MODÉLISATION DE LA PROPENSION
Modélisation de la propension : comment les éditeurs assurent la croissance continue de leur activité d’abonnement
Les données. Tout le monde en parle, mais combien d’éditeurs joignent le geste à la parole ?
Cette année, le prix de la meilleure utilisation des données (Best Use of Data) a été attribué au quotidien The Independent lors des Digital Publishing Awards. En quoi la stratégie du journal se distingue-t-elle ? Réponse : par l’utilisation de la modélisation de la propension ; une modélisation qui s’est traduite par une augmentation impressionnante de son lectorat qui aujourd’hui atteint 98 millions de lecteurs par mois.
À une époque où les données sont souvent considérées comme la ressource la plus précieuse, la modélisation de la propension devient incontournable pour en savoir plus sur les clients. Cet outil essentiel pour l’éditeur numérique moderne est indispensable pour véritablement cerner les comportements des lecteurs et exploiter ces informations afin de maximiser les revenus.
Même si la segmentation du marché a longtemps été utilisée pour cibler certains groupes d’utilisateurs et promouvoir certains comportements, la modélisation de la propension constitue la prochaine étape à suivre. Mais en quoi cette modélisation consiste exactement ? Comment permet-elle aux éditeurs numériques de fidéliser et de développer leur base d’abonnés ? Et comment améliore-t-elle les stratégies de segmentation de marché existantes ?
Qu’est-ce que la modélisation de la propension ?
La modélisation de la propension est une technique qui utilise les données pour prédire le comportement futur des clients. Par exemple, elle peut vous aider à identifier la probabilité qu’un lecteur s’abonne ou se désabonne, fournissant ainsi une prévision précise de ses actions futures. Un score de propension individuel et personnalisé est attribué à chaque lecteur, ce qui permet d’identifier facilement la probabilité d’une action donnée (probabilité de conversion, par exemple).
Comment ça marche ?
La modélisation de la propension peut prendre diverses formes, mais la correspondance des scores de propension est le principal moyen par lequel effectuer ces prédictions avec autant de précision. Le modèle examine les comportements des lecteurs et des clients précédents, puis les compare à ceux des nouveaux. Il est alors possible de déterminer leur comportement futur, car les groupes aux scores de propension similaires ont tendance à s’imiter. Si les nouveaux lecteurs partagent les mêmes schémas comportementaux et les mêmes caractéristiques que les anciens, ils agiront probablement de la même manière.
Pourquoi la modélisation de la propension est-elle importante pour les éditeurs numériques ?
La modélisation de la propension est avant tout un outil qui aide les éditeurs numériques à convertir de nouveaux abonnés et à fidéliser leurs abonnés existants.
Côté conversion, la modélisation de la propension examine le comportement du lecteur et lui propose un contenu et des offres appropriés afin d’optimiser la probabilité d’abonnement. Par exemple, un lecteur identifié par le modèle comme peu susceptible de se convertir pourra recevoir un e-mail promotionnel personnalisé contenant une offre destinée à l’attirer. En revanche, un paywall efficace devrait être immédiatement affiché pour ne pas perdre les lecteurs susceptibles de se convertir et n’ayant pas besoin d’être davantage persuadés. La modélisation de la propension vous permet donc de déterminer les méthodes les plus efficaces pour élargir votre clientèle, augmenter vos revenus et développer votre activité d’abonnement, sans empiéter sur votre marge bénéficiaire par des réductions de prix inutiles.
Côté rétention, la modélisation de la propension analyse le niveau d’engagement des lecteurs envers votre produit. Elle vous permet d’identifier les clients ayant une forte propension à renouveler leur abonnement et ceux qui ne l’ont pas, afin que vous puissiez optimiser votre temps et votre budget sur les véritables risques de désabonnement.
La modélisation de la propension permet à votre stratégie d’être ciblée sur le comportement et les besoins de chaque lecteur, et de vous éloigner d’une stratégie universelle. Certains lecteurs s’abonneront quel que soit le nombre d’articles qu’ils liront ou les supports de marketing ciblé qu’ils recevront. D’autres, en revanche, nécessiteront une personnalisation unique.
En anticipant les actions des lecteurs connus et inconnus, la modélisation de la propension élimine toute incertitude dans votre planification stratégique. Une confiance accrue dans la conversion et la fidélisation des clients vous permet alors d’investir dans des campagnes à fort retour sur investissement, et ainsi de maximiser les revenus.
Quels types de modélisation de la propension sont les plus bénéfiques pour les éditeurs numériques ?
La modélisation de la propension est utilisée pour prédire de nombreux aspects liés au comportement des utilisateurs. En voici quelques-uns pour les publications numériques :
Propension à la conversion : probabilité qu’un lecteur devienne un client payant. Cet aspect vous permet d’identifier les lecteurs qui ont besoin d’être davantage persuadés avant de se convertir, et ainsi de maximiser les chances qu’ils s’abonnent.
Valeur vie prévue : probabilité qu’un lecteur reste abonné pendant longtemps et, par conséquent, valeur qu’il apportera à l’entreprise au cours de sa vie en tant que client. Les efforts marketing devraient être concentrés sur les clients à la valeur vie (VVC) élevée, car ce sont eux qui généreront le plus de revenus à long terme, et donc engendreront un retour sur investissement plus important. Vos abonnés les plus fidèles sont probablement aussi les défenseurs les plus fervents de votre marque.
Propension au désabonnement : probabilité qu’un client actif se désabonne. Vous devez identifier les risques de désabonnement dès que possible et susciter le réengagement des clients concernés s’il existe un moyen de le faire.
Comment la modélisation de la propension s’articule-t-elle avec la segmentation ?
L’utilisation de la modélisation de la propension peut vous aider à franchir un nouveau cap en termes de segmentation du marché. En règle générale, cette segmentation consiste à diviser votre marché cible en groupes présentant des caractéristiques et des comportements similaires (âge, emplacement géographique, statut d’utilisateur, etc.). Pour cela, on suppose que les clients ayant un profil similaire agiront de la même manière et pourront donc être ciblés par les mêmes méthodes. Plus vous collectez des données sur une personne, plus vous pouvez évaluer le niveau de similarité entre les utilisateurs.
La modélisation de la propension affine la stratégie de segmentation en fournissant des données supplémentaires et critiques. Les éditeurs doivent à la fois considérer qui sont leurs lecteurs et comment ils agissent, et ne pas simplement s’en tenir au fait que des personnes aux caractéristiques similaires agiront de la même manière. La segmentation est une stratégie utile et la modélisation de la propension la rend plus efficace en ajoutant une source mathématique de certitude.
Par exemple, lorsque vous ciblez des 18-24 ans vivant dans le sud de Londres, vous pouvez, pour commencer, simplement leur envoyer des messages généraux qui, selon vous, s’appliquent à tout le groupe. Mais la modélisation de la propension sera bien plus efficace pour cerner les individus du sous-groupe qui sont réellement susceptibles de se convertir.
La modélisation de la propension prend en compte tant les caractéristiques des utilisateurs pour générer des scores de propension que la segmentation de marchés. Prenons le cas de deux utilisateurs ayant chacun un faible score de propension à la conversion. L’un est issu d’un milieu à forts revenus et l’autre d’un milieu à faibles revenus. Les stratégies de conversion pour ces deux lecteurs seront différentes. Tandis que des remises pourront être nécessaires pour convertir les lecteurs à faibles revenus, il sera peut-être plus efficace pour séduire les lecteurs à revenus élevés de démontrer la valeur supérieure de votre offre, par exemple en vous assurant que des articles adaptés à leurs centres d’intérêt apparaissent en premier lorsqu’ils se rendent sur votre site.
Conclusion
Associée à la segmentation, la modélisation de la propension est avant tout un moyen d’allouer efficacement les ressources dans vos efforts d’acquisition et de rétention.
Les éditeurs numériques qui veulent maximiser leurs revenus et fidéliser une clientèle dynamique doivent à tout prix aller au-delà d’une simple segmentation de leur marché. Avec autant de données disponibles et exploitables, prédire avec précision l’avenir de vos clients est désormais possible et peut s’avérer essentiel à la pérennité de votre entreprise.
Misez sur une puissante plateforme d’expérience d’abonnement capable de gérer la segmentation et les prévisions. Par exemple, des segments d’utilisateurs sont intégrés à la plateforme d’abonnement de Zephr sous le générateur de règles (Rules Builder) pour une personnalisation simple et ‘no-code’, tandis que la fonction « Optimize » (nouvel outil d’analyses de Zephr) surveille vos clients pour détecter rapidement les comportements critiques.
Plan directeur de création d’un flux de revenus d’abonnements hautement prévisible
Plan directeur de création d’un flux de revenus d’abonnements hautement prévisible
Créez des paywalls personnalisables dotés de fonctionnalités avancées faciles à configurer, stimulez la conversion et monétisez les activités de toutes tailles.
Optez pour le succès récurrent
Les entreprises s’appuient sur Zuora pour accompagner leur croissance. Parce que votre succès est aussi le nôtre, nous avons à cœur de répondre à vos plus grands défis. Notre technologie s’adapte à votre modèle économique, quel qu’il soit : par abonnement, à la consommation, à l’usage, hybride, … A nos côtés, monétisez l’intégralité de vos services.
Demander un essai gratuit
Découvrez le produit et testez Zuora gratuitement
Envie de mener le changement?
Intégrez notre équipe internationale dédiée à la métamorphose des entreprises leaders à l’échelle globale.