BlaBlaCar : la donnée au service de la rétention client

Elevé au rang des licornes européennes avec une valorisation s’élevant à plus 1,6 millions d’euros, BlaBlaCar contrôle aujourd’hui plus de 90% du marché français du covoiturage. Si le concept est simple : mettre en relation des conducteurs et des passagers qui se rendent au même endroit dans l’objectif de partager les frais tels que l’essence ou le péage, l’exécution est, elle, amplement plus complexe. Initialement considérée comme une alternative au train, BlaBlaCar possède un business model fortement lié à la perception et au contexte du voyage. Les bouleversements de l’environnement concurrentiel en France (développement des bus et des trains low cost) ont chamboulé la perception qu’ont les utilisateurs des moyens de transport, covoiturage inclus. Ces changements imposent à BlaBlaCar une meilleure compréhension de ses usagers et de leurs besoins pour adapter son service et adresser les bons messages. Après une stratégie de croissance axée sur l’acquisition de nouveaux utilisateurs, BlaBlaCar souhaite tirer parti des données notamment pour répondre aux problématiques de rétention client et optimiser ses dépenses marketing.

BlaBlaCar en chiffres :

• 35 millions de membres dans 22 pays
• 10 millions de voyageurs par trimestre
• Application téléchargée plus de 21 millions de fois
• 500 collaborateurs

Service purement digital, BlaBlaCar exploite un nombre important de données et ces dernières ont depuis toujours eu un rôle central puisqu’elles sont l’élément essentiel pour faire correspondre l’offre et la demande de trajets. La notion de communauté est clé chez BlaBlaCar et dans un premier temps, l’exploitation de la donnée a principalement été mise au service de la croissance de la base utilisateurs. Après l’acquisition de 35 millions de membres, les problématiques de rétention client sont devenues de plus en plus présentes et la data est désormais vue comme un moyen de gagner en précision dans la connaissance client dans le but de tirer profit de la communauté actuelle (encourager les membres à utiliser davantage le service par exemple). L’objectif de l’exploitation de la data est également de gagner en précision sur la connaissance des non membres, particulièrement les populations plus âgées moins familières avec le covoiturage, afin de mieux comprendre leurs besoins et les encourager à utiliser le service. Le business model de BlaBlaCar, qui se rémunère avec des paniers moyens relativement faibles, impose une attention particulière sur les dépenses marketing qui ne peuvent excéder un certain montant par membre sous peine d’altérer la rentabilité des campagnes. Ainsi la donnée est clé pour optimiser les dépenses marketing mais également pour comprendre sur quels axes intervenir et adresser les bons messages aux bons prospects ou clients. Finalement, la donnée est un garant de la confiance, pilier central chez BlaBlaCar qui vérifie et modère les profils pour garantir la sécurité de membres.

La majorité des données utilisées sont internes mais des expérimentations sont en cours pour croiser les données avec les données météorologiques de météo-France par exemple. Des partenariats de ce type se révèlent particulièrement intéressants pour BlaBlaCar car ils intègrent des données de géolocalisation et permettent donc un gain de précision pour le ciblage géographique, sujet sur lequel BlaBlaCar se doit d’être particulièrement pertinent. Surtout, ces données météorologiques permettent de déterminer des intentions et ainsi de cibler précisément les personnes prévoyant de voyager. Les informations fournies par Google et Facebook, notamment sur les centres d’intérêt et les affinités sont  également exploitées pour perfectionner le ciblage des campagnes et le retargueting.

La donnée est gérée par une équipe centrale dédiée puis splittée dans chaque département avec un business analyst spécialisé (service client, produit, marketing…). Chez BlaBlaCar toutes les décisions sont basées sur une analyse chiffrée et des KPIs spécifiques à chaque département. Cette rigueur d’analyse fait partie de l’une des dix devises clés : « Never assume, always check », placardées sur les murs de la startup. L’équipe data façonne les dashboards qui sont ensuite utilisés par les équipes métier. La hiérarchie aplanie et la forte culture du partage incarnée par le slogan « learn more, share more », facilitent les retours d’expérience et les feedbacks entre les métiers et l’équipe data. Bénéficiant d’un SI indépendant, l’équipe centrale possède une vision globale et presque instantanée de ses données, centralisées et stockées au même endroit, ce qui permet la définition d’une roadmap partagée par tous. Finalement, les équipes sont encouragées à rencontrer d’autres acteurs de l’écosystème faisant face aux mêmes problématiques (communautés ou acteurs disruptifs…) afin d’enrichir le dialogue et trouver de nouvelles idées d’exploitation de la donnée.

BlaBlaCar se concentre avant tout sur le perfectionnement de ses bases : permettre à un passager de se rendre d’un point A à un point B, le plus rapidement et économiquement possible. Parallèlement, la connaissance des passagers, membres actifs ou inactifs ne cesse de se préciser et de nouveaux sujets de perfectionnement produit tels que l’optimisation du moment de publication ou l’utilisation de nouveaux leviers marketing comme le RTB (real Time Bidding) émergent.

Cas d’usage : Tester la rentabilité des campagnes d’acquisition RTB (Real-Time Bidding)

Toujours dans une approche ROIste et désireux de maitriser chaque euro dépensé pour les campagnes marketing, BlaBlaCar souhaitait mesurer la rentabilité et l’incrément réel des campagnes d’acquisition RTB. Accompagnées par la technologie mediametrics (DMP, automation, DCO et DSP), les équipes ont exclu des campagnes les individus s’étant déjà rendu sur le site afin de ne toucher que des personnes n’ayant jamais été en contact avec BlaBlaCar. Deux groupes similaires ont été ensuite constitués au sein de ces profils. Ainsi, un premier groupe a été exposé à des campagnes publicitaires dé-corrélées de BlaBlaCar tandis que le deuxième groupe a été exposé à des campagnes RTB liée à BlaBlaCar. La mesure entre les taux de recrutement des deux cibles a permis de montrer la différence entre le recrutement naturel (sans l’effet des campagnes RTB) et le recrutement avec l’effet des campagnes RTB. Cette expérimentation, A/B test, s’est révélée concluante ouvrant de nouvelles perspectives pour BlaBlaCar pour tirer pleinement parti du RTB.