1. Par Valentin Delrutte Charles Deparis Romain Maréchal Abdelkader Soltane Customer Portfolio Management

2. Customer Portfolio Management Apparition du « portfolio model » de Markowitz en 1952 Le modèle s’étend au marketing dans les années 70, et est de plus en plus utilisé Le concept de CPM se développe dans les années 80, avec la prise en compte des caractéristiques clients plutôt que celles des entreprises Définition de la CPM par Johnson & Selnes (2005) : « a process of creating value across a company’scustomerrelationshipswith an emphasis of balancingcloserrelationshipswithweakerones »

3. Problématiques Comment « qualifier » au mieux sa clientèle et prévoir les changements de comportement ? Comment maximiser la CEM ? Quels sont les outils et méthodes utilisées en ce sens ? Managing Dynamics in a Customer Portfolio, Christian Homburg, Viviana V. Steiner, & Dirk Totzek Journal of Marketing Vol. 73 (September 2009) Customer portfolio management using Z-ranking of customer segments and the LTV perturbation method, Ram Gopalan Vol. 14, 3, 225–235 Database Marketing & Customer Strategy Management

4. Managing Dynamics in a Customer Portfolio Sources: Christian Homburg, Viviana V. Steiner, & Dirk Totzek Journal of Marketing Vol. 73 (September 2009)

5. Illustration du modèle

6. Échantillon et méthodologie Portefeuilles clients dans 4 secteurs différents (Banque, Télécom, Pharmaceutique, Chimie) comprenant de 826 à 300 000 clients L’étude menée de 2003 à 2006 pour ces secteurs hormis pour les Telecommunications, secteur étudié de 2006 à 2007 Utilisation de 80% de l’échantillon pour l’établissement du modèleet des 20% restants pour sa validation

7. Échantillon et méthodologie Identification des segments à partir de leur valeur actuelle, et de caractéristiques propres aux clients ainsi que de caractéristiques transactionnelles considérées comme indicateurs de la valeur client actuelle Utilisation de la méthode de l’arbre de regression (CART) pour identifier ces indicateurs Observation des switchingbehaviors entre les segments au fil du temps et leurs probabilités par l’utilisation des chaînes de Markov Utilisation de ces probabilités pour prédire la contribution future des clients selon leur segment (avec intégration du discount rate dans le calcul)

8. Identification des indicateurs

9. Identification des indicateurs Identifier les éléments déclencheurs de la perception clients et les dangers probables Analyser les changements de la satisfaction-client et de la qualité percue Identifier la dynamique du portefeuille client par : les caractéristique transactionnelles ( data/ short-term) les caractéristique clients ( socio-demo/ long term) - Comment investir et dans quels segments de clientèle ? - Améliorer la rentabilité de chaque segment de clientèle du portefeuille

10. Identification des indicateurs IDENTIFY CUSTOMER SEGMENT DATA MINING REGRESSIONS TREES OBSERVE CUSTOMER’S SWITCHING SWITCHING PROBABILITIES MARKOV PROCESS PREDICT CUSTOMER FUTURE CONTRIBUTION CALCULS MATRICIELS CLV

11. CART (arbre de régression et de classification) Méthode utilisée pour le partitionnement récursif d’un ensemble de variables indépendantes

12. CART (arbre de régression et de classification)

13. Régression appliquée à notre échantillon

14. Segmentation par la regression La segmentation de l’échantillon étudié a été effectuée selon les indicateurs les plus importants tels que :

15. Évaluation statique ou dynamique des segments

16. Évaluation statique ou dynamique des segments Approche initiale: approche statique par nature Classement des segments de clientèle dans leur valeur actuelle Pas de prise en compte de dynamique de relation client 97-2004 ( Johnson and Selnes) Approche dynamique Mise en exergue de notion de risque dans les relations clients. Stabilité et probabilité des revenus futurs ( changement de valeur et niveau de transformation) LTV

17. Évaluation statique ou dynamique des segments Les modèles de portefeuille statique: Surestimation des clients de haut niveau et sous-estimation des clients d'échelon inférieur en négligeant la dynamique dans la relation client

18. Processus de Markov Selon une suite de Markov, on peut affirmer que connaissant Xn, on peut prédire le futur sans avoir recours aux informations précédentes Xn+1 = f(n; Xn) C’est un système déterministe, par opposition aux systèmes à « mémoire »

19. Matrice de Markov

20. Comparaison entre évaluation statique et dynamique

21. Efficacité du modèle 10 111 96 684

22. Stratégie offensive VS défensive

23. Stratégie offensive VS défensive Offensive VS défensive stratégy Offensive : développement des relations existantes ou acquisition de nouveaux clients Défensive : veillant notamment à assurer que les relations avec la clientèle ne se dégradent pas Maintien de la valeur du segment à son niveau actuel

24. Stratégie offensive VS défensive concurrence

25. Stratégie offensive VS défensive

26. Stratégie offensive VS défensive 37% 39%

27. Stratégie offensive VS défensive

28. En conclusion L ’approche statique du portefeuille client fausse la priorisation des segments Il n’existe pas une stratégie UNIQUE à adopter dans la gestion du portefeuille client L’identification des indicateurs de migration permet de mieux cibler les clients sur lesquels investir Le modèle développé dans cette étude surpasse bien d’autres méthodes utilisées jusqu’alors pour le calcul de la CLV comme pour la segmentation

29. « Management d’un portefeuille clients avec le Z-ranking des segments de clients et la méthode LTV perturbation. » Sources: Ram GOPALAN, Vol. 14, 225-235 Database Marketing & Customer Strategy Management.

30. L’outil Z-Ranking ( Rapport consommateurs et Rentabilité consommateurs ) Micro-segments CCS[1,i] Micro-segments PCS[2,i] Rentabilité consommateurs C1 C2 Forte Seuil Valeur Pt Faible C4 C3 Rapport consommateurs Clients Prospects

31. Calcul de la TCPV Valeur Total du Portefeuille Clients= ∑PCS_Q2 (N_PCS[2, i ] × VAL_PCS[2, i ]) + ∑PCS_Q4(N_PCS[4, i ] × VAL_PCS[4, i ]) + ∑CCS_Q1(N_CCS[1, i ] × VAL_CCS[1, i ]) + ∑CCS_Q3(N_CCS[3, i ] × VAL_CCS[3, i ])

32. Stratégies et limites liées au TCPV Stratégies : Augmenter le nombre de clients par micro-segments Améliorer la valeur clients dans un segment Limites : Valeur client influencée par des paramètres LTV. Lier les 2 stratégies ci-dessus.

33. Définition de la LTV Pertubation La LTV peut être « perturbée » par différentes stratégies influençant l’évolution de la valeur du portefeuille client. Chaque entreprise à l’aide de scénarios (« What if ») peut analyser les retombées positives de telles perturbations et envisager leurs stratégies futures.

34. La méthode LTV perturbation Définir et identifier les micro-segments Valorisation de chaque micro-segment Identifier les différents modèles de LTV Pertubation et leurs impacts Simulation à l’aide de scénarios

35. Définir et identifier les micro-segments Les étapes : Déterminer le seuil Pt. Classifier les clients dans les segments puis micro-segments.

36. La segmentation : « Market segmentation variables for consumer markets » (Kotler, 1999) : Variables Géographiques Pays Régions Ville Densité Climat Variables Psychographiques Classe Sociale Style de vie (opinions/intérêts) Personnalité Variables de Comportement Fréquence d’achat Bénéfices recherchés Type d’utilisateur Taux d’utilisation Fidélité Satisfaction Variables Démographiques Age Sexe Statut Nombre membres au Foyer Revenus CSP Education Religion Nationalité Sources: Kotler, Ph (1999) “Principles of Marketing”, Second European Edition, pp.376-430

41. La méthode CHAID CHAID = Chi² Automatic Interaction Detection Sources: « An Extension of the CHAID Tree-based Segmentation Algorithm to Multiple Dependent Variables », Jay Magidson1 and Jeroen K. Vermunt, 2004.

42. Illustration Dépenses % Acceptation Produit 1. % Acceptation CS Produit 2. % Prod 1 reconduit. % Risque % attrition Sources: Ram GOPALAN, Vol. 14, 225-235 « Database Marketing & Customer Strategy Management. »

43. LTV model pour chaque micro-segments Valeur Totale d’un Micro-segment= (LTVA du micro-segment) x (nombre de clients du micro-segment)

44. LTV model pour chaque micro-segments LTV = ∑Si [Probabilité ( Si ) × Valeur ( Si )] VAL_PCS[2, 1] = $ 25.54 VAL_PCS[4, 1]= $ 17.12 VAL_CCS[1, 1]= $275.52 VAL_CCS[1, 2]= $704.71 VAL_CCS[3, 1] = $ 17.57

45. Phase 3: Identification des modèles de LTV Pertubation Chaque action, chaque option a pour but d’augmenter la valeur de la TCPV. Cette croissance peut se faire par l’augmentation du nombre de consommateurs (N)ou par l’augmentation de leur valeur (V)

46. Mise en pratique : Perturbation [1] Mise en avant de ces modèles à travers 7 perturbations ayant des composantes différentes mais le même objectif final. Perturbation [1] But: augmenter de 10% les dépenses pour le segment CCS[1;1] L’impact de la LTV sur le segment est de + 22,29 $ par consommateur. Sachant que N_CCS[1;1]= 5 000 000

47. Mise en pratique : Perturbation [2] But: augmenter le taux de réponse pour les prospects PCS[2;1] Moyens: - améliorer le design de l’offre prospect - faire preuve de plus de créativité - investir dans des fichiers prospect plus qualitatif Ici, l’objectif est d’augmenter le taux de réponse de 10 points (15% à 25%) Résultat: augmentation de 17,7$ par prospect « mailé »

48. Mise en pratique : Perturbation [3] But: diminuer le taux d’attrition volontaire pour le segment CCS[1;1] Il s’agit donc de diminuer le taux d’attrition P4 tout en augmentant le taux de rétention P3 OU En augmentant P3 et P2 (taux de cross sell) en même temps Comment: - investir dans un système de gestion des plaintes plus abouti Résultats: hausse de 6,47$ , résultat modeste par rapport à la taille du segment

49. Mise en pratique : Perturbation [4] But: diminuer le taux de non payement du segment CCS[3;1] et augmenter de 95 % le taux de rétention Comment: - gérer de manière plus stricte les comptes clients Résultat: augmentation de LTV de 143,34 $ Si N_CCS[3;1]= 300 000 alors l’impact sur le portefeuille est de :

50. Mise en pratique : Perturbation [5] But: augmenter le taux de « cross-selling » pour le segment CCS [1;1] L’impact sur ce segment à des conséquences positives et la LTV augmente pour les segments PCS[2;1], PCS[4;1] et CCS[3;1] à long terme. Résultats: P3 (rétention) chute de 87% et P4 (attrition) diminue de 7%. On peut donc dire que P[5]=P[3] La LTV augmente de 10,34$

51. Mise en pratique : Perturbation [6] But: Elargir la gamme de produit pour le segment CCS[1;1]Tout en diminuant le coût d’acquisition des clients. Sachant que 5% des clients du segment [1;1] sont acquis sans frais N_CCS[1:1] Alors 250 000 nouveaux clients ont une valeur de 275,52 $.

53. Taux d’attrition élevéMise en pratique : Perturbation [7]

54. Mise en pratique : Perturbation [7] On appelle « Global Perturbation », les perturbations ayant un impact qui ne se limite pas à un client ou un micro segment mais sur l’ensemble du portefeuille client La « Global Perturbation » ne peut pas être jaugée quantitativement avec un model LTV mais les marketers doivent l’apprécier de manière qualitative. Résultat: hausse de la LTV de 74.29$

55. Phase 4: Simulation à l’aide de scénarios Lors de la phase IV, les équipes marketing doivent définir quel sous ensemble de modification mettre en place tout en fixant un budget limité Cette allocation des ressources est toujours une source de différent entre les départements L’avantage principal de l’utilisation du Z-ranking et des LTV Perturbation est de pouvoir quantifier les coûts et les bénéfices.

57. Ordonner et sélectionner les projets avec le meilleur rendement pour 1 $ dépensé: Pert[4] et Pert[2]. Calcul d’optimisation: cherche a savoir limpact maximum et il faut ke ce soit inf au budget

58. Sélectionner une perturbation après l’avoir testée et simulée sur le portefeuille avec différent scénarios.