Club Med décortique sa Data pour identifier les meilleurs leads

Cet article a été publié originellement sur mydatacompany.fr

Le voyagiste dispose d’une base de plus de 15 millions de prospects et clients et d’une vision complète du parcours client. Club Med met à profit sa Data, son data lake et ses nouvelles compétences pour gagner en efficacité opérationnelle grâce à l’intelligence artificielle.

Le Club Med est un acteur historique du voyage. En 2020, l’entreprise traverse cependant une « année particulière », comme le reste du secteur. La crise ne signe pas néanmoins la fin des projets d’innovation de l’enseigne. Le Club Med s’efforce ainsi de développer une meilleure exploitation de la donnée.

Ces usages répondent à deux besoins principaux : l’efficacité opérationnelle, au travers d’une réduction des coûts, et l’amélioration de l’expérience client. Le voyagiste s’efforce ainsi grâce à l’IA d’optimiser la phase de réservation d’un séjour.

Fiabiliser la donnée omnicanale pour une meilleure connaissance client

 « Il va s’agir d’être le plus pertinent possible. De proposer les bonnes options, de faire les bonnes recommandations pour viser in fine un parcours prospect-client le plus fluide et personnalisé possible » précise Barbara Vandeputte, directrice Customer & Business Intelligence.

Le Club Med a dans ce cadre mis au point avec Ekimetrics une nouvelle solution reposant sur l’intelligence artificielle. Or, son intégration se heurtait à des freins majeurs. Le nombre d’outils opérationnels en place, d’abord. Les interfaces ne manquent pas, que ce soit en contact client, mais aussi en support et en back-office.

Deuxième complexité : la fragmentation des données. Chaque source de données provient d’un système opérationnel propre. Faire interagir ces différentes sources représentait un obstacle. Mais les équipes du Club Med et de son partenaire ont également dû apprendre à maitriser toute la technologie et la technique de l’intelligence artificielle.

Avant de se lancer, l’entreprise a d’abord planché sur l’intégralité du parcours d’achat. Pour cela, elle a réalisé durant 2 à 3 mois une analyse sémantique des chats et appels. Il s’agissait ainsi de déterminer la durée du parcours client, le nombre moyen de contacts, ou encore la part des parcours omnicanaux.

Identifier les leads durant le parcours d’achat

Il ressort de cette analyse qu’un parcours dure en moyenne 4 mois du premier contact à l’acte d’achat. En outre, durant ce cycle, le client fait appel en moyenne 8 fois au Club Med (web, appel, agence). Et si le voyagiste a ainsi creusé au sein du parcours d’achat, c’est pour répondre à plusieurs priorités.

Il souhaitait rendre le client le plus autonome possible pendant ce parcours. L’objectif était aussi de fiabiliser la data dans une optique d’amélioration de la connaissance client. Cette connaissance doit en particulier bénéficier au vendeur et l’aider à vendre mieux et plus. Enfin, le Club Med cherchait à identifier les leads pour être plus proactif tout au long du parcours d’achat.

Pour y parvenir, l’enseigne a enrichi ses compétences internes, au travers en particulier de la création du département Customer & BI. Le service regroupe l’ensemble des compétences en matière de Data. Par ailleurs, celui-ci peut aujourd’hui s’appuyer sur un data lake « durable et évolutif » réunissant données online et offline.

C’est pour tirer profit de ce capital de données permis par une distribution majoritairement directe (60%), comprenant 15 millions de clients et prospects, que le Club Med a priorisé ses cas d’usage. Priorité ainsi aux projets présentant le plus fort ROI à court et moyen terme. Le lead scoring s’inscrit dans cette démarche.

Des recommandations grâce à des scores d’appétence

« Le lead scoring, c’est en gros une capacité à quantifier et qualifier une appétence d’achat d’un prospect ou d’un client à tout moment pour partir en séjour à une date donnée » définit Barbara Vandeputte.

Le Club Med devait donc être en mesure d’anticiper l’acte d’achat grâce au score. Celui-ci se nourrit d’une multitude de signaux faibles que le client laisse tout au long de son parcours. L’entreprise doit ainsi les capter et réagir « au bon moment, sur le bon canal ».

« Le lead scoring nous permet maintenant de choisir nos plans d’activation au niveau du CRM et de contacter le client à la bonne mesure et de ne pas le sur-contacter, mais aussi de le contacter avec le bon message » se félicite sa dirigeante.

Mais attention cependant, tous les leads n’ont pas la même valeur. L’enjeu pour l’enseigne est en effet de « choisir ses combats » en sélectionnant les leads les « plus opportuns ou engagés » dans une stratégie d’économie.

« Les plans d’activation commerciaux peuvent être couteux » rappelle la responsable BI. L’activation par web chat ou appel sortant cible donc les clients ou les prospects les plus engagés, et ce avec la bonne offre.

Un score client en temps réel pour le vendeur

Le score conçu par l’entreprise permet pour cela de disposer d’un score d’appétence pour des villages ou des dates de départ. Cet indicateur lui permet d’être plus précis lors d’un contact client, que ce soit en CRM ou en agence.

D’ailleurs, « demain le vendeur aura en temps réel le score du client sur les offres pour lui permettre d’être plus pertinent dans son argumentaire de vente » annonce Barbara Vandeputte. Mais pour parvenir à ces scores, le Club Med a dû au préalable déterminer les bonnes données en entrée du modèle.

Il s’agit de données omnicanales. Au total, le modèle intègre plus de 50 variables en entrée. Celles-ci proviennent notamment des campagnes CRM (ouverture des emails, clics…). Elles comprennent aussi les informations client (« 100% RGPD compliance »), les appels entrants et sortants et la navigation web.

Le Club Med se revendique ainsi « à l’état de l’art de la data science ». Elle dispose en effet d’un réseau de neurones récurrent permettant d’apprendre sur tous les parcours client passés. Et récurent car il présente l’avantage de modéliser non pas une somme d’évènements, mais plutôt une succession d’évènements.

Toutefois, pour répondre à l’attente du métier, un réseau de neurones unique ne suffit pas. Le score d’appétence se double donc d’un score de préférence pour « éclater » ce score individuel sur chaque village et chaque mois de départ. Cette approche permet de beaucoup plus précisément qualifier la probabilité d’achat d’un individu.

Une conception algorithmique « hybride »

Et cela, « nous le faisons en mobilisant d’autres techniques et algorithmes complémentaires grâce à une conception algorithmique assez hybride, modulaire » détaille Mathieu Choux, partner pour Ekimetrics.

A cette fin, la plateforme de données sous-jacente est clé. « La plateforme en place actuellement permet d’automatiser un flux de machine learning, peu ou prou dans un monde d’autoML avec un entrainement régulier des modèles. Les divergences possibles sont monitorées (…) On est capables de faire appel au score calculé autant qu’on veut, à la demande » précise encore l’expert.

L’équipe Data du Club Med peut en outre servir ces score pour plusieurs usages. La priorité à ce stade, c’était l’activation CRM, afin par exemple d’alimenter des campagnes. Ainsi, calculer des scores quotidiens était amplement suffisant pour y parvenir. Mais d’autres usages sont possibles désormais.

« La plateforme actuelle prépare le terrain pour des cas d’usages véritablement temps réel. Elle a été pensée de manière suffisamment évolutive pour le faire ». Il pourra s’agir par exemple de déclencher un chat lors de la navigation sur le site web. Autres applications envisageables : la qualification d’un appel entrant en termes de probabilité d’achat, ou la personnalisation de la navigation Web.

« 30% du succès de la mise en place d’un use case dépend de la compétence data et de la technologie choisie. Mais 70% reposent sur l’appropriation des métiers et ce qu’ils en feront au quotidien » prévient toutefois la directrice Customer & Business Intelligence.