La problématique : Chaque année, SECOMP envoie 3 catalogues de vente par correspondance aux entreprises, soit quelques centaines de milliers d’envois par an. En 2004, pour optimiser ses actions de conquête de nouveaux clients, SECOMP a souhaité s’éloigner de la location de fichiers nominatifs et d’un ciblage manuel sur des critères définis à dire d’expert. Le distributeur voulait ainsi diversifier son ciblage. Pour cela, il lui fallait déterminer les profils d’entreprises les plus susceptibles de devenir clientes. Le VPCiste allait analyser les profils type de ses clients existants, pour identifier les meilleurs prospects parmi les 4 700 000 adresses d’établissements référencées par l’INSEE.
La solution : Garden, cabinet spécialisé dans le conseil et l’ingénierie CRM, a préconisé et mis en œuvre l’outil KXEN Analytic Framework pour SECOMP. Celui-ci s’est interfacé parfaitement avec la base de données SQL dédiée aux actions marketing.
Les résultats : En une seule journée, 4 modèles ont été créés, ce qui aurait nécessité selon les consultants de Garden, plusieurs jours avec un produit concurrent. Ainsi, les entreprises scorées ont été segmentées en 4 catégories, selon leur appétence à commander des produits du catalogue SECOMP.
Avantage indéniable : le taux de retour a été doublé par rapport à un ciblage manuel.
De plus, SECOMP a pu diversifier sa cible par rapport à un fichier nominatif et ainsi mieux couvrir le potentiel des entreprises françaises.
Les perspectives à fin 2007 : Garden optimise son modèle en cherchant à mieux combiner les différentes variables pour mieux identifier les cibles d’entreprises les plus pointues. Pour cela, Garden tient compte des comportements des prospects liés à l’envoi des mailings précédents : ont-ils ou non passé une commande ? Si aucune réaction n’est enregistrée, ce prospect est abandonné. SECOMP enrichit ainsi sa base de données de « données réelles ».
La solution : Garden, cabinet spécialisé dans le conseil et l’ingénierie CRM, a préconisé et mis en œuvre l’outil KXEN Analytic Framework pour SECOMP. Celui-ci s’est interfacé parfaitement avec la base de données SQL dédiée aux actions marketing.
Les résultats : En une seule journée, 4 modèles ont été créés, ce qui aurait nécessité selon les consultants de Garden, plusieurs jours avec un produit concurrent. Ainsi, les entreprises scorées ont été segmentées en 4 catégories, selon leur appétence à commander des produits du catalogue SECOMP.
Avantage indéniable : le taux de retour a été doublé par rapport à un ciblage manuel.
De plus, SECOMP a pu diversifier sa cible par rapport à un fichier nominatif et ainsi mieux couvrir le potentiel des entreprises françaises.
Les perspectives à fin 2007 : Garden optimise son modèle en cherchant à mieux combiner les différentes variables pour mieux identifier les cibles d’entreprises les plus pointues. Pour cela, Garden tient compte des comportements des prospects liés à l’envoi des mailings précédents : ont-ils ou non passé une commande ? Si aucune réaction n’est enregistrée, ce prospect est abandonné. SECOMP enrichit ainsi sa base de données de « données réelles ».