Anne Lyse CALVEZ - IAE de Lille – Université des Sciences et Technologies de Lille

Première partie : Segmentation du marché des donateurs à partir de variables sociodémographiques et psychographiques

En 2003, Srnka, Grohs & Eckler ont mené une enquête pour sélectionner les dimensions fondamentales qui pourraient être au service des chercheurs ayant accès aux données sociodémographiques basiques sur leur marché cible pour la segmentation et le ciblage.

Dans un premier temps, les données empiriques sur les donateurs ont été collectées et analysées. Par la suite, les conclusions ont été totalisées et interprétées pour tirer les dimensions fondamentales déterminant le comportement du donateur qui élargirait la compréhension du don charitable individuel. En effet, depuis de nombreuses années, la segmentation à partir des critères sociodémographiques et psychographiques se banalise dans le secteur de la collecte de fonds. C’est à partir de ces critères que Srnka, Grohs & Eckler vont mettre en avant une approche plus sophistiquée de la segmentation du marché des donateurs.

Comme avec les études réalisées précédemment (par exemple Haibach, 1998 ; Sargeant, 1999 ; Schlegelmilch et les autres, 1997 ; Schlegelmilch, Diamantopoulos et Love, 1992 ; Schneider, 1996 ; Schlegelmilch, 1988 ; Smith et Beik, 1982), les résultats indiquent que les variables basiques sociodémographiques étudiées représentent en fait les prédicateurs du don charitable individuel.

Cependant, comparées avec une recherche précédente, les conclusions de cette étude donnent une image plus compréhensive de « comment les caractéristiques personnelles des donateurs et les dimensions comportementales sont liées ».

I – Les critères classiques de segmentation du marché des donateurs

1.1 - Les critères sociodémographiques

La littérature dans le domaine de la collecte de fonds suggère que les variables sociodémographiques sont des facteurs importants qui influencent le comportement du donateur (Sargeant, 1999 ; Schlegelmilch, 1988).

De nombreuses recherches universitaires ont montré à quel point les caractéristiques personnelles étaient déterminantes dans l’action de donner.

Ainsi, l’influence de l’âge, du genre, de l’éducation et du revenu sur le don charitable individuel a été particulièrement étudié dans la littérature, et ce, notamment par Shelley et Polonsky en 2002, Chua et Wong en 1999 et Sargeant en 1999.

Les caractéristiques sociodémographiques du donateur, bien qu’évalué comme inefficace par certains universitaires comme Ordway (2000), ont été soutenues par d’autres tels que Newman (1996) et Schlegelmilch (1988). Haibach (1998), par exemple, se basant sur une analyse d’études empiriques menées en Allemagne et aux USA, pensait que la propension à donner augmente avec l’âge et l’éducation.

Par ailleurs, il a affirmé que les femmes ont tendance à donner plus souvent que les hommes, et que les montants donnés sont en relation avec le revenu.

L’association positive entre l’âge, l’éducation, le revenu et la propension à donner, comme la conclusion que les femmes donnent plus souvent que les hommes sont généralement soutenu par la recherche en marketing, économie et psychologie (Schneider, 1996).

Faisant allusion aux preuves empiriques, Sargeant (1999) a caractérisé le profil démographique respectivement des prospects ou des donateurs des organisations de bienfaisance comme une « catégorie clé des variables déterminantes externes ».

En pratique, les chercheurs de fonds comptent souvent sur de simples critères sociodémographiques, car un nombre significatif d’organisations non profitables (en particulier les plus petites) n’ont pas la capacité d’acquérir plus de données sociodémographiques sur leur marché cible (Shelley et Polonsky, 2002 ; Kotler et Andreasen, 1996).

De plus, de telles données sont souvent disponibles à partir de sources secondaires, alors qu’habituellement de très petites données secondaires au sujet des préférences, des attitudes et des perceptions des donateurs existent.

Actuellement, les variables sociodémographiques semblent être les variables de segmentation les plus utilisées dans la pratique en recherche de fonds.

Les directeurs utilisent fréquemment ces variables comme substitut car les variables sociodémographiques représentent des critères faciles à mesurer supposés être en rapport avec le fait que les donateurs réagissent bien (Kotler et Andreasen, 1996 ; Werner, 1992).

1.1.1 – L’influence du genre sur le don

En ce qui concerne les types d’organisations soutenues, l’étude de Srnka, Grohs & Eckler a montré que les femmes sont plus susceptibles de contribuer aux problèmes de l’environnement et de la protection des animaux. Les hommes, quant à eux, ont plus souvent soutenu les associations amicales locales.

En ce qui concerne les formes de dons, les femmes ont plus souvent acheté des produits de charité et donné des biens comme des vêtements ou des meubles, alors que les hommes ont préféré donner du sang et effectuer des travaux bénévoles dans les organisations de bienfaisance.

Enfin, l’étude nous montre que le genre n’a pas d’impact significatif sur le montant donné et sur la fréquence du don.

1.1.2 – L’influence de l’âge sur le don

Toujours selon cette même étude, l’âge affecte positivement la décision de ciblage des organisations non profitables dans le cas des églises, des services sociaux, des organisations de santé, de l’aide d’urgence, des organisations d’aide aux enfants, des organisations de réfugiés, et de l’aide pour le développement.

De plus, les personnes les plus âgées sont significativement plus susceptibles de donner à des collectes d’églises, des collectes de rue et en réponse à un mailing.

L’âge a aussi un impact positif sur la probabilité d’assumer une responsabilité financière pour une personne ou un projet, sur la contribution de biens comme des vêtements ou des meubles, et sur la probabilité de don d’organes.

Cependant, l’âge a un effet significatif négatif sur le sang et (faiblement) sur les dons par Internet.

Enfin, l’étude a montré que l’âge a une influence significative positive à la fois sur le montant et la fréquence du don.

1.1.3 – L’influence de l’éducation et du revenu sur le don

Un niveau supérieur d’éducation mène de façon significative à un plus grand soutien pour l’environnement et la protection des animaux, pour l’aide au développement et pour les organisations des droits de l’homme.

Les personnes avec un niveau d’éducation plus faible, d’un autre côté, tendent à donner significativement plus souvent aux organisations de santé et à l’aide d’urgence.

Un niveau supérieur d’éducation mène aussi significativement à une plus grande chance d’être membre d’une organisation de bienfaisance payant une cotisation régulière et assumant financièrement la responsabilité d’une personne ou d’un projet ; alors qu’un niveau d’éducation plus faible a abouti significativement à une plus grande probabilité de don pour les collectes de rue et les dons de sang.

De plus, l’étude de Srnka, Grohs & Eckler montre que l’éducation avait une influence positive sur le montant donné, mais n’avait pas un impact significatif sur la fréquence de don.

Elle montre des effets similaires pour le revenu. Plus le revenu était important, plus les gens étaient susceptibles de donner pour des problèmes d’environnement ou d’animaux, pour l’aide au développement, pour les organisations de droits de l’homme, et pour les organisations de réfugiés. D’un autre côté, un revenu plus faible mène de façon significative plus à des dons pour l’aide d’urgence et pour des groupes d’aide aux personnes. De la même manière, le revenu affecte positivement les chances d’être membre d’une organisation de bienfaisance payant une cotisation régulière aussi bien que les chances d’assumer financièrement la responsabilité d’une personne ou d’un projet et de donner en réponse à un mailing.

Un revenu plus élevé a abouti à des montants de dons plus élevés et à (faiblement) une diminution significative de la fréquence du don charitable.

1.2 – Les critères psychographiques

La segmentation à partir de critères psychographiques est souvent utilisée par les chercheurs si le but à atteindre est d’élargir le marché en attirant des gens qui n’ont pas donné jusqu’ici.

L'analyse psychographique aide en grande partie à agrandir notre compréhension de la question suivante : « pourquoi les contributions sont faites ? » (Smith et Beik, 1982). Elle examine les avantages du don charitable perçu par les donateurs (Harvey, 1990) aussi bien que leurs motivations (Cermak et d’autres, 1994).

Dans la littérature marketing sur la segmentation, il y a un fort accent qui est mis sur les méthodes psychographiques, et ce, notamment par Kotler (2002).

En ce qui concerne le fait de donner, des mesures incluant les motivations et les avantages sont considérées comme étant les meilleurs indicateurs pour savoir si et comment les gens vont donner (Holscher, 1977 ; Kotler et Lévy, 1969).

Dans la pratique en recherche de fonds, il y a beaucoup d’organisations qui entreprennent la segmentation psychographique même s’il est difficile de définir et de mesurer précisément les déterminants intrinsèques du don charitable (Sargeant, 1999).

II - Les dimensions fondamentales

Alors que les résultats concernant les critères sociodémographiques et psychographiques reprennent surtout les conclusions passées, Srnka, Grohs & Eckler ont essayé de tirer profit de la perspicacité des données à travers une interprétation post hoc.

Le but était de mettre en avant quelques dimensions théoriques fondamentales qui ne feraient pas seulement qu’accroître notre compréhension du don charitable individuel (et, ainsi, enrichir la théorie sur les déterminants du don), mais aussi qui représenterait une base plus sophistiquée pour la segmentation des donateurs utile pour les chercheurs de fonds qui sont restreint à des informations sociodémographiques.

L’interprétation post hoc des conclusions de l’étude faisant allusion à la littérature actuelle a suggéré que les gens sont particulièrement susceptibles de donner sous certaines conditions :

- Quand le but de l’organisation de bienfaisance a un rapport avec la sphère de l’individu.

- Quand il y a une probabilité de bénéficier des services de l’organisation.

- Quand le don ne représente pas une dépense ou un effort trop grand pour le donateur potentiel.

2.1 - L’individu donne quand le but de l’organisation de bienfaisance a un rapport avec sa sphère

Le fait que les femmes, plutôt que les hommes, donnent pour les animaux et l’environnement, font don de marchandises et achètent des produits de charité, pourrait être assimilé au rôle porté par les femmes proposé par Gilligan (1982), aussi bien qu'à une orientation des ménages généralement plus forte parmi les femmes.

Cette interprétation est en concordance avec la conclusion de Schlegelmilch (1997) selon laquelle les hommes achètent principalement et sont volontaires pour vendre des tickets de tombola qui sont offerts régulièrement dans les associations (par exemple dans les clubs de football ou de rugby) majoritairement fréquentées par les hommes.

Les personnes plus âgées se sentent non seulement plus impliquées avec les organisations d'église, comme cela est fortement soutenu par les enquêtes, mais donnent aussi plus fréquemment que leurs homologues plus jeunes à ces institutions.

Là encore, les résultats de Schlegelmilch (1997) vont dans la même direction. Ils ont indiqué que ceux qui pensaient que la religion n’était pas importante donnaient moins aux collectes d’église.

Les personnes plus âgées tendent aussi à soutenir les organisations d’enfants. Ceci peut venir du fait qu’ils aimeraient avoir plus de contact avec les enfants ou ceux-ci peuvent représenter une sorte de substitut de leurs petits-enfants qui existent ou pas ou qu’ils ne voient peut être plus beaucoup.

Sargeant (1999), indiquant les bases théoriques respectives (Caplow, 1984 ; Graney et Graney, 1974), a suggéré que les personnes les plus âgées de la société peuvent éprouver une interaction pseudo sociale à travers les relations qu’ils ont avec les organismes de charité et échangent une forme d'interaction sociale avec les autres.

Par ailleurs, l’étude de Srnka, Grohs & Eckler montre que les individus qui ont une éducation plus faible et qui tendent à appartenir à une classe sociale plus basse donnent du sang et font des dons à des collectes de rue (Schlegelmilch, 1997).

Les personnes qui ont un plus haut statut social (hautement éduqué et avec un revenu supérieur), d’un autre côté, ont montré un empressement pour donner à des buts abstraits et vagues comme l’aide au développement, aux réfugiés et aux droits de l’homme.

Ceci peut s’expliquer par la référence à la sphère de l’individu. Kroeber-Riel et Weinberg (1999) pensent que les gens qui appartiennent à une classe sociale plus basse sont plus concernés par l’environnement immédiat, alors que les individus qui appartiennent à une classe sociale plus élevée tendent plus souvent à avoir des points de référence dans un environnement social plus large.

Pour conclure, la bienveillance du sexe féminin et l'orientation du ménage, l'engagement envers l’église dépendant de l’âge et la référence à un environnement plus large ou plus proche dépendante du statut représentent d’une façon semblable les conditions se rapportant à la sphère particulière des divers donateurs (femmes, personnes âgées et individus ayant un statut social plus ou moins élevé).

Cela fait que ces donateurs ont tendance à donner. Les conclusions d’autres études dans la littérature évincent de tels modèles, pensant que les individus sont particulièrement préparés à donner à des organisations de bienfaisance qui appartiennent à leur sphère.

Sargeant (1999), par exemple, dit que les donateurs « préfèrent se concentrer sur ces catégories de cause qui sont ou perçues comme les plus appropriées à leur segment de société, ou qui sont perçues plus largement comme le soutien qu’ils aimeraient voir ».

2.2 - L’individu donne quand il a une probabilité de bénéficier des services de l’organisation

Selon les conclusions de Srnka, Grohs & Eckler, les hommes préfèrent rejoindre des associations amicales locales. Schlegelmilch (1997) déclare que ce groupe tend aussi à donner à des collectes sur les comptoirs des magasins ou dans les urnes qui sont placées dans des endroits publics. Ces résultats pourraient être expliqués par le fait que les hommes tendent à être moins orienté vers la maison et cherche plutôt des contacts sociaux et de reconnaissance en dehors de la famille (Kroeber-Riel et Weinberg, 1999).

La recherche sur le comportement du consommateur a montré que les hommes tendaient à être plus influent quand les produits pour une consommation extérieure était achetés (par exemple des voitures), alors que les femmes dominent les décisions d’achat pour les biens utiles à la maison (Davis et Rigaux, 1974 ; Kirchler, 1989).

Srnka, Grohs & Eckler ont aussi observé que les personnes plus âgées donnent souvent aux services sociaux, de santé, et à l’aide d’urgence. Il est évident que les personnes plus âgées ont tendance à utiliser de telles organismes plus souvent que les personnes jeunes ou, au moins, peuvent en avoir besoin dans un futur proche. Donc, ils sont plus intéressés pour soutenir de telles institutions.

Les individus moins éduqués, quant à eux, préfèrent donner à l’aide d’urgence et aux organismes de santé. Il est raisonnable de supposer que ce groupe, comme celui des personnes âgées cités ci-dessus, sont plus susceptibles de devoir bénéficier de ces organisations que les personnes ayant un niveau d’éducation plus élevé qui ont tendance à appartenir à une classe sociale supérieure et peuvent avoir une assurance privé pour la santé et la maison.

En général, on peut conclure que la propension à donner à une certaine organisation augmente avec la probabilité de bénéficier de ces services.

Une proposition similaire peut-être trouvé dans la littérature : Sargeant (1999), se referant à des travaux passés (Amos, 1982 ; Frisch et Gerrard, 1981 ; Krebs, 1970), soutient que les individus sélectionnent les organismes de bienfaisance à soutenir sur la base du fait qu’ils en ont bénéficié dans le passé ou qu’ils pourraient avoir à en bénéficier dans le future.

De la même façon, Bruce (1998) et Nichols (1991) précisent que les individus qui souffrent de maladies particulières seront plus disposés à donner à un organisme qui combat cette maladie.

2.3 - L’individu donne quand le don ne représente pas une dépense ou un effort trop grand

Srnka, Grohs & Eckler ont montré que les montants donnés augmentent avec le revenu, ce qui n’est pas étonnant. Ceci est en concordance avec la recherche passée (Haibach, 1998 ; Sargeant, 1999 ; Schlegelmilch et autres, 1997, 1992 ; Schneider, 1992) et semble facilement expliqué par le fait que les gens ayant un plus haut revenu peuvent se permettre de donner un montant plus important par an pour des oeuvres de bienfaisance.

De plus, Srnka, Grohs & Eckler montrent que les individus qui ont un plus haut statut social (haute éducation, haut revenu) sont plus susceptibles d’être membres d’organisations de bienfaisance payant une cotisation régulière et assurant financièrement une personne ou un projet à long terme.

D’un autre côté, la fréquence de don est plus haute pour les personnes âgées et plus basse pour les personnes ayant un statut élevé (particulièrement les revenus les plus élevés).

Ces conclusions peuvent être interprétées en considérant que la décision de donner et l’acte de don ne représentent pas seulement une charge financière mais impliquent aussi des coûts psychiques (Kotler, 2002).

Les paiements fréquents semblent être plus souvent faits par les personnes les plus âgées qui, semble t’il, ont plus de temps à leur disposition, et moins souvent par les personnes qui ont statut social élevé qui sont susceptibles d’avoir moins de temps pour traiter de tels problèmes.

Le dernier groupe peut préférer payer des montants plus élevés moins souvent ou alors faire des paiements réguliers (cotisations ou soutien d’une personne ou d’un projet) par des transferts bancaires automatiques.

Un autre exemple de comportement de don consiste dans le fait que les hommes donnent du sang ou sont bénévoles dans des organismes plus souvent que les femmes.

On peut supposer que, due à la socialisation, les hommes sont plus susceptibles de donner du sang que les femmes. Pilavin, Pilavin et Rodin (1975) suggère que les dons de sang peuvent souvent engendrer des sentiments d’héroïsme de la part du donneur, ce qui va probablement plus attirer les hommes que les femmes. De plus, les femmes, dans la plupart des pays, même si elles travaillent en dehors de la maison, font la plupart des travaux ménagers, ce qui leur laisse moins de temps que leurs homologues masculins pour s’investir dans des travaux bénévoles.

Les personnes plus jeunes préfèrent donner du sang, alors que les citoyens plus âgés font plus souvent des dons d’organes.

Cela, encore, semble intuitivement normal puisque le don de sang présuppose un certain état de santé et une bonne constitution pour accepter le fardeau physique et psychologique d'un don de sang.

D’un autre côté, les personnes plus âgées souhaitent souvent faire quelque chose de bien dans leur vie et peuvent espérer devenir éternelles en offrant leurs organes à des gens qui en ont besoin pour survivre (Nuber, 2002).

Pour les individus plus jeunes, la mort pourrait toujours être trop éloignée pour eux pour commencer à penser aux dons d’organes.

Enfin, l’étude a montré que les personnes plus âgées ont tendance à donner plus souvent quant elles sont directement approchées (à l’église, dans la rue ou via des mailings). Cela semble attribuable à un minimum d’effort physique requis pour eux pour faire un don (Haibach, 1998).

D’un autre côté, les personnes plus jeunes, que l'on peut s'attendre être plus à la maison avec les nouvelles technologies et avoir moins de loisirs que leurs homologues plus âgés, sont les personnes les plus enthousiastes pour faire un don via l'Internet.

En tout, cette preuve peut être interprété pour montrer que les gens ont tendance à préférer donner de manière à ce que cela leur coûte le moins possible en termes financier, physique et psychologique.

La notion que les individus tendent à minimiser les coûts sur diverses dimensions est bien acceptée dans la littérature marketing (Kotler, 2002).

III – Discussion et implications managériales

Alors que les résultats statistiques de l’étude menée par Srnka, Grohs & Eckler répliquent les conclusions précédentes, les dimensions fondamentales étudiées dans l’analyse interprétative post hoc s’ajoute de façon significative à la compréhension du don charitable individuel.

Une telle compréhension est impérative pour les chercheurs en collecte de fonds dans leur activité de sollicitation, et est particulièrement importante en vue de la situation actuelle dans le secteur volontaire.

Alors que, à présent, peu de segmentation a lieu, et que les donateurs reçoivent un package de sollicitation standard (Sargeant, 2001), l’intensification de la compétition pour les dons privés pourrait fournir l’impulsion pour cibler les donateurs potentiels plus spécifiquement.

De plus en plus, les organisations de bienfaisance auront besoin de devenir professionnels et de sélectionner et de cibler leurs supporters systématiquement (Kotler et Andreasen, 1996).

Les dimensions fondamentales qui viennent de cette recherche donnent les caractéristiques sociodémographiques et comportementales et offrent aux praticiens une base efficace et fiable pour la segmentation du marché des donateurs.

En particulier, ces dimensions représentent des critères faciles à utiliser pour les chercheurs de fonds qui ont des données disponibles limitées sur leurs donateurs.

Les organismes de bienfaisance pourraient aussi utiliser leur connaissance des méthodes en recherche de fonds pour favoriser les groupes ciblés afin d’identifier des alternatives stratégiques prometteuses en recherche de fonds non actuellement employées. Aussi, d’autres segments peuvent être ciblés avec succès en utilisant les dimensions présentées. Srnka, Grohs & Eckler recommandent ainsi de s’adresser aux donateurs potentiels de la façon suivante :

Montrer que le but du don est en rapport avec la sphère de l’individu.

Montrer les bénéfices de cet organisme pour le donateur.

Augmenter la commodité du don charitable et/ou communiquer sur la valeur de l’argent/de l’effort en donnant.

Deuxième partie : Segmentation du marché des donateurs à partir des variables RFM

Une des plus anciennes et des meilleures techniques de segmentation d’une base de données est l’analyse RFM (Récence, Fréquence, Montant).

En utilisant cette méthode, tout responsable marketing qui dispose d’une grande base de données clients peut garantir des campagnes promotionnelles profitables. Par rapport aux alternatives de segmentation étudiées précédemment (sociodémographique, psychographiques …), l’analyse RFM est supérieure en qualité car elle se base sur le comportement du client : quand est ce que le client a donné pour la dernière fois, à quelle fréquence donne-t-il et combien d’argent donne-t-il ?

La méthode RFM prédit le comportement futur des clients en se basant sur leur comportement passé.

I – La segmentation RFM classique

L’analyse RFM est simple parce qu’elle ne requiert pas une analyse statistique complexe ou des profils démographiques détaillés. Si l’organisation de bienfaisance dispose de l’historique du don des donateurs dans sa base de données, alors elle peut faire une analyse RFM. Cette analyse est dite puissante car elle regroupe 3 des meilleurs indicateurs de l’intérêt d’un donateur pour la cause.

Qui pourrait être meilleur qu’un donateur que les chercheurs en RFM appellent un 5-5-5, c'est-à-dire quelqu’un qui a donné récemment, qui donne fréquemment et qui donne beaucoup ?

L’analyse RFM permet aux chercheurs en collecte de fonds de segmenter sa base de données et de cibler les mailings en fonction du profil des donateurs, de diminuer les coûts et d’augmenter le taux de réponse.

L’analyse RFM commence à partir de l’historique du don des donateurs. Pour chacune de ces 3 mesures, on classe les donateurs dans un ordre décroissant puis on leur assigne un score basé sur le quintile auxquels ils appartiennent.

Par la suite, on reclasse les donateurs en fonction de leur fréquence de don et on leur assigne un score qui va de 5 (fréquence très élevé) à 1 puis, pour finir, on fait la même chose pour le montant donné. Maintenant chaque donateur à un score RFM à 3 parties qui décrit la situation actuelle du donateur. Le score suivant 5-1-3 signifie que le donateur a fait un don de valeur moyenne (3) récemment (5) mais ne donne pas souvent (1).

L’analyse RFM classe ensuite les donateurs en 125 segments (5x5x5=125), ce qui permet un ciblage et une segmentation plus efficace.

II – Une approche moderne de l’analyse RFM

Les organisations de bienfaisance veulent transférer leur message aussi efficacement que possible afin d’obtenir une relation profitable à long terme avec chaque client.

Jusqu’à présent, les chercheurs avaient prêté beaucoup d’attention à la sélection des adresses et à l’identification de nouveaux clients potentiels rentables alors qu’ils avaient prêté moins d’attention à la fréquence optimale des contacts avec les clients. C’est pourquoi, en 2002, Jonker, Piersma et Potharst ont élaboré un système d’aide à la décision qui aide les chercheurs en collecte de fonds à déterminer la fréquence optimale à laquelle on va envoyer les mailings aux clients actifs. Pour cela, ils sont partis de l’étude d’un collecteur de fonds hollandais.

Les modèles stochastiques de marketing direct qui décrivent le comportement de réponse des clients incluent des modèles de choix binaires (Bult et Wansbeek, 1995), des réseaux neuraux (Levin et Zahavi, 1996 ; R. Potharst, U. Kaymak et W. Pijls, 2001) et des chaînes de Markov (Bitran et Mondschein, 1996 ; Gonul et Shi, 1998 ; Piersma et Jonker, 2000).

Ces modèles mathématiques d’aide à la décision ont cependant un inconvénient majeur : quelques consommateurs ne sont pas sollicités alors que d’autres le sont trop. C’est sur la résolution de ce problème que portera l’étude de Jonker, Piersma et Potharst à partir de laquelle nous allons travailler.

Leur philosophie repose sur 2 principes :

Principe 1 : La décision repose sur la question suivante : « Combien de mailings les clients actifs recevront sur une période limitée ? »

Pour les organisations de bienfaisance, un mailing n’est pas envoyé une seule fois pour un évènement, mais fait parti d’un flux de mailings envoyés au cours d’une période plus longue.

Faire une sélection pour un mailing néglige la dynamique de réponse au mailing : la décision d’envoyer un mailing aujourd’hui influence la probabilité qu’une personne répondra au prochain mailing.

L’étude de Jonker, Piersma et Potharst prend en considération de multiples mailings et les réponses correspondantes dans un univers de temps limité.

La stratégie de mailing résultante est complètement différente des modèles de « mailing unique » qui sont évalués pour chaque occasion de mailings séparés.

Le modèle est résolu seulement une fois pendant le temps défini et décide uniquement du nombre de mailings à envoyer pendant cet intervalle de temps pour chaque client de la base de données.

Si la décision est d’envoyer au moins un mailing alors le client est sélectionné pour un futur mailing : La situation exacte à utiliser pour ces mailings peut être déterminée à travers des stratégies pour le timing des mailings.

Principe 2 : Le comportement de réponse préféré est présenté comme étant une combinaison de la maximisation du profit et des critères de réponse.

Le but principal des entreprises de marketing direct est d’obtenir une relation profitable à long terme avec ses clients.

Bitran et Mondschein (1996) décident, à travers leur modèle, à qui et à quel nombre de mailings on va envoyer au prochain envoi de mailings, et ce, à travers la Lifetime value du client. La Lifetime value du client est défini comme le total des bénéfices nets futurs escomptés (Berger et Nasr, 1998). Gonul et Shi (1998) ont étendu ce concept en considérant le total des bénéfices escomptés sur un horizon infini quand on doit envoyer un seul mailing.

Le modèle de Gonul et Shi est vraiment basé sur la comparaison du bénéfice futur attendu de l’envoi du mailing et le fait de remettre à plus tard le mailing.

Nous sentons que ce concept pourrait être exploité plus en profondeur. Pour obtenir une relation à long terme avec un client, on doit essayer d’avoir une politique stratégique personnalisé de mailing.

En considérant la fréquence des mailings au lieu des modèles de décision de mailing unique, on est capable d’inclure un modèle de mailing supplémentaire pour les clients les moins rentables. Ce qui permet aux marketers de maintenir une relation avec ce type de clients.

Avec une stratégie de mailing multiple, le responsable peut alterner entre l’envoi ou non des mailings à chaque client, en espérant que le client reste actif sans envoyer de mailings qui seront gaspillés.

D’autres philosophies incluent : le nombre de réponses, la qualité des réponses, l’homogénéité des réponses …

Il existe des modèles qui n’incorporent pas les contributions du management. En conséquence les campagnes optimales de mailings conseillent d’envoyer aux clients les plus rentables une abondance de mailings et laisser les autres clients complètement seuls.

Les objectifs de Jonker, Piersma et Potharst sont de maximiser les bénéfices à long terme à travers une stratégie de mailings qui maximisent la rentabilité à laquelle un individu entrera et restera dans les états les plus rentables, et ce, en incorporant les contributions du management.

2.1 – Modélisation du problème de fréquence du mailing

2.1.1 – Processus de décision de Markov

Le processus de décision est défini comme un problème de fréquence sur une série de périodes. Dans chaque période, la décision est de savoir combien de mailings envoyer à chaque client. Ce processus de décision est modélisé à travers la chaîne de décision de Markov dans l’esprit de Gonul et Shi, Bitran et Mondschein et Piersma et Jonker.

Dans le modèle de Jonker, Piersma et Potharst, un client est classé dans un état S selon l’intensité du mailing et la réponse dans la période précédente. Les clients sont caractérisés par l’histoire de leur réponse et cette histoire est enregistrée selon les caractéristiques RFM bien connues comme suit.

L’état d’un client à la fin de la période t est défini comme un vecteur tridimensionnel S(t)= (m[t], r[t], d[t]) où m[t] est le nombre de mailings qui est reçu dans une période t, r[t] représente le nombre de mailings auxquels le client a répondu dans la période t et d[t] donne le montant total dépensé par le client dans la période t (ce montant est divisé en un nombre de classes fini).

La collecte des actions pour tous les états possibles est appelée une politique (de mailing).

Etant donné la politique de mailing le client peut répondre plusieurs fois. Cette réponse est enregistrée par le montant total dépensé et par le nombre de mailings auxquels le client a répondu.

Il existe des probabilités de transition qui dépensent de l’action du chercheur. Celles-ci sont calculées à travers l’évaluation de la Probabilité Maximale. Avec ces probabilités de transition, on peut calculer les probabilités d’état régulier pour chaque état en utilisant les égalités standard de Markov (Par exemple Puterman, 1994).

Pour un client dans un état donné S[t]=s, Jonker, Piersma et Potharst définissent une récompense pour la période t+1 qui est le montant total donné par ce client dans la période t+1 sur le nombre de mailings envoyés par le responsable.

Une récompense attendue dépend ainsi de l’état du client et de l’action prise par le responsable.

2.1.2 – La fonction objective

L’organisation de bienfaisance est intéressée par la maximisation des bénéfices. Envoyer un mailing à tous les clients de la base de données peut être une stratégie rentable si les coûts d’envoi du mailing sont bas. Cependant, même si les coûts sont bas, envoyer à tous les clients un nombre maximum de mailings n’est d’ordinaire pas la stratégie préférée.

Une société qui envoie des mailings voudra minimiser le gaspillage ou le taux de personnes qui ne répondent pas en réduisant au minimum la perspective des coûts mais aussi celle des clients: envoyer des mailings non désirés peut endommager la relation avec un client.

Dans la pratique, les sociétés comparent les différentes politiques de mailings sur la base d’un nombre de critères. Une mesure directe est le taux de réponse.

Un inconvénient de l'utilisation de la rentabilité de la réponse est qu'il pourrait favoriser la sélection des clients qui répondent souvent, mais dépensent une somme relativement petite. Donc il est recommandé de prendre en considération certaines mesures des revenus générés comme le revenu moyen par mailing envoyé. Cette mesure comprend à la fois la fréquence de réponse et le revenu. Cependant, si un petit nombre de personnes répond mais dépensent un montant élevé sur la réponse, alors ils marqueront tout autant de points comparé à un groupe qui a un pourcentage de réponse élevé mais un faible montant dépensé par réponse. Si la société veut faire une distinction entre ces groupes, elle devra prendre en considération le montant moyen dépensé par les individus qui ont répondus.

Une mesure théorique pour la somme des revenus sur une période est la récompense moyenne à long terme. Cette mesure reflète le total moyen des dons par an si la même politique est suivie sur un nombre infini d’années. Ce qui peut être vu comme une comparaison honnête de l’efficacité des différentes politiques.

L’objectif de Jonker, Piersma et Potharst est de rentrer les individus dans les états qui sont les plus salutaires à l’entreprise : ce sont des états où le revenu est élevé et le nombre de personnes qui ne répondent pas est bas. Aussi, il faudrait que les individus entrent dans ces états le plus tôt possible. Nous illustrons l’utilité de cette approche par l’exemple suivant :

Supposons qu’un mailing coûte 2 euros. On prend en considération l’état (3,1,50) où le client répond seulement une fois sur les 3 mailings envoyés avec une réponse, un don de 50 euros. Si on pouvait avoir la même réponse avec un mailing (état (1,1,50)), alors la récompense net serait plus élevée.

Cependant, si un mailing supplémentaire pouvait provoquer une réponse supplémentaire (Taille 50), ce qui ferait un résultat dans l’état de (4,2,100), la récompense net augmenterai. Clairement les états (1,1,50) et (4,2,100) sont préférés à l’état (3,1,50) en ce qui concerne la récompense net. Cependant, certains états ne sont pas facilement distingués. L’état (1,1,10) a une plus petite récompense que l’état (3,1,14) mais dépense moins de mailings, ce qui résulte à une même récompense.

Le responsable peut préférer réduire au minimum le nombre de mailings, maximiser le pourcentage de réponse ou maximiser la taille de la réponse ou une combinaison de ces 3 solutions.

Pour donner au responsable le contrôle sur les objectifs multiples, à chaque état est assigné un poids qui reflète la préférence relative de cet état.

La politique optimale du mailing est ensuite basée sur la rentabilité moyenne du poids à long terme pour observer les clients dans certains états.

Si tous les états ont un poids égal à un, alors la fonction objective deviendra le critère de bénéfice net escompté standard pour la programmation dynamique stochastique (Ross, 1983, Ch. 4). L’existence d’une politique optimale est garantie dans le modèle étudié par Jonker, Piersma et Potharst pour tous les poids non négatifs.

Leur modèle peut être résolu par la programmation linéaire, l’itération de la politique ou l’itération de la valeur.

Ils ont d’ailleurs exécuté une version rapide de l’algorithme d’itération de la valeur (Tijms, 1994, P. 208 et 210) ; ce qui leur a permis, après calibration du modèle, de retirer 55 états.

2.2 – Les scénarios standard de cet outil d’aide à la décision

Avec la définition des états en terme de variables RFM, le chercheur en collecte de fonds peut identifier les états préférables en terme de rentabilité du client et d’intensité du mailing.

Une spécification des poids pour l’ensemble des 55 états est définie comme un scénario. Le système d’aide à la décision de Jonker, Piersma et Potharst contient 4 scénarios standard et l’option pour le client de définir d’autres scénarios.

L’outil d’aide montre les 55 états et le poids qui peut être assigné à chaque état. Les scénarios standard sont :

2.2.1 – Les poids égaux

Tous les états sont important de la même manière, et ont le poids 1. Ce scénario donne le problème de la fréquence des mailings standard qui optimise la récompense escomptée à long terme.

2.2.2 – Efficacité : Mettre l’accent sur « moins de mailings »

Les états qui recevront un poids élevé sont ceux où un individu ne reçoit pas plus de 3 mailings par an. Le poids le plus haut est placé à 100 et le poids le plus bas est placé à 1. Ces poids encouragent à être dans un état où moins du maximum de 4 mailings sont envoyé.

2.2.3 – Rentabilité : Mettre l’accent sur les clients les plus rentables

Dans ce scénario, les clients sont pondérés selon leur rentabilité. Les clients les plus rentables donnent plus souvent et donnent plus. Nous mesurons la rentabilité par la taille du don et le pourcentage de réponse.

2.2.4 – Participation : Mettre l’accent sur les réponses des clients

Ce scénario met le cap sur la participation maximale des clients, défini par au moins une réponse par an. Nous considérons donc 2 poids :

Poids 100 : tous les clients qui répondent au moins une fois.

Poids 1 : Tous les clients qui ne répondent pas.

L’utilisateur ne peut pas changer les poids des scénarios standard. Cependant Jonker, Piersma et Potharst incluent une option où l’utilisateur rejette le conseil de l’outil d’aide.

2.3 – Les résultats

La politique optimale est déterminée en utilisant le modèle de décision de Markov comme décrit précédemment.

Jonker, Piersma et Potharst ont comparé leurs résultats théoriques avec une politique de mailing qui envoie le nombre maximum (ici 4) de mailings. Nous étudions spécialement les coûts des décisions de management qui utilisent la même structure mathématique plutôt que de comparer différents modèles mathématiques.

Si on compare la politique optimale sous le scénario 1 avec la politique naïve qui envoie 4 mailings à chaque client, alors les résultats montrent clairement la rentabilité de l’optimisation des mailings.

On constate ainsi que la segmentation de la clientèle permet de tenir compte d’une politique de mailing personnalisé plus rentable. Nous concluons qu’envoyer un nombre maximum de mailings aura pour résultat des déchets de mailings, et dans le temps causera l’irritation et la diminution des réponses. Cependant on devra faire attention à envoyer assez de mailings pour obtenir une réponse positive sans en envoyer de trop.

Le scénario de l’efficacité va chercher à envoyer moins de 4 mailings, mais cette stratégie mène à un bénéfice net substantiel plus faible dans le court et dans le long terme comparé aux autres scénarios.

Apparemment il y a un nombre de groupes de clients qui ont besoin de 4 incitations. Si nous augmentons le coût d’un mailing, l’efficacité du scénario deviendra bien plus sélective dans le nombre de groupes de clients qui reçoivent au moins un mailing.

Par exemple, si le coût par mailing est augmenté de 1 à 10 euros, alors le nombre d’états recevant 0 mailings sous le scénario 2 est augmenté de 10,9% à 34,5%. Pour les autres scénarios, l’augmentation n’est pas aussi grande.

En conséquence le scénario 2 envoie trop peu de mailings et est toujours surpassé dans les bénéfices par les autres scénarios.

2.4 – Le modèle de Jonker, Piersma et Potharst contre le management

Dans leur outil d’aide à la décision, Jonker, Piersma et Potharst ont inclus l’option de déterminer la mesure pour les états choisis par l’utilisateur.

Dans la procédure d'optimisation la mesure pour un tel état reste fixée et n'est pas optimisée. Dans notre cas, nous avons déjà annoncé le résultat pour l'option qui fixer la mesure à 4 pour chaque état; nous l'avons appelé le scénario naïf. Mais il est aussi possible de fixer l'action pour seulement un sous-ensemble des états et optimiser les mesures pour les états restants.

La gestion en collecte de fonds a été particulièrement intéressante pour les clients de l'état 0. Cet état contient des nouveaux clients et les clients qui n'ont reçu aucun mailing l'année précédente. Nous observons que la politique optimale dans tous les scénarios standard est d'envoyer 4 mailings aux clients de l'état 0.

Nous nous sommes demandés quel serait l'effet sur la performance si nous décidons de rejeter la décision de ne pas envoyer de mailing et d’utiliser une autre action dans l'état 0.

Dans une période de longue durée, il n'y a aucune différence dans l'exécution du scénario 1 si l'état 0 reçoit 1, 2 ou 3 mailings. Seuls les choix extrêmes, envoyant aux clients inactifs 0 ou 4 mailings, mèneront à une exécution différente.

L'envoi de 4 mailings (le scénario « harcèlement des clients ») est conseillé par le système d'aide.

Quand les clients inactifs ne sont pas approchés depuis longtemps, c'est le scénario « d’abandon des clients », le résultat sera que les autres clients n'entreront pas à l'état 0.

Ces groupes ne sont pas infiniment exclus de nouveaux mailings, mais le conseil est de s'abstenir d'envoyer des mailings pendant un an. Quant les clients entreront à l'état 0, ils recevront de nouveau des mailings l'année suivante.

Ces groupes contiennent les clients qui ont besoin de beaucoup de mailings, répondent souvent, mais font don de petites contributions. Dans le long terme, 2,1% des clients sont attendus à être dans ces états.

Quand les clients inactifs ne sont pas approchés depuis longtemps, les systèmes d'aide conseillent d'envoyer à ces groupes moins rentables un mailing. Ainsi seuls les clients inactifs en première année sont laissés seuls, et plus d'effort est fait pour approcher les clients actuellement actifs. Le même phénomène est observé pour les autres scénarios standard.

La gestion en collecte de fonds a été aussi intéressée par l'envoi d’un mailing aux groupes de clients qui, dans la politique optimale, n'ont reçu aucun mailing.

De nouveau, ces clients ne sont pas assez rentables dans la politique optimale pour justifier un mailing, mais la gestion s'est demandée quel serait l'effet dans l’exécution à long terme si ces clients ne sont pas exclus de la liste d'adresses.

Nous avons donc calculé la politique optimale, fixé la mesure à 1 pour les états qui ont l'action 0 dans la politique optimale et recalculé la politique optimale. La politique résultante n'a pas inclus les nouveaux états avec l'action 0, donc tous les clients reçoivent au moins un mailing.

Que ce soit dans la performance à courte durée ou à longue durée la différence est petite, mais la comparaison montre clairement que les mailings supplémentaires déclencheront des réponses supplémentaires de ces clients avec de petites donations.

Le nombre de réponses augmente vraiment mais la contribution moyenne par mailing et par personne diminuera significativement dans la longue durée.

2.5 - Conclusion

A partir de l’étude de Jonker, Piersma et Potharst, nous observons la politique du mailing sous différents scénarios, montrant que les relations avec la clientèle ont besoin d’être défini prudemment. La première contribution de ces auteurs à la littérature est le développement, l’estimation et le test d’un modèle de programmation dynamique pour une organisation de bienfaisance.

Leur seconde et principale contribution est une discussion prudente de l’impact des fonctions objectives sur le modèle mathématique et les implications pour la politique du mailing.

Les résultats montrent que les buts du management sont souvent en conflit avec les critères d’optimisation utilisés dans le modèle mathématique. Nous avons comparé différentes philosophies de mailings en ce qui concerne le bénéfice global et le pourcentage de réponse dans le court et le long terme.

Optimiser les bénéfices à long terme coïncide avec le fait de maximiser le pourcentage de réponse pour notre application. Apparemment les coûts d’un mailing sont assez petits et tous les clients qui sont susceptibles de répondre par un don recevront un mailing à chaque opération.

Quand le coût d’un mailing devient plus grand (par exemple pour les catalogues), le scénario de réponse maximum deviendra moins rentable.

Enfin, à travers l’étude de Jonker, Piersma et Potharst, nous décrivons un modèle d’aide à la décision qui aide l’utilisateur à quantifier la perte ou le bénéfice en définissant des poids pour l'importance que l'utilisateur met dans un état ou même l'action que l'utilisateur veut pour certains états.

Dans un cas extrême, l’utilisateur peut déterminer l’action pour tous les états et le modèle d’optimisation devient un simple outil de calcul pour la rentabilité des actions définies. Ceci permet à l’utilisateur d’évaluer les politiques de mailing précédentes autant que les politiques de mailing que l’utilisateur a pris en considération. L’autre extrême est de laisser l’outil d’aide à la décision décider de l’action pour chaque état et d’exprimer la rentabilité de ces actions optimales (en ce qui concerne le scénario sélectionné).

Un nombre d’extensions a actuellement été implanté dans le modèle.

A l’avenir, Jonker, Piersma et Potharst veulent permettre à l'utilisateur de changer la définition de l’état et le nombre d'états. Le chercheur en collecte de fonds est particulièrement intéressé par l'envoi de plus de 4 mailings par an. Pour ce faire, il faudrait inclure une procédure d'évaluation pour les paramètres du modèle et lier l'outil d'aide avec une base de données.

Introduction