Segmentation de clientèle (RFM)

Contexte du projet

À partir d’un scénario d’affaires, j’ai analysé des données transactionnelles de vente au détail afin de mieux comprendre les comportements d’achat et d’identifier des opportunités d’amélioration de la rétention, de la fidélisation et de la croissance des revenus pour une entreprise.

À l’aide de MySQL, AWS RDS et Tableau, j’ai transformé des données transactionnelles brutes en informations d’affaires exploitables et développé un modèle de segmentation RFM (récence, fréquence, valeur monétaire) pour soutenir les stratégies marketing ciblées.

L’analyse a permis d’identifier des opportunités de réactivation de clients inactifs, d’augmentation des dépenses chez les clients actifs et de fidélisation des nouveaux clients à forte valeur.

Exigences d’affaires

L’analyse devait fournir :

Une vue d’ensemble de la performance commerciale
Des informations sur la performance des produits
Une analyse des habitudes d’achat des clients
Une segmentation de la clientèle selon sa valeur et son niveau d’engagement
Des recommandations visant à soutenir les initiatives de rétention et de marketing

Le livrable final visait à identifier des occasions de conserver les clients à forte valeur, de réengager les clients inactifs et de développer la fidélité des clients à fort potentiel grâce à des actions ciblées.

Méthodologie

Nettoyage et validation des données transactionnelles à l’aide de MySQL.
Suppression des doublons, des valeurs manquantes et des données erronés.
Analyse des revenus, des commandes, de l’activité client et de la performance des produits.
Évaluation des comportements d’achat selon différents groupes de clients et périodes.
Développement d’un modèle de segmentation RFM à partir de seuils définis selon les besoins d’affaires.
Utilisation de diagrammes en boîte (box plots) dans Tableau afin de valider les seuils de segmentation et la distribution de la valeur client.

Sommaire exécutif

Génération de 254 172 £ de revenus à partir de 716 commandes réalisées par 110 clients.
Près de 60 % des revenus annuels ont été réalisés entre août et novembre, révélant une forte saisonnalité.
Environ 25 % des produits n’ont été achetés qu’une seule fois, ce qui suggère des opportunités d’optimisation du portefeuille de produits.
La majorité des achats ont été effectués durant l’après-midi (66 %), indiquant une période potentiellement favorable aux campagnes marketing.
La segmentation de la clientèle a révélé que 30 % des clients appartenaient à des segments fidèles ou à forte valeur, tandis que 25 % présentait des signes de désengagement nécessitant des efforts de rétention.

Constats sur la clientèle

La valeur d’un client n’était pas toujours liée à sa fréquence d’achat. Bien que le client #12748 ait effectué le plus grand nombre de commandes (209), le client #12931 a généré les revenus les plus élevés (41 519 £) avec seulement 15 achats. Ce constat démontre que la fréquence d’achat seule ne permet pas d’évaluer adéquatement la valeur d’un client.

Cette observation renforce la pertinence d’un cadre d’analyse RFM, qui offre une vision plus complète de l’engagement et de la valeur de la clientèle.

Client le plus actif
Client #12748
209 commandes
33 053 £ de revenus

Client à la plus forte valeur
Client #12931
15 commandes
41 519 £ de revenus

Résultats de la segmentation

À l’aide du cadre RFM, les clients ont été regroupés selon la récence de leurs achats, leur fréquence d’achat et leur contribution aux revenus.

L’analyse a révélé que :

29 % nécessitaient une attention particulière en raison d’un risque potentiel d’attrition.
26 % des clients appartenaient aux segments les plus performants ou les plus fidèles.
21 % ont été identifiés comme des clients à fort potentiel de fidélisation.
17 % étaient considérés comme inactifs ou perdus.
6 % représentent les meilleurs clients.

Ces résultats ont mis en évidence des opportunités de réengagement de clients dormants, de renforcement des stratégies de rétention auprès des segments à forte valeur et de développement de la fidélité des clients prometteurs.

Méthodologie de segmentation

Afin de classifier les clients selon leur valeur et leur niveau d’engagement, un modèle de pointage RFM (récence, fréquence, valeur monétaire) a été développé. Les scores ont été calculés à partir de l’historique transactionnel, puis regroupés en segments d’affaires allant du Meilleur client au Client perdu.

Image Description

Les diagrammes en boîte ont été utilisés pour déterminer des seuils de segmentation représentatifs des comportements observés en matière de fréquence d’achat et de dépenses.

Cadre d’analyse

Récence : délai depuis le dernier achat.
Fréquence : nombre d’achats effectués.
Valeur monétaire : revenus générés par le client.

Exemple de logique de pointage et de catégorisation RFM :

CASE
    WHEN recency <= 30 THEN 5
    WHEN recency <= 60 THEN 4
    WHEN recency <= 120 THEN 3
    ELSE 1
END AS recency_score

Les scores RFM ont ensuite été combinés pour attribuer chaque client à un segment :

CASE
	WHEN (recency + frequency + monetary) = 15
		THEN 'Best Customer'
	WHEN (recency + frequency + monetary) >= 12
		THEN 'Loyal Customers'
	WHEN (recency + frequency + monetary) BETWEEN 9 AND 11
		THEN 'Potential Loyalists'
	WHEN (recency + frequency + monetary) BETWEEN 6 AND 8
		THEN 'Customers Needing Attention'
	WHEN (recency + frequency + monetary) BETWEEN 4 AND 5
		THEN 'Inactive'
	ELSE 'Lost'
END AS customer_segment

Image Description

Questions d’affaires

Réactiver les clients à forte valeur

Identifier les clients historiquement rentables devenus inactifs afin de soutenir les campagnes de rétention.

SELECT *
FROM rfm_segm
WHERE recency <= 2
AND frequency >= 4
AND monetary >= 4;

Augmenter les dépenses des clients actifs

Repérer les clients engagés présentant un potentiel d’augmentation de leurs achats.

SELECT *

FROM rfm_segm
WHERE recency >= 4
AND frequency >= 4
AND monetary <= 3;

Fidéliser les nouveaux clients à forte valeur

Identifier les nouveaux clients générant des revenus importants afin de mettre en place des initiatives de fidélisation adaptées.

SELECT *

FROM rfm_segm
WHERE recency >= 4
AND frequency = 2
AND monetary >= 4;

Hypothèses et limites

Plus de 365 jours de données

L’ensemble de données couvre la période du 1er décembre 2010 au 9 décembre 2011. Bien que cette période dépasse légèrement une année complète, l’impact sur les résultats et les recommandations demeure négligeable.

Sources

Data and overall project structure: RFM-Based-Customer-Segmentation.
RFM segmentation by Optimove

Compétences utilisées

SQL · Nettoyage de données · Analyse exploratoire des données (EDA) · Tableau · Analyse d’affaires · Segmentation de clientèle · Analyse RFM