Avec sa nouvelle solution CorpoRadar, Data Republica cherche à industrialiser l’approche lead en BtB. La start-up marie son savoir-faire historique en matière de collecte de données et de visualisation, à des algorithmes d’analyses et de statistiques dont l’objectif est d’analyser finement les données et les informations pour les mettre à disposition des entreprises. Data Republica est l’un des premiers à appliquer ce concept sur l’information BtB, même si le grand public a déjà fortement connaissance de ces puissants mécanismes, par le biais de Google et d’Amazon notamment. CorpoRadar a été testé auprès de plusieurs entreprises, affirme Data Republica. Par exemple, l’éditeur lyonnais Cegid, spécialisé dans les ERP verticaux, est l’un des clients de CorpoRadar. Il s’agissait d’identifier parmi 20 000 entreprises les sous-traitants du secteur de l’automobile. « Un problème pas évident à résoudre avec les seuls codes NAF. On a obtenu une fiabilité de 90%. Dans ce cas, le modèle se base sur l’abonnement, car Cegid a décidé de généraliser et d’automatiser cette étude » commente enfin Christian Frisch.
Qualité de données, volumétrie, visualisation, affinité en BtB
Le constat de Data Republica est le suivant : les informations précises sur les entreprises ne sont pas seulement rares, elles ne sont surtout pas enrichies et à faible valeur d’usage. Les sources sont limitées à des données (payantes et très chères) proposées par exemple par l’Insee – elles donnent un code d’identification (NAF), une adresse, le nom des dirigeants, etc. Des informations financières sont également disponibles mais pas pour toutes les entreprises. L’enrichissement est la clé. A ces données classiques, le service de Data Republica allie des données marketing comme le site Web (les services et les produits commercialisés), blogs, Twitter, Facebook et la presse par exemple. En clair ces canaux peuvent permettre d’enrichir le profil des sociétés, leurs mouvements et finalement conduire à une approche plus affinitaire grâce à des algorithmes complexes, notamment de ressemblances, de classification, de Machine Learning, de statistiques afin d’établir des profils d’entreprise à partir d’informations qui jusqu’alors étaient inexploitées. Dans le détail, il s’agit d’observer les caractéristiques de l’entreprise, de ses clients afin de déterminer un profil et une typologie de clients. Puis de confronter ces données aux entreprises dans la base afin d’isoler des clients qui s’approchent de ce profil et sont donc de potentiels prospects. Des ventes prédictives basées sur la détection de profils et de prospects, en somme. A la clé, il s’agit de proposer la mise en place des flux de prospects automatiques.
