Proposer des offres personnalisées en temps réel en fonction de l'emplacement, de l'appareil et de l'utilisation du client

Comblez les clients en proposant des offres contextuelles et personnalisées en temps réel

Dans un marché très concurrentiel, les entreprises de télécommunications qui accordent la priorité à l'expérience client (CX) ont un avantage distinct. Et les opérateurs de télécommunications sont bien placés pour offrir une expérience client supérieure en capitalisant sur les grandes quantités de données qu'ils collectent, y compris une mine d'informations sur le comportement, les préférences et la localisation des clients. Proposer aux clients des offres personnalisées en temps réel basées sur leurs données de localisation est l'un des moyens les plus efficaces pour améliorer l'expérience client et, ainsi, augmenter la rentabilité.

Les offres personnalisées en temps réel sont adaptées aux besoins, aux préférences et à l'emplacement spécifiques d'une personne et proposées au moment où cette personne interagit avec un produit, un service ou une plate-forme. L'idée est qu'en fournissant aux clients du contenu et des services très pertinents pour leurs besoins et intérêts immédiats, les entreprises peuvent améliorer la satisfaction des clients, stimuler l'engagement et, en fin de compte, obtenir de meilleurs résultats, qu'il s'agisse d'augmenter les ventes ou d'améliorer la fidélisation et la conservation des clients.

Les entreprises peuvent atteindre ce niveau de personnalisation en traitant les données et en appliquant des algorithmes pour adapter instantanément le contenu, les recommandations et les expériences fournis selon le contexte et le comportement actuels de l'utilisateur. Les smartphones des clients transmettent en permanence des données de localisation, qui peuvent être collectées et analysées pour fournir des informations clés en temps réel. Les données de localisation sont un outil particulièrement puissant entre les mains des opérateurs de télécommunications. En associant les données de localisation aux profils clients, y compris les données démographiques et les modèles d'utilisation, les opérateurs de télécommunications peuvent créer une vue complète de chaque utilisateur, et l'utiliser pour fournir des offres et des services hautement pertinents et opportuns. L'intégration de données provenant de sources tierces, telles que les données météorologiques, les modèles de trafic et les informations sur les événements locaux, peut fournir un contexte supplémentaire pour les offres personnalisées. L'analyse des données en temps réel joue un rôle crucial dans la transformation de toutes ces données en informations clés exploitables. Les outils d'analyse avancés peuvent traiter et analyser les informations à la vitesse de l'éclair, ce qui permet aux opérateurs de télécommunications de prendre des décisions rapides et de proposer des offres personnalisées en temps réel.

Les offres personnalisées en temps réel basées sur la localisation peuvent avoir un impact significatif sur le comportement des clients en rendant l'expérience utilisateur plus pertinente et attrayante. Voici quelques exemples de la façon dont les opérateurs de télécommunications peuvent offrir des expériences client hautement individualisées et pertinentes sur le plan contextuel en utilisant une combinaison de données historiques des utilisateurs (telles que les interactions passées, l'historique des achats et les préférences) et de données en temps réel (y compris l'emplacement, le type d'appareil et les actions actuelles).

• Offrir des forfaits d'itinérance internationale aux clients voyageant à l'étranger ou des réductions locales pour les utilisateurs dans une zone spécifique
• Identifier les problèmes et les pannes réseau pour résoudre les problèmes de manière proactive et communiquer avec les clients concernés, réduisant ainsi les frustrations
• Adapter les services, proposer des promotions ciblées et optimiser les performances réseau, autant de facteurs qui peuvent donner aux opérateurs un avantage concurrentiel tout en garantissant à leurs clients la meilleure expérience possible
• Offrir une mise à niveau des données lorsque la consommation de données d'un client est sur le point de dépasser son forfait, évitant ainsi des frais supplémentaires pour satisfaire le client
• Déployer des programmes de fidélité qui récompensent les clients lorsqu'ils visitent des endroits spécifiques, tels que des magasins de télécommunications ou des entreprises partenaires
• Recommander des produits qui correspondent à ce qu'un utilisateur recherche actuellement ou a récemment acheté

Le marketing mobile, bien qu'efficace et potentiellement rentable, peut être risqué. Cependant, la personnalisation peut aider à réduire ces risques. Les messages marketing pertinents contenant des informations utiles peuvent améliorer l'expérience client, mais les messages non pertinents et non ciblés deviennent du spam et peuvent entraîner une saturation et une attrition des clients.

En fournissant des offres personnalisées en temps réel basées sur les données de localisation des clients, les opérateurs de télécommunications peuvent créer une situation gagnant-gagnant, améliorant la satisfaction des clients et contribuant à la croissance des revenus. Cette approche proactive simplifie l'expérience du client et réduit le risque de frais inattendus, ce qui augmente la satisfaction et la fidélité. Pour les opérateurs de télécommunications avec des marges réduites et d'importants investissements en capital à réaliser, l'amélioration de l'expérience client grâce à des offres de personnalisation basées sur les données et sur la localisation peut également avoir un impact significatif sur la rentabilité. La personnalisation basée sur la localisation peut stimuler la croissance des revenus de plusieurs façons.

• Lorsque les clients reçoivent des offres adaptées à leur emplacement actuel, ils sont plus susceptibles d'effectuer des achats ou des mises à niveau spontanés.
• Les offres personnalisées maintiennent l'engagement des clients, réduisant ainsi les risques d'attrition.
• Lorsque les utilisateurs sentent que leur opérateur comprend leurs besoins, ils sont plus susceptibles de rester fidèles.
• Les offres ciblées sont plus rentables que les campagnes de marketing de masse.
• Un plus grand nombre d'opportunités de vente additionnelle ou de vente croisée de services supplémentaires, tels que des packages de données premium ou des solutions de maison connectée, peuvent aider à augmenter la valeur vie client.

Lorsqu'ils utilisent les données clients pour proposer des offres personnalisées en temps réel, les opérateurs de télécommunications doivent, comme toujours, gérer ces données de manière responsable, se conformer aux exigences réglementaires et communiquer de manière transparente sur l'utilisation des données. Trouver le bon équilibre entre personnalisation et confidentialité est la clé d'une implémentation réussie. Pour y parvenir, les opérateurs de télécommunications ont besoin d'une plate-forme de données capable de fournir cohérence, évolutivité et performances tout en garantissant la sécurité et en offrant une grande flexibilité de service et de déploiement.

Trouvez l'équilibre entre personnalisation et confidentialité avec une plate-forme de données complète

En ingérant, en organisant, en traitant et en analysant les données, les opérateurs de télécommunications peuvent proposer à leurs clients des offres personnalisées en temps réel en fonction de leur localisation. Cela implique d'exploiter les données de localisation à partir des appareils des utilisateurs, de les traiter en temps réel, puis de déclencher des offres personnalisées.

L'architecture présentée ici montre comment combiner les composants Oracle recommandés pour constituer une architecture d'analyse couvrant l'ensemble du cycle de vie des analyses de données. Elle est conçue pour aider les opérateurs de télécommunications et les fournisseurs de services numériques à fournir des offres contextuelles en temps réel à leurs clients et à bénéficier des nombreux avantages commerciaux décrits ci-dessus.

Cette image montre comment Oracle Data Platform pour les télécommunications peut être utilisée pour améliorer l'expérience client en proposant des offres contextuelles en fonction de leur localisation, de leur utilisation et des préférences de leur appareil.

La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

Le pilier « Sources de données et repérage » inclut quatre catégories de données.

1. 1. Les applications comprennent les données provenant du CRM : Service, Facturation, Utilisation et Catalogue de produits
2. 2. Les enregistrements métier comprennent les données de BSS, OSS, CDR et de l'historique des achats
3. 3. L'entrée technique comprend les données des événements réseau, des jeux de données d'appareil et de la qualité du réseau
4. 4. Les données tierces comprennent Oracle Data Cloud, les données sociales et les packages d'offres

Le pilier « Connexion, ingestion et transformation » comprend quatre fonctionnalités.

1. 1. L'ingestion par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.
2. 2. Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.
3. 3. La capture des données de modification utilise OCI GoldenGate.
4. 4. L'ingestion de flux utilise OCI Streaming, et Kafka Connect.

Les quatre fonctionnalités se connectent de manière unidirectionnelle au dépôt de données et au stockage cloud de service dans le pilier « Sauvegarde, tri et création ».

De plus, l'ingestion de flux est connectée au traitement de flux au sein du pilier « Analyses, apprentissage et prévision ».

Le pilier « Sauvegarde, tri et création » comprend quatre fonctionnalités.

1. 1. Le dépôt de données de service utilise Autonomous Data Warehouse et Exadata Cloud Service.
2. 2. Le stockage cloud utilise OCI Object Storage.
3. 3. Le traitement par lots utilise OCI Data Flow.
4. 4. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots.

Deux fonctionnalités se connectent au pilier « Analyses, apprentissage et prévision ». Le dépôt de données de service se connecte à la fois à la fonction d'analyse et de visualisation, ainsi qu'aux produits de données et à la fonction API. Le stockage cloud se connecte à la fonctionnalité de machine learning.

Le pilier « Analyses, apprentissage et prévision » comprend quatre fonctionnalités.

1. 1. L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.
2. 2. Les produits de données et les API utilisent Autonomous Data Sharing, API Gateway et Functions
3. 3. Le machine learning utilise OCI Data Science, Oracle Machine Learning et Oracle ML Notebooks
4. 4. Le traitement de transmission en continu utilise OCI Goldengate Stream Analytics et un tiers.

Le pilier « Mesures et réactions » saisit la manière dont l'analyse des données peut être utilisée : par les personnes et les partenaires.

1. 1. Les personnes et partenaires comprennent la segmentation client, l'analyse prédictive, la prévision de l'attrition, les modèles de tarification dynamique, les ventes croisées et de montée en gamme, l'analyse/la prévision, et la prévision de la valeur vie client.
2. 2. Les applications comprennent les systèmes de recommandation/services basés sur l'emplacement, l'analyse comportementale en temps réel et l'analyse de sentiment
3. 3. Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création » et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Connecter, assimiler et transformer les données

Notre solution est composée de trois piliers, chacun prenant en charge des fonctionnalités de plateforme de données spécifiques. Le premier pilier permet de connecter, d'assimiler et de transformer les données.

Il existe quatre façons principales d'injecter des données dans une architecture pour permettre aux opérateurs de télécommunications de proposer des offres personnalisées en temps réel.

• Pour démarrer notre processus, nous activerons des extraits en temps réel ou en temps quasi-réel (l'ingestion en temps quasi-réel est parfois appelée ingestion au bon moment, ce qui signifie que les données sont ingérées dans une fenêtre temporelle qui permet d'identifier le contexte d'un client et d'afficher l'offre pendant la maintenance de ce contexte) afin d'ingérer les données des systèmes d'offre et de produit de CRM d'entreprise à l'aide d'Oracle Cloud Infrastructure (OCI) GoldenGate. Les données du catalogue d'offres, ainsi que les données des règles de disponibilité et d'admissibilité, doivent être ingérées en temps quasi-réel pour garantir le strict respect des règles de refus/d'acceptation et réglementaires. Les données sont généralement de nature relationnelle et proviennent d'applications d'entreprise. OCI GoldenGate utilise la capture des données de modification pour détecter les événements de modification dans la structure sous-jacente des systèmes qui fournissent les processus opérationnels à traiter (par exemple, la création d'une nouvelle offre, un problème réseau du client, le client qui utilise un nouvel appareil, ou qui adopte un nouveau service, etc.) et envoie les données en temps réel à une couche de persistance et/ou à la couche de transmission en continu. OCI GoldenGate fournit un mécanisme CDC qui peut traiter les modifications source de manière non invasive en traitant les fichiers journaux des transactions terminées et en stockant ces modifications capturées dans des fichiers trace externes, indépendamment de la base de données. Les modifications sont ensuite transférées de manière fiable vers une base de données intermédiaire. Le Journaling Knowledge Module (JKM) utilise les métadonnées gérées par Oracle Data Integrator pour générer tous les fichiers de configuration OCI GoldenGate et traiter toutes les modifications détectées par OCI GoldenGate dans la zone intermédiaire. Ces modifications seront chargées dans le data warehouse cible à l'aide des mappages de transformation déclaratifs d'Oracle Data Integrator. Cette architecture permet de générer des rapports distincts en temps réel sur les tables de zone intermédiaire normalisées, ainsi que de charger et de transformer les données dans les tables de data warehouse analytiques.
• Ensuite, nous activerons le transfert en masse des données historiques des transactions opérationnelles pour l'entraînement des modèles et l'analyse de la propension à l'offre. Les services de transfert en masse sont utilisés dans les cas où de grands volumes de données doivent être déplacés vers Oracle Cloud Infrastructure pour la première fois, par exemple des données provenant de référentiels analytiques sur site existants ou d'autres sources cloud. Le service de transfert en masse que nous allons utiliser dépend de l'emplacement des données et de la fréquence de transfert. Par exemple, nous pouvons utiliser le service OCI Data Transfer ou OCI Data Transfer Appliance pour charger un grand volume de données sur site à partir de référentiels de planification historique ou d'un entrepôt de données. Lorsque de grands volumes de données doivent être déplacés régulièrement, nous vous recommandons d'utiliser OCI FastConnect, qui fournit une connexion réseau privée dédiée à bande passante élevée entre le centre de données d'un client et OCI.
• Il est essentiel d'analyser en temps réel les données d'emplacement des clients provenant de plusieurs sources pour proposer des offres appropriées et contextuelles. Dans ce cas d'utilisation, nous utilisons l'ingestion en continu pour assimiler toutes les données lues à partir d'événements client ou internes par l'intermédiaire d'interactions mobiles, de l'IoT, de communications de machine à machine et d'autres moyens encore. Les flux peuvent provenir de différentes sources internes (réseau) et externes (balise) et peuvent inclure des données de localisation, des données d'interaction client, des données de mouvement et des données de réseaux sociaux. Les données (événements) seront ingérées et certaines transformations/agrégations de base auront lieu avant d'être stockées dans OCI Object Storage. Des analyses de transmission en continu supplémentaires peuvent être utilisées pour identifier la corrélation des événements de localisation et lancer l'envoi d'offres contextuelles au client, et tous les modèles identifiés peuvent être renvoyés (manuellement) afin que les données brutes puissent être examinées à l'aide d'OCI Data Science.
• Alors que les besoins en temps réel évoluent, l'extraction la plus courante des systèmes de produits, de clients et de préférences marketing est une sorte d'ingestion par lots à l'aide d'un processus ETL. L'ingestion par lots permet d'importer des données à partir de systèmes qui ne prennent pas en charge la transmission en continu de données (par exemple, certains systèmes existants de facturation et d'évaluation). Ces extractions peuvent être ingérées fréquemment, par exemple toutes les 10 ou 15 minutes, mais il s'agit par nature d'un traitement par lot, car des groupes de transactions sont extraits et traités, plutôt que des transactions individuelles. OCI propose différents services pour gérer l'assimilation par lots, tels que le service OCI Data Integration natif et Oracle Data Integrator exécuté sur une instance OCI Compute. Le choix du service repose principalement sur la préférence du client plutôt que sur les exigences techniques.

Persister, traiter et organiser les données

La persistance et le traitement des données reposent sur trois composants. Certains clients les utiliseront toutes ; d'autres, en partie. Selon les volumes et les types de données, les données peuvent être chargées dans le stockage d'objets ou directement dans une base de données relationnelle structurée pour le stockage persistant. Lorsque nous prévoyons d'appliquer des capacités de science des données, les données extraites des sources de données sous sa forme brute (en tant que fichier natif ou extraction non traité) sont plus généralement capturées et chargées à partir de systèmes transactionnels dans le stockage cloud.

• Le stockage cloud est la couche de persistance des données la plus courante pour notre plateforme de données. Il peut être utilisé pour des données structurées et non structurées. OCI Object Storage, OCI Data Flow et Oracle Autonomous Data Warehouse sont les blocs de base. Les données extraites des sources de données au format brut sont capturées et chargées dans OCI Object Storage. OCI Object Storage est le niveau de persistance des données principal et Spark dans OCI Data Flow est le moteur de traitement par lots principal. Le traitement par lots implique plusieurs activités, notamment le traitement du bruit de base, la gestion des données manquantes et le filtrage des jeux de données sortants définis. Les résultats sont réécrits dans différentes couches de stockage d'objets ou dans un référentiel relationnel persistant en fonction du traitement nécessaire et des types de données utilisés.
• Nous allons maintenant utiliser un dépôt de données de service pour sauvegarder nos données organisées sous une forme optimisée pour les performances de requête et pour fournir une vue à 360 degrés du client. Le dépôt de données de service fournit un niveau relationnel persistant utilisé pour fournir des données traitées de haute qualité directement aux utilisateurs finaux via des outils SQL. Dans cette solution, Oracle Autonomous Data Warehouse est instancié en tant que dépôt de données de service pour l'entrepôt de données d'entreprise et, si nécessaire, des magasins de données de niveau domaine plus spécialisés. Il peut également s'agir de la source de données des projets de science des données ou du référentiel pour Oracle Machine Learning. Le dépôt de données de service peut prendre l'une des formes suivantes : Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service ou Oracle Exadata Cloud@Customer.

Analyser les données, apprendre et prévoir

Trois approches technologiques facilitent l'analyse, l'apprentissage et la prévision.

• Les analyses de flux OCI GoldenGate permettent d'ingérer en continu les données de transmission en continu à partir de sources, y compris les données de localisation. Ces données proviennent en temps réel des appareils GPS et des applications mobiles pour identifier l'emplacement et le comportement des clients. Cela fournit une architecture orientée événements dans laquelle les données sont traitées sous la forme d'une série d'événements. Dans ce cas, les événements représentent les mouvements des utilisateurs, les déclencheurs de géorepérage ou toute autre occurrence pertinente. Les événements de géorepérage, qui indiquent quand un utilisateur entre dans des zones géographiques prédéfinies ou en sort, sont traités en temps réel. Ces déclencheurs géolocalisés peuvent lancer immédiatement des actions, telles que l'évaluation des règles prédéfinies pour les offres personnalisées en fonction de l'emplacement actuel de l'utilisateur. La solution permet une intégration fluide avec des sources de données externes, enrichissant l'analyse en temps réel avec un contexte supplémentaire. Les données externes, telles que les conditions météorologiques ou les événements locaux, peuvent être intégrées dynamiquement dans le pipeline de traitement pour améliorer la pertinence et la personnalisation des offres. Cela permet de réagir en temps réel, de déclencher des actions et de générer des offres personnalisées en fonction du contexte et de l'emplacement actuels de l'utilisateur.
• Les fonctionnalités d'analyse avancées sont essentielles pour identifier les comportements des clients afin de déterminer les offres personnalisées à proposer, notamment la propension à adopter l'offre et l'analyse contextuelle. Dans ce cas d'utilisation, nous recourons à Oracle Analytics Cloud pour fournir des analyses et des visualisations. Cela permet aux opérateurs de télécommunications d'utiliser des analyses descriptives (description des tendances actuelles avec des histogrammes et des graphiques), des analyses prédictives (prédiction des événements futurs, identification des tendances et détermination de la probabilité de résultats incertains) et des analyses prescriptives (propositions d'actions appropriées, conduisant à une prise de décision optimale).
• L'analyse prescriptive va au-delà de la prévision des résultats et fournit des recommandations sur le meilleur plan d'action à suivre. Les opérateurs de télécommunications peuvent utiliser l'analyse prescriptive pour comprendre les préférences des clients individuels et adapter les offres basées sur la localisation selon leurs besoins et intérêts. En appliquant des modèles prédictifs aux données historiques, les organismes de télécommunications peuvent prévoir les résultats futurs et prendre des décisions proactives. Par exemple, l'analyse prédictive peut aider à identifier l'offre la plus appropriée pour un client et à anticiper son comportement, à identifier les opportunités potentielles de contextualisation des offres et à optimiser l'utilisation des offres.
• Outre les analyses avancées, la science des données, l'apprentissage automatique et l'intelligence artificielle sont de plus en plus utilisés pour détecter les anomalies, prévoir où les latences de processus pourraient survenir et optimiser le parcours du client. Par exemple, les modèles d'apprentissage automatique peuvent être utilisés pour l'identification du contexte, la segmentation des clients et le marketing personnalisé. En apprenant en continu à partir de nouvelles données, ces modèles peuvent adapter et améliorer leurs performances au fil du temps, ce qui améliore la satisfaction client et la rentabilité. OCI Data Science, OCI AI Services et Oracle Machine Learning peuvent être utilisés dans les bases de données.
• Nous utilisons des méthodes de machine learning et de science des données pour créer et entraîner nos modèles prédictifs. Ces modèles de machine learning peuvent ensuite être déployés pour l'évaluation via des API ou intégrés dans le pipeline d'analyse de flux OCI GoldenGate. Dans certains cas, ces modèles peuvent même être déployés dans la base de données à l'aide de l'API REST des services Oracle Machine Learning (pour ce faire, le modèle doit être au format Open Neural Network Exchange). De plus, OCI Data Science pour les blocs-notes Jupyter/Python ou Oracle Machine Learning pour le bloc-notes Zeppelin et les algorithmes de machine learning peuvent être déployés dans le dépôt de données transactionnel ou de service. De même, Oracle Machine Learning et OCI Data Science, utilisés seuls ou en combinaison, permettent de développer des modèles de recommandation/décision. Ces modèles peuvent être déployés en tant que service, et nous pouvons les déployer derrière OCI API Gateway pour être fournis en tant que « produits de données » et services. Enfin, une fois créés, les modèles de machine learning peuvent être déployés dans des applications intégrées à un système de décision opérationnel (si autorisé).
• Le composant final mais essentiel est la gouvernance des données. Il sera fourni par OCI Data Catalog, un service gratuit offrant la gouvernance des données et la gestion des métadonnées (pour les métadonnées techniques et commerciales) pour toutes les sources de données de l'écosystème de la plateforme de données. OCI Data Catalog est également un composant essentiel pour les requêtes à partir d'Oracle Autonomous Data Warehouse vers OCI Object Storage, car il permet de localiser rapidement des données quelle que soit sa méthode de stockage. Les utilisateurs finaux, développeurs et experts en science des données peuvent ainsi utiliser un langage d'accès commun (SQL) dans tous les dépôts de données persistants de l'architecture.

Utiliser vos données pour améliorer l'expérience client et fidéliser vos clients

Avec la prise en charge de l'ensemble du cycle de vie des analyses de données, Oracle Modern Data Platform offre aux opérateurs de télécommunications les outils, les performances, la sécurité et la flexibilité dont ils ont besoin pour proposer aux clients des offres personnalisées et basées sur la localisation en temps réel. Cette approche marketing peut générer des avantages significatifs pour le client et la société de télécommunications, notamment :

• Expériences client améliorées : les clients reçoivent des offres utiles quand et où elles sont les plus précieuses et ils peuvent les accepter avec un minimum d'effort.
• Amélioration des taux d'acceptation des offres et augmentation de la valeur à vie du client : les clients sont plus susceptibles d'accepter les offres qui les intéressent et dont ils ont réellement besoin, ce qui peut aider à augmenter les ventes.
• Amélioration de la capacité à acquérir et à fidéliser les clients : des expériences client supérieures combinées à une prestation de services efficace, à des prix compétitifs et à des offres innovantes peuvent aider à fidéliser les clients et à réduire l'attrition.
• Meilleure rentabilité : les offres ciblées ont généralement plus de succès que les campagnes de marketing de masse, ce qui permet aux opérateurs de télécommunications de bénéficier d'un meilleur retour sur investissement.
• Croissance du chiffre d'affaires : l'amélioration de la fidélisation des clients et l'approfondissement de l'engagement, l'expansion des opportunités ciblées de vente croisée et de vente incitative, l'optimisation des dépenses marketing et l'augmentation de la valeur vie client peuvent aider les opérateurs de télécommunications à gagner un avantage sur leur marché concurrentiel et à stimuler la croissance de leur chiffre d'affaires.