Comment MECCA reproduit en ligne les expériences de ses clients en magasin et obtient des résultats spectaculaires

Fondée en 1997, MECCA regroupe certains des produits de beauté et de soins les plus convoités au monde, vendant plus de 120 marques à deux millions de clients en Australie et en Nouvelle-Zélande. L'entreprise représente 10 % du marché australien de la beauté, qui se chiffre à 4,2 milliards de dollars, et environ 25 % du secteur de la beauté haut de gamme, d'après IBISWorld.

L'un des secrets de la réussite de MECCA réside dans ses boutiques de beauté proposant un service de pointe et un contact de qualité. Selon Vogue, MECCA consacre environ 3 % de son chiffre d'affaires à la formation de son personnel afin d'offrir des conseils personnalisés à chaque client.

MECCA cherche désormais à reproduire en ligne cette expérience privilégiée vécue dans ses boutiques. « Lorsque vous entrez dans un magasin MECCA, le service personnalisé et les recommandations que vous recevez de nos hôtes sont des éléments que nous voulons transposer dans le monde en ligne », explique Lauren Shepherd, responsable CRM et fidélité chez MECCA.

MECCA a adopté très tôt le commerce électronique, en proposant la vente en ligne dès 2001. L'entreprise a fait appel à ses partenaires stratégiques, Amazon Web Services (AWS) et Servian pour l'aider à exploiter ses données et ses analyses en vue d'améliorer l'engagement de ses clients en ligne.

Offrir un produit hautement personnalisé et une expérience sur mesure est un élément clé pour améliorer l'expérience client et stimuler la croissance de l'entreprise. Pourtant, selon Gartner, plus de 70 % des responsables en relation client « peinent à concevoir des projets qui fidélisent les clients et produisent des résultats ».

Le parcours de transformation des données de MECCA a commencé en 2018, lorsque l'entreprise a fait équipe avec AWS pour construire une plateforme de données et a utilisé Tableau comme outil d'analyse décisionnelle.

Après avoir constaté une adhésion générale de l'outil au sein de l'entreprise, l'équipe technologique de MECCA a voulu repousser les limites en utilisant les données pour apporter plus de valeur ajoutée à ses clients. Leur objectif final est de permettre à différentes équipes de l'entreprise de pratiquer le self-service, une forme de veille économique permettant à chacun d'accéder à des données pertinentes par rapport à son poste. 

Les équipes CRM et fidélité de MECCA souhaitaient tout particulièrement exploiter les données pour prédire quels produits seraient les plus susceptibles de plaire à différents types de clients.

« Nous avions beaucoup d'informations sur nos clients, mais nous ne les utilisions pas vraiment pour optimiser leur expérience, chaque client recevait le même contenu et les mêmes promotions », explique Lauren Shepherd.

L'équipe de données de MECCA, en partenariat avec Servian, a lancé une expérimentation avec Amazon Personalize, un service de machine learning qui fournit un cadre simple pour élaborer et exécuter des modèles de personnalisation. Ce service est utilisé par des commerces innovants pour fournir des recommandations de produits spécifiques, une réévaluation personnalisée des produits et un ciblage marketing direct personnalisé.

Avant de pouvoir passer à un marketing personnalisé alimenté par l'IA, MECCA devait nettoyer et restructurer 23 ans de données contenues dans sa plateforme de messagerie électronique pour créer un système de données organisé, propre et facile d'accès.

C'est ainsi qu'a débuté la phase de « découverte » du parcours de MECCA en ML. Une équipe technologique interdisciplinaire composée d'experts en CRM, en données et de Servian s'est réunie pour développer une preuve de concept (POC). Leur tâche était d'anticiper et de traiter tous les obstacles susceptibles de faire échouer la POC, laquelle utilise Amazon Personalize pour fournir des recommandations de produits dans le cadre d'une campagne marketing ciblée sur les mascaras. En utilisant les métadonnées existantes, la campagne cible les clients 90 jours après leur dernier achat en leur envoyant des e-mails de promotion sur le mascara.

En ce qui concerne l'étape de la « livraison », l'équipe technique a procédé à de nombreux changements tels que la migration vers un environnement de données Amazon S3 et la création de nouvelles intégrations au système de marketing pour permettre un traitement automatisé des données de bout en bout. Ils ont également passé du temps à aider les parties prenantes et les responsables exécutifs à comprendre comment la personnalisation et le passage au machine learning seront bénéfiques pour leurs domaines d'activité respectifs.

Ce point a joué un rôle clé dans le succès de la POC, selon Paul Erskine, responsable de la prestation informatique du numérique et des données chez MECCA : « De nombreux responsables exprimaient des réserves au sujet de la complexité de la science des données en général. Ils se posaient des questions telles que : « Qui va gérer le modèle si quelqu'un quitte l'entreprise ? Quel est le coût rapporté à la valeur ? Qui soutiendra le projet dans la durée ? »

Pour répondre à ces préoccupations, l'équipe technologique a partagé sa vision et ses plans lors d'un forum sur la gouvernance des données. Ces derniers ont présenté les recommandations de produits générées par Amazon Personalize, et ont expliqué comment la science des données pouvait être utilisée pour optimiser les taux de conversion et d'engagement des clients. Leurs arguments étaient si convaincants que l'équipe de direction de MECCA a donné son feu vert pour la POC.

Lorsqu'Amazon Personalize a été lancé en Australie fin 2019, MECCA et Servian l'ont immédiatement utilisé. Ce fut l'une des premières entreprises australiennes à le faire. En quelques heures, le système a commencé à produire des recommandations de produits sur mesure, et aujourd'hui, ce dernier fournit des recommandations de produits pour l'ensemble du catalogue de MECCA.

« L'un des avantages de l'utilisation d'Amazon Personalize est la facilité de création de modèles personnalisés à partir de données existantes sur les services gérés par AWS. Cela permet aux développeurs, et plus seulement aux experts en données, de créer des algorithmes de recommandation », explique Erskine.

MECCA a également utilisé un modèle de propension LSTM (long short-term memory) afin d'identifier le meilleur moment pour le réapprovisionnement des produits. D'après des tests AB, 50 % des e-mails contenaient des recommandations de produits personnalisées, tandis que 50 % n'en contenaient pas. Ceux qui avaient des recommandations personnalisées ont obtenu des taux de conversion nettement plus élevés.

« Depuis l'intégration d'Amazon Personalize, nous constatons une augmentation significative des taux de clics sur les e-mails ainsi qu'une augmentation des revenus par e-mail liés aux produits recommandés », déclare Sam Bain, directeur du numérique chez MECCA.

MECCA fait désormais fonctionner son modèle de personnalisation chaque semaine pour tous ses clients actifs, générant ainsi plus de 10 millions de recommandations de produits hebdomadaires à travers l'ensemble de ses campagnes marketing.

Amazon Personalize surpasse également le système précédent de MECCA en matière de mise en œuvre des recommandations de produits en utilisant les capacités natives de son système de gestion des e-mails.

« Nous avons testé les recommandations d'Amazon Personalize par rapport aux recommandations du système de notre fournisseur de messagerie », a déclaré Lauren Shepherd. En théorie, les recommandations provenant de la plateforme de messagerie sont également basées sur l'historique d'achat, mais elles ne tiennent pas compte d'autant de paramètres que le modèle Personalize, ce qui les rend moins efficaces.

« Nous avons vraiment prouvé qu'en présentant à nos clients des produits adaptés aux différentes étapes de leur vie, à leur parcours et à leur historique d'achat, ils étaient beaucoup plus susceptibles de les acheter. »

MECCA poursuit sa collaboration avec AWS et Servian pour réinventer l'expérience numérique et satisfaire ses clients les plus fidèles. Son objectif est d'exploiter le pouvoir du machine learning en vue de prédire ce qui plaira aux clients et d'optimiser la capacité de MECCA à répondre à la demande, tout cela en améliorant son ensemble de données sous-jacentes pour construire des modèles toujours plus prédictifs.