Comment augmenter l'efficacité du reciblage PPC avec une analyse RFM

Vous voulez arrêter de gaspiller de l’argent publicitaire avec les mauvais clients ? Découvrez comment l'analyse RFM peut transformer votre reciblage PPC en identifiant vos audiences les plus précieuses – des clients VIP à ceux à risque de désabonnement – ​​et adaptez vos campagnes pour un retour sur investissement maximal.

Qu'est-ce qu'une analyse RFM ?

En un mot, une analyse RFM vous aide à classer les clients en fonction de leur comportement d'achat.

RFM signifie :

• Récence.
• Fréquence.
• Valeur monétaire.

Récence

Depuis combien de temps le client a-t-il effectué un dernier achat ? Plus l’achat est récent, plus le client est considéré comme actif, ce qui augmente vos chances de réussir à renouer avec lui.

Fréquence

Combien de ventes ces clients ont-ils réalisés sur une période donnée ? Encore une fois, plus la fréquence d’achat est élevée, plus les clients sont fidèles et plus la valeur à vie (LTV) est élevée.

Valeur monétaire

Combien ces clients dépensent-ils en moyenne par achat ? Encore une fois, plus ce nombre est élevé, plus les clients ont de la valeur.

Pourquoi la segmentation RFM est importante

Dans un monde idéal, tous vos clients achèteraient récemment, fréquemment et avec une valeur de commande moyenne élevée. Cependant, la réalité correspond rarement à ce scénario parfait.

C'est là qu'intervient la segmentation RFM : analyser l'historique d'achat des clients pour prioriser certains groupes, adapter la messagerie et créer des listes de reciblage ciblées pour des campagnes plus efficaces.

Voici un exemple de segmentation RFM très basique :

Segments	Récence	Fréquence	Valeur monétaire
	Récemment acheté	Achetez fréquemment	Dépensier élevé
	Récemment acheté	Je n'ai pas acheté avant	Dépensez modérément
	Je n'ai pas acheté récemment	N'achetez pas fréquemment	Peu dépensier

D'un point de vue de haut niveau, l'exécution d'une analyse RFM permet une personnalisation et une optimisation accrues.

Par exemple, vous pouvez identifier vos clients les plus fidèles par rapport à ceux qui risquent de perdre leur clientèle. Une fois cela fait, vous pourrez personnaliser les campagnes en conséquence (avantages exclusifs, promotions, programmes de fidélité, etc.).

D'un point de vue pratique PPC, voici quelques exemples d'actions basées sur RFM :

Mieux segmenter les audiences de reciblage

• VIP: Récompensez les clients récents avec des dépenses et une fréquence supérieures à la moyenne (événements VIP, offres exclusives, versions anticipées, etc.).
• Acheteurs fréquents: excluez les clients fréquents des campagnes trop agressives pour éviter la lassitude de la marque et économiser sur les budgets publicitaires.
• Clients à risque: Réengager les anciens clients qui n'ont pas acheté récemment (conquête, offres spéciales, etc.).
• Mauvais clients: Expérimentez avec d'anciens clients qui n'ont pas répété d'achat (diversifier les produits, etc.) et potentiellement les exclure complètement.

Améliorer le texte publicitaire et la création

• Clients à risque: Passez à un langage plus axé sur l'urgence pour inciter ces anciens clients à acheter à nouveau (« 20 % de réduction maintenant avec cette annonce uniquement ! »).
• VIP: Utilisez un ton de voix plus chaleureux et reconnaissant pour les clients fidèles afin de maintenir une relation privilégiée (« For Our Best Customers Only », etc.).
• Clients à faible valeur monétaire: excluez les clients à faible valeur monétaire des campagnes de produits premium.
• Grands clients: Transformez les bons clients (pas tout à fait VIP mais montrant déjà des signes prometteurs) en ambassadeurs, en les encourageant à laisser des avis. Ou proposez-leur de participer à un programme de fidélité/offre d’adhésion.

Créez des listes de départ plus granulaires

• Mauvais clients: excluez les audiences similaires en fonction de ces clients.
• VIP: Incluez des audiences similaires basées sur ces clients.

Quand pas utiliser une analyse RFM

Bien que puissante, comme toute méthode, une analyse RFM a des limites :

Produits basse fréquence / B2B

La fréquence n'a plus d'importance pour les produits généralement achetés une seule fois, tels que les funérailles ou les équipements industriels spécialisés, ce qui rend l'analyse RFM inadaptée à ces cas.

De même, les cycles de vente B2B longs, avec leur fréquence d’interaction plus faible, limitent l’efficacité de cette approche. Dans de tels scénarios, des méthodes de segmentation alternatives sont plus appropriées.

Produits récurrents

À l’inverse, avec les services par abonnement (c’est-à-dire Netflix), la récence et la fréquence n’ont pas d’importance puisqu’elles se produisent par défaut. Au lieu de cela, la surveillance des taux de renouvellement ou de l’utilisation des services aura plus de valeur.

De même, avec des produits très saisonniers (c'est-à-dire des cadeaux de Noël tels que des cartes-cadeaux), une analyse RFM manquera de profondeur. Au lieu de cela, vous souhaiterez utiliser des KPI saisonniers.

Résultats des prévisions

Une analyse RFM examine les données historiques et n’est pas destinée à prédire le comportement futur. Si tel est votre objectif, vous souhaiterez probablement exécuter une analyse de régression ou des prévisions de séries chronologiques.

Exécution d'une analyse RFM : de quelles données avez-vous besoin ?

La première étape de la réalisation d’une analyse RFM consiste à rassembler les données nécessaires. À la base, tout ce dont vous avez besoin est un tableau simple contenant :

• Identifiants clients.
• Dates des transactions.
• Valeurs des transactions.

Bien que des détails supplémentaires tels que les devises, les catégories de produits ou les emplacements puissent être utiles, il est préférable de commencer avec cette base simple.

Un aspect délicat consiste à déterminer la période de référence. Le délai idéal dépend de votre secteur d’activité, du cycle de vie de vos produits et des habitudes d’achat des clients.

Cependant, comme l’analyse RFM repose fortement sur la fréquence d’achat, elle peut ne pas convenir à des secteurs tels que l’immobilier ou la vente d’automobiles.

En général, vous devez utiliser au moins une à deux années de données, en particulier pour les produits fréquemment achetés.

Voici un exemple d’une telle extraction de données pour un seul identifiant client :

---

Comment calculer les scores RFM

La beauté de l’analyse RFM réside dans sa simplicité. Les scores RFM sont simples à calculer sur la base de trois critères clés : la récence, la fréquence et la valeur monétaire. Voici quelques exemples :

• Basique: Note de 1 à 3 pour chaque critère = 27 cellules distinctes (3 x 3 x 3).
• Un peu raffiné : Note de 1 à 5 pour chaque critère = 125 cellules distinctes (5 x 5 x 5).
• Super raffiné : Note de 1 à 10 pour chaque critère = 1 000 cellules distinctes (10 x 10 x 10).
• Super basique : 5 cellules primaires (VIP, fidèles, gros dépensiers, nouveaux clients, à risque).

En fonction de vos besoins, des techniques avancées comme le machine learning ou les approches algorithmiques peuvent vous aider à déterminer le nombre optimal de segments.

Cependant, ce n’est pas l’objectif principal d’une analyse RFM. Son intérêt réside dans sa simplicité et sa praticité, permettant de démarrer rapidement.

Les méthodes de segmentation spécialisées sont généralement utilisées par les grands détaillants comme Amazon ou Walmart. Mais pour l’instant, restons simples avec un exemple basique et concret utilisant Excel.

Récence

Triez votre tableau par identifiant client, puis par date (le plus récent en premier).

Ajoutez une colonne pour identifier si cette ligne correspond au dernier achat (une simple formule IF fera l’affaire). Ensuite, ajoutez une autre colonne pour calculer le nombre de jours depuis le dernier achat.

Enfin, définissez des groupes en fonction de votre projet. Par exemple:

• Dernier achat au cours des 30 derniers jours : 3
• Dernier achat il y a entre 30 et 90 jours : 2
• Dernier achat avant: 1

Voici à quoi cela pourrait ressembler :

Fréquence

Ajoutez une autre colonne (« Jours depuis l'achat précédent ») à votre tableau de base : s'il s'agit du dernier achat à partir de cet identifiant client, ignorez-le.

Sinon, soustrayez la date du dernier achat de la date d’achat suivante. Voici à quoi cela pourrait ressembler :

Prenez votre colonne d'identifiants clients et copiez-la et collez-la ailleurs, puis dupliquez-la.

Exécutez une formule MOYENNEIF sur votre table d'origine, en faisant la moyenne de la colonne « Jours depuis l'achat précédent ». Pour l’identifiant client ci-dessus (6564759437563), vous devriez bénéficier d’un délai de 15,75 jours.

Encore une fois, en utilisant une segmentation basique, vous pourriez faire quelque chose comme :

• Achats au moins une fois par mois: 3.
• Achats tous les 31 à 90 jours: 2.
• Dernier achat avant: 1.

Valeur monétaire

Copiez et collez vos identifiants clients ailleurs, puis dupliquez-les à nouveau.

Exécutez une autre formule AVERAGEIF sur votre table d'origine, en faisant la moyenne de la colonne « Ventes brutes (USD) ». Pour l’ID client ci-dessus (6564759437563), vous devriez obtenir 87,43.

Une dernière fois, en utilisant une segmentation basique :

• Valeur moyenne de la commande > 200 $: 3.
• Valeur moyenne des commandes entre 150 $ et 200 $: 2.
• Valeur moyenne des commandes inférieure à 15 $0 : 1.

À propos des moyennes

J'ai simplifié cela en utilisant des formules moyennes. Naturellement, en fonction de votre secteur d'activité, de la durée du parcours client, de la taille du catalogue, etc., il pourrait être intéressant d'affiner davantage cela en utilisant la médiane (ou les centiles) au lieu de la moyenne (moyenne).

À quoi ressemble le résultat final ?

Maintenant que vous avez calculé tous vos scores RFM, exécutez simplement RECHERCHEV pour obtenir un tableau des identifiants clients uniques + leurs scores RFM.

Très certainement, vous devriez vous retrouver avec beaucoup plus de 1 que de 3. Exécutez un tableau croisé dynamique pour obtenir rapidement un aperçu de votre répartition des scores. Vous devriez obtenir quelque chose comme ceci :

Comme vous pouvez le constater, certains segments peuvent être trop petits pour être ciblés efficacement. Il est donc important d'ajuster dynamiquement votre système de notation pour le rendre plus utilisable sur des plateformes telles que Google Ads. Cependant, ces segments plus petits peuvent toujours être utiles pour d'autres tactiques telles que les campagnes par e-mail ou SMS.

Par exemple, le segment « all-stars » (classé 3 sur les trois indicateurs RFM) ne comprend peut-être que 90 clients, mais il vaut toujours la peine d'être exploré, même si le reciblage n'est pas une option.

Une autre approche consiste à regrouper les scores RFM. Par exemple, vous pouvez combiner des segments avec un score RFM total compris entre 7 et 9, ce qui pourrait créer un groupe de 4 830 identifiants clients. Bien que cela réduise la granularité de votre analyse, cela rend vos informations plus exploitables, en particulier pour les publicités ou les campagnes VIP.

Avec ces seaux raffinés, les possibilités sont infinies. Vous pouvez adapter les publics cibles, créer des messages personnalisés et affiner vos campagnes pour maximiser les résultats.

Segmentation RFM : la clé d'un ciblage client plus intelligent

L'analyse RFM est un moyen simple mais efficace de segmenter les clients en fonction de leurs habitudes d'achat.

En utilisant les scores de récence, de fréquence et de valeur monétaire, vous pouvez améliorer les campagnes de reciblage, de la segmentation au contenu publicitaire et aux offres de produits.

Même s’il ne convient pas à tous les modèles économiques, RFM est un outil accessible et précieux qui mérite d’être essayé.