My Blog

Étiquette : analyse

  • Moteurs de recherche : la grande mutation …

    Futur des moteurs de recherche : vers plus de personnalisation et d’interaction

    Selon Diego Ferri, directeur senior IA, EY et Alexandre Mahé, associé EY Fabernovel.

    Le marché des moteurs de recherche est à un tournant.
    Entre report des usages vers d’autres plateformes sociales ou évolution de la recherche avec l’IA générative, le géant de Mountain View est défié sur son marché historique qui représentait 167 milliards de dollars en 2023.

    Dernière annonce en date, c’est Perplexity qui s’attaque à la mutation du marché. Le nouvel entrant dans la recherche par IA commence à tester auprès d’une “happy few” de grandes entreprises un nouveau format de publicité pour ses réponses génératives. Le futur du search est en train de se dessiner autour d’expériences de recherche plus personnalisées, interactives et multiplateformes, dans un marché qui devrait poursuivre sa croissance et atteindre 430 milliards de dollars en 2032 selon le Next Generation Search Engine Market Research Report. 

    Moteurs de recherche historique attaqués de toutes parts 

    Les moteurs de recherche historiques perdent du terrain face à l’arrivée de nouveaux entrants qui bouleversent les usages.

    Évolution du mobile d’abord. Si la bascule des usages a commencé dès 2015, quand les recherches mobiles ont dépassé celles faites sur ordinateur, le segment des moteurs de recherche mobiles devraient continuer sa folle progression et représenter 110 milliards de dollars d’ici 2032 (vs 50 milliards de dollars en 2023). Un marché stimulé par les usages de recherche « mobile-first » et où l’IA devient l’argument commercial des nouvelles générations de téléphones.

    Évolution de la recherche shopping d’autre part. Depuis plusieurs années déjà, le géant du e-commerce de Seattle a consolidé sa position en tant que l’une des plateformes de référence pour les recherches de produits. Même si son principal concurrent a vite réagi en adaptant sa plateforme de recherche traditionnelle à l’aide de Shopping. Ce dernier rafle aujourd’hui plus de la moitié du marché, 70 % des budgets search des retailers passent par cet onglet du géant selon les estimations EY Fabernovel.

    Report des usages de la génération Z. Le nouvel entrant TikTok pour ne citer que lui, s’est très vite imposé comme un outil de recherche privilégié de la génération Z, qui préfère les contenus courts et visuels aux résultats de recherche classiques.

    L’IA comme nouveau terrain de la recherche en ligne

    Les nouvelles plateformes de recherche basées sur l’IA, telles que Perplexity, ChatGPT et Claude, redéfinissent ainsi le paysage de la recherche en offrant des réponses plus complètes et contextuelles aux requêtes des utilisateurs.
    Contrairement aux moteurs de recherche traditionnels qui fournissent une liste de liens, ces plateformes génèrent des réponses détaillées et conversationnelles pour répondre de façon plus précise à la demande.
    Avec une tendance également nouvelle : les utilisateurs restent plus longtemps sur la plateforme quand ils étaient autrefois amenés à aller directement sur les sites de tiers pour avoir leur réponse détaillée. Un avantage de taille pour les moteurs mais qui peut évidemment poser de nombreuses problématiques aux annonceurs, éditeurs de contenu en tête.

    Quel devenir pour le marché de la pub en ligne ? 

    Si les moteurs traditionnels de recherche évoluent rapidement pour intégrer l’intelligence artificielle générative en passant de simples requêtes textuelles vers plus de conversations interactives, le marché de la pub est également directement impacté.

    Concrètement, l’IA générative apporte une personnalisation accrue des résultats de recherche. Elle permet aux consommateurs de recevoir des réponses instantanées et pertinentes sans nécessairement cliquer sur des liens payants ou organiques (57 % des recherches sur mobile et 53 % des recherches sur desktop quittent la SERP sans cliquer), ce qui pourrait réduire l’efficacité de la publicité traditionnelle basée sur les mots-clés.

    Gartner prévoit ainsi une baisse de 50 % du trafic organique d’ici 2028, les utilisateurs trouvant de plus en plus de réponses directement dans les contenus enrichis des moteurs de recherche. Les modèles publicitaires doivent eux aussi s’adapter à l’instar du paiement par clic par exemple qui est complété, voire remplacé, par de nouvelles formes de publicité intégrées dans le contenu généré par l’IA.
    Perplexity explore ainsi par exemple un modèle dans lequel les marques peuvent sponsoriser des questions spécifiques et approuver les réponses générées par l’IA – une expérience potentiellement plus fluide et moins intrusive pour le consommateur.

    En bout de chaîne, ce sont aussi les stratégies des annonceurs qui se retrouvent impactées, avec une réflexion importante à mener en termes de SEA et SEO notamment.
    L’IA permet d’optimiser les campagnes publicitaires en identifiant automatiquement les mots-clés et les formats publicitaires les plus performants, notamment à travers des fonctionnalités comme Performance Max, qui combine Search, Shopping, et Display pour maximiser la visibilité des marques. Le défi principal pour les annonceurs est de s’adapter à ces changements en capitalisant sur les nouveaux formats visuels et interactifs tout en gardant une certaine maîtrise sur la visibilité et le contrôle des campagnes.

    Ainsi, l’avenir de la publicité sur les réseaux de recherche sera marqué par l’automatisation, la personnalisation et l’interactivité, nécessitant une collaboration accrue entre les équipes marketing et technologiques pour rester compétitives. Cette transformation du marché du search se déverrouille, les David – start-up et nouveaux entrants – ont enfin une véritable opportunité de bousculer Goliath

     

  • Savoir analyser les données : mythe ou réalité ?

    Les entreprises face à la donnée :
    l    ’affaire de tous…
    mais qu’en est-il des compétences ?

    Selon Raphaël Savy, Vice-Président France et Europe du Sud d’Alteryx.

     Le problème n’est pas qu’il y ait une méconnaissance totale en matière de données – au contraire, certaines entreprises font les choses incroyablement bien, engrangeant d’énormes succès grâce à des informations intelligentes et adaptées. Le problème réside dans le fossé qui se creuse entre le petit pourcentage d’entreprises qui maîtrisent les données et celles qui ne les maîtrisent pas. Nous voyons une poignée d’entreprises technologiques se lancer à pas de géant dans la course à la majorité, grâce à leur planification stratégique et à leur manipulation des données clients.

     Ce n’est pas non plus un secret. Les entreprises axées sur le numérique sont désormais sur toutes les lèvres lors de nos échanges avec nos clients. Les data scientists formés professionnellement sont rares, et pourtant la pression exercée sur les travailleurs à tous les niveaux des organisations pour qu’ils prennent des décisions plus rapides, meilleures et plus éclairées s’accélère. Il ne fait aucun doute que la promotion d’une main-d’œuvre compétente en matière de données – qui permet de former à la fois des citizen data scientists et des data scientists avancés – est la clé de la transformation numérique. La vraie question est de savoir comment, exactement, il est possible de devenir complètement digital-first sans une base solide de data scientists entièrement formés.

    Comment améliorer l’apprentissage des données ?

    Avant toute chose, nous devons dépasser le mythe selon lequel travailler avec des données n’est possible que pour ceux qui ont des diplômes hautement techniques.  La seule façon de démocratiser les données – et donc d’en faire le fil rouge de la société – est de donner à chacun la possibilité d’accéder à leur valeur.  Cela commence par fournir de simples cours d’introduction aux données à ceux qui le souhaitent et, plus important encore, par le soutien de programmes de reconversion pour les personnes qui se sont retrouvées au chômage en raison des tensions économiques de la pandémie.  Bien qu’il s’agisse d’une période difficile pour l’emploi, c’est l’occasion de s’efforcer de combler le déficit de compétences, tout en ouvrant le secteur à des idées nouvelles et originales.

    La clé ? Les dirigeants doivent créer et développer une culture de la donnée, de la data science et de l’analytique.

    Quels sont les principaux défis auxquels les entreprises sont confrontées lorsqu’elles tentent d’améliorer leur maîtrise des données ?

    La première erreur consiste à utiliser les outils d’hier pour les ensembles de données d’aujourd’hui.  La plupart des entreprises ont maintenant établi qu’elles voulaient commencer à utiliser efficacement les données pour obtenir des résultats, mais le plus souvent, elles ne savent pas comment s’y prendre. Cela conduit généralement des équipes inexpérimentées à fouiller dans des feuilles de calcul obsolètes et à essayer de trouver des informations pertinentes. Si les systèmes existants ont sans aucun doute encore une place importante dans les entreprises, notamment pour l’administration générale, ils ne sont pas suffisamment avancés pour fournir des informations fiables. En fin de compte, être capable de gérer un milliard de lignes et de les traiter n’est probablement pas quelque chose que vous pourrez faire avec une feuille de calcul classique posée sur votre bureau.  Les logiciels conçus spécifiquement pour manipuler les données sont non seulement plus puissants et plus efficaces pour manipuler les données, mais aussi beaucoup plus accessibles aux équipes internes.

    Les outils dont nous disposons aujourd’hui sont-ils suffisamment matures pour fournir les informations sur les données dont les entreprises ont besoin pour réussir à court et moyen terme ?

    En moyenne, les travailleurs de la donnée exploitent plus de six sources de données, 40 millions de lignes de données et sept sorties différentes au cours de leur parcours analytique. Les systèmes auxquels la plupart des organisations ont actuellement accès sont, pour la plupart, inefficaces lorsqu’il s’agit de données. Ce n’est pas parce qu’ils sont incapables de fournir des informations, mais plutôt parce qu’ils sont souvent trop compliqués à utiliser pour la plupart des employés. Les fonctions de tableur sont souvent utilisées comme substitut aux outils de préparation des données, d’analyse et de développement des applications de données, mais elles sont sujettes aux erreurs et exposent l’organisation à des problèmes de conformité et de confiance. Aujourd’hui, plus que jamais, les organisations et les chefs d’entreprise doivent être en mesure de dégager des tendances incroyablement rapidement, ce qui signifie que les erreurs sur les systèmes existants deviennent encore plus fréquentes.

     Le paysage des données devenant de plus en plus complexe, et les tâches liées aux données devant être accomplies avec précision, les dirigeants doivent désormais investir dans des processus plus robustes. Les systèmes conçus spécifiquement pour l’analyse des données peuvent offrir une solution. En automatisant le processus d’analyse, le risque de mauvaise utilisation des données est considérablement réduit et une base plus large d’employés est en mesure de travailler sur des informations.

    Dans beaucoup de débats, on entend que les données ne sont pas le problème, les gens le sont. Les connaissances et les compétences sont-elles toujours le principal obstacle auquel les entreprises sont confrontées lorsqu’elles développent leur maîtrise des données ?

    Tout commence avec votre équipe. Il s’agit d’embarquer tout le monde dans l’entreprise en démocratisant les données, en donnant accès à une plateforme centralisée et en amplifiant l’intelligence humaine pour que chacun puisse résoudre les défis complexes de la data science. Si les employés sont mal équipés ou dépassés, ils ne seront pas en mesure de produire les résultats souhaités ; c’est aussi simple que cela. C’est pourquoi il est absolument essentiel d’offrir aux employés une formation adéquate et de nombreuses possibilités de perfectionnement, en particulier pendant une période de changement aussi brutal. Dans le contexte des données, de nombreux dirigeants interpréteront cela comme une demande de reconversion de la moitié de leur personnel en data scientists, mais cela est bien sûr irréaliste. Dans la pratique, il s’agit de mettre en place des systèmes intelligents et automatisés qui permettront aux employés existants de fonctionner plus efficacement et d’en tirer des informations rapides et tangibles.

    Les organisations détiennent une grande quantité de données, mais leurs initiatives de transformation numérique ne porteront leurs fruits que si elles donnent à leur personnel les moyens d’influer sur l’évolution de l’entreprise grâce aux données. Plus important encore, ce n’est qu’en rendant le travail sur les données collaboratif et les informations pertinentes accessibles de manière transparente (et sécurisée) aux parties concernées que les entreprises pourront accélérer leur processus de transformation numérique. 

    Si les travailleurs disposent des bonnes technologies, faciles à utiliser, combinées à l’accès aux données, la magie peut opérer.

     À quoi ressemble l’avenir de la culture numérique ?

    C’est notamment une question de continuité. Ce n’est pas en ayant trois data analysts sur une base de 300 employés qu’une entreprise deviendra numérique. Cela l’aidera, bien sûr, mais leur influence sera inévitablement limitée. La maîtrise des données consiste à ouvrir le monde de l’analyse à l’ensemble du personnel. Pour permettre à l’entreprise de prospérer dans un monde axé sur les données, il ne suffit pas de donner aux travailleurs les bons outils technologiques, mais de favoriser une culture de l’analyse. Cela implique également de participer à la communauté au sens large pour découvrir comment d’autres entreprises ont utilisé l’analytique pour résoudre des problèmes similaires. Si la culture de votre entreprise n’adopte pas cette approche centrée sur l’humain, peu importe la technologie et les données dont vous disposez, il vous sera difficile de combler le fossé numérique et de rester compétitif. En 2021, l’apprentissage du numérique consiste à équiper les personnes qui ne sont pas des data scientists qualifiés ou des analystes expérimentés d’outils intelligents qui leur permettront de travailler de la même manière. Heureusement, cela est désormais réalisable grâce à une combinaison de formations et de systèmes d’analyse avancés et automatisés.

  • Quels sont les principaux défis pour les Directeurs Marketing au niveau mondial ?

    Les Directeurs Marketing de plus en plus sous pression pour répondre aux nouvelles campagnes publicitaires 

    The Trade Desk publie les résultats de son étude : The Modern CMO. Cette enquête, menée par Forbes Insights auprès d’un échantillon représentatif de plus de 200 Directeurs Marketing, s’intéresse aux enjeux auxquels ils sont confrontés face à l’évolution du numérique, les obligeant constamment à réajuster leurs stratégies marketing pour accroître l’efficacité de leurs campagnes publicitaires.

    A l’heure où les technologies de pointe balayent de plus en plus l’univers de la publicité, et où les habitudes des consommateurs évoluent sans arrêt, les « brand marketing officers » et les conseils d’administration sollicitent de plus en plus les spécialistes du marketing pour mieux gérer et développer leur marque, améliorer ainsi l’expérience client et de fait, les revenus.

    Parmi les principaux enseignements de l’étude :

    • Plus de 35% des entreprises européennes interrogées déclarent que les Directeurs Marketing s’appuient davantage sur les outils du numérique et d’analyse
    • 25% déclarent d’ailleurs que leurs principaux interlocuteurs en interne sont les Directeurs IT
    • 86% des Directeurs Marketing au niveau mondial déclarent qu’ils augmenteront leursinvestissements dans les technologies de marketing et de publicité au cours de la prochaine année
    • 71% des Directeurs Marketing européens prévoient d’augmenter leurs activités en Chine au cours des 12 à 18 mois prochains.Yann Blat, Directeur Général France et Belgique de The Trade Desk déclare
      « Aujourd’hui, l’intelligence artificielle et l’arrivée massive de nouvelles technologies sont en train de bouleverser de façon inédite le métier des Directeurs Marketing. Ces derniers montent en puissance, parce que plus informés et plus autonomes. Tous sont sur la voie de la transformation numérique; on le constate dans l’évolution de leurs priorités, qui s’appuient sur l’efficacité et l’investissement dans le programmatique. »

    Des comportements de plus en plus imprévisibles : un défi de taille

    Par ailleurs, il est de plus en plus difficile de retenir l’attention des consommateurs dont l’intérêt porté à un produit est de plus en plus court. Les experts du marketing admettent que ces habitudes changeantes constituent leur principal défi, et c’est pourquoi leurs priorités sont remises en cause.

    Un métier en pleine mutation

    Dès lors, le rôle des Directeurs Marketing est en pleine mutation, puisque selon cette étude, 35% des Directeurs Marketing au niveau européen déclarent qu’ils ont désormais davantage recours aux outils numériques et d’analyse, et qu’un tiers d’entre eux (28%) affirme avoir plus de pouvoir dans les prises de décision qu’auparavant. 27% déclarent d’ailleurs que leurs principaux interlocuteurs en interne sont les Directeurs IT.

    De plus, au niveau mondial, un chef d’entreprise sur cinq affirme que la principale compétencedemandée aujourd’hui à un Directeur Marketing est sa sagacité et ses connaissances technologiques, 15% déclarent qu’ils doivent également maîtriser de multiples canaux de communication, l’analyse des chiffres et connaître les tendances du marché.

    Les principaux défis pour les Directeurs Marketing au niveau mondial (Europe comprise) sont de : suivre l’évolution des habitudes de consommation de leurs clients (31%), s’adapter à leurs nouvelles responsabilités qui ne cessent de croître (28%), et aux nouvelles technologies difficiles à suivre (19%).

    Par ailleurs, 36% des Directeurs Marketing européens doivent faire appel à des tiers (partenaires marketing / publicitaires) pour les aider à mieux se familiariser avec l’état d’esprit des consommateurs et comprendre leurs habitudes, et 33% d’entre eux seforment également aux tendances et tactiques émergentes.

    Les nouvelles technologies : Machine Learning et IA

    En 2019, 36% des Directeurs Marketing européens prévoient d’investir dans des technologiesinnovantes.38% d’entre eux choisissent des partenaires programmatiques pour accéder à des multi-canaux émergents, tels que la TV connectée.

    Pour 26% des Directeurs Marketing au niveau mondial et 27% des Directeurs Marketingeuropéens, l’intelligence artificielle (IA) et le machine learning représentent la plus grande part de leurs investissements, juste derrière l’IoT (30%).

    37% des DM du monde entier tirent parti des analyses marketing, de l’apprentissage automatique (28%) et de la publicité programmatique (24%) en tant que technologies clés de l’intelligence artificielle pour accélérer la croissance et créer de la valeur.

    La Chine : un marché à fort potentiel

    Tout en restant à la pointe des technologies et en stimulant la croissance, les entreprises s’aventurent également dans tout l’univers numérique connecté et mondial, avec une attention particulière pour la Chine. En effet, la Chine est dans la ligne de mire de plus de deux tiers (61%) des Directeurs Marketing, au niveau européen. 30% des Directeurs Marketing en Europe déclarent d’ailleurs qu’étendre leur plan marketing pub au niveau mondial est leur priorité pour 2019.

    Cependant on observe que la connaissance des règles et des plates-formes chinoises est bien plus faible en Europe qu’ailleurs : seulement 8% des Directeurs Marketing Européens déclarent en avoir une connaissance avancée, contre 12% en Amérique du Nord et 16% en Amérique Latine. Près de la moitié (46%) des Directeurs Marketing dans le monde déclarentque l’augmentation des investissements publicitaires provient de la tendance économiqueglobale, et 41% déclarent qu’elle provient de la diversification géographique.

    Pour les Directeurs Marketing du monde entier, les principaux défis à relever pour atteindre les clients du marché chinois sont : le manque de transparence des médias (27%), le risque de fraude et de contenu piraté (24%), la structure complexe d’achat de médias (21%) et les walled gardens, qui rendent les données difficiles à mesurer (20%).

    Méthodologie

    Les conclusions de ce rapport sont basées sur une enquête menée par Forbes Insights, en partenariat avec The Trade Desk, auprès de 226 Directeurs Marketing, en septembre 2018 sur les enjeux auxquels ils sont aujourd’hui confrontés. L’enquête comprend des réponses d’Amérique du Nord et du Sud (35%), d’Europe (35%) et d’Asie- Pacifique (30%). Les répondants comprenaient des Directeurs Marketing à travers une variétés de secteurs, dont : la technologie (16%), les produits manufacturés et industriels (16%), la vente au détail (13%), les services bancaires et financiers (12%), les soins de santé (11%) et les biens de consommation (10%). Toutes les entreprises interrogées ont des revenus annuels d’au moins 500 millions de dollars.

     

  • L’analyse des données, au coeur de l’entreprise de demain

    L’analyse des données, au coeur de l’entreprise de demain

    Par Florian Douetteau, CEO, Dataiku

    Alors que les données se multiplient et que les consommateurs prennent conscience de leur empreinte numérique, les entreprises vont très vite faire face à un nouveau un défi : exploiter d’importants volumes de données en temps réel afin d’optimiser leur réactivité.
    C’est le data-analyst, dont la place dans l’enteprise est en pleine mutation, qui peut relever ce challenge, à condition que son rôle se rapproche de l’opérationnel. Agir sur le churn une fois qu’il est prédit, agir sur les machines quand elles montrent des signes de faiblesse, éviter les fraudes en analysant les comportements clients : hors de son antre, le data-analyst sera en première ligne pour permettre à son équipe de tirer avantage du Big Data.

    Données en temps réel et automatisation : le nouveau quotidien des analystes
    Prédire les évènements futurs aura été la principale préoccupation des entreprises ces dernières années, bien plus que l’étude du passé. C’est là la force du temps réel. Mais c’est un réel défi, car les données affluent par milliers à la seconde : c’est à la réactivité que se mesure la performance, à sa rapidité d’ajustement en fonction des évènements que l’on évalue à présent une bonne stratégie. Pour répondre à ces nouvelles exigences, il ne suffira pas de se doter de profils qualifiés en analyse des données. Il faudra également faire évoluer l’action des équipes d’analystes, leur attribuer un rôle en première ligne, les faire entrer au cœur de l’action de l’entreprise.
    Jusqu’ici dédiées à l’étude des évènements passés en vue de prédire ce qui peut se produire, et de transformer en information exploitation les millions de données collectées, les équipes d’analystes verront leur structure entièrement modifiée. L’automatisation des reportings et le machine learning auront raison des tâches répétitives. Les analystes de données disposeront ainsi de plus de temps pour ce qui constitue le cœur de leur métier : la construction de modèles prédictifs basés sur l’observation en temps réel des données et le machine learning. Des modèles qui pourront ensuite être reproduits et appliqués à différents cas de figure. Les analystes adoptent ainsi de nouvelles fonctions au sein de l’entreprise : l’exploration et la modélisation des données, et l’accompagnement de leurs interlocuteurs vers la compréhension de celles-ci.

    Les nouveaux challenges : rendre les données accessibles et deep learning
    L’apparition du deep learning a de quoi bouleverser la manière dont les data-analysts travaillent. Capables de reconnaître seules des schémas dans la parole ou l’image, les machines soumises au deep learning constituent des alliés pour le data-analyst : leur capacité de calcul rapide permet d’accélérer l’aide à la décision, et se révèle particulièrement utile dans des domaines tels que le ciblage marketing ou la météorologie. A ces nouveaux outils succéderont de nouvelles exigences et une restructuration des modes de travail des analystes. Habitués à travailler en équipes plus ou moins distinctes du reste de l’entreprise, les analystes seront amenés à se répartir entre les différentes équipes de l’entreprise, du marketing à l’équipe technique. L’agilité sera donc le maître mot. Plus intégré auprès des autres collaborateurs, le data-analyst tiendra lieu de passerelle pour mieux comprendre et interpréter les données. Une implication supplémentaire qui sera particulièrement bénéfique dans certains champs d’application qui appellent l’action de techniciens de terrain, tels que la maintenance prédictive ou la médecine spécialisée.
    Par ailleurs, les consommateurs sont de plus en plus conscients de la valeur de leurs données pour les entreprises. Le RGPD (Règlement Général sur la Protection des Données) va d’ailleurs dans leur sens, puisqu’il vise à redonner aux consommateurs le pouvoir sur l’exploitation de leurs données personnelles. Autant d’exigences qui appellent les équipes de data-analysts à se mêler davantage aux équipes opérationnelles. « Agile » sera donc le nouveau synonyme de « data-analyst » !

    Agrandir le spectre des compétences pour une action optimisée
    Dans le domaine de l’entreprise comme ailleurs, formulaires de contact et machines ne sont plus les seuls fournisseurs de données de navigation. Les data-analysts doivent à présent se familiariser avec les blogs, les réseaux sociaux et les diverses applications, nouvelles mines de données à exploiter et à interpréter. Un élargissement du spectre des compétences est donc nécessaire, car l’analytique peut s’appliquer dans de nombreux secteurs. Plus avertis quant aux supports d’où proviennent les données et à leur fonctionnement, les data-analysts pourront gagner en réactivité et optimiser la conception de leurs modèles prédictifs, qu’ils pourront reproduire d’autant plus facilement. Ceux-ci seront plus rapidement autonomes et adaptables à d’autres configurations.

    Pour que l’analyse soit davantage une source de productivité en interne, l’entreprise doit lui conférer une plus grande liberté d’action. Il peut s’avérer utile, par exemple, de donner aux analystes les moyens de réagir aux données transmises par les machines dans le cadre d’une maintenance prédictive, et de procéder à l’action adéquate. L’analyste pourra aussi agir, après analyse des données, pour éviter le renoncement d’un client ou contrecarrer une fraude de la part d’un consommateur, sans passer par les équipes marketing. Plus encore : les analystes seront amenés à créer des modèles d’action adaptables à chaque situation, et automatiser ces tâches le plus possible.

    Avec l’avènement de l’approche prédictive, le data-analyst est la clé de voûte de l’efficacité des organisations, dans plusieurs secteurs (économie, santé, météorologie, etc.). Elargie à un champ plus global, ce métier si prisé sera plus à même d’adopter un fonctionnement plus agile.

  • Comment préparer son CRM pour scruter l’avenir ?

    Préparer le CRM pour l’analyse prédictive 

    Imad Alabed, Directeur senior, Pivotal & Knova

    Les barbecues estivaux sont un must de l’été… À condition que le temps soit de la partie. L’organisation est la clé. Pendant que certains observent le ciel, à l’affût des nuages, et s’attellent à allumer le feu, d’autres écoutent leurs articulations, premières donneuses d’alerte de l’arrivée de la pluie. Grâce aux progrès de la météo, la plupart d’entre eux consultent directement les prévisions sur leur application mobile, pour s’assurer qu’une averse ne viendra pas gâcher la cuisson des burgers. Quoi de plus agréable que d’avoir la garantie que tous ces efforts seront récompensés !

    Autrefois, la majeure partie des entreprises se fiaient à leur instinct et à leurs expériences passées pour prendre leurs décisions. Aujourd’hui, la concurrence les oblige à s’appuyer sur des faits et des chiffres plus que sur leur intuition : lors d’une récente étude menée par Aberdeen Group sur l’analyse et l’intelligence économique, 46% des personnes sondées se sont déclarées forcées de passer à une activité plus pilotée par les données pour faire face à la pression de la concurrence. Aujourd’hui, pour améliorer ses performances, une entreprise doit être capable de convertir des tendances historiques et des données collectées en temps réel en données exploitables.

    Scruter l’avenir

    Il ne suffit pas d’accéder aux données pour maintenir son avantage compétitif : les collaborateurs de l’entreprise, à chaque échelon, doivent agir sur la base de ces données. D’après la définition d’Aberdeen Group, l’analyse prédictive est une technologie qui permet aux entreprises d’analyser des données structurées et non structurées afin d’identifier des tendances-clés et corrélations, tout en prédisant la probabilité de certains comportements client. Les solutions de gestion de la relation client (CRM) sont des partenaires idéaux pour engager cette analyse prédictive : elles permettent à l’entreprise non seulement d’optimiser ses opportunités de ventes, mais aussi d’améliorer la productivité de ses responsables de compte. Dans un monde où prendre une mauvaise décision au mauvais moment peut coûter très cher, il est essentiel de pouvoir prédire le « quoi » et le « où ».

    En plus d’améliorer leurs relations client et de garantir la livraison de services de qualité, les entreprises doivent disposer d’informations avancées sur leurs clients, qu’elles puissent associer avec des données d’historique d’achats pour obtenir une vision globale sur leur parcours. En combinant analyse prédictive et CRM sociale, elles peuvent en apprendre davantage sur leurs clients actuels et leurs prospects. Elles sont en mesure d’exploiter les informations des profils, publications et historiques de clics pour créer des profils client plus riches, permettant des analyses plus précises. Dans un environnement en constante évolution, cette vision plus avancée et en temps réel les aide à enrichir les relations avec leurs clients pour renforcer leur satisfaction. Et ainsi mettre en place un cycle de rétroaction positif et obtenir un avantage compétitif définitif.

    Analyser les visions de la « boule de cristal »

    Gérer l’imposant volume d’informations et la vitesse à laquelle elles circulent fait partie des plus importants défis que les entreprises doivent relever. Selon Aberdeen, 96 % d’entre elles font une mauvaise utilisation des données. La précision des données à analyser reste une gageure et un enjeu pour elles. Pour fournir la meilleure analyse, il est en effet essentiel que les données soient préparées de manière adéquate. L’importance de cette étape explique que certains analystes consacrent plus des trois quarts de leurs temps pour la préparation des données pour l’analyse. En automatisant cette étape, il est possible de préserver la gouvernance des données tout en limitant la pression sur l’informatique. Les experts en analyse prédictive du cabinet Gartner recommandent d’alimenter les solutions d’automatisation des ventes avec des données complètes, précises et nettoyées, avant même de déployer des capacités d’analyse.

    Mais la qualité des données n’est pas le seul facteur de risque ; parfois, les informations sont réparties entre tellement d’emplacements et disponibles dans tellement de formats qu’une consolidation est impossible. Pour résoudre cela, les entreprises doivent intégrer les données dans une vue unifiée du client sur l’ensemble des systèmes, de façon à renforcer leur précision et leur pertinence. Les entreprises qui exploitent des systèmes d’analyse sont à 42 % plus susceptibles de normaliser les données collectées sur plusieurs canaux pour faciliter l’intégration logicielle. Outre la nécessité de disposer de données « nettoyées », les outils d’analyse prédictive doivent également avoir accès à un large éventail de sources de données, pour pouvoir « apprendre » de chacune d’elles. En même temps, il est important d’éviter d’intégrer trop de sources trop rapidement. Une approche agile, exploitant des données moins volumineuses et déjà consolidées, assure un retour sur investissement plus rapide et une expansion incrémentielle pour prendre en compte des sources plus complexes, tout en garantissant la prise en charge continue d’une campagne d’analyse prédictive.

    Conclusion

    Bien que les solutions CRM collectent déjà des volumes d’informations très importants, les outils d’analyse prédictive offrent un niveau d’information encore plus avancé. Une solution CRM intégrant des capacités d’analyse prédictive permet de présenter des informations exploitables en temps réel, pour des prises de décisions stratégiques facilitées pour les équipes de ventes, d’opérations, de marketing et de direction.

    La plupart des systèmes CRM sont extrêmement flexibles et intègrent des modèles de données complets faciles à modifier ou étendre. Cette flexibilité assure l’adaptabilité de votre solution CRM à des besoins toujours changeants. Malgré cela, de nombreuses entreprises n’ont encore mis aucune gouvernance de données en place. Nous vous recommandons de préparer la mise en place d’une force d’analyse prédictive, en vous lançant dans une opération de nettoyage de vos données dès aujourd’hui

  • Big data : nous mélangeons les torchons et les serviettes et les mouchoirs !

    Qualité versus quantité, l’avènement des données analytiques d’expérience

     Par Laurent Bouteiller, Regional Sales Manager de Sitecore

    Comment ne plus gaspiller son budget en diffusant des campagnes auprès du plus grand nombre dans l’espoir d’atteindre une cible hypothétique ?

    Aujourd’hui, les spécialistes du marketing sont confrontés aux mêmes problèmes qu’au début du siècle, lorsque John Wanamaker, un éminent pionnier américain du monde des affaires, prononça ces paroles, souvent répétées : « La moitié de l’argent que je dépense en publicité est gaspillé ; le problème, c’est que je ne sais pas de quelle moitié il s’agit. »

    C’est évidemment très curieux, car dans le monde numérique, tout est mesurable jusque dans les plus infimes détails. Alors, quel est le problème ?

    Tout d’abord, nous n’interconnectons pas les informations dont nous disposons. Les e-mails sont suivis indépendamment du Web, qui est suivi indépendamment du Web mobile, des médias sociaux et des applications mobiles.

    Par ailleurs, nous mélangeons les torchons et les serviettes et les mouchoirs, et aucune des mesures quantitatives ne révèle quoi que ce soit quant à la contribution de chaque « tissu» aux objectifs de l’entreprise. Lorsque vous rencontrez un client en ligne, fondamentalement, vous engagez une conversation. C’est un échange de communications et d’interactions. Les données analytiques Web traditionnelles n’offrent aucun indicateur de mesure permettant de mesurer la qualité de l’expérience du visiteur en fonction du comportement du client.

    La transition de l’analyse de la quantité vers la qualité

    Ce que nous devons retenir, c’est que nous devrions mesurer la qualité, et non seulement la quantité. Toutefois, les outils actuels dédiés aux données analytiques Web visent à mesurer et accroître le nombre de personnes fréquentant un site Web ou un autre canal sur lequel ils interagissent avec une enseigne.

    Les données analytiques Web servent à mesurer des quantités moyennes agrégées ; par exemple, le nombre de visites, le pourcentage de nouveaux visiteurs, les consultations de pages, les taux de rebond, les principales ressources téléchargées, les pages d’accès les plus prisées, les pages les plus fréquemment consultées, et ainsi de suite.

    Alors, comment mesurer la qualité, en plus de la quantité ?

    Le mot-clé, c’est l’engagement. Le niveau d’engagement manifesté par votre client est l’ingrédient secret de la qualité, que nous appelons la « valeur d’engagement », et elle constitue le fondement même de ce que j’appelle les « données analytiques d’expérience ». Les données analytiques d’expérience donnent aux spécialistes du marketing le pouvoir de comprendre quels contenus dynamisent l’engagement et génèrent des résultats financiers, et les différencier de ceux qui attirent les foules et dilapident inutilement de l’argent.

    L’intérêt des données analytiques d’expérience

    Les données analytiques d’expérience mesurent la quantité et la qualité, ainsi que la relation entre ces deux paramètres. La quantité, c’est tout ce que vous apprennent les données analytiques Web actuelles. La qualité, c’est le niveau d’engagement que manifestent vos clients et son incidence sur vos principaux objectifs métier. En associant ces deux paramètres, les données analytiques d’expérience permettent de mesurer la pertinence du marketing pour le client. Elles offrent également une représentation des objectifs stratégiques, car elles reposent fortement sur la corrélation entre la valeur de l’engagement (un indicateur de mesure utilisé dans les données analytiques d’expérience) et la réalisation de l’objectif principal. Les données analytiques d’expérience soutiennent efficacement le marketing lorsqu’elles sont utilisées pour améliorer l’expérience client et atteindre un objectif stratégique essentiel.

    Contrairement aux données analytiques Web traditionnelles, les données analytiques d’expérience des indicateurs de mesure résultant du comportement des clients, en fonction de leur interaction avec les objectifs numériques tels que les enregistrements, les réponses aux enquêtes ou d’autres résultats de marketing.

    Les outils dédiés aux données analytiques du marketing numérique expriment, d’une certaine manière, la qualité sous la forme de taux de conversions ; par exemple, le nombre de visiteurs qui se sont enregistrés pour recevoir une newsletter. Le problème de cette approche est que dès que vous devez gérer plus de trois conversions, la complexité devient délirante. Gérer simultanément un aussi grand nombre de conversions pour un aussi grand nombre de campagnes devient une tâche ardue, même pour une équipe de spécialistes chevronnés des données analytiques du marketing numérique.

    Cependant, si vous n’êtes pas en mesure de déterminer où et comment engager les visiteurs à valeur élevée, vous faites de l’arrosage, plutôt que du marketing : vous gaspillez votre argent en diffusant des campagnes auprès du plus grand nombre dans l’espoir d’atteindre une cible hypothétique. Dans le monde rapide du marketing numérique, vous ne pouvez pas espérer survivre avec cette approche.

    Pour les spécialistes du marketing numérique, ce véritable mur de données complexe doit être réduit jusqu’à obtenir une simple mesure de la qualité ; la valeur d’engagement. Les spécialistes du marketing utilisant la valeur d’engagement peuvent alors identifier précisément quelle partie de leur panel d’actions marketing génère le plus grand impact, quelle partie de leurs canaux attire les visiteurs à valeur élevée et où ils doivent investir leur budget de marketing.

    Nous sommes donc bien aujourd’hui à l’ère des données analytiques d’expérience.

    Pour plus d’infos sur les données analytiques d’expérience, télécharger ce guide pour comprendre, mesurer et optimiser son marketing numérique.

    Téléchargez le nouveau livre blanc de Sitecore, « Des données analytiques Web aux données analytiques d’expérience ».

     

     

  • Big Data, Analytics : le nouveau visage des télécoms

    Big Data, Analytics : le nouveau visage des télécoms

    Par Florent Bornard, Expert Customer Experience Management chez Gfi Informatique

    Dans les télécoms encore plus qu’ailleurs, la concurrence fait rage. Les abonnés bénéficient de réseaux de haute qualité, d’offres de services facilement comparables, le tout à des prix toujours plus attractifs. Au cœur d’un environnement aussi férocement concurrentiel, sur le marché français et plus globalement en Europe, voire au Moyen-Orient et en Afrique, le nerf de la guerre n’est plus seulement le prix des abonnements et ce ne sont quasiment plus les technologies qui font la différence. La clé se trouve maintenance côté innovation ainsi et surtout que côté expérience client. 

    La stratégie des opérateurs doit désormais impérativement reposer sur la collecte et l’analyse des données clients et des interactions avec eux. C’est une mine pour progresser dans la gestion de l’expérience client, ainsi selon un étude récente, 82 % des données sauvegardées aujourd’hui ne l’étaient pas il y a encore cinq ans. Une fois les données collectées, comment répondre rapidement aux mécontentements des utilisateurs, pour accroitre leur satisfaction, puis dépasser leurs attentes en anticipant leurs demandes ? Grâce aux solutions de Customer Experience Management (CEM) qui répondent exactement à cette nouvelle exigence. Et ce à moindres coûts.

    Optimiser l’expérience client avec une vue à 360°…

    Pour apporter une réponse efficace à un abonné, un opérateur a d’abord besoin d’avoir une vue d’ensemble, à 360°, du parcours client, que ce soit en boutique, sur son compte web utilisateur, concernant son comportement vis-à-vis de son téléphone (navigation web, téléchargements, etc.), les appels manqués, les encombrements de ligne, les performances du réseau, etc.

    Avec les outils de collecte et d’analyse de données comme le Big Data, il est possible de voir ce qui se passe « à l’intérieur même de la maison ». Les informations sont collectées directement sur les box DSL ou fibre, les mobiles ainsi que toutes les applications du SI de l’opérateur. Cela permet d’être au plus près de l’expérience client lors de l’utilisation des services et du réseau, ainsi que lors de toutes les interactions avec l’abonné, depuis la souscription de son abonnement à la facturation en passant par le support technique, sans oublier tout ce qu’un utilisateur peut diffuser sur les réseaux sociaux et le web.

    Ces plateformes de centre d’appel ont un coût : tout appel évité représente ainsi un gain direct. Et si chaque appel peut être traité en huit minutes au lieu de douze (selon le terme consacré : le Average Handle Time ou AHT, c’est-à-dire le temps moyen d’une communication en call center) grâce à la connaissance du problème client au travers de l’historique des données collectées et analysées dans le système Big Data, le gain est alors de 33 %. De plus, le client sera davantage satisfait.

    Améliorer le retour sur Investissement grâce aux plateformes Big Data

    Pour ce faire, le Big Data et l’Analytics sont aujourd’hui des outils presque classiques, et fonctionnent très bien dans les télécoms. Technologiquement, les plateformes Big Data peuvent être ajustées facilement et rapidement aux besoins de collecte, de traitement et d’analyse de gros volumes d’informations. Elles s’exécutent sur des matériels standards, appelés « commodity hardwares », qui peuvent être hébergés dans un cloud, avec des suites logicielles comme Cloudera, Horton ou MapR. Leur avantage : elles sont basées sur des open sources ayant des capacités d’évolution et de traitement en temps réel et de plus en plus avancées, pour prendre des décisions au plus tôt.

    Les applications search based sont quant à elles basées sur la recherche. Non intrusives, elles fournissent, avec une implémentation rapide, l’ensemble des données clients aux opérateurs des centres d’appel ou des conseillers en boutique, mais également à l’utilisateur grâce à son smartphone.

    Les budgets ainsi engagés sont nettement optimisés par rapport aux solutions plus traditionnelles de Business Intelligence. Le retour sur investissement (ROI) du CEM est donc beaucoup plus favorable et rapide.

    Valoriser les données en les croisant avec des data externes

    Enfin, il y a la valorisation des données. Traditionnellement, les opérateurs télécoms valorisent les données clients en interne pour améliorer, nous l’avons dit, les services rendus. Avec le Big Data, il est possible de les valoriser en les croisant avec des données externes. Une telle valorisation peut servir à innover et à créer de nouveaux business models.

    Avec l’ensemble des données : celles stockées dans le SI, celles fournies par les utilisateurs et celles déduites via des algorithmes sophistiqués, le vendeur d’une boutique peut ainsi connaitre instantanément le comportement d’un abonné quand il se promène dans les rayons, et anticiper ses achats en lui proposant, par exemple, des bons d’achat ou des communications gratuites.

    Aujourd’hui, les opérateurs télécoms affichent encore sur ce terrain de la valorisation une certaine timidité. Pourquoi ? Il y a avant tout un frein lié au respect de la vie privée alors que la solution repose sur des outils d’anonymat. Ensuite, il y a la question de la disponibilité du SI pour récupérer, analyser et mettre à disposition ces données via des API ou des applications externes. Deux barrières qu’il faudra faire tomber pour proposer encore autre chose à des clients de plus en plus exigeants.

  • Sondages vs Réseaux sociaux : qui détient le Graal de la vérité ?

    Sondages vs Réseaux sociaux : qui détient le Graal de la vérité ?

    Avec le Brexit et les dernières élections présidentielles aux Etats-Unis et en France, on a vu fleurir des articles proclamant la fin des instituts de sondages bientôt remplacés par le big data et les données issues des médias sociaux. Mais est-ce le cas ?

    Réponses avec Mélanie COROLLEUR, Marketing Manager chez Brandwatch France, l’une des plateformes de Social Intelligence.

    « Utiliser la social data comme complément des méthodes traditionnelles d’analyse permet d’améliorer considérablement les études de marché. »

    MyDigitalWeek : Quelles sont les méthodes disponibles pour remplacer les instituts de sondages ?

    Mélanie COROLLEUR : C’est la combinaison des ensembles de données issues des méthodes de recherches traditionnelles et de ceux reposant sur de nouveaux outils technologiques comme le social listening qui vont apporter une réelle valeur dans le domaine de la recherche d’insights. Bien entendu, chaque méthode va avoir des avantages et des inconvénients qui lui sont propres.
    Par exemple, les panels, les groupes de discussion ou les enquêtes permettent d’aller en profondeur en posant des questions extrêmement spécifiques à un groupe limité de personnes pour obtenir des informations qualitatives et quantitatives mesurables.
    Cependant, il s’agit d’un cadre de recherche régimenté, qui requiert énormément de ressources humaines et financières. Les résultats peuvent être biaisés pour différentes raisons : échantillon non représentatif, questions orientées d’une certaine manière, réponses trompeuses ou insincères car restituées en face à face, etc.
    A l’inverse le web social donne accès à un volume bien plus important de verbatim organique et spontané, mais ne représente qu’une partie de la population qui utilise régulièrement les médias sociaux.
    Chaque source apporte des éléments différents, au niveau quantitatif comme qualitatif, et c’est cette complémentarité qui redynamise le secteur et la discipline.

    MyDigitalWeek : Etude 2.0 : quels sont les bénéfices et les contraintes ?

    Mélanie COROLLEUR : Pour les chargés d’études, la social data présente de nombreuses opportunités, que vous pouvez retrouver dans ce livre blanc qui traite des différentes manières dont les entreprises peuvent utiliser le social listening et ses données pour mener leurs études de marchés. Parmi les bénéfices on peut citer :

    • Rapidité : Le social listening s’effectue en temps réel. Ainsi, il est possible de regrouper des données relatives à une question en quelques minutes ou heures, au lieu de quelques semaines voire des mois pour obtenir les résultats d’une enquête. Les données historiques permettent de comparer facilement les résultats au fil du temps.
    • Moins coûteux : La recherche d’insights via le web social requiert au minimum une personne et une plateforme efficace de social media intelligence.
    • Échantillon plus large : Les chargés d’études ont accès à des quantités incroyables de données disponibles de manière publique sur les médias sociaux.
    • Données organiques : La social data est constituée d’opinions libres, postées spontanément par le public en ligne.

    Bien entendu, la social data a également ses limites. Par exemple, tous les internautes ne renseignent pas leur âge, sexe  ou profession, par conséquent les données peuvent être fragmentées. De même, on peut se demander si les utilisateurs des médias sociaux représentent une part importante de la population ou un sous-groupe.

    MyDigitalWeek : La social data : est -elle une nouvelle source d’insight ?

    Mélanie COROLLEUR : Le social media comme méthode de recherche doit bien évidemment faire ses preuves. Mais à mon avis, la majorité des entreprises est déjà convaincue de la valeur de la social data pour mieux comprendre et connaître les consommateurs.
    Il me paraît évident que les conversations qui se déroulent sur le web chaque jour contiennent des insights sur ce que les consommateurs pensent et ressentent, sur ce qui les préoccupent, sur leurs besoins et leurs envies.
    La méthode d’étude de marché parfaite n’existe pas, plus les chargés d’études diversifieront et combineront les sources de données dans leur mix de recherche, plus ils obtiendront une image précise.

    MyDigitalWeek : Quel crédit accorder aux « bruits sur le net » ?

    Mélanie COROLLEUR : Tout dépend ce que l’on entend par « bruits » mais avec ce terme on part déjà avec une connotation négative 🙂 Bien entendu tout ce qui est dit sur les médias sociaux n‘est pas pertinent dans le cadre de la recherche.
    Chaque réseau va avoir une audience avec ses propres caractéristiques et un accès plus ou moins restreint aux informations qui s’y trouvent. Les forums spécialisés peuvent être une mine de conversations extrêmement pertinentes par exemple.

    MyDigitalWeek : Comment se positionne votre plate-forme à ce niveau là ? 

    Mélanie COROLLEUR : notre plate-forme de social listening permet de  créer une recherche ultra-précise sur une ou plusieurs marques, produits, services, concurrents ou n’importe quels termes relatifs à l’industrie à proximité de termes et d’expressions liées au ressenti ou aux sentiments par exemple qui expriment une opinion personnelle.
    La possibilité d’affiner sa recherche réduit le spam et garantit l’obtention et la manipulation de données fiables. La capacité à segmenter la data  par thématique, région ou segment démographique est cruciale. Cela permet de mettre les données en contexte.

    MyDigitalWeek : Quand la grande majorité des informations est désormais créée par les citoyens et les consommateurs, a t-on encore besoin de les interroger ?

    Mélanie COROLLEUR : Bien sûr ! D’ailleurs je pense que les experts sur la question s’accordent tous pour dire que la social data est encore plus puissante lorsqu’elle est combiné à d’autres sources de données comme les sondages, enquêtes et groupes de discussion.
    Pour reprendre les mots d’une de mes collègues du département de recherche de Brandwatch « En prenant le temps d’analyser les différents insights issus des différentes données, aide à établir des méthodes efficaces.  Par exemple, si vous cherchez à en savoir plus sur le développement produit, un mélange de groupes de discussion et de données sociales sera surement le plus approprié. »

    Annie ABELA-LICHTNER

     

  • Pourquoi et comment utiliser le marketing prédictif

    Marketing prédictif : attention au buzzword !

    Tribune de Jean-René Boidron, CEO de Kameleoon & Ancien Vice-Président de CroissancePlus

    Nous vivons à l’ère de la promesse absolue, celle où il n’y a plus aucune limite à l’imagination de ce qu’il est possible de réaliser. Les opportunités croissantes offertes par les technologies conduisent aux promesses les plus folles comme celle de relier Los Angeles à San Francisco en train électromagnétique en 30 minutes ou de coloniser Mars, et tout ça d’ici 2025. La promesse absolue est aussi devenue une arme marketing redoutable : beaucoup d’entreprises ne s’embarrassent plus d’expliquer ce qu’il est possible de faire ou de ne pas faire. Elles utilisent les « buzzwords » du moment et promettent la lune du jour au lendemain. Sur le podium de ces promesses absolues, le marketing prédictif est en bonne place.

     Le marketing prédictif existe depuis toujours

    En réalité, nous faisons du marketing prédictif depuis l’existence même du marketing. Nous tenons compte des expériences passées pour éclairer l’avenir. En réalisant que la fréquentation de son magasin de prêt-à-porter est forte le samedi et faible le lundi, le commerçant prédit qu’il va en être de même à l’avenir et décide de recruter un vendeur supplémentaire le samedi et de rester fermé le lundi. De même, il prédit que certains articles se vendront mieux en hiver qu’en été ; l’expérience acquise va même lui permettre d’affiner ses prises de décision à la semaine près pour optimiser ses ventes. Sa clientèle devenant plus importante, il va également commencer à segmenter ses clients pour maximiser ses ventes en offrant à chacun une gamme qui a le plus de chances de répondre à ses besoins.

     Ce que l’analyse prédictive va apporter…

    Bon nombre de segmentations manuelles sont faites sur un seul critère : CSP, genre, client fidèle ou non, etc. D’autres plus élaborées vont croiser deux critères : CSP avec genre, fréquence d’achat avec lieu de résidence, etc. A partir de 3 critères, un logiciel spécialisé sera indispensable et au-delà il faudra utiliser des algorithmes spécialisés surtout s’il s’agit de traiter des milliers de clients. Avec l’augmentation massive des informations et de la capacité de traitement, l’intelligence artificielle va déjà permettre d’automatiser un ensemble de tâches de manière exhaustive et sans erreur. Mieux, des algorithmes de machine learning vont tenir compte en permanence de l’évolution des comportements et des caractéristiques des clients pour redéfinir en temps-réel qui appartient à quel segment et quel est son comportement futur le plus probable. Ils vont dégager des tendances, trouver des corrélations et « faire parler » les données dans le but de maximiser la conversion.

    Dans l’absolu, cette tâche pourrait être réalisée manuellement mais elle exigerait une armée d’analystes nuit et jour pour la réaliser. Débarrassé du traitement fastidieux des données, ces algorithmes de machine-learning vont permettre au marketeur de se concentrer sur sa stratégie et les actions qu’il souhaite réaliser.

     …Et ce qu’elle ne va pas entraîner

    1ère réalité : ne pas confondre automatisation et prédictif

    Il convient déjà de ne pas confondre l’analyse prédictive avec la « simple » automatisation qui résulte de la mise en place de règles « manuelles ». Définir une règle qui pousse un bon de réduction à un visiteur qui reste 3 minutes sur une page, c’est bien mais c’est de l’automatisation, pas de l’intelligence artificielle. L’allocation dynamique de trafic en A/B testing, c’est bien mais c’est aussi de l’automatisation, pas du prédictif.

    2ème réalité : le machine learning ne remplace pas l’intelligence humaine, il la complète.

    Un algorithme n’est pas conscient de ce qu’il fait. Son succès vient de l’intelligence humaine, en l’occurrence celle d’un analyste ou d’un data scientist qui va le « mettre en situation » pour qu’il soit efficace. Il n’existe aucun algorithme d’apprentissage universel capable de prédire le comportement d’un visiteur. Chaque situation nécessite un paramétrage bien précis pour obtenir de bons résultats, à commencer par la qualité des données traitées ; or seul un humain est en mesure de « nourrir » correctement l’algorithme.

     3ème réalité : l’algorithme n’a pas d’idée, il constate.

    Il ne définira ni votre stratégie, ni vos actions. S’il est en mesure d’identifier la probabilité d’achat d’un visiteur, il n’a aucune espèce d’idée de la décision à prendre selon cette probabilité. Le marketeur se doit de définir la bonne stratégie à appliquer pour optimiser son chiffre d’affaires et sa marge.

     Pourquoi et comment utiliser le marketing prédictif 

    La combinaison de la puissance de calcul et de la puissance des algorithmes permet de traiter aujourd’hui intelligemment des situations que l’on n’a jamais été en mesure de gérer correctement auparavant. Dans le domaine du marketing digital, l’analyse prédictive ouvre la porte à des opportunités nouvelles pour personnaliser le parcours client et augmenter ses ventes. Mais l’humain est indispensable, en amont comme en aval, pour cadrer l’algorithme à une situation donnée et pour décider des actions à réaliser. C’est plutôt une bonne nouvelle et c’est bon à savoir pour ne pas écouter les marchands de sable.

     

     

  • Quelles sont les 5 tendances majeures de l’analyse de données pour le commerce de détail en 2017 ?

    5 tendances des analyses du commerce de détail pour 2017

    Jeff Huckaby, Directeur Global – Commerce de détail et biens de consommation, Tableau

    Pour le commerce de détail, les normes de l’aide à la décision évoluent constamment, ce qui encourage les principaux acteurs à s’orienter vers l’analyse. Les organisations de commerce de détail et de la grande consommation partagent plus aisément leurs données avec les collaborateurs et dirigeants de première ligne. Alors que les outils à la fois plus naturels et plus agiles – et compatibles avec les terminaux mobiles – sont de plus en plus présents, 5 tendances des analyses du commerce de détail pour 2017 ressortent :

    1.  Les analyses complexes ne sont plus forcément propres aux experts
    Avec l’essor du libre-service, tous les collaborateurs des enseignes de distribution exploitent de plus en plus leurs données, même ceux sans connaissance particulière en analyse. Les gérants de magasin, tout comme les comptables, poussent leurs recherches plus loin grâce à des visualisations interactives qui leur permettent de trouver instantanément des réponses à leurs questions.

    La plupart des grandes surfaces tirent également parti des analyses prédictives complexes pour répartir les tâches lors des pics d’activité et pour améliorer la qualité du service à la clientèle.

    Les fonctions d’analyse complexe, telles que les clusters et la détection de valeurs atypiques, permettent aux collaborateurs de prendre facilement des décisions basées sur les données. Grâce aux informations exploitables ainsi obtenues, les équipes choisissent l’agencement du magasin le plus pertinent et optimisent l’expérience d’achat, ce qui, au final, augmente le chiffre d’affaires.

    2.  L’arrivée des analyses mobiles 
    Pour les détaillants, la recherche d’informations exploitables sur le terrain via un terminal mobile n’est plus un rêve illusoire. Au lieu de passer par les anciens systèmes d’aide à la décision, les analyses mobiles modernes jouent un rôle central dans le processus de décision des magasins physiques et de leurs centres de distribution.

    Plus que jamais, les détaillants exploitent les installations Wi-Fi disponibles dans leurs commerces pour permettre aux caissiers et aux magasiniers de tirer instantanément parti des analyses. Par exemple, lorsqu’un client recherche un produit qui n’est pas en stock, un salarié dispose de beaucoup plus d’informations exploitables lorsqu’il accède à une application d’analyse mobile. Ces informations lui permettent de répondre bien plus rapidement à la demande du client.

    Aujourd’hui, les collaborateurs du commerce de détail et de la grande consommation
    peuvent désormais accéder à des données mobiles en direct tous les jours, voire toutes les heures, grâce à leur tablette. Les commerçants, les directeurs régionaux, les salariés chargés de la prévention des pertes et même les fournisseurs ont tous abandonné leurs feuilles de calcul au profit de visualisations interactives facilitant la collaboration sur leurs terminaux mobiles. Ce modèle favorise la réactivité lors de la prise de décisions concernant les stocks, la chaîne d’approvisionnement omnicanal et l’efficacité opérationnelle.

    Par exemple, voici comment Coca Cola Bottling Company simplifie la gestion des rapports avec l’analyse mobile : « La mobilité est essentielle. Notre responsabilité première est de vendre. C’est pourquoi nous faisons notre possible pour que nos commerciaux ne soient pas bloqués au bureau. Ils en profitent également lorsqu’ils vont chez le client. Pour les questions, ils n’ont pas besoin de sortir une feuille de calcul Excel ou tout autre document. Ils allument leur tablette, trouvent le tableau de bord requis et répondent tout de suite. » explique Shawn Crenshaw, analyste principal chez Coca-Cola Bottling Co. Consolidated (CCBCC).

    3. Le fait d’intégrer des données omnicanales devient important
    La flexibilité des analyses est non seulement utile, mais également nécessaire pour les commerces de détail. Le facteur temps est crucial. C’est pourquoi il est essentiel de fournir aux utilisateurs les données pertinentes au moment même où ils en ont besoin. C’est un défi de taille, étant donné que les données sont désormais stockées à différents emplacements, que ce soit dans des anciens systèmes ou sur des plates-formes de bases de données distinctes hébergées sur site et dans le Cloud.

    Pour prospérer, les enseignes doivent donc être en mesure de voir et de comprendre, de manière globale, les données relatives aux canaux de distribution, à la chaîne d’approvisionnement et aux clients. Telle est la promesse qu’offre l’omnicanal.

    Le recours à différents canaux et différentes sources de données peut se révéler fastidieux, voire impossible. En 2017, de nouveaux acteurs feront leur apparition dans le domaine de l’intégration des données. Face à la montée en puissance d’outils sophistiqués et l’ajout de nouvelles sources de données, les entreprises cesseront de vouloir à tout prix centraliser leurs données en un emplacement unique. Les détaillants pourront se connecter aux ensembles de données où ils sont stockés. Ils pourront explorer, combiner et fusionner d’autres ensembles de données à l’aide d’outils et de méthodes plus agiles.

    Metro est un groupe progressiste avec une valeur estimée à plus de 194 millions de dollars en 2014. Il gère une chaîne de grands magasins à Singapour. L’équipe de Metro collecte constamment diverses données dans ses magasins afin de mieux comprendre les pics d’activité et les périodes d’accalmie, les flux de stock et le comportement d’achat des clients. « Les données relatives aux ventes se trouvaient à un point A, tandis que celles concernant les transactions et les clients se trouvaient respectivement à un point B et à un point C. Pour exploiter ces informations, nous devions donc extraire des données de plusieurs sources. Cela nous prenait des semaines, mais aujourd’hui, il ne nous faut plus que quelques secondes. » explique Erwin Oei, analyste principal, GRC et contrôle des marchandises chez Metro.

    L’analyse des tendances basée sur des données provenant de diverses sources permet à l’équipe de définir des stratégies opérationnelles et promotionnelles tout en continuant à améliorer l’efficacité et les performances.

    4. Grâce aux robots, de nouvelles opportunités arrivent pour les données du commerce de détail 
    Si la robotique était déjà présente depuis des années dans les centres de distribution des grands détaillants, elle jouera en 2017 une place centrale dans l’expérience en magasin.  Les machines, les robots et l’intelligence artificielle seront intégrés aux tâches quotidiennes des détaillants, par exemple pour dresser un inventaire physique, offrir des promotions, voire réaliser des enquêtes et enregistrer des commandes. Ces robots serviront dans un premier temps de nouveau point de contact en matière de données. Ils rassembleront d’importantes informations concernant les comportements et les interactions des clients que les entreprises pourraient exploiter.

    Les détaillants poursuivront leurs efforts pour encourager la fidélité client au-delà de l’achat. Les données sur le service à la clientèle recueillies par les robots joueront un rôle essentiel dans leur succès.

    Les robots sociaux offrent une véritable valeur ajoutée aux détaillants à la recherche d’une relation client plus authentique, en cela qu’ils interagissent avec les clients, leur prodiguant conseils et recommandations, évaluations et informations en temps réel.

    5. La réalité virtuelle et augmentée provoquent plus d’informations exploitables pour les analyses des détaillants
    Vous êtes-vous déjà demandé si tel modèle de canapé irait bien avec votre salon ? En 2017, la réalité augmentée (RA) et la réalité virtuelle (RV) offriront aux consommateurs la possibilité d’expérimenter un article avant de l’acheter. Moins le cycle d’achat comporte d’inconnues, plus les ventes et le taux de satisfaction client sont susceptibles d’augmenter, et les retours coûteux de se raréfier. Si l’on ajoute les analyses à l’équation, les détaillants ont la possibilité d’exploiter leurs données pour indiquer à leurs clients les stocks en temps réel en représentant sur une carte le magasin dans lequel le produit est disponible.

    Les professionnels du merchandising tireront également parti de la RA et de la RV pour visualiser des scénarios en magasin. Par exemple, plutôt que de perdre du temps et de l’argent à développer des plans produit physiques pour les rayons et l’agencement du magasin, les détaillants pourront visualiser différentes dispositions grâce à la réalité virtuelle.

    L’entreprise sera en mesure d’associer les résultats obtenus aux analyses de données intégrées pour accroître son chiffre d’affaires et sa rentabilité. Les détaillants s’essaieront à placer des articles virtuels sur les étagères et se serviront de leurs données pour prédire le résultat de chaque scénario.

    « La réalité virtuelle est le fruit de décennies d’innovations technologiques. Au cours des prochaines années, cette technologie transformera tous les secteurs d’activités. Les consommateurs et les détaillants sont toujours émerveillés de découvrir la réalité virtuelle pour la première fois. Grâce aux produits de RA et de RV abordables, cette expérience se démocratise aujourd’hui. » explique John Wright, PDG de STRATA.​