Comment segmenter un portefeuille de clients sans écrire de SQL

Segmenter un portefeuille est souvent une demande adressée à quelqu’un d’autre. Celui qui prépare la campagne décrit l’audience, une personne écrit la requête, la liste revient quelques jours plus tard et l’audience a déjà changé. Avec une base indexée et un assistant IA, la question métier trouve sa réponse dans la conversation même, et celui qui pose la question garde la main.

Partez de la question métier

Écrivez ce que vous voulez savoir comme vous le diriez à un analyste. « Combien de clients Ouro et Platina avons-nous par UF ? » « Quel canal préféré revient le plus chez ceux qui ont accepté le marketing ? » « Montre la répartition par segment en anneau. »

Dans DeepMiner, l’Assistant de données interroge les index choisis dans Sources et répond en texte mis en forme avec le graphique. La réponse donne les chiffres trouvés, et le graphique peut changer de type sans nouvelle question : barres, courbe, aires, secteurs, anneau, KPI, Pareto ou table.

Une bonne question a trois parties : quoi compter, selon quel découpage et sur quelle période. Plus la question est précise, moins il y a d’ajustements ensuite.

Vérifiez la requête

Le langage naturel est ambigu. « Clients actifs » peut désigner un champ booléen, un statut ou la date du dernier achat. Avant de décider, ouvrez Voir la requête et regardez les filtres et regroupements qui ont été exécutés.

Si la requête ne correspond pas à ce que vous vouliez dire, corrigez dans la conversation : « utilise le champ ultima_compra sur les 90 derniers jours plutôt que le statut ». L’assistant refait la requête avec le nouveau critère.

Comparez des bases différentes

Beaucoup de segmentations dépendent de plus d’une base. Les clients présents dans le retail et aussi dans le portefeuille de recouvrement. La répartition par UF dans chacune. Avec deux index sélectionnés dans Sources, l’assistant interroge chacun et croise les analyses résumées, comme le nombre d’enregistrements par UF de chaque index et l’écart entre eux.

Le croisement porte sur des résultats agrégés. Pour lister les enregistrements présents dans les deux bases à la fois, il faut un champ commun et filtrer chaque index dessus.

Du découpage à l’envoi

Une segmentation n’a de valeur que si elle arrive à la campagne sans être refaite. Dans DeepMiner, le découpage devient les filtres d’une stratégie de flux : est l’un de, n’est pas l’un de, contient, supérieur à, entre, 30 derniers jours. La stratégie affiche les enregistrements prévus avant l’enregistrement.

Une fois le fournisseur et la récurrence définis, la stratégie part toute seule. L’option de ne pas renvoyer à ceux qui ont déjà reçu par ce canal évite que la même personne reçoive le même message dans deux campagnes.

Ce que l’IA ne doit pas voir

Segmenter n’exige de connaître le CPF de personne. Dans DeepMiner, les champs CPF, CNPJ, téléphone et e-mail sont reconnus comme sensibles. Le modèle reçoit le nom et le type de ces champs, jamais les valeurs. La requête ne regroupe pas par eux, et les filtres qui les concernent n’acceptent que des comparaisons d’égalité, pour qu’une question ne puisse pas lister des documents de la base.

De la question au suivi

Quand un découpage devient une routine, le graphique de la réponse part dans un tableau de bord avec Ajouter au tableau de bord. Il y suit les filtres globaux et l’intervalle d’actualisation du tableau, et il n’est plus nécessaire de reposer la question chaque semaine.

Vous voulez tester des questions sur une base comme la vôtre ? Planifiez une démonstration et apportez les trois questions que vous posez le plus souvent à l’équipe data.