Campagnes thématiques : débloquez +20% de panier moyen

Construire le ciblage d'une campagne thématique prend un temps considérable. Et trop souvent, malgré tout ce travail, l'engagement reste en dessous des attentes. Si ce constat vous parle, ce cas d'usage est pour vous.

C'est l'un des cas d'usage les plus courants de l'IA prédictive en CRM, et le premier d'une série qui décline, un par un, les usages concrets de Batch AI Predict. Pour comprendre pourquoi un score prédictif n'a de valeur qu'une fois activé dans une campagne, n'hésitez pas à consulter notre article de cadrage.

Le problème : beaucoup de temps, peu d'engagement

Le scénario est familier : une nouvelle collection arrive, une mise en avant saisonnière se prépare, une gamme doit être poussée. Il faut donc construire l'audience. Alors on plonge dans l'historique d'achat, on croise des catégories, on empile des règles :

• « a acheté dans cette catégorie au cours des douze derniers mois »,

• « a cliqué sur telle campagne »,

• « appartient à tel segment » etc.

Le ciblage finit par sortir, après des heures de travail.

Et le résultat déçoit car le taux d'engagement n'est pas à la hauteur de l'effort fourni. Normal : un ciblage à base de règles repose sur ce que le client a déjà fait, pas sur ce qu'il s'apprête à faire. Il note les clients qui n'ont jamais acheté la thématique mais qui y sont réceptifs, et il inclut des clients qui ont acheté une fois sans réelle appétence.

Avant d'aller plus loin, posons la question qui compte : à quoi reconnaît-on que ce problème est réglé ? La vraie métrique de succès ici, c'est le taux de conversion de la campagne, soit LA preuve qu'on touche les bons clients. À surveiller juste à côté : le panier moyen et le CA additionnel généré, qui mesurent l'impact business, et le temps de ciblage, car la moitié du problème, c'est justement le temps que tout cela coûte. Nous reviendrons sur les chiffres en fin d'article.

Le contexte : un plan d'animation dense et un ciblage approximatif

Concrètement, imaginez une marque au large catalogue, qui anime sa base au rythme d'un plan commercial chargé : plusieurs campagnes thématiques par semaine, des gammes à mettre en avant, des temps forts saisonniers qui s'enchaînent. Chaque campagne demande un ciblage spécifique, construit à la main par l'équipe CRM à partir de l'historique d'achat.

Deux problèmes se cumulent dans ce contexte.

1. Le ciblage manuel est lent, ce qui limite le nombre de campagnes qu'on peut lancer.

2. Par ailleurs, il reste approximatif, parce que l'historique ne dit pas qui a envie d'acheter cette thématique maintenant.

Résultat : un effort élevé pour un rendement moyen, sur un volume de campagnes qu'on aimerait pouvoir augmenter.

Le process dans Batch : construire l'audience à partir du score d'appétence

Avec Batch AI Predict, le ciblage de la campagne thématique se construit directement dans la plateforme, sans outil tiers ni export. La démarche tient en trois temps.

1. D'abord, on identifie la thématique ciblée : un produit, une catégorie, une gamme, une famille.

2. Ensuite, le score d'appétence à cette thématique est disponible sur chaque fiche profil, comme un attribut classique.

3. Enfin, on construit l'audience en sélectionnant les clients dont le score dépasse un certain seuil, par exemple le top des clients les plus appétents, exactement comme on filtrerait sur n'importe quel attribut CRM.

Là où le ciblage manuel prenait des heures, la sélection se fait en quelques minutes. Et surtout, elle ne repose plus sur une approximation : elle classe les clients par probabilité réelle d'engagement sur la thématique. L'équipe CRM passe moins de temps à construire, et lance la campagne sur une audience nettement plus pertinente.

Le score derrière le cas d'usage : l'appétence produit

Pas de boîte noire. Le score qui alimente ce cas d'usage est le score d'appétence produit. Son principe est simple à énoncer : pour chaque client, il prédit la probabilité qu'il achète sur une cible de produits donnée dans les X prochains jours.

Cette probabilité, comprise entre 0 et 1, est calculée par un modèle de Machine Learning entraîné sur l'ensemble des données disponibles sur les clients :

• données comportementales (achats, navigation, engagement — ouvertures, clics, désabonnements),

• catalogue produits,

• données socio-démographiques, et plus encore.

Le modèle observe qui a acheté la thématique par le passé, identifie les signaux qui caractérisent ces acheteurs, et applique ce raisonnement à l'ensemble des clients pour estimer leur appétence, y compris pour ceux qui n'ont jamais acheté la thématique mais qui présentent les bons signaux. C'est précisément ce que le ciblage à base de règles ne sait pas faire.

À noter : ce même score d'appétence sert aussi à un autre cas d'usage. Ici on l'utilise pour maximiser la performance de la campagne ; on peut aussi l'utiliser pour préserver l'engagement client en restreignant l'audience aux seuls clients pertinents, afin de réduire la pression marketing. Un même score, plusieurs cas d'usage : c'est exactement la logique de Batch AI Predict.

Les performances : ce que l'on observe sur ce type de cas d'usage

Voici les performances auxquelles on peut s'attendre sur ce type de cas d'usage, mesurées en A/B test contre un ciblage construit par les experts CRM.

• Le taux de conversion est multiplié par environ 1,5, passant typiquement de l'ordre de 0,9% à 1,4%.

• Le panier moyen progresse d'environ 20%.

• Mis bout à bout, et dans le contexte d'un client précis dont le volume d'envoi le permettait, cela a représenté un CA additionnel de l'ordre de 46 000 € par campagne testée (chiffre à rapporter au volume de chaque campagne).

• Et côté efficacité opérationnelle, le temps consacré au ciblage de chaque campagne baisse d'environ 70%.

Ces chiffres disent deux choses, qui répondent point par point au problème de départ. La conversion et le CA additionnel prouvent que l'on touche enfin les bons clients : l'engagement n'est plus décevant. Le temps de ciblage divisé règle l'autre moitié du problème : l'équipe CRM peut lancer plus de campagnes, en tester davantage, sans y passer ses journées.

En résumé

Le ciblage des campagnes thématiques est l'un des chantiers les plus chronophages du CRM, pour un résultat souvent en deçà de l'effort. Le score d'appétence produit de Batch AI Predict construit l'audience optimale en quelques minutes, directement dans la plateforme, et touche les clients réellement réceptifs. Plus de conversion, plus de panier, beaucoup moins de temps passé.