NOUVELLES / DONNÉES

C'est particulièrement vrai lorsqu'il s'agit de savoir quelle data est la plus importante pour comprendre les consommateurs. Il s'agit moins de savoir QUI ils sont, CE qu'ils ont fait, que de savoir COMMENT ils se sont comportés. La façon dont les consommateurs se comportent sur une plateforme en ligne vous en dira plus sur leur propension à dépenser que d'autres facteurs. Les marques doivent saisir cette data, ce que beaucoup ne font pas.

C'est particulièrement vrai lorsqu'il s'agit de savoir quelle data est la plus importante pour comprendre les consommateurs. Il s'agit moins de savoir QUI ils sont, CE qu'ils ont fait, que de savoir COMMENT ils se sont comportés. La façon dont les consommateurs se comportent sur une plateforme en ligne vous en dira plus sur leur propension à dépenser que d'autres facteurs. Les marques doivent saisir cette data, ce que beaucoup ne font pas.

Selon les prévisions d'IHS, les dépenses de consommation des Chinois devraient augmenter à un taux annuel moyen de 7,7 % en termes réels au cours de la prochaine décennie, devenant ainsi un moteur essentiel de la demande mondiale de consommation et de la croissance mondiale. Ces dernières années, les consommateurs chinois effectuent de plus en plus d'achats en ligne, ce qui fait de la Chine l'un des marchés de commerce électronique les plus avancés au monde. Étant donné que la classe moyenne émergente de Chine exige des produits et des services de haute qualité, de nombreux marchands en ligne prennent des mesures pour mieux comprendre et donc mieux cibler ce groupe de consommateurs très disputé. De toute évidence, il s'agit de data, mais quel est le data qui a le plus de valeur ?

Grâce à une étude de cas récente, Artefact peut apporter quelques éclaircissements à cette question. Lors d'achats en ligne (pour des services ou des produits), les marques et les plateformes captureront data sur ces consommateurs. En formant un modèle basé sur l'apprentissage automatique pour prédire si un client sera très dépensier, nous avons combiné et organisé tous les types de data sur les consommateurs. Il s'avère que le type de data qui a la plus forte influence sur leur propension à acheter n'est pas CE qu'ils ont fait, ni QUI ils sont, mais COMMENT ils se sont comportés sur la plateforme en ligne. La question qui se pose maintenant est la suivante : quelle quantité de data capturez-vous sur la manière dont vos consommateurs se comportent lorsqu'ils achètent votre produit ?

Étude de cas : une société de services de voyage en ligne utilisant un modèle d'apprentissage automatique

Une plateforme de services de voyage à l'étranger mettant en relation des chauffeurs et des guides locaux avec des voyageurs chinois propose toutes sortes de services de voyage tels que l'accueil à l'aéroport, la location d'une voiture, la commande d'un chauffeur guide local, etc. Le problème auquel elle est confrontée est que peu de consommateurs sont prêts à payer pour son service haut de gamme. Cette entreprise espérait utiliser son data accumulé pour identifier ses clients potentiels et essayer de les recibler de manière plus proactive.

Afin de prédire la possibilité qu'un client paie pour le service premium, nous avons d'abord extrait de nombreuses caractéristiques. Ces caractéristiques peuvent être organisées en trois groupes :

  1. OMS (ORGANISATION MONDIALE DE LA SANTÉ) sont les clients ? Il s'agit de l'âge, du sexe, de la province, de la ville, etc.
  2. QUOI ont-ils fait ? Il s'agit notamment d'informations sur les produits achetés, l'annulation éventuelle d'une commande, le nombre total de commandes, etc.
  3. COMMENT les consommateurs se sont-ils comportés ? Ce groupe comprend des informations sur le temps total passé sur la plateforme, la vitesse à laquelle ils ont cliqué sur l'application, le nombre de clics différents effectués, le fait qu'un commentaire ait été laissé ou non, etc.

La plupart des caractéristiques disponibles portaient sur ce que les clients faisaient (ce qui est le point de départ de tout exercice de capture de data). Mais si l'on examine l'importance des variables, c'est la manière dont les consommateurs se comportent qui a le plus d'influence sur le fait qu'ils achètent finalement des services premium : 62% de la prévisibilité était due à ces caractéristiques, alors qu'elles ne représentaient que 35%.

En outre, nous avons utilisé certains outils pour effectuer une analyse sentimentale afin d'extraire les caractéristiques des avis des consommateurs sur le data précédent. Sur la base de ces commentaires, nous pouvons rapidement identifier l'endroit qui doit être amélioré. Cette méthode peut également être utilisée pour les targeting personnalisés, en particulier pour ceux qui ont eu une mauvaise expérience mais qui ont encore le potentiel d'être des clients.

Conclusion

Pour mieux comprendre comment les clients prennent leurs décisions d'achat, nous avons observé dans de nombreux cas que le facteur le plus important est la variance des comportements des clients, plutôt que les actions et les données démographiques. Grâce à la richesse des comportements data, aux fonctions dérivées et aux analyses avancées, les commerçants peuvent facilement identifier et cibler les clients susceptibles de devenir des abonnés premium. La bonne nouvelle, c'est que dans le commerce électronique, les marques peuvent voir beaucoup plus de data sur le comportement des consommateurs que dans le commerce de détail hors ligne. Mais vous avez intérêt à l'anticiper.

En résumé, n'utilisez pas des “yeux hors ligne” dans un monde en ligne. Cela vaut également pour data.