Editions Atlas est un groupe générant 400 millions d'euros de chiffre d'affaires en Europe. Son activité traditionnelle (aujourd'hui 37% du CA) concerne les collections de beaux livres ou objets (comme des modèles réduits de voitures). Or cette activité repose sur un modèle d'envoi du produit avant paiement par le client. Pour inciter à acquérir, progressivement, toute la collection, les premiers envois sont, de plus, peu onéreux. Il s'agissait donc d'optimiser le ciblage des opérations promotionnelles et, ensuite, d'éviter les impayés.

L'entreprise ne pratique que via la vente directe en maîtrisant totalement sa chaîne commerciale, de la promotion à l'expédition. Elle possède donc en interne toutes les informations sur ses clients et leurs actions. Malgré tout, comme le signale Cyprien Rouits, responsable du pôle décisionnel de Editions Atlas, « il peut y avoir jusqu'à 15% d'impayés ». Il fallait donc d'une part mieux cibler la promotion des collections en fonction du potentiel commercial, d'autre part éviter les clients risquant de ne pas régler leurs commandes. La connaissance client devait donc déboucher, pour commencer, sur le très classique pilotage de l'activité mais aussi sur le scoring client en combinant et enrichissant les informations détenues, sur l'analyse de l'activité et sur l'automatisation maximale des procédures pour éviter un coût trop important.

Eviter la fraude et les impayés

L'amélioration du ciblage repose sur un premier scoring. « Tous les jours, la segmentation et le scoring de chaque client sont mis à jour automatiquement pour améliorer le ciblage des envois » précise Cyprien Rouits. Un autre score calculé pour chaque client permet de prédire le risque d'impayé. En effet, lorsque le client reçoit un objet, il peut décider soit de le renvoyer, soit de le garder et de le payer, soit de le garder mais sans le payer. Ce dernier cas doit donc être évité Un score est donc calculé chaque jour. Pour une collection donnée, une limite de risque va être définie. Si le score indique un risque plus élevé, l'envoi ne sera pas réalisé. S'il est inférieur, l'envoi sera au contraire réalisé. Il peut aussi y avoir une situation intermédiaire avec proposition de paiement à la commande.

La connaissance client permet aussi de limiter la fraude sur des collections à forte valeur pour les collectionneurs, par exemple certaines séries de modèles réduits de voitures comme les Dinky Toys. Une fraude classique réside dans la multiplication des commandes sous des noms différents mais des lieux de livraison proches. Les données INSEE disponibles en open-data sont recoupées avec les adresses du fichier clients pour localiser précisément chaque adresse. S'il y a un nombre anormalement élevé de commandes sur une zone géographique réduite, le système va alerter les responsables sur une présomption de fraude.

La création impérative d'une base de connaissance unique

Pour réaliser les opérations nécessaires, comme celles indiquées ci-avant, il est nécessaire de réconcilier toutes les données de toutes les origines internes (comptabilité, GRC, commandes, produits, etc.) et externes (INSEE...) dans un datawarehouse et d'ajouter des scores calculés quotidiennement au sein du datamart. « De ce fait, il y a un système unique à interroger » explique Cyprien Rouits. Il ajoute : « il faut pouvoir répondre à toutes sortes de questions comme le nombre de commandes de telle collection sur tel profil de client ayant eu tel comportement sur le site web. » La mise en oeuvre d'une telle solution implique de disposer en interne d'un spécialiste du traitement des données, capable de parler autant aux informaticiens qu'aux responsables métier. « Il faut la bonne donnée, à la bonne granularité et au bon moment » insiste Cyprien Rouits.

Techniquement, le datawarehouse, le datamart et les rapports standards reposent sur les solutions fournies par l'éditeur Coheris. L'interrogation manuelle de l'hypercube du datamart, pour des études spécifiques, par contre, est réalisée sous Excel à l'aide de classiques tableaux croisés dynamiques.