My Blog

Étiquette : data drive

  • Quand la grande distribution part à l’assaut de la donnée

    La grande distribution à l’assaut de la donnée

    Par Florian Douetteau, CEO de Dataiku

    Face à un consommateur de plus en plus exigeant et mobile, encore plus difficile à fidéliser qu’auparavant, les entreprises de la grande distribution doivent elles-aussi se tourner vers la science des données ; elle leur permettra de rester performante et de se mettre à l’heure du nouveau modèle de commerce qui est en train de voir le jour.

    S’adapter aux exigences nouvelles des clients
    Naviguant entre applications, sites web et réseaux sociaux, les consommateurs rencontrent les marques sur des plateformes de plus en plus nombreuses. Face à l’abondance de l’offre, ce n’est plus uniquement sur le produit ou le service que les marques peuvent se différencier. C’est désormais sur l’expérience client qu’elles peuvent se démarquer. Délivrer le contenu approprié, targeter correctement son offre permet d’attirer davantage l’intérêt d’une clientèle devenue disparate. Cela revient à cerner assez tôt les changements qui s’opèrent dans les modes de consommation. Grâce à l’analyse des données, ces changements sont aujourd’hui quantifiables, mesurables, et peuvent être interprétés en vue d’ajuster la stratégie d’approche, de retargeting et de vente. Encore faut-il que les entreprises mettent la donnée au cœur de leur stratégie. Amazon a inauguré une nouvelle ère en rachetant Whole Foods, le géant américain de l’alimentaire bio : celle de la stratégie guidée par la donnée (data-driven). Ce rachat ne sonne pas nécessairement le glas du shopping physique, auquel les consommateurs auront encore recours pour leurs achats essentiels. Néanmoins, il replace la donnée au cœur des ventes, et parachève l’union du commerce en ligne et en point de vente.

    Optimiser sa performance grâce à la donnée
    Notre empreinte numérique se précise au fur et à mesure de notre parcours sur le web. Des traces que les entreprises peuvent mettre à profit en s’en servant pour analyser le comportement lié à leur offre. Par l’élaboration d’une stratégie data-driven, basée sur l’analyse des données et la prédiction, on peut ainsi déceler en temps réel les variations récurrentes et les changements majeurs (applications, réseaux sociaux, opérations de la concurrence, émergence de nouveaux usages, etc.). C’est d’un pied timide que la grande distribution s’est avancée sur le terrain du commerce en ligne, sans dépasser les outils CRM. A présent, le secteur doit passer à la vitesse supérieure. L’analyse des données est la clé pour comprendre les paramètres de l’environnement numérique du consommateur.

    Cela passe inévitablement par plusieurs actions à mettre en place. Une entreprise réussit sa démarche data-driven lorsqu’elle comprend l’importance des données d’audience pour mesurer ses campagnes. Elle doit également rendre accessible les données stratégiques à ses équipes internes, afin que la stratégie soit un mouvement collectif, porté par tous les départements. Enfin, la compétitivité d’une stratégie data-driven se construit grâce au travail d’une équipe dédiée à la gestion des données (data team), qui aidera les autres équipes à interpréter les données collectées, et construira des projets basés sur des données récoltées en temps réel. L’agilité, l’ouverture vers l’extérieur, la capacité d’innover en se basant sur les informations liées aux clients seront la clé du succès des distributeurs engagés dans une stratégie orientée par la donnée.

    Appréhender les évolutions du commerce de détail
    Le retail est-il voué à disparaître ? Rien n’est moins sûr. Drones livreurs et click & collect n’auront pas raison du commerce physique. En revanche, tout se jouera sur la qualité des données. En acquérant des données de meilleure qualité, Amazon redessine les contours du nouveau retail, dont les détails nous apparaîtront plus clairement dans les prochaines années. Les consommateurs continueront à se rendre en magasin, car l’exploitation de la donnée à des fins stratégiques dépend toujours de la réflexion humaine. Cependant, rien ne nous dit si ce sera encore pour y parcourir des rayons et choisir des produits, si ce sera uniquement pour retirer des produits achetés en ligne – des produits parfois proposés à l’aide d’algorithmes ayant déterminé leurs préférences –, ou pour y vivre une nouvelle forme d’expérience client.

    Dans tous les cas, les distributeurs actuels ont tout intérêt à prendre conscience du changement qui s’opère. C’est à cette condition qu’ils pourront rester indépendants, et éviter de se voir racheter par les champions de la donnée.

  • 4 étapes pour engager rapidement les prospects

    Relever le challenge du Marketing et des Ventes :
    4 étapes incontournables avec l’analyse prédictive

    Par Christelle Dhrif, Directrice Marketing & Communication de Sidetrade

    Les méthodes de prospection B2B ont connu un changement significatif ces dernières années. Désormais, les clients n’attendent plus d’être démarchés pour se renseigner sur une entreprise et ses produits. A l’ère de l’hyper-connectivité, il suffit de quelques clics pour connaître un marché et comparer les offres concurrentes. Le processus d’engagement commercial s’en retrouve par conséquent considérablement complexifié.

    Dans ce nouveau contexte, les marketeurs et commerciaux 2.0 sont à la recherche de nouveaux leviers pour engager plus rapidement les prospects et les convertir en clients. Ce contexte met en valeur les solutions avec une approche data-driven. En effet, les algorithmes de machine learning de telles solutions permettent de collecter et traiter la donnée disponible sur un prospect et son organisation et de la transformer en leviers d’action directement exécutables pour savoir qui cibler, avec quelle offre, et à quel moment.

    Si la promesse semble incroyable, l’intelligence artificielle permet aux directions commerciales et marketing d’accéder à ce graal dès aujourd’hui. Zoom sur les étapes indispensables pour y parvenir.

    Etape 1 : la collecte de données en masse

    L’analyse prédictive requiert toutes les données disponibles sur le marché local – ou global –, qu’il s’agisse de données firmographiques ou individuelles, au niveau de chaque contact. Ces données sont collectées à partir de centaines de sources internes et externes, indexées en temps réel  puis confrontées et analysées pour construire un modèle prédictif.

    Etape 2 : la construction de modèles prédictifs

    Cette étape exige que les données soient en amont normalisées (filtrage, arrondi, analyse factorielle, sélection de paramètres…) et modélisées à partir de différentes techniques statistiques suivant le résultat désiré. Ces modèles (modèles Linéaires Généralisés, réseaux neuronaux, Machines Vecteurs Supports…) doivent ensuite être évalués et continuellement comparés et testés, afin de définir quel est le processus qui permet de construire le meilleur modèle prédictif.

    Etape 3 : l’extraction de données business

    Les centaines de scores de propension obtenus par les modèles prédictifs sont traduits en données utilisables par le marketing et les équipes commerciales comme la Customer Lifetime Value (Valeur Vie Client). L’information est largement distribuée et partagée sous la forme de flux continus et actualisés.

    Etape 4 : la transformation des données en actions

     Une fois les données collectées, agrégées et extraites, les utilisateurs finaux sont alors en mesure d’obtenir des insights leur permettant d’accélérer et d’orienter la prise de décision tout au long du cycle client. Les directions métier peuvent accéder à ces données via un outil front end spécifique ou directement à partir des solutions de CRM ou de Marketing Automation, accélérant ainsi la transformation des data en actions. Par exemple, les scénarios d’e-mailing aux prospects et clients peuvent être ajustés en temps réel ; les campagnes, plus rapidement implémentées.

    A l’heure de la Data Science as a Service (DaaS), les entreprises n’ont plus besoin d’investir dans des développements de systèmes d’information spécifiques internes ou des services de consulting sophistiqués. L’émergence d’un nouveau marché de plateformes d’intelligence artificielle B2B exploitant pleinement les capacités de l’analyse prédictive facilite la mise à disposition des données au sein des organisations, ouvrant une nouvelle porte dans l’engagement client via la data.

    L’écrasement de l’organisation hiérarchique et la multiplication des points de prise de décision modifient fondamentalement la gestion de l’information. Forester estime que 89 % des directions commerciales et marketing B2B envisagent de recourir à des modèles prédictifs à court terme pour mieux piloter leur cycle client. Sans surprise, l’analyse prédictive fait partie des tendances à adopter pour rester compétitif dans un monde dominé par la data…