Les plateformes internet dans de nombreux secteurs (assurance, automobile, etc…) offrent aux prospects la possibilité d’entrer en contact avec un commercial proche et disponible, via un parcours digital. Ces opportunités commerciales (« leads », contacts) sont allouées aux points de vente physique en utilisant un ensemble de critères, parmi lesquels la proximité du prospect avec les agences capables de gérer le contact («e-opting »).
Les règles d’allocation sont généralement les suivantes :
1) Géolocalisation du prospect
2) Délimitation de la zone située à une distance « raisonnable » en voiture
3) Sélection d’un point de vente situé dans le voisinage le plus immédiat de cette zone.
Toutefois, les commerciaux se plaignent du fait que certains contacts reçus sont situés à une distance « inappropriée » de leur zone de chalandise, ce qui impacte leur performance commerciale (exemple : un prospect à Paris peut refuser de se rendre en voiture à un point de vente situé à 5 km de lui). Comment alors affiner ces règles d’allocation en tenant compte de ces spécificités locales ?
Il est possible de prendre en compte de nouveaux facteurs susceptibles d’augmenter le succès d’une allocation d’un contact à un point de vente, en particulier l’attractivité économique et commerciale pour le client de la zone où se situe le point de vente. Avec cette approche, on intègre deux indicateurs : la « pénibilité du trajet » et l’« attractivité de la zone ». Le premier indicateur permet d’estimer la pénibilité d’un trajet entre la résidence du prospect et l’agence. Ce calcul est basé sur la distance, le temps de trajet, la présence de portions d’autoroutes, de péages, etc. Le second indicateur est l’évaluation de l’attractivité de la zone du point de vente, par exemple en termes de shopping (nombre et variété de magasins). En effet, la pénibilité du trajet peut être contrebalancée par davantage de possibilités d’activités à proximité du point de vente (centres d’affaires, magasins, banques, etc.). Il est important de noter que ces indicateurs dépendent du profil du client et qu’ils doivent être calculés en fonction, vu que les centres d’intérêt peuvent différer d’un segment de clients à l’autre.
La question à ce stade est de savoir comment calculer ces deux indicateurs et, en second lieu, de comprendre comment le client arbitrera entre la « pénibilité du trajet » et « l’attractivité de la zone ». L’analyse conjointe peut aider à répondre à cette question, mais l’existence d’une base de données historiques combinée aux techniques de Machine Learning et de Big Data offrent une alternative particulièrement attractive. Il est possible d’analyser le « taux de rendez-vous » et de modéliser l’influence de chaque facteur : les caractéristiques du point de vente (type de produit vendu, etc…), les caractéristiques des clients, « l’attractivité de la zone » et la « pénibilité du trajet ». Le modèle ainsi développé peut être utilisé pour attribuer une note aux points de vente pour un contact commercial particulier afin de lui proposer seulement les agences qui auront la probabilité la plus élevée d’aboutir à un rendez-vous.
A ce stade, il reste à modéliser le taux de conversion après le rendez-vous et à identifier les facteurs d’explication, mais c’est une autre histoire !