Des données éclairées : La sagesse des foules : Utiliser le Big Data pour optimiser la tarification

26 mars 2015-

Par Doug Fuehne

Il est indéniable que les big data représentent un enjeu de taille pour les équipes de vente et les dirigeants. Chaque minute de la journée, les utilisateurs de Facebook partagent près de 2,5 millions de contenus, près de 300 000 tweets sont postés, les utilisateurs de messagerie électronique envoient plus de 200 millions de messages et Google reçoit plus de 4 millions de requêtes de recherche. Cette montagne de données - transactions par carte de crédit, points de fidélité, appels téléphoniques, clics sur des sites web et courriels - recèle une valeur importante qui change la donne. Le volume et la vitesse de ces données augmentent à une vitesse sans précédent, mais pour les entreprises qui réussissent à relever le défi et à saisir l'opportunité du big data, il peut en résulter une série d'informations exploitables qui peuvent avoir un impact significatif sur les taux de réussite, la taille des contrats et la durée du cycle de vente. Selon une étude de PricewaterhouseCoopers, ceux qui décrivent leur entreprise comme maîtrisant l'analyse de la demande estiment qu'ils surpassent leurs homologues du secteur en termes de ventes, de marges et de croissance des bénéfices de plus de deux fois, et affichent un rendement total du capital pour l'actionnaire huit fois supérieur.

Comment cela se produit-il ? Cela ressemble aux principes que James Surowiecki a identifiés dans son ouvrage de référence, "The Wisdom of Crowds" (La sagesse des foules), qui décrit comment de grands groupes de personnes peuvent collectivement apporter des réponses précises à différentes questions. Le big data nous donne l'occasion d'agréger des informations provenant de sources diverses, disparates et indépendantes et de reproduire la "sagesse des foules" dans un contexte marketing - en particulier les informations sur les prix. C'est une question qui convient parfaitement à la "sagesse des foules" car, fondamentalement, qu'est-ce qu'un prix si ce n'est le jugement collectif d'un marché libre ?

Dans de nombreuses entreprises, l'entreposage des données est à la base des initiatives de reporting et d'analyse, et c'est une stratégie qui apporte une certaine valeur. Les commerciaux peuvent trouver des réponses à des questions de base telles que "Quel est le secteur d'activité de ce client, quelle est la taille de son entreprise et dans quelle région il se trouve", mais cela laisse sans réponse la question la plus importante dans toute vente : Quel est le prix que ce client potentiel est réellement prêt à payer ? Pour répondre à cette question, il faut trouver des corrélations importantes entre une variété beaucoup plus grande de facteurs cachés dans des piles de données provenant de l'intérieur et de l'extérieur de l'organisation.

L'analyse des prix vise à définir des milliers de segments de clientèle sur la base de points communs entre des centaines de variables indépendantes. En identifiant les corrélations basées sur des historiques de données riches et profondes, les entreprises peuvent prendre des décisions plus intelligentes et mettre en œuvre des stratégies de vente, de marketing et de tarification ciblées qui ont beaucoup plus de chances de réussir. Cela se traduit par une augmentation du chiffre d'affaires et une accélération des cycles de vente.

Comment le Big Data permet de répondre à la question clé de la vente

À l'aide d'une série d'analyses statistiques sophistiquées et d'infrastructures informatiques révolutionnaires capables de traiter des pétaoctets de données, les spécialistes des données (data scientists) exploitent désormais la valeur cachée des big data pour élaborer des stratégies de vente et de tarification plus efficaces. Ils fournissent des conseils cruciaux au moment même de la transaction. Ils puisent dans les systèmes ERP, les historiques CRM, les analyses concurrentielles, les données économétriques de tiers, les sources d'abonnement et bien plus encore. Ils recherchent la meilleure réponse à la question clé : "Quel est le montant maximum que ce prospect est prêt à payer ?"

Cette analyse commence par une stratégie de segmentation efficace, qui consiste à analyser et à ré-analyser de vastes montagnes de données historiques afin de créer des "groupes de pairs" de clients et de prospects qui présentent des comportements d'achat similaires et qui ont une valeur prédictive significative. Mais il ne s'agit pas simplement de regrouper les prospects ou les clients dans des groupes rudimentaires de type "A", "B" et "C". Il s'agit plutôt de créer des centaines, des milliers, voire des dizaines de milliers de segments de groupes de pairs étroitement définis par des dizaines de variables telles que la taille de l'entreprise, le secteur d'activité/codes NAICS, les États, les codes ZIP, la fréquence des commandes précédentes, la taille moyenne des commandes, le statut de fournisseur privilégié, la préférence en matière d'expédition, la compétitivité du marché, le canal de vente, la méthode de paiement préférée, le score de crédit D&B, le temps passé sur le site Web au cours des 30 derniers jours, le nombre d'appels téléphoniques reçus au cours des six derniers mois, et bien plus encore.

Supposons, par exemple, que vous soyez un détaillant de fournitures de bureau. Un seul segment du groupe de référence pourrait être celui des consommateurs basés dans le Massachusetts, ayant un historique d'achat d'au moins six mois et effectuant des achats tous les 30 à 40 jours sur le site web. Leur carte de crédit préférée est Visa, ils ont accepté une recommandation de vente incitative au cours de l'année écoulée, ils ne passent en moyenne que 10 minutes par mois sur le site web de l'entreprise et passent en moyenne huit appels au centre de service clientèle tous les six mois.

Compte tenu des volumes de données généralement disponibles, ce type de segmentation peut donner lieu à des problèmes de rareté des données. Mais avec le big data, même un nombre massif de segments peut être alimenté par suffisamment de données pour obtenir des résultats statistiquement significatifs. Nous pouvons vérifier la valeur de ces dimensions à l'aide d'analyses simples et les assembler dans un modèle prédictif. Cela permet aux ventes et au marketing d'exploiter plus efficacement la sagesse des foules et de formuler des stratégies et des niveaux de prix optimaux.

Le meilleur rapport qualité-prix

Il est tentant de penser que les modèles prédictifs basés sur les big data ne sont utiles qu'aux équipes de vente directe qui réalisent des ventes complexes à forte valeur ajoutée. En réalité, le big data a le plus grand impact dans les organisations de vente et de marketing qui présentent deux caractéristiques clés : un grand nombre d'unités de stock (des dizaines de milliers) et un réseau de clients horizontaux qui s'étendent sur des secteurs et des zones géographiques. Dans les ventes directes d'articles à prix élevé, les équipes de vente ont moins de transactions à gérer et peuvent consacrer des ressources à des analyses de prix individuelles. En revanche, dans les organisations de distribution, les marges sont généralement assez minces et le pouvoir de fixation des prix est souvent amplifié.

La rapidité est un autre avantage stratégique des analyses de prix fondées sur des données. Comme le dit le proverbe, "le temps tue les affaires". Les taux de réussite peuvent augmenter de manière significative - sans sacrifier les marges - en présentant le prix optimal le plus tôt possible dans le cycle de vente. En évitant les tactiques de négociation prolongées et dépassées à l'approche de la conclusion de l'affaire, les équipes de vente peuvent éviter les perturbations et les retards.

Pour les organisations de vente et de marketing qui cherchent à optimiser leur tarification, la meilleure solution consiste peut-être à exploiter le pouvoir caché du big data et à acquérir de nouvelles connaissances sur les facteurs contribuant à la sensibilité au prix.

Doug Fuehne est vice-président du conseil stratégique chez PROS (NYSE:PRO).