L’Ouest canadien a le vent dans les voiles… la course aux richesses naturelles entraîne de fortes migrations de la population ; on observe cela dans certaines régions minières québécoises…

Quant à la région de Montréal, la croissance est surtout dans les banlieues.  En fait, Montréal (excluant Laval) est en décroissance.  La région de Québec semble se porter assez bien.

J’ai en mémoire le commentaire d’un de mes vieux professeurs, il y a environ 30 ans de cela… « La seule chose qui compte » disait-il  en parlant du Brésil comme pays émergeant, « c’est le nombre… la croissance de la population »… Notre société est basée sur ce modèle  de croissance économique un peu maladif… alors que réserve l’avenir pour Montréal ?

On ne dispose pas toujours de cette information dans notre base de clients.  De plus, la langue d’usage n’est pas toujours disponible lors de la sélection de prospects à partir de listes informatisées.  Dans un tel cas, le modèle PAL peut nous aider.

La langue d’usage à la maison constitue la 2e composante de notre modèle PAL, soit l’acronyme de Pointage de l’Âge et Langue d’usage.  Cette fois, on emploie le nom de famille pour prédire la langue d’usage.  Notre indice a été développé à partir de bases de données validées des préférences de consommateurs.

Par exemple, si votre nom de famille est Allard ou Arsenault et que vous habitez le Québec, on peut prédire que 19 fois sur 20 vous parlez le français à la maison, alors que pour les individus dont le nom de famille est Clark ou Liu, le choix de l’anglais est plus fréquent.

On peut visualiser cet indice à l’aide d’une carte.  Nous avons cartographié l’indice moyen  d’un échantillon des noms de famille de la population de l’île de Montréal et de Laval par aire de diffusion.

En rouge, l’indice des anglophones domine dans l’Ouest de l’Île.

On peut combiner l’information de la langue d’usage avec l’âge et le sexe des prospects.  Encore une fois, on travaille avec l’écart-type de la distribution afin de sélectionner les meilleurs prospects disponibles pour nos besoins spécifiques.  Si on désire par exemple rejoindre une clientèle de femmes anglophones de plus de 50 ans pour un produit donné… le filtre PAL s’avère fort utile pour cibler les meilleures candidates d’une liste de prospects.

Les deux prochains graphiques combinent l’âge, le sexe et la langue d’usage tel que pointé par le PAL, que l’on combine aux données du revenu moyen des ménages (données du recensement de 2006).

Le premier graphique présente la distribution des revenus d’un échantillon de femmes francophones selon leur âge moyen (estimé selon le modèle PAL).  On note en rouge la courbe associant les revenus moyens selon l’âge moyen estimé selon le modèle PAL.

Le second graphique présente la distribution des revenus d’un échantillon de femmes anglophones selon leur âge moyen (estimé selon le modèle PAL)

On observe une plus forte variance de la distribution des revenus… également, les revenus moyens des femmes anglophones s’avèrent supérieurs à ceux des francophones…

En somme, le modèle PAL est un outil simple, fort utile pour sélectionner les meilleurs candidats/candidates d’une liste de prospects pour un envoi promotionnel par la poste ou par courriel.

On utilise également le modèle PAL pour profiler la distribution d’échantillons de clients.  Par exemple, vous avez une salle de spectacle et suite aux réservations de billets par téléphone et internet vous avez compilé un échantillon représentatif des prénoms et des noms de famille de vos clients… Il est utile de savoir si votre clientèle selon les différentes représentations diffère en termes d’âge, langue d’usage et sexe.  Cette information peut être employée pour développer des actions marketing adaptées selon les clientèles cibles.

De fait, les résultats obtenus avec notre modèle PAL s’avèrent plus précis que ceux obtenus à partir de données géographiquement de statistique Canada.  En fait, le pal permet de pointer individuellement les individus, les ménages selon leur prénom et nom de famille, alors que la plus petite unité d’information disponible du recensement de statistique Canada : l’aire de diffusion, nous procure des données compilées à partir d’échantillons moyens de 600 individus.

Prochain article… quelques exemples de modèles prédictifs performants… à venir en 2012… d’ici là je souhaite à tous de belles fêtes et profitez de vos vacances…

Les consommateurs se différencient en fonction de leur âge, sexe et langue d’usage.  On retrouve une littérature abondante sur les liens entre l’âge et la consommation des ménages. Pour les entreprises B2C, dans un marché comme le Québec où l’on anticipe une faible croissance démographique pour de nombreuses années à venir, ces informations sont essentielles à leur développement, voire leur survie.  J’expliquerai plus en détail dans un prochain blogue comment utiliser cette information de façon intelligente, mais pour ce premier volet, on s’intéresse au fondement du modèle et en particulier la composante «Âge».

Le modèle PAL, acronyme de pointer l’âge et la langue permet d’identifier à partir d’une liste informatisée la cohorte d’âges, le sexe et la langue d’usage des individus, uniquement à partir de leur prénom et nom de famille.

En 2004, pour ce modèle j’ai gagné le Lauréat du concours Personnalité marketing 2004 dans la catégorie Avancement de la science marketing, de l’Association marketing de Montréal ; aujourd’hui l’association des professionnels en communication marketing (APCM) .  En fait, j’ai gagné le prix avec une première version du modèle, la version 2011 incorpore plusieurs ajouts importants, développés dans la pratique au cours des sept dernières années.

Comment ça marche : c’est quoi le lien entre les cohortes d’âges et les prénoms ?

Oh Ginette t’as peut-être mis de la brume dans mes lunettes, mais je peux dire ton âge

Le graphique ci-haut présente le décompte des Ginette selon l’année de naissance.  L’examen de cette distribution plutôt symétrique nous indique un âge moyen et médian de 59 ans, avec un écart-type de 7 ans… En somme, on peut dire que les Ginette québécoises ont entre 52 et 66 ans 7 fois sur 10.

Nathalie, un autre prénom populaire

L’examen de la distribution indique un âge moyen de 41 ans et un écart type de 5,4 ans.  On peut donc prédire que si vous vous appelez Nathailie, 7 fois sur 10 vous aurez entre 35 et 47 ans.

Les Marie-Soleil, Nadine, Pierre-Luc et Stéphanie sont toutefois plus jeunes…

La boîte à moustaches un bel outil d’analyse exploratoire de données (AED)

Pour comparer des échantillons, je recommande d’utiliser un bon outil robuste : la boîte à moustaches (BOXPLOT). 

La boîte à moustaches permet de comparer plus facilement les distributions d’échantillons.  Dans le cas présent on compare la distribution de l’âge des différents prénoms.  L’écart interquartile, le petit rectangle jaune regroupent la moitié de la population de l’échantillon.  Il procure une mesure plus robuste de la tendance centrale que la moyenne combinée à l’écart-type (fort utile en présence de données aberrantes ou distribution atypique).  Le petit point rouge nous indique l’âge moyen, la ligne qui traverse la boîte (l’écart interquartile) la médiane.  Aux deux extrémités de la boîte, on retrouve deux petites lignes horizontales : les moustaches… soit le minimum et le maximum retenus par l’analyse.  Les petits carrés en rouge situés à l’extérieur de ces deux moustaches correspondent aux données jugées aberrantes, hors norme selon un calcul de distance de la boîte.

Quant au modèle PAL, je l’utile régulièrement, simplement pour voir si l’âge constitue un élément de différenciation entre segments de clients et/ou afin de sélectionner parmi une liste de prospects potentiels d’un fichier électronique, les candidats les plus susceptibles d’acheter un produit/service, etc.  Aux fins d’analyse, j’obtiens des résultats plus précis que ceux obtenus par géocodage des données de Statistique Canada.

Prochain article : Le modèle PAL 2e partie — Prédire la langue d’usage à partir du nom de famille…

Note : La photo de mariage est celle de mes parents, prise le 13 septembre 1938

Quand on parle de données de la clientèle, on se réfère aux données transactionnelles, la donnée la plus riche d’information, mais hélas dans la majorité des cas peu ou mal utilisée par les entreprises.

Alors, pourquoi faire ? Bien moins compliqué d’utiliser un résultat de sondage représentatif de ma clientèle que de chercher à extraire et traiter des données de je ne sais trop où… l’historique de facturation, les transactions d’achats du client, UGS, les dates et lieux d’achat, le mode de paiement, etc. ; en fait par donnée client on parle de toutes les informations associées à la relation de votre client avec vous, l’entreprise…

Au départ, la donnée de sondage est par définition statique et non dynamique ; une photo prise à un moment précis dans le temps. En général, les informations saisies sont regroupées en modalités dichotomiques (oui, non) et ordinales (beaucoup, moyennement, un peu moins ou pas du tout…). Par opposition, la donnée transactionnelle est surtout de nature chronologique et continue… « un intervalle métrique est requis entre autres pour les analyses de distance de type euclidienne »

La donnée de sondage comporte par définition une marge d’erreur associée à la mémoire limitée du répondant et l’objectivité de ses réponses. Que faisiez-vous hier, OK, bonne mémoire, avant-hier, et il y a trois mois 2 jours et 15 minutes ? Hé, vous dites que avez consommé combien de bière ce soir-là ?

Dans le cas de la donnée transactionnelle, elle…. elle a la mémoire infinie du registre de caisse et elle n’a pas de problème d’objectivité…

La majorité des analyses de modélisation de données, analyses exploratoire et confirmatoire, paramétrique et non paramétrique peuvent être réalisées avec les données transactionnelles, mais c’est beaucoup plus limité dans le cas des données de sondages…

Dans certains cas, on peut combiner les données de sondage aux données transactionnelles de la clientèle… et on peut alors réaliser certaines analyses exploratoires, tests d’association Khi2, … analyse de variance, corrélation, arbre de décision, etc.

Mais disons, sans l’ombre d’un doute, la puissance de la donnée transactionnelle, combinée avec des données d’enrichissement constitue vraiment la grande richesse d’information dont il faut tirer profit.

Une belle soirée.  Un franc succès où tous avaient trouvé une belle combinaison de contenu scientifique et de plaisir.  La soirée se terminait bien.  Debout près de la porte de sortie de la salle de réception, je saluais un à un de bons amis et au même moment, Mme Ravira se présente devant moi, je la remercie et je termine le propos en précisant que je la paierais demain au bureau.  Un beau sourire sur nos deux visages… une invitée nous surprend et me dit… « Comment vous vous connaissez!!! » Un peu imbécile, je brise le charme… oui, oui, nous travaillons ensemble, une de mes meilleures employées au centre d’appels… Elle avait noté que lors de nos propos son petit accent slave avait pris le bord pour laisser place à un bel accent de terroir québécois pure laine…  Je constate alors stupéfaction et même un peu de tristesse se dessiner sur les visages de plusieurs convives autour de moi ; ils ne savaient plus s’ils devaient encore croire aux pouvoirs divinatoires de cette mystérieuse inconnue.  Peu de temps après ma présidence se termina et par manque de temps, j’ai dû me résoudre et quitter cette belle association. 

Je consacre maintenant la majeure partie de mes temps libres à ma petite famille, mais je m’ennuie de mes vieux amis et amies du domaine de la recherche.  Le temps passe si vite. Je me demande encore si je n’aurais pas mieux fait de me taire lors de cette soirée, ne pas dévoiler l’identité de la mystérieuse cartomancienne afin de laisser toute la place aux rêves… je vieillis et je crois de plus en plus qu’il faut laisser plus de place aux rêves…

Ma grande fille de 5 ans - important de toujours laissez de la place aux rêves

Il y a de cela bien des lunes,  de 1999 à 2000, je présidais le chapitre québécois de l’association professionnelle de recherche marketing APRM/PRMS (cette association a fusionné depuis et porte le nom L’Association de la recherche et de l’intelligence marketing (ARIM).  Lors d’une soirée présentation tenue le 6 décembre 2000, nous recevions une éminence grise de la recherche marketing de la Banque Royale du Canada : Mme Gaétane Lefebvre, à ce moment, Vice-Présidente Stratégie Marketing, Recherche et analyse du Groupe Financier de la Banque Royale. Elle nous présentait « Approfondir notre compréhension en combinant recherche et analyse» .  Une présentation exceptionnelle à tous les points de vue.  Pour apporter un peu de divertissement à cette soirée, nous avions invité une « diseuse de bonne aventure »… Mme Ravira… cartomancienne. Elle lisait dans les cartes, les mains et les coeurs.  Cela dit, la présentation complétée, les membres et invités s’assoient à leur table et le repas débute.

C’est à ce moment que se présente Mme Ravira.  Une grande femme très mince avec un petit accent slave.  Je la présente formellement : éminence dans son domaine, elle pourra vous lire le taro.  Sans dire un mot, elle se glisse lentement au milieu des tables et des convives.  Elle s’arrête subitement… sans dire un mot, elle fixe alors du regard pendant ce qui me semblait un très très long moment une jolie femme assise à l’une des tables du milieu.  Un silence étrange un peu dérangeant… est-ce qu’elles se connaissent ?  Soudain, elle prend la parole et s’adressant à cette femme… « Je vois votre aura »… « Vous madame les femmes ne vous aiment pas » … suivi d’un nouveau silence… on entend seulement le bruit des ustensiles déposés avec les plats par le personnel… et tout d’un coup, la jolie blonde lui répond comme un petit crie d’oiseau apeuré… « C’est vrai, c’est tellement vrai… vous avez raison Madame » , en dévisage ses collègues de sa table… « Si vous saviez comme vous avez raison »…

Il n’en fallait pas plus… tous voulaient avoir Mme Ravira à leur table… elle parlait doucement, les mots se succédaient dans sa bouche avec un rythme militaire. Elle parlait avec une douce conviction… ce que le destin leur réservait…

À un certain moment, un des membres du CA m’interpelle, «  je la veux immédiatement à ma table »… je siège sur le conseil d’administration de cette association depuis plus de deux ans » me dit-il… je ne sais plus trop quoi faire… quoi dire…  j’en suis renversé… toutes les personnes dans cette salle font partie d’une association regroupant des professionnels certifiés en recherche marketing… et les voilà envouté par cette diseuse de bonne aventure… leur foi dans la cartomancie se mélange aux bons vins, aux rires et à l’excitation générale….

Je vais toujours me rappeler ce moment avec la plus grande humilité…  une cartomancienne venait en quelque sorte voler la vedette à l’une des spécialistes dans le domaine de la recherche marketing…  On ne parlait plus de modèle prédictif, mais du talent exceptionnel de cette mystérieuse invitée…

Le plus incroyable de tout cela… (Suite à venir au retour des vacances…)

Guy Mercier

On ne réinvente pas la roue, l’analyse de segmentation de la clientèle demeure l’un des meilleurs outils analytiques d’une entreprise.  Au départ le problème c’est la confusion des termes… l’expression « analyse de segmentation de la clientèle» est bien galvaudée… cela ne veut pas dire classer ses clients en petits, moyens et gros clients…

Une définition formelle

« Cluster analysis is a set of methods for constructing a (hopefully) sensible and informative classification of an initially unclassified set of data, using the variables values observed on each individual » source : Applied Clustering Techniques SAS / B.S. Everitt (1998) The Cambridge Dictionary of Statistics

En somme, une série de techniques… permettant une analyse non dirigée et multidimensionnelle et menant à une règle de classification.  On doit aux biologistes darwiniens les premières démarches menant au développement des techniques statistiques d’analyse de segmentation… c’est au cours des années 1920-1930 que les statisticiens ont repris et intégré ces techniques d’analyse dans l’école de la statistique conventionnelle… Cela explique en partie pourquoi on retrouve un langage si coloré pour décrire les composantes hiérarchiques d’une segmentation : « Parent », « enfant »,  « arbre », « branche », « feuille »…

On dit « analyse non dirigée » (Unsupervised Learning)  car on ne possède pas de « connaissance a priori » de la classification finale des individus…   On mentionne également le terme « multidimensionnel »… en mathématique on cherche une solution combinant plusieurs dimensions… dans le langage courant… qui relève de plusieurs domaines du savoir, de la connaissance…

À partir de variables quantitatives communes aux individus, la démarche vise à regrouper les clients en segments « homogènes » et où les différents segments sont le plus « hétérogène » possible les uns des autres…

En d’autres mots, on cherche à regrouper « naturellement » les clients dont les caractéristiques et les comportements sont relativement « similaires », et où les segments sont aussi les plus « distincts ou dissemblables » les uns des autres…

Les bénéfices

Le livrable d’une bonne analyse de segmentation : un profil réel de sa clientèle à laquelle on attribue une typologie descriptive…. On peut recoder cette typologie à sa base clients. Les applications subséquentes sont nombreuses et généralement profitables à court et moyen termes…

Au départ, on dégage une compréhension nouvelle de sa clientèle d’une grande richesse.  C’est vraiment le résultat d’une démarche exploratoire où les données quantitatives dessinent à elles seules un portrait réel de nos clients. Le portrait peut s’élaborer à partir d’une foule d’informations indépendantes, mais une fois conjuguées, elles donnent une vie propre aux différents segments.

On peut alors appliquer utiliser cette information dans tout le processus d’affaires.  Naturellement, on mentionne les campagnes ciblées s’adressant aux segments les plus
prometteurs.  On peut aussi développer tout le contenu promotionnel en fonction des caractéristiques propres, discriminantes des clientèles associées aux différents segments…  De fait, les grandes institutions bancaires, les compagnies d’assurances et beaucoup d’entreprises performantes  intègrent leur programme de gestion de la relation clientèle (CRM) à leur modèle interne de segmentation de leur clientèle…

De quoi a-t-on besoin pour faire une analyse de segmentation de sa clientèle ?

• Une base de données à jour des informations nominales de ses clients dont au minimum un code d’identité client (nom, adresse de sa clientèle commerciale et/ou consommateurs) ;
• Les transactions et différentes traces de l’interaction de votre clientèle avec vous (l’historique des factures dont la date et le lieu d’achat, USG/SKU, montant des achats, retours de marchandise, données compilées du service à la clientèle et du site WEB, historique des campagnes promotionnelles, marketing direct, etc.)
• Des bases de données externes que l’on peut fusionner afin d’enrichir l’analyse et le profil des segments.

Le secret c’est la vinaigrette

Une fois qu’on a cela, on dispose des principaux ingrédients pour développer une salade maison des plus profitables…  Mais il ne faut pas oublier la vinaigrette, c’est l’expérience que l’entreprise a de son client…  Une donnée hélas bien souvent peu ou mal utilisée, on parle ici non seulement des données quantitatives à traiter, mais de l’expérience du personnel de l’entreprise au cours des années…. Une foule de petites choses apprises dans le quotidien avec votre clientèle… une richesse dormante d’une grande valeur.  C’est selon moi le point de départ d’une véritable analyse de segmentation de la clientèle…  la richesse de l’expérience interne, faites parler vos données, mais faites aussi parler vos gens…

Guy Mercier

Le grand départ, j’envoie mes premiers électrons dans l’univers WEB2, je lance ma première bouteille à la mer… qui me lira… j’ai toujours trouvé que mon sujet d’intérêt, l’analyse et la modélisation de données commerciales étaient un sujet idéal pour endormir le plus éveillé des auditoires… pourtant, je ne suis pas seul, il existe d’autres neurdes comme moi, fan de Startreck depuis la tendre enfance et qui finalement après avoir quitté le sous-sol de leurs parents… le plus tardivement possible… considère avoir maintenant une vie relativement excitante malgré leur intérêt pour la science, les mathématiques et la résolution de problèmes…

Comme décrire le marketing analytique… je propose ma définition en deux temps :

Le second terme « analytique », porte sur la recherche d’intelligence à partir des traces et de l’historique des transactions de la clientèle… données compilées dans un format électronique que l’on peut saisir, enrichir, transformer et analyser…

Le premier terme « marketing », les informations ainsi générées sont alors utilisées dans la mise en place des actions marketing…

De fait, la donnée transactionnelle de la clientèle constitue nécessairement la plus puissante source d’information dont une entreprise dispose… pourtant peu d’entreprises l’utilisent efficacement… les causes diverses seront le sujet d’un prochain blogue… en somme, je fonde ce blogue sur l’idée qu’ y a un besoin d’information à combler quant à ce nouveau domaine, le marketing analytique, l’analyse exploratoire de données situées un peu en aval de l’intelligence d’affaires…

Pour conclure, j’ai toujours apprécié les textes courts, voici quelques mots sur moi…

En 2005, j’ai vendu ma participation minoritaire dans une entreprise de recherche et j’ai fondé MMBD http://mmbd.ca (acronyme de Mercier marketing bases de données) avec pour mission de fournir des services-conseils et un support personnalisés en marketing analytique. J’ai plus de 25 ans d’expérience dans les domaines de la recherche marketing, du marketing direct, en traitements et analyses de bases de données commerciales… en d’autres mots, je suis un nouveau vieux qui radote dans un domaine pointu…

En somme, je touche du bois, ma petite entreprise « comme le chantait Alain Bashung » se porte assez bien…

Un petit historique…. j’ai présidé le chapitre québécois de l’Association professionnelle en recherche marketing (APRM/ARIM) de 1999 à 2000 et membre du panel des conseillers experts en sondage de l’Association du marketing relationnel (AMR)

Lauréat du concours Personnalité marketing 2004 de l’Association marketing de Montréal (AMM-PCM/APCM), dans la catégorie « Avancement de la science marketing »

Au cours des années, j’ai acquis une expertise et une formation spécialisée en modélisation de données du SAS Institute, maîtrise en sciences économiques et un baccalauréat en relations industrielles

Promesse… mon prochain blogue sera plus excitant, je vais inclure des équations mathématiques