Contexte et objectifs

Un distributeur européen de produits alimentaires et de boissons en B2B souhaitait approfondir sa compréhension de sa clientèle et augmenter le nombre potentiel de prospects.

Ils faisaient face à deux principaux défis

• une faible actionnabilité des données sur leur base de clients : ils avaient principalement des données sur le comportement de consommation et quelques données externes remplies manuellement par l'équipe de vente.

• un nombre écrasant de prospects à qualifier précisément à partir d'une liste fournie par des services de données B2B (coûteux).

Approche

La première étape du projet consistait à recueillir des données internes sur le comportement des clients, comme leurs habitudes de consommation, le type de produits et services, ou les données des machines de vente et la fréquence des achats.

Nous avons ensuite collecté des données ouvertes pertinentes en B2B (financières & sectorielles) et créé des variables supplémentaires liées à la taille de l'entreprise, à l'EBIT et à d'autres facteurs pertinents. Ce processus était crucial pour offrir une vue plus complète de la base de clients.

Ensuite, nous avons développé un algorithme destiné à différencier les clients à fort et faible potentiel. Cette étape était cruciale car elle permettait à l'entreprise de mieux comprendre ses clients et d'identifier des prospects potentiels. Nous avons rencontré un défi ici car les critères pour définir un client à fort/faible potentiel étaient initialement restrictifs. Toutefois, après quelques ajustements, l'algorithme a pu clairement différencier les clients.

Résultats

Nous avons réussi à enrichir plus de 50 % de toute la base de données CRM et plus de 80 % des clients qui ont effectué un achat au cours des 3 dernières années avec des informations pertinentes. L'enrichissement a révélé les secteurs idéaux et les types firmographiques liés à une performance commerciale élevée. Ces insights ont été importants car ils ont aidé à cibler plus efficacement leurs efforts de marketing et de vente.

L'algorithme de scoring des prospects a également été un succès. Il a non seulement fourni au client une compréhension plus approfondie du type d'entreprises avec lesquelles ils travaillaient, mais il a également identifié 1 800 entreprises avec le plus grand potentiel. Ce nombre était gérable pour l'organisation, leur permettant de concentrer efficacement leurs ressources.

En termes de livrables, le client a reçu

• Deux ensembles de données. Le premier ensemble était leur base de clients, désormais enrichie de données pertinentes. Le second était une liste d'entreprises cibles, chacune étant notée en fonction de la probabilité d'être un client rentable et de leurs données financières & sectorielles respectives.

• Un modèle formé

• Code du projet

• Documentation complète

• Un tableau de bord Power BI