Blog : Question Customer Life Time Value et B2B

CustomerLifeTimeValue

Retour sur la présentation de Nicolas Glady, professeur titulaire de la Chaire Accenture Strategic Business Analytics de l’ESSEC, qui est intervenu à la réunion Club B2B Adetem en septembre dernier. Slideshare ici

Seulement 17% des marketers B2B interrogés dans le sondage utilisent la CLV comme indicateur de performance marketing en France. C’est pourtant un indicateur qui présente l’énorme avantage de pouvoir calculer le rendement des campagnes marketing dans le futur, même sur plusieurs années – au contraire des autres indicateurs qui sont ramenés à la durée de l’exercice fiscal. Certes, ce n’est pas facile, et l’on voit bien qu’il faut des compétences analytiques, voire mathématiques. Mais la bonne nouvelle, c’est qu’il existe des experts comme Nicolas qui savent faire et le pratiquent couramment dans les entreprises.

Nicolas, pouvez-vous définir la CLV ?

La CLV (ou Valeur Vie Client en français) est la valeur actualisée des profits futurs qu’un client sera amené à générer. Par analogie, on peut comparer la CLV d’un client à la NPV de n’importe quel autre type d’actif : c’est la valeur financière qu’un client individuel a pour l’entreprise. Comme il s’agit de profits futurs, et que ceux-ci sont très souvent incertains, il faut disposer de modèle prédictifs pour estimer l’activité et la rentabilité future des clients.

Est-ce que la Customer Life Time Value a du sens et peut se calculer dans le B2B ?

Distinguer les clients qui seront plus rentables de ceux qui le seront moins est aussi pertinent en B2B qu’en B2C. En plus, comprendre la dynamique de cette profitabilité future est particulièrement éclairant pour le décideur. Il faut savoir que la CLV est aussi utilisée dans de nombreux contextes pour estimer l’impact des campagnes marketing…

Quels sont les problèmes rencontrés par ces entreprises du B2B ?

La CLV est souvent plus complexe à prédire dans un contexte B2B qu’en B2C et ce pour trois raisons :

  • Le caractère unique de certains clients,
  • La non-linéarité de certains effets
  • le rapport particulier qu’un client a avec son chargé de relation.

Premièrement, les techniques modernes (de type analyse bayésiennes) permettent de modéliser le comportement des clients individuels, même dans le cas où les données sont peu nombreuses. Ensuite, certains modèles (par exemple les arbres de décisions) sont particulièrement adaptés quand les effets sont non-linéaires (par exemple lorsqu’on s’attend à des effets de seuil). Enfin, il faut absolument tenir compte de la relation entre le chargé de clientèle et son client d’une manière quantitative. Il est par exemple possible de mesurer l’impact des visites passées sur la rentabilité future d’un client…

Quel modèle recommandez-vous ?

Il faut pouvoir tenir compte des problématiques soulignées précédemment, mais aussi garantir que le modèle sera compréhensible par le décideur et qu’il sera simple à utiliser en pratique. Cela demande souvent des efforts de conception, et ce point nous amène à la question des talents. Il faut que l’expert “Business Analytics” ait quatre séries de compétences :

  • être capable d’utiliser les outils informatiques,
  • pouvoir analyser les données, mais aussi (et ces points sont trop souvent oubliés par ceux qui connaissent mal le domaine)
  • comprendre la problématique business dans laquelle s’inscrit la solution Analytics
  • arriver à expliquer simplement aux différentes parties prenantes les tenants et aboutissants de la solution proposée.

Pour en savoir plus, j’invite le lecteur à consulter par exemple : http://strategic-business-analytics-chair.essec.edu/presentation/lexpert-business-analytics/

Partager cet article

Commentaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *