Le véritable rival du client qui prend une salade, c’est un burger. Vos données de commandes ne vous le diront jamais.
Amorcez un moteur de recommandation à froid à partir de votre seul historique de commandes et il fait le pari évident : le client de salade veut une autre salade. Le signal consommateur hors plateforme dit le contraire. Dans une agglomération d'origine, les clients d'une chaîne de salades nationale fréquentent une chaîne de burgers fast-food plus qu'ils ne fréquentent le rival salade direct le plus proche — 5,8% contre 5,2%, l'ordre s'inverse littéralement. Dans une autre ville, les clients d'une chaîne de burritos fréquentent la chaîne de burgers à 16% tandis que le rival de même cuisine le plus proche reste sous 1% — un écart de 17x, sans aucun concurrent direct dans le top 14. Le même schéma se retrouve dans une troisième cuisine, même ville : les clients d'une chaîne de cafés nationale fréquentent une chaîne de burgers plus que n'importe quel rival café direct (15,7% contre 10,3%). Trois catégories. Deux villes. Le rival indirect l'emporte à chaque fois sur le direct. Les données propriétaires ne peuvent pas faire émerger cela. Elles n'enregistrent que les commandes déjà passées sur votre app, jamais le burger que le client de salade a choisi ailleurs. C'est précisément cet angle mort qui fait échouer le démarrage à froid — et c'est précisément ce que corrige la fréquentation croisée des consommateurs hors plateforme.
Cuisine similaire → client similaire
Un moteur de recommandation à froid bâti sur l'historique propriétaire range les clients par type de cuisine : les clients à salade reçoivent des suggestions de salade, les clients à burrito des options de burrito. L'hypothèse est naturelle. Elle est aussi fausse. Votre application n'enregistre que ce qui s'y est déjà produit — jamais le choix hors plateforme qui révèle le véritable ensemble de considération.
Le véritable rival est d’une autre cuisine — et classé premier
Pour une chaîne de salades nationale sur sa métropole d'origine, le concurrent n°1 en cross-shopping est une marque de fast-food indirecte — devançant le concurrent direct le plus proche en salades (5,8% vs 5,2%). Pour une chaîne de burritos dans une autre ville, chacun des 14 premiers concurrents en cross-shopping est indirect ; le concurrent le plus proche de même cuisine se classe 15e, à 0,96% face à un leader indirect à 16%. Une chaîne de cafés nationale dans cette même ville : la chaîne de burgers se classe là encore première, devant le concurrent café le plus proche (15,7% vs 10,3%). La bonne recommandation au premier tap exige de connaître tout le marché, pas seulement votre tunnel.
- Recommandations à froid — bâties sur l'ensemble de considération réel, pas sur des cases de cuisine
- Acquisition de commerçants — signez les commerçants que vos clients choisissent déjà hors plateforme
- Lancement d'une nouvelle zone — cartographiez la demande avant la moindre commande
- Ciblage des commerçants nouvellement signés — trouvez les bons premiers clients avant même tout historique de commandes