Projets

Allcargo Logistics cible ses ventes de services complémentaires avec du machine learning

Allcargo Logistics développe des solutions de machine learning pour mieux cibler son cross selling. (Photo : Allcargo Logistics)

Le géant indien de la logistique Allcargo Logistics cherche à vendre davantage de services complémentaires à ses clients, sans submerger ses forces commerciales pour autant. Il relève le défi en jouant de la data et surtout du machine learning.

PublicitéPour doper leur croissance, les entreprises se tournent désormais souvent vers le cross selling, autrement dit la vente d'offres complémentaires à leur coeur de métier. RamGopal Prajapat, senior vice president AI and data science du géant logistique indien Allcargo Logistics, rappelle, dans une publication de blog sur Linkedin qu'en sus du « chargement partiel ou complet de conteneur, du fret aérien ou de l'entreposage, un transitaire peut ainsi proposer l'assurance ou le dédouanement des marchandises, ou encore des solutions de supply chain à valeur ajoutée. Des moyens d'augmenter à la fois le revenu annuel par client et par réservation ». Reste à identifier et cibler efficacement les clients les plus susceptibles de mordre à l'hameçon, pour ne pas surcharger inutilement les forces commerciales. Un défi que RamGopal Prajapat raconte relever avec une exploration avancée de la data et, surtout, du machine learning.

Indispensable, car les conditions de départ ne sont pas, à proprement parler, favorables à une telle démarche. Pour commencer, contrairement à une banque par exemple, un logisticien ne dispose pas des données qui lui permettraient de savoir si ces clients achètent aussi de l'assurance ou du dédouanement. Autre problème, le taux moyen de conversion d'un contact en client dans le secteur est d'environ 1,5%, soit un des plus bas dans le B2B, selon une étude de Ruler Analytics de 2023.

« Il faudrait donc environ 66 appels pour conclure une seule transaction », estime RamGopal Prajapat. Et donc une implication forte de forces commerciales déjà souvent très chargées. « La vente de produits et de services supplémentaires à des clients existants est en revanche beaucoup plus rentable que l'acquisition de nouveaux clients ». Ils connaissent déjà leur prestataire et, comme le précise le senior VP data science and AI d'Allcargo Logistics, la vente omnicanale, en particulier sur des plateformes numériques ou via de la sensibilisation automatisée, simplifie l'interaction avec eux.

Faute de data, trouver des méthodes créatives

« Dans le domaine de l'expédition de fret, il faut donc des méthodes créatives, insiste-t-il. Pour détecter l'utilisation par les clients de produits ou services complémentaires chez des concurrents, par exemple, une des options possibles consiste à explorer les sources d'information et les données publiques pour identifier les entreprises engagées dans des activités d'expédition pertinentes avec des concurrents ».

Par ailleurs, pour identifier les besoins de ces clients, RamGopal Prajapat propose d'analyser avec du machine learning le comportement historique de ceux déjà identifiés comme des cibles potentielles. Allcargo Logistics s'est demandé si l'IA pourrait, par exemple, pousser le taux de conversion de 10% lorsque le client - parmi les 10% identifiés comme les plus intéressés - revient sans avoir été ciblé jusqu'à 15% avec une incitation par contact proactif. Enfin, l'IA aiderait également à identifier des « clients similaires », dont les caractéristiques ou les comportements sont proches de ceux qui utilisent le service complémentaire, pour leur proposer ce dernier.

PublicitéSensibilisation ciblée des clients au chargement complet de conteneurs

Très concrètement, Allcargo Logistics a testé ses hypothèses enrichies au machine learning sur un projet précis : identifier des clients à fort intérêt potentiel pour le produit « chargement complet de conteneur » (full container load, FCL). Les données de départ ? 3000 clients ont représenté 80% du volume FCL au cours des 3 dernières années et 20 000 utilisateurs du service de charge partielle (less than container load, LCL) n'ont jamais fait appel au FCL. Parmi ces derniers, 2000 étaient pourtant déjà clients d'autres produits Allcargo Logistics. Une cible déjà intéressante, mais encore trop importante au regard de la capacité de l'équipe commerciale. Allcargo Logistics a donc décidé de jouer l'approche data et machine learning pour hiérarchiser et sélectionner uniquement les 100 clients les plus susceptibles d'adopter FCL et entreprendre une sensibilisation ultra ciblée.

Pour cela, le machine learning a d'abord permis de modéliser les clients potentiellement les plus intéressants, en identifiant les caractéristiques des clients de services FCL. En parallèle, l'équipe IA et data d'Allcargo Logistics a tagué, à partir de ces indicateurs, les 5000 clients les plus engagés de l'offre LCL, cette fois. Elle s'est ensuite appuyée sur l'algorithme de scoring de similarité dit « des plus proches voisins » K-NN (K nearest neighbours) pour identifier 10 clients « similaires » pour chaque client FCL. Elle en a enfin extrait uniquement les clients qui n'utilisent pas actuellement le FCL et donné un classement plus élevé à ceux présentant la distance la plus faible au client FCL.

Résultat ? « Un taux de conversion 2,5 fois plus élevé par rapport aux campagnes de sensibilisation précédentes, se réjouit RamGopal Prajapat, et une utilisation plus efficace des ressources de vente. En résumé, un impact plus fort sur les revenus avec moins d'efforts ».