Comment les principaux acteurs systématisent la découverte, l'évaluation et l'activation des prospects, à grande échelle et à moindre coût ?

"Dans le monde d'aujourd'hui, où GenAI et AgenticAI dominent la conversation, il s'agit d'un rappel opportun que la valeur réelle vient de l'application de l'IA pour résoudre des problèmes commerciaux tangibles, et non de la poursuite de la dernière tendance. L'IA prédictive recèle encore un important potentiel inexploité pour la plupart des organisations." - Arthur du Passage, Associé chez Artefact

Les entreprises qui opèrent sur des marchés fragmentés sont confrontées à quatre problèmes persistants qui, en fin de compte, amènent les équipes à manquer des opportunités de croissance et à accepter un coût plus élevé par prospect.

  • Une demande fragmentée : avec des milliers de points de vente qui ouvrent, ferment ou changent de propriétaire en permanence, il est difficile de savoir où se trouvent les véritables opportunités.
  • Prospection manuelle : laprospection traditionnelle enporte-à-porte ralentit les équipes et rend presque impossible une couverture cohérente du marché.
  • Capacité limitée : les représentants commerciaux et les distributeurs se concentrent naturellement sur les comptes existants, ce qui signifie que de nombreux potentiels inexploités passent inaperçus.
  • Des connaissances inégales : le savoir-faire local s'étend rarement à d'autres régions ou équipes, ce qui crée des lacunes dans la connaissance du marché.

Un système basé sur des data et reproductible

La combinaison de data géospatiales et de modèles d'apprentissage automatique permet d'obtenir un système éprouvé et reproductible : un pipeline de bout en bout, axé sur les data et l'IA, qui identifie, note et active de nouveaux points de vente. Le système s'articule autour des quatre composants modulaires ci-dessous, qui fonctionnent ensemble pour produire des résultats cohérents et évolutifs.

Quatre éléments constitutifs

1) Extraction de l'univers avec l'extraction intelligente de Google Maps

Nous extrayons par programme tous les points de vente pertinents dans les zones d'intérêt. L'API Google Maps fournit des attributs riches, tels que le nombre d'avis et les évaluations, les heures d'ouverture, les types de paiement, les types de services. Toutefois, la principale limite de l'API Google Maps est qu'elle renvoie un nombre maximum d'enregistrements (20) par appel et que le modèle de tarification est basé sur le nombre d'appels à l'API. Une approche par force brute consiste à appeler l'API à intervalles réguliers à travers une grille dans les zones d'intérêt. Cependant, le choix de la distance de l'intervalle est critique car il a un impact direct sur le coût et la capacité d'extraire de manière exhaustive tous les points de vente pertinents.

Illustration de la grille utilisée pour l'extraction de data de Google Maps par une approche de force brute

Nous nous attaquons à cette contrainte avec une stratégie de tuilage adaptative basée sur les hexagones, inspirée du système d'indexation géospatiale hiérarchique hexagonale d'Uber, ou H3. Nous partitionnons la géographie en hexagones et subdivisons de manière récursive uniquement les tuiles qui renvoient des résultats au plafond de l'API. Lorsqu'une tuile renvoie moins de vingt lieux, nous passons à la tuile suivante. Lorsqu'une tuile atteint le plafond, nous la subdivisons en hexagones plus petits et effectuons une nouvelle requête. Cette approche concentre les appels à l'API dans les zones à forte densité et préserve une couverture quasi exhaustive tout en réduisant le nombre total d'appels d'environ 90 % par rapport aux grilles uniformes.

 

Optimisation de l'extraction des data l'API Google Maps grâce à l'index spatial hiérarchique hexagonal d'Uber (H3)

2) Enrichissement des data CRM

Nous rapprochons votre CRM (ou vos listes de distributeurs) de l'univers extrait afin de combler les lacunes et d'ajouter des attributs. Nous effectuons d'abord une correspondance floue sur le nom, l'adresse et la latitude/longitude par rapport aux résultats de l'étape 1, puis nous résolvons les enregistrements restants en utilisant l'API Google Place ID pour récupérer les attributs. Une fois de plus, le fait de procéder en deux étapes nous permet de réduire considérablement les coûts associés aux data Google Maps.

3) Formation au modèle de notation

Une fois que nous avons rassemblé cet ensemble de données CRM enrichies, nous formons des modèles explicables qui prédisent à la fois la probabilité d'achat et la valeur potentielle en fonction de votre définition d'un "bon" point de vente basée sur les attributs du point de vente de Google. Les modèles produisent des scores de prospects sur une échelle de 0 à 100 et mettent en évidence les facteurs clés afin que les équipes puissent comprendre le raisonnement.

 

4) Prévision à l'échelle de l'univers

Nous utilisons ensuite ce modèle pour évaluer chaque point de vente dans l'univers géographique, et pas seulement ceux qui apparaissent déjà dans votre CRM. Cette étape révèle des opportunités d'espace blanc et des micro-clusters que vos équipes peuvent traiter immédiatement, conduisant à des améliorations significatives de la conversion des ventes.

"Une application pratique des Data et de l'IA qui apporte de la valeur rapidement et qui peut évoluer sans nécessiter de gros investissements dans des systèmes - c'est ce que les clients recherchent." - Michael McGauran, associé chez Artefact

Enrichir l'image au-delà de Google Maps

Lorsqu'un cas d'utilisation nécessite une précision supplémentaire, nous ajoutons des signaux plus riches :

  • Sources numériques telles que les médias sociaux ou, le cas échéant, les API publiques et commerciales pour dériver des indices de popularité tels que le nombre d'adeptes, la cadence de publication et l'influence.
  • GenAI computer vision to images pour analyser les photos Google et Instagram afin de reconnaître les éléments du menu, déduire l'ambiance, le caractère premium perçu et la présence d'une signalétique ou d'un équipement de catégorie.
  • Échantillons aléatoires des résultats par le biais d'enquêtes ou d'analyses d'experts afin de dériver des attributs statistiquement valables sur l'ensemble des données et de valider la qualité des modèles.

Passer des résultats à l'action

Les scores des prospects sont ensuite convertis en actions concrètes qui s'alignent sur le modèle de commercialisation.

  • Optimisation des itinéraires et des territoires : élaboration de plans de visite quotidiens qui maximisent la valeur attendue tout en respectant les contraintes opérationnelles. Les plans tiennent compte des heures de travail représentatives, des durées de visite, des heures d'ouverture et des temps de déplacement. Le système prend également en charge des territoires équilibrés et des règles de cadence de visite. Nous fournissons des itinéraires géoséquencés.
  • Agents d'intelligence artificielle pour la présélection : Pour certains types de points de vente, déployez des agents sortants - voix ou chat - qui contactent les points de vente prioritaires et valident les détails essentiels tels que les noms des contacts, leur statut et leur intérêt. Les prospects qualifiés sont ensuite transmis au représentant commercial pour un engagement plus poussé.
  • Automatisation des ventes : pour certains segments et types de points de vente - par exemple, une petite entreprise qui gère un compte commercial sur des canaux tels que Zalo ou WhatsApp, une partie ou la totalité du cycle de vente peut être initiée, voire achevée, par des processus automatisés ou à faible contact.

Ce que les clients obtiennent généralement

Chaque marché se comporte différemment, mais les clients soulignent systématiquement les avantages importants qu'ils en retirent, notamment

  • Accès à une liste complète de points de vente pertinents, ce qui leur donne une plus grande visibilité et une meilleure compréhension du marché, souvent supérieure à celle de leurs distributeurs.
  • Deux à trois fois plus de prospects qualifiés qu'avec les approches traditionnelles
  • Une force de vente plus motivée et engagée qui perçoit des taux de réussite plus élevés et s'engage dans des discussions plus significatives et plus pertinentes avec les clients.

Comment démarrer

Trois étapes simples pour démarrer : Tout d'abord, cartographiez le marché en utilisant des sources de données data pour obtenir une vue complète des cibles potentielles dans votre zone cible. Ensuite, évaluez l'opportunité en combinant cet univers avec vos data CRM pour former un modèle qui classe les cibles en fonction de leur valeur potentielle et de leur probabilité d'achat. Enfin, activez et apprenez en déployant les résultats par le biais d'itinéraires optimisés ou d'une approche automatisée, en suivant la conversion et en affinant le modèle avant de l'étendre. Les leads alimentés par l'IA, combinés à une main-d'œuvre d'activation sur le terrain et à une approche marketing automatisée, constituent un modèle puissant pour générer des ventes B2B à grande échelle, et les premiers utilisateurs sont bien placés pour en tirer profit.