Après avoir abordé la création de l’email dans le premier article consacré à l’utilisation de l’IA dans l’emailing, je vous propose d’aborder le ciblage d’une campagne.
Le ciblage est une des clefs de la réussite d’une campagne d’emailing. Cette opération consiste à identifier la population appétente à l’offre (ou aux offres) contenue dans l’email. Traditionnellement, le ciblage va intégrer de nombreuses données présentes dans la base et notamment des données issues de la segmentation (PMGTG, RFM, SocioType, …), de scores d’appétences, etc.
On distingue classiquement 4 types de données pour réaliser un ciblage :
- Géographique : ville, langue, climat, ...
- Démographique : âge, sexe, revenu, éducation, situation familiale…
- Psychographique ; style de vie, opinion, intérêt, valeur, attitudes...
- Comportemental : habitude d’achat, engagement vis-à-vis de la marque, statut sur la Life Time Value, surf …
Une des contraintes fortes du ciblage est d’arbitrer entre la taille de la cible et la performance par rapport à l’offre choisie. On évitera de sélectionner les individus peu réceptifs à l’offre pour notamment éviter de trop les solliciter (et générer ainsi désabonnement/plaintes et inactivité).
De nombreuses méthodes statistiques sont utilisées avec succès depuis longtemps, pour améliorer le ciblage et calculer des appétences à des types de produits, voire à des produits spécifiques. Le calcul de score d'appétence notamment est souvent utilisé pour cibler des populations intéressées par un produit donné.
Cela se concrétise par une courbe de gain ou de lift (bien connue des statisticiens)
Les commentaires récents