Introduction

Les marques visent en permanence à améliorer leur connaissance client pour être au plus proche de leurs attentes et leur fournir la bonne offre, au bon prix et au bon endroit. Cette connaissance de la clientèle devient de plus en plus fine au fur et à mesure que les outils se sophistiquent. Si le Saint Graal pourrait être de faire un ciblage individualisé, nous sommes encore loin d’avoir des solutions efficaces en la matière (pensez aux suggestions de produits que vous font Amazon, Netflix et Spotify ! Elles sont loin de tomber dans le mille à chaque fois). Les intelligences artificielles et le machine learning vont certainement s’améliorer pour aller vers des ciblages de plus en plus fins mais aujourd’hui nous pouvons nous réjouir quand un clustering nous conduit à définir des segments pertinents. D’ailleurs, peut-être que ce vieux rêve de l’humanité de prédire les comportements de ses pairs ne restera jamais qu’un rêve. Les décisions prises par un humain sont soumises à tellement de paramètres qu’il semble utopique (ou plutôt dystopique) de pouvoir les anticiper tous dans un calcul.

Dans ce chapitre, nous aborderons donc les outils de la segmentation que sont l’Analyse Factorielle en Composantes Principales et le clustering. Au préalable, nous aurons vu ce qu’est une segmentation efficace et comment choisir ses critères...