<img height="1" width="1" style="display:none" src="https://q.quora.com/_/ad/88b01dfbf564435b95101dfcd5cc6b44/pixel?tag=ViewContent&amp;noscript=1">

Logo-Allopneus-complet.png

Allopneus est leader français de la vente en ligne de pneus pour tous les types de véhicules (auto, moto, agricole, etc.) avec une part de marché de près de 50%.


Contexte

Allopneus s’est lancé dans l’A/B testing en 2013 afin d’optimiser la navigation des visiteurs sur son site dans un contexte de coûts d’acquisition (CPC, search) inflationnistes. Avec un trafic dépassant le million de visiteurs uniques mensuels, l’A/B testing s’est révélé être une pratique très pertinente, permettant d’obtenir des résultats fiables dans un délai court et sur des parcours client variés.

Une fois bien engagé dans cette démarche d’optimisation ergonomique, Allopneus a décidé d’aller plus loin dans sa stratégie d’optimisation, en embrassant une approche de segmentation et de personnalisation. En partant de l’idée que plus la connaissance que l’on a de ses visiteurs s’approfondit, plus la valeur client peut être maximisée, Allopneus s’est concentré dès 2015 sur une stratégie de personnalisation sur les segments visiteurs qui comptent le plus pour la marque. L’analyse du comportement et du contexte d’achat des visiteurs permet ainsi à Allopneus d’offrir des expériences et messages personnalisés.

 

Résultats

Allopneus observe une augmentation de 48,1 % de clients « gros rouleurs » parmi les clients acheteurs, de 15,7 % sur la valeur du panier moyen, l’offre portant sur une marque premium plus chère que la moyenne du site. En parallèle, aucun impact pénalisant le taux de conversion global du site n’a été observé.

Télécharger l'étude de cas

Julien Nouet

Notre objectif est d’augmenter notre chiffre d’affaires mais aussi notre marge. Nous décidons de nos opérations promotionnelles à l’aune de ces deux critères. Dans le cas présent, nous avons souhaité aller plus loin que l’analyse traditionnelle de la connaissance client en nous appuyant sur les capacités prédictives des algorithmes de machine learning de Kameleoon. Après un premier test « à blanc » nous avons lancé cette expérience en suivant de près la courbe de conversion. Les résultats sont probants avec des taux de conversion clairement plus élevés que lors de mêmes opérations menées manuellement.

Bruno Hétier, Directeur marketing, Allopneus