Marketing prédictif B2B

Site Webwww.c-radar.com@C__Radar@C__Radar_FR

Sommaire

Établi par l’INSEE en 1959 le NAE (Nomenclature des activités économiques) l'est à des fins statistiques et administratives.

Par la suite le NAE devient NAF (Nomenclature d'activités françaises) et comme toute donnée à usage statistique, fait son possible pour évoluer le moins possible, car tout changement provoque une perte de sens immédiat de la donnée analysable.

Bien que révisé en 2008, le code NAF reste une donnée à fin d’analyse de l’Etat Français. Il segmente les activités françaises en 21 sections, lesquelles se divisent en 88 divisions, qui elles même se subdivisent en 272 groupes. À partir de ces sous-groupes, on aboutit à 615 classes qui donnent lieu à une dernière  et ensuite en  plusieurs classes et sous classes en 732. Voilà, il y a 732 codes NAF, mais en quoi cette classification permet elle de cibler fournisseurs ou prospects d'aujourd'hui ?

2

Le code Naf a été conçu par l’INSEE afin de caractériser l’activité des entreprises Il s’agit d’un code conçu par l’INSEE pour catégoriser l’activité des entreprises. Il est défini de manière hiérarchique en 5 niveaux :

3

Niveaux

Nombre de sections, divisions, groupes, classes Référence Libellé

1 21 sections C Industrie manufacturière

2 88 divisions 58 - Edition, 33 Réparation et installation de machines et d’équipements

3 272 groupes 58.2 - Edition de logiciels, 33.2 Installation de machines et d’équipements industriels

4 615 classes 58.29 - Edition d’autres logiciels, 33.20

Installation de machines et d’équipements industriels

5 732 sous-classes 58.29C - Edition de logiciels applicatifs, 33.20A

Installation de structures métalliques, chaudronnées et de tuyauterie

Construire sa base prospect BtoB sur des codes NAF génère de plus en plus de bruits

4

La nomenclature NAF présente des limites de fiabilitéDes codes NAF :● Mal renseignés● Trop larges● Obsolètes● ….

La nomenclature NAF présente des limites intrinsèques, la nature même des Codes NAF ne correspond pas à certaines recherches, pour lesquelles des dimensions sont nécessaires au-delà de l’activité. Par exemple :● Recherche de sous-traitants● Sociétés exportatrices (certaines déposent un CA

export de 0)● Recherche d’écosystèmes (Big Data, Cleantech,…)

Limites de fiabilité

Mal renseignés

Larges

Obsolètes

Limites par nature

Notion d’écosystème

Notion de sous-traitance

Notion d’export

Seules 12% des entreprises de recouvrement sont classées dans le code Naf dédié!

5

Limites de fiabilité

Mal renseignés

Larges

Obsolètes

Limites par nature

Notion d’écosystè

me

Notion de sous-

traitance

Notion d’export

12% seulement des entreprises du recouvrement sont classées dans le bon code NAF.

Certains code NAF trop larges et/ou homogènes

6

Même les codes NAF les plus détaillés (NAF732) regroupent de larges ensembles d’entreprises (conseil pour les affaires,…)

Dan certains cas (holding, sièges sociaux), les entreprises au sein d’un code NAF fin (NAF 732) ne représentent pas une activité homogène

Limites de fiabilité

Mal renseignés

Larges

Obsolètes

Limites par nature

Notion d’écosystè

me

Notion de sous-

traitance

Notion d’export

Avec les codes NAF, il est difficile d’identifier les activités récentes, les écosystèmes émergents

7

Limites de fiabilité

Mal renseignés

Larges

Obsolètes

Limites par nature

Notion d’écosystè

me

Notion de sous-

traitance

Notion d’export

Constat : les codes NAF ne sont pas suffisants pour témoigner de l’activité réelle des entreprises ou pour un ciblage commercial précis.

Idée : pouvoir effectuer des regroupements d’entreprises en se basant sur le vocabulaire employé sur leur site web.

Exemple concret : les entreprises effectuant des bilans carbones et des diagnostics d’efficacité énergétique peuvent être des cabinets de conseil (NAF 7022Z), des bureaux d’études techniques (7112B), des cabinets d’architecture (7111Z), des installateurs de panneaux photovoltaïques (3320D, 3511Z)...

Certains code NAF trop larges et/ou homogènes

8

Données administratives et financières

(INSEE + BODAC + Infogreffe)

Données de marques, brevets, certifications…

(INPI…)

Données marketing & vente Site Web, Réseaux sociaux, Médias Trafic web et Réseaux sociaux

+

Ces données sont plus récentes, plus riches (l'entreprise promeut

ses produits et services), et moins

structurées...

Exemple 1 – identification de « sous traitants »

9

Contexte• Obtenir des prospects qualifiés dans des domaines qui ne correspondent pas à des

codes NAF

Objectif• Distinguer parmi une liste de 20.000 entreprises industrielles les sous traitants de

l’aéronautique et de l’automobile

Méthodologie• Enrichissement des 20.000 entreprises avec des informations issues de leur site web

(adresse, contacts, réseaux sociaux, sémantique….) grâce au moteur de crawl et d’extraction C-Radar.

• Constitution de corpus positifs et négatifs pour les catégories aéronautique et automobile (opération manuelle à partir de données des clients)

• Application d’un algorithme de classification sur ces variables après filtrage

Résultats• Classification des 20.000 entreprises en deux listes• Niveau de qualité du ciblage 98%• Taux de conversion téléphonique *3 par rapport aux bases des prestataires

traditionnels

Limites de fiabilité

Mal renseignés

Larges

Obsolètes

Limites par nature

Notion d’écosystè

me

Notion de sous-

traitance

Notion d’export

Cas d’étude

Exemple 2 – identifier les cibles selon leur niveau de présence à l’export

10

Contexte• Obtenir des prospects qualifiés dans des domaines liés à l’export

Objectif• Distinguer parmi une liste de 10.000 entreprises les sociétés exportatrices

Méthodologie• Crawl et extraction des pages des entreprises ayant un site Web.• Reconnaissance des mots liés à l’export (export et ses dérivés), calcul d’un score

à partir du nombre d’occurrences et l’emplacement des pages où ces mots ont été détectés. Reconnaissance des pays où la société exporte

Résultats• Classification des 10.000 entreprises avec score d’exportation et les pays

concernés• Augmentation de 40% de la base de données CRM• Qualité de la cible 96%

Limites de fiabilité

Mal renseignés

Larges

Obsolètes

Limites par nature

Notion d’écosystè

me

Notion de sous-

traitance

Notion d’export

Cas d’étude

Exemple 2 – identifier les cibles selon leur niveau de présence à l’export

11

Contexte• Quantifier et identifier des prospects ciblés dans des écosystèmes émergents

Objectif• Identifier des entreprises dans des écosystèmes non codifiés par le NAF:

Smartech, Fintech, Insurtech, Biotech, Self quantified, MedTech, SmartHome…

Méthodologie• Crawl et extraction des pages des entreprises ayant un site Web.• Reconnaissance des mots liés à ces écosystèmes, calcul d’un score à partir du

nombre d’occurrences et l’emplacement des pages où ces mots ont été détectés. Quantification et identification des cibles

Résultats• Quantification sur la base FR des 4,6millions d’entreprises• Quantification sur 11 Millions d’entreprises Worlwide• Gain de temps en terme de création de l’écosystème: fois 10• Augmentation des volume: fois 2

Limites de fiabilité

Mal renseignés

Larges

Obsolètes

Limites par nature

Notion d’écosystè

me

Notion de sous-

traitance

Notion d’export

Cas d’étude

Déjà 60 clients!F500 / SBF 250

ETI & PME

Start-up 

12

Finance – Industrie - Services

Industrie – Services – Editeur de logiciels

Industrie – Services – Editeur de logiciels

Nos espaces Webwww.c-radar.com@C__Radar_FR

Identifiez vos prospects cœur de cible

Solution de Marketing Prédictif B2B