Personnaliser les campagnes marketing en identifiant les profils types de clients

Client

Après avoir présenté avec succès un premier projet d'apprentissage automatique (ML), notre équipe a été chargée de deux projets pour le département marketing B2B d'Orange, dont celui-ci.

Enjeux

Les clients d'Orange peuvent utiliser plusieurs canaux pour obtenir des informations ou entrer en contact : appeler le service client, visiter le site web ou utiliser l'application mobile.

Selon les statistiques et enquêtes, l'utilisation des canaux numériques (site web, application) restait relativement faible parmi les clients B2B d'Orange.

Cependant, l'usage de ces canaux numériques pourrait permettre une expérience plus fluide pour le client et représenter des économies pour Orange.

Nous avons été missionnés de construire un algorithme capable de classer automatiquement les utilisateurs en groupes pertinents, basés sur leurs modes d'interaction. Cette classification pourrait ensuite être utilisée pour envoyer des communications personnalisées afin d'aider les clients à développer l'habitude d'utiliser les canaux numériques.

Solution

Nous avons d'abord tenté d'imaginer un score pour classer les clients, mais cela ne s’est pas avéré concluant.

Nous avons ensuite résolu ce problème en utilisant l'apprentissage non supervisé.

Une partie importante du projet consistait à créer des caractéristiques significatives qui pourraient aider l'algorithme à mieux comprendre le comportement des clients.

Nous avons finalement identifié 5 classes principales de clients et 10 sous-classes pertinentes.

Résultats

Dans ce cas, l'apprentissage non supervisé s'est avéré plus fructueux que la notation conçue humainement.

Pour chaque classe identifiée, nous avons pu analyser les habitudes des clients et déterminer des actions pour aider chaque groupe de manière personnalisée à orienter son usage vers le numérique.

Des campagnes de marketing personnalisées ont été lancées sur la base des résultats de ce projet.