client n'a jamais acheté de produits de jardinage chez nous, il se peut qu'il n'ait pas de jardin. 

À quoi sert l'ABT pour Brico ?

Combiné aux informations de notre programme de fidélité, nous pouvons exclure des parties de la base de données, et cibler ainsi davantage notre communication.

Joost Neujens : En principe, l'ABT peut servir à toutes sortes de choses. Quand on dispose de ce genre de tableau, on peut concevoir et lancer des actions concrètes beaucoup plus rapidement. Au départ, la charge de travail est plus importante, mais les gains de temps réalisés par la suite sont considérables.

Sophie De Spiegeleer : Brico utilise l'ABT pour des actions opérationnelles, mais aussi pour classer les clients et les affecter à un magasin particulier par exemple : cela nous permet de mieux promouvoir nos magasins et de leur fournir davantage d’informations sur les résultats de leurs efforts. 

L'ABT sert également de base pour nos rapports RFM (recency frequency monetary value) : depuis combien de temps un client ne s’est-il pas rendu chez nous, combien de fois s’y est-il rendu et combien a-t-il dépensé ? Sur base de ces trois critères, nous avons classé nos clients en trois catégories : les meilleurs clients, les clients habituels et les clients perdus. Nous adaptons notre communication en fonction de ces catégories. 

D’autre part, avec Python, nous avons commencé à établir des rapports RFE afin de savoir comment les clients interagissent avec nos communications par e-mail. Cela s'est fait en un temps record grâce à l'ABT. 

Quelle a été la principale difficulté rencontrée dans le cadre de ce projet ?

Joost Neujens : D'un point de vue technique, il ne fait aucun doute que la gigantesque multitude de produits dans de nombreuses catégories de produits différentes peut compliquer l'apprentissage de ce qui est vraiment important, même pour les modèles prédictifs. Deuxièmement, un nombre plutôt réduit de clients de Brico disposent d’une carte de fidélité. Et il y en a beaucoup dont nous ne savons encore rien. Plus le nombre de cartes sera élevé, plus le modèle s’améliorera. 

Sophie De Spiegeleer : Outre ce nombre, il faut sans cesse rappeler l’importance de scanner la carte de fidélité du client. Il faut que le client y trouve son intérêt. Il est également essentiel de trouver le bon équilibre entre les promotions exclusives et personnalisées.
 

Archive / TECH