IoT technology for e-commerce customer information segmentation

Dans le monde effervescent du commerce en ligne, un marchand est confronté à un défi aussi vieux que le commerce lui-même : comment traiter chaque client comme un individu sans y perdre la tête. Autrefois, un boutiquier connaissait ses habitués par leur nom et leur visage. Aujourd'hui, une boutique numérique peut servir des millions de personnes, dont la plupart ne sont qu'un nom d'utilisateur et une adresse de livraison de distance. Pour survivre, ces entreprises doivent trier leurs clients en groupes, en comprenant qui apporte le plus de profit et qui nécessite un peu plus d'attention. C'est l'art de la segmentation de la clientèle. Traditionnellement, les entreprises ont observé trois éléments simples pour juger de la valeur d'un acheteur : la récence de son dernier achat, la fréquence de ses achats et le montant de ses dépenses. Ce trio de faits forme une carte de base des habitudes d'un client. Cependant, le simple fait d'additionner ces chiffres omet souvent la nuance du comportement réel. Un client qui dépense beaucoup mais visite rarement peut être différent de celui qui visite quotidiennement mais dépense peu. La question demeure : comment pondérer ces facteurs de manière équitable pour percevoir la véritable valeur d'un acheteur ?

Un chercheur de l'Institut Polytechnique de Henan s'est donné pour mission de répondre à cela en affinant la manière dont les marchands en ligne analysent leurs données. Au lieu de deviner lequel des trois facteurs — la récence, la fréquence ou les dépenses — importe le plus, le chercheur a utilisé une approche mathématique appelée la méthode du poids d'entropie pour laisser les données parler d'elles-mêmes. Cette technique calcule l'importance de chaque facteur en fonction de la variation des données, garantissant que le score final reflète les modèles réels des registres de ventes plutôt qu'une opinion préétablie. L'étude s'est concentrée sur un marchand spécifique vendant des biscuits et des gâteaux sur la plateforme Pinduoduo, examinant plus de 32 000 enregistrements d'achats d'août 2019 à janvier 2020. Après avoir nettoyé les données pour supprimer les commandes invalides et identifié les clients par leurs adresses de livraison, le chercheur a appliqué ce nouveau système de notation pour évaluer chaque acheteur.

Une fois les clients notés, le chercheur a utilisé un outil de regroupement pour les classer. Imaginez le tri d'un tas de pierres mélangées, non pas seulement par couleur ou par taille, mais en trouvant les amas naturels où les pierres de poids et de texture similaires se déposent naturellement ensemble. L'ordinateur a testé différents nombres de groupes, de deux à huit, et a sélectionné l'arrangement qui créait les catégories les plus distinctes et les plus claires. Le résultat fut une carte de quatre types de clients bien distincts. Le premier groupe, représentant environ 27 % des clients, était composé de clients à faible valeur : ils n'avaient rien acheté récemment, achetaient peu fréquemment et dépensaient très peu. Le deuxième groupe, représentant près de 23 %, était constitué de clients qui avaient dépensé une bonne somme et acheté souvent par le passé, mais qui étaient devenus silencieux récemment ; c'étaient les acheteurs que le marchand devait reconquérir. Le troisième groupe, un autre 27 %, était composé d'acheteurs récents qui exploraient encore la boutique mais ne s'étaient pas encore engagés dans des dépenses élevées ou des visites fréquentes. Enfin, le quatrième groupe, comprenant environ 22,5 % du total, était constitué de clients à haute valeur : ils achetaient récemment, achetaient souvent et dépensaient le plus d'argent.

Lorsque le chercheur a comparé cette nouvelle méthode à la méthode traditionnelle de notation des clients, la différence était évidente. L'approche traditionnelle, qui repose souvent sur des poids fixes décidés par des experts, avait tendance à regrouper les acheteurs les plus précieux dans une infime fraction du total, n'identifiant que 0,8 % d'entre eux comme étant à haute valeur. En revanche, la nouvelle méthode, qui a laissé les données déterminer les poids, a identifié un groupe de clients à haute valeur beaucoup plus large et plus réaliste, s'alignant étroitement sur l'observation commerciale bien connue selon laquelle une petite partie des clients génère la majorité des profits. Le nouveau modèle a montré que les groupes étaient plus distincts les uns des autres, ce qui signifie que le marchand pouvait désormais voir les différences entre les types de clients avec une plus grande clarté. Cela suggère qu'en laissant les données décider du poids à accorder à la récence, à la fréquence et aux dépenses, les entreprises en ligne peuvent créer des profils plus précis de leurs acheteurs. L'étude conclut que cette approche offre une meilleure façon de segmenter les clients, permettant aux marchands d'adapter leurs stratégies pour satisfaire leurs meilleurs acheteurs et encourager doucement les autres à revenir, le tout basé sur une image plus claire de qui ils sont réellement.