Cet article a pour objectif de présenter une solution de CRM Analytique, qui démontre la valeur ajoutée et l’optimisation que peuvent offrir aux entreprises les solutions prédictives basées sur le Machine Learning.
Problématique
- Fournir aux directions commerciales et marketing les capacités d’interpréter les données clientes et l’historique des transactions
Fournir aux services client les capacités de répondre de la meilleure façon au besoin des clients et garantir leur fidélité
Eviter le churn client en identifiant les différents comportements et en proposant des actions préventives
Inscrire le client final au centre de la transformation numérique de l’entreprise
Bénéfices
- Optimisation et personnalisation de la relation client via cette solution
Capacité des équipes à comprendre le client et ses futurs besoins
Réduction des risques de perte de fidélité et accroissement des opportunités de transformation de prospect à client
Agilité dans la représentation des données client et la prise de décision
L’évolution du CRM Opérationnel vers le CRM Analytique et Prédictif
L’évolution du CRM est au cœur de la transformation digitale des entreprises, qui évolue du fait des nouvelles demandes et des nouveaux besoins de ses clients, tout en prenant en compte l’évolution de la concurrence. C’est dans cette logique d’évolution que les technologies analytiques et prédictives font progresser les fonctionnalités du CRM opérationnel « classique » vers le CRM analytique et prédictif.
Même si les concepts de CRM Opérationnel et CRM Analytique sont proches l’un de l’autre, le CRM opérationnel va permettre de construire et gérer les activités métiers telles que par exemple le SFA (Sales Force Automation) ou la gestion des centres de contacts alors que le CRM analytique et prédictif va offrir des fonctionnalités d’extraction d’informations à haute valeur ajoutée permettant une prise de décision métier efficace et accélérée à partir de toutes les données clientes ainsi que de l’historique des transactions connues de ce client. Les 2 concepts restent complémentaires et un CRM opérationnel efficace permettra d’alimenter quantitativement et qualitativement les fonctionnalités du CRM analytique et prédictif.
En effet, les données provenant du CRM opérationnel sont organisées et accumulées pour d’une part répondre le plus rapidement et efficacement possible aux besoins identifiés du client et donc pour augmenter les ventes, mais d’autre part sont une mine d’informations à haute valeur ajoutée pouvant jouer le rôle de levier dans l’identification d’un comportement client par le CRM analytique et une réponse/solution automatique appropriée. Le CRM permet de stocker non seulement des données quantitatives mais aussi des données non-quantitatives difficilement exploitables en temps normal. Par exemple, il est possible de produire un modèle prédictif dans le but d’offrir des recommandations au client, basées sur ses données ainsi que sur ses précédents achats, la possession de ses contrats en cours ou ses recherches d’informations. Un autre exemple basé sur le même principe serait de produire un modèle prédictif précisant les produits pouvant intéresser le client et ainsi lui proposer un package personnalisé.
Cas d’usage du CRM Analytique et Prédictif
Vente/Marketing
La personnalisation de la relation client dans les phases de ventes est une des applications les plus répandues du CRM analytique. En effet, en comprenant les intérêts du client et en déterminant le segment dont il fait partie, et cela de manière automatique, il est possible de produire :
Des newsletters spécifiques
Un parcours et une expérience d'achat spécifique
Des recommandations d'achats spécifiques
Une autre application du CRM analytique et prédictif pour la vente est la prédiction de la conversion d'un prospect en client afin :
D’accélérer cette conversion,
De présenter les bons produits/services au bon prospect au meilleur moment
De réduire les coûts en évitant d’adresser les prospects à bas potentiel
Services Après-Vente et Support
Si l’entreprise ne prête pas attention à toutes les informations remontées par le client quel que soit le canal choisi (téléphone, face-à-face, site web, email, réseaux sociaux) et qu’elle ne les met pas en relation, l’engagement du client envers la marque peut se détériorer. A l’inverse la capacité d’une entreprise à s’engager dans une relation forte avec son client peut devenir un facteur différenciant face à la concurrence :
En comprenant et anticipant les demandes des clients. Les clients étant moins patients, ils souhaitent des réponses rapides et des résultats pertinents.
En harmonisant l’expérience client. Un client réalisant une action/recherche sur le site web de l’entreprise pourrait ensuite téléphoner au service client pour une demande complémentaire mais serait contacté proactivement par ce service pour répondre à la demande.
En déterminant les clients en face de désintérêt de l’offre
Ces divers cas d’utilisation démontrent aussi que la vitesse est une nouvelle valeur pour la relation client. Disposer de la bonne information au bon moment pour prendre la bonne décision et anticiper les futures décisions permet d’éviter le churn client et de le fidéliser.
Le schéma ci-dessous illustre les 4 étapes Métiers d’enrichissements de l’information client à travers une stratégie de Machine Learnig.
Le recueil d’informations en provenance des solutions de CRM opérationnels et digitaux (Réseaux sociaux,…)
L’extraction de ces données et leur traitement à travers un modèle prédictif de Business Analysis.
A la suite de cette extraction, la mise en place d’indicateurs quantitatifs et de KPI en vue de l’optimisation de la prise de décision
La réinjection des informations calculées par les systèmes prédictifs et analytiques afin d’enrichir les solutions de CRM opérationnel et de marketing digital existantes.
Figure 1 : Processus d'enrichissement de l'information Client
Présentation de la solution
La solution présentée dans cet article a pour objectif de
détecter le churn client,
d’identifier les clients prêts à monter en gamme (upselling)
de réaliser de la vente additionnelle (cross-selling)
Ceci est possible à partir des données fournis par le CRM de l’entreprise en établissant un modèle prédictif. Ce système va être utilisé pour réalimenter le CRM en temps réel, lors du cycle de vie du compte client avec l’indicateur clé de churn du compte, et les probabilités d’upselling et de cross-selling.
Cette solution s’articule principalement autour des éléments suivants :
La source de données CRM
3 modèles de scoring basé sur l’algorithme Boosted decision tree (c’est l’algorithme qui a démontré la plus grande efficacité lors du test de nos 3 modèles sur les données – visualisable grâce la courbe ROC et à la mesure de l’AUC, aire sous la courbe)
Le modèle ci-dessous réalisé dans Azure ML Studio explicite la démarche classique de scoring employée :
Figure 2: Principe du Boosted Decision Tree
On identifie ainsi :
Le jeu de données issu du CRM,
Les paramètres utilisés pour identifier le scoring de nos 3 indicateurs,
Les tests du modèle
L’exécution du modèle
Il est à noter que s’il est nécessaire de préparer les données en entrée, l’outil de modélisation Azure ML propose toutes les fonctionnalités d’un ETL (Extract, Transform and Load). En l’occurrence, nos données provenant directement du CRM, une préparation minimale a été réalisée.
 | Une fois le modèle conçu de façon très aisée dans Azure ML, il suffit de générer de façon toute aussi aisée la création d’un Web Service (Actions Set as Publish Input et Set as Publish Output, puis Publish Web Service) permettant de faire appel au modèle pour que celui-ci soit directement exploitable sur les formulaires clients du CRM. |
En implémentant l’appel à ce Web Service depuis Dynamics CRM, lors de la création, mise à jour depuis le CRM d’une fiche client, et de son historique d’achat, le modèle est appelé avec les nouvelles données du client et renvoie le résultat des indicateurs de churn, ainsi que les probabilités d’up-selling et de cross-selling qui sont ensuite affichées à l’utilisateur et stockées dans la fiche du client.
Figure 3 : Fiche du compte Client dans Dynamics CRM
L’utilisateur peut en fonction de son interaction avec le client, soit :
Lui proposer la gamme supérieure du produit en cours de vente,
Lui proposer d’autres éléments complémentaires à l’offre en cours de vente,
Le questionner et le rassurer sur son intérêt pour les offres et services vendus, voire engager une action marketing.
Architecture de la solution
La solution décrite précédemment est architecturée de la manière suivante :
Les données CRM sont collectées à partir de l’application Dynamics CRM
Le modèle Machine Learning est réalisé et entrainé via Azure ML Studio
Un Web Service Rest est généré et publié avec la documentation de son utilisation
Les formulaires Dynamics CRM portent des champs dédiés aux indicateurs qui sont mis à jour grâce à des plug-ins CRM appelant le Web Service à leur déclenchement
Cette solution est capable de monter en charge et de s’adapter aux contraintes des entreprises modernes afin de proposer des fonctionnalités pouvant être rapidement mises en œuvre et déployées.
Elle est architecturée autour d’une collection de services Cloud de Microsoft Windows Azure et d’Office 365.
Figure 4 : Ordonnancement de la solution architecturée
Synthèse
Cet article a présenté une solution s’appuyant sur les nombreuses possibilités de la plateforme Dynamics de Microsoft, afin de proposer aux directions commerciales une solution de CRM Analytique et Prédictive permettant d’anticiper le churn client, l’up-selling et le cross-selling et basée sur l’utilisation du Machine Learning grâce à Azure ML.
Produits concernés :
Dynamics CRM Server 2015 & Dynamics Marketing
CRM Online
Azure Machine Learning
Des solutions innovantes avec Microsoft Consulting Services
Microsoft démontre depuis de nombreuses années son intérêt pour le Machine Learning et les Big Data, d’une part dans ses produits (Reconnaissance vocale, Kinect, Data Mining SQL Server, Power BI, …) et d’autre part grâce aux investissements massifs dédiés à ces sujets dans la Recherche et Développement, mais aussi par des partenariats avec plusieurs universités et instituts de recherche (INRIA, France ; University of Trento, Italie ; Barcelona Super Computing Centre, Espagne). Appliqués au CRM, le résultat de ces investissements permet de proposer une offre applicative et des infrastructures complètes répondant aux futurs enjeux des entreprises de demain.
Les architectes et consultants MCS sont formés sur l’ensemble de l’offre applicative et infrastructure de Microsoft, afin de proposer à leurs clients des solutions innovantes permettant de répondre à leurs enjeux opérationnels, et de s’engager dans une démarche de transformation numérique.
Pour plus d’informations sur les offres packagées Microsoft Consulting Services, rendez-vous sur http://www.microsoft.com/france/services. Nous vous invitons à y consulter notamment les diverses offres CRM et Business Analytics proposées.
Pour plus d’informations sur les blogs « L’innovation par les données », rendez-vous sur L’innovation par les données.
| Stéphanie Monpain, Consultante CRM, Microsoft Consulting Services Consultante CRM depuis 8 ans, j’ai rejoint Microsoft Services France en 2013. Mon rôle est d’accompagner nos clients Métiers à travers leur processus de transformation avec Dynamics CRM. J’interviens notamment auprès des secteurs de la banque et de l’assurance mais également dans les sociétés des services et de l’industrie. |
| Jérôme Coquidé, Consultant Data Insight et CRM, Microsoft Consulting Services Tout d’abord consultant CRM, j’ai rejoint la division Services de Microsoft en 2011 dans l’équipe dédiée aux solutions Dynamics (CRM, ERP) ce qui m’a permis d’accroitre mon appétence et mes compétences sur les sujets Base de données, Reporting et informatique Décisionnelle et d’intégrer naturellement en 2013 l’équipe SQL/BI. J’interviens ainsi sur les thématiques Décisionnelle et Reporting ainsi que d’intégration de données (Qualité de données, Gestion des données référentielles) sans oublier la Gestion de la Relation Client.
|
