Big data et marketing : Nouvelles opportunités pour les entreprises

8 391 vues

Publié le

Ce mémoire est le fruit du travail de recherche établi dans le cadre de la deuxième année du Master Web Editorial de l’Université de Poitiers. L’auteur y expose les opportunités offertes à l’entreprise par le Big data marketing. Le déluge de données influe sur un marketing des données devenu extrêmement personnalisé, instantané, omnicanal et prédictif. Ce Big data marketing génèrent des opportunités pour les entreprises. Non sans certaines modifications, la bonne marche du Big data marketing est conditionnée à la transformation de l’entreprise et à la formulation d’une stratégie adaptée. Les entreprises qui transformeront ces opportunités offertes par le Big data marketing, obtiendront l’avantage concurrentiel tant désiré et un retour sur investissement conforme à leurs attentes.

Publié dans : Marketing
0 commentaire
6 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
8 391
Sur SlideShare
0
Issues des intégrations
0
Intégrations
117
Actions
Partages
0
Téléchargements
595
Commentaires
0
J’aime
6
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Big data et marketing : Nouvelles opportunités pour les entreprises

  1. 1. BIG DATA ET MARKETING : LES OPPORTUNITÉS POUR L’ENTREPRISE Jean-Simon Jouanny Directeur de mémoire : Yannis Delmas Année 2013/2014 Master Web Editorial – Université de Poitiers
  2. 2. 2 Remerciements Je tiens à remercier Yannis Delmas, pour sa disponibilité et ses conseils dans l’écriture de ce mémoire. Je remercie également David Guillemin, Marie-Hélène Hermand, Éric Leguay, et tout le corps enseignant du master Web éditorial, pour ces deux années enrichissantes. Je remercie pareillement Louis Bazile, Jérémy Delhommeau et Adèle Souchet pour leur participation dans la relecture de ce mémoire. Et plus globalement tous mes camarades de la promotion 2014 avec qui j’ai passé deux années sympathiques.
  3. 3. 3 « Sous la pression de jeunes pousses très dynamiques et de jeunes géants comme Facebook ou Google, les technologies de la Toile se sont développées très rapidement.[…] Si le domaine de la gestion de données montre aujourd’hui un dynamisme étincelant, il tient pourtant encore de la forêt vierge quand nous atteignons la Toile : il n’est pas aisé d’en dresser l’état de l’art ; il n’est pas simple de l’enseigner ; il n’est pas évident de prévoir quelles tendances seront amenées à durer. […] Et malgré tous les écueils de la Toile, je veux continuer à croire qu’elle participera à féconder un meilleur futur. Quant aux aspects plus techniques, je me hasarderai à prédire que la prochaine étape des sciences des données, que l’on retiendra, a déjà commencé : c’est la Toile des connaissances. Elle a déjà été annoncée plusieurs fois. Elle arrive lentement, mais elle arrive vraiment.» Serge Abiteboul dans Sciences des données : de la logique du premier ordre à la Toile - 2012
  4. 4. 4 Sommaire Introduction ....................................................................................................................... 6 I. L’évolution Big data .................................................................................................. 9 1. De la donnée au Big data .......................................................................................................... 10 a) Données, informations et connaissances ................................................................................... 10 b) Le déluge de données ................................................................................................................ 11 2. Big data : définition et mise en contexte .................................................................................. 17 a) La règle des trois V ..................................................................................................................... 17 b) Le Smart data ............................................................................................................................ 18 c) Processus du Big data ................................................................................................................ 19 d) La monétisation des données..................................................................................................... 19 3. Les technologies du Big data ..................................................................................................... 20 a) Les entrepôts de données .......................................................................................................... 21 b) Les limites des bases de données classiques .............................................................................. 21 c) Les nouveaux types de bases de données .................................................................................. 22 d) Des solutions Open Source : Hadoop et MapReduce .................................................................. 23 e) Les technologies autour du Big data .......................................................................................... 25 4. Big data Analytics ..................................................................................................................... 27 a) La différence avec le décisionnel classique ................................................................................. 27 b) Les méthodes et techniques d’analyse ....................................................................................... 28 5. Le Big data et les organisations................................................................................................. 31 a) Les secteurs impactés ................................................................................................................ 31 b) Les bénéfices du Big data........................................................................................................... 32 c) Les fonctions de l’entreprise impactées ..................................................................................... 32 d) Vers le Big data marketing ......................................................................................................... 32 II. Big data et marketing : les opportunités pour l’entreprise ...................................... 34 1. La naissance du Big data marketing .......................................................................................... 35 a) Les limites du marketing ............................................................................................................ 35 b) Une relation nouvelle entre le client et la marque ..................................................................... 37 c) Les données génèrent un marketing nouveau ............................................................................ 38 2. Plusieurs marketing en un ......................................................................................................... 40 a) Un marketing de la donnée ........................................................................................................ 40 b) Un cross data marketing ............................................................................................................ 41 c) Un marketing one-to-one ........................................................................................................... 41 d) Un marketing instantané ........................................................................................................... 42 e) Un marketing prédictif ............................................................................................................... 43 f) Les bénéfices du Big data sur le marketing ................................................................................ 44
  5. 5. 5 3. Observations des opportunités du Big data marketing offertes à l’entreprise ......................... 45 a) Méthode de l’observation .......................................................................................................... 45 b) Projets observés ........................................................................................................................ 47 AUCHAN................................................................................................................................................. 48 BUCH.DE ................................................................................................................................................ 49 FIAT GROUP AUTOMOBILES ................................................................................................................... 50 HERTZ .................................................................................................................................................... 51 MONOPRIX ET DUNNHUMBY ................................................................................................................. 52 PHOTOBOX.FR........................................................................................................................................ 53 SFR ......................................................................................................................................................... 54 TRIDENT MARKETING ............................................................................................................................. 55 VEGA FRANCE ........................................................................................................................................ 56 VIRGIN ATLANTIC .................................................................................................................................. 57 WEHKAMP.NL ........................................................................................................................................ 58 c) Observations des cas d’étude .................................................................................................... 59 d) Conclusions ................................................................................................................................ 63 III. La transformation de l’entreprise ............................................................................ 66 1. La métamorphose de l'entreprise engendrée par le Big data ................................................... 68 a) Une stratégie d’entreprise centrée client managée par la donnée ............................................. 68 b) S’adapter au niveau de maturité de l’entreprise ........................................................................ 71 c) L’évolution et l’apparition de métiers liés au Big data ................................................................ 73 2. Les prérequis pour l’intégration du Big data marketing ........................................................... 75 a) Prévoir le retour sur investissement du projet Big data marketing ............................................ 75 b) La confiance comme moteur du Big data marketing .................................................................. 75 c) La réglementation sur les données ............................................................................................ 77 d) La datavisualisation .................................................................................................................... 77 e) Le Big data marketing pour toutes les entreprises ..................................................................... 78 Conclusion ....................................................................................................................... 80 Annexes ........................................................................................................................... 85 Lexique ............................................................................................................................ 86 Bibliographie .................................................................................................................... 90
  6. 6. 6 Introduction Gartner a mis au point le Hype Cycle* qui définit une courbe de vie des nouvelles technologies. Derrière cette courbe se dessinent des phases distinctes : apparition de la technologie, pic des attentes, vallée des désillusions, collines de l’assimilation et enfin plateau de l’assimilation. Selon le Hype Cycle, le Big data a atteint en 2013 un pic des attentes inimaginables. Il a été générateur de fantasmes, soigneusement orchestrés par des éditeurs, prestataires et constructeurs qui se sont appropriés le Big data.1 Le Big data qui fait tant parler est un néologisme2, traduit en français par le déluge de données. Il sert à mieux définir un problème qui n’a attendu ni le web ni l’informatique pour apparaître. Il est devenu en quelques années un mot-valise. Quelques chiffres peuvent aider à mettre ce phénomène en perspective. Sa vitesse est impressionnante, « on peut considérer 2002 comme le commencement de l’ère numérique, la première année pendant laquelle la capacité de stockage numérique a dépassé la capacité totale analogique, et dès 2007, près de 94% de notre mémoire est devenue numérique. Les estimations de la masse totale d’informations au niveau mondial varient, mais on l’a évaluée à 295 exabytes avec un taux de croissance de plus de 50% par an »3 – selon Hilbert M. López dans un article de 2011 intitulé “The World’s Technological Capacity to Store, Communicate, and Compute Information”. Le web des données est alimenté en grande partie par nos comportements en ligne et les milliards de clics que nous faisons sur le web à chaque instant. Le web nous trace en permanence. Nous n’avons pas le droit de ne pas y être tracés, insiste Alexis Madrigal. Tout ce que nous touchons devient données, devient or, devient pétrole. « Les données sont le nouveau pétrole de l’économie », expliquait le consultant Clive Humby dès 20064. Pour supporter ce déluge de données, les grands acteurs et leaders du web, Google, Amazon et Yahoo en tête, ont créé leurs propres technologies pour solutionner les problématiques du Big data. Ils ont compris que le marché de la donnée qui allait se créer était vecteur d’opportunités et de retombées économiques. Les chiffres du Big data mettent en exergue 1 Hype Cycle Research Methodology | Gartner Inc. [Lien] 2 LANGLOIS Louis-Marie, « A lire avant de vous immerger dans le Big data ! ». [Lien] 3 BLUENOVE, Livre Blanc « Open data : quels enjeux et opportunités pour l’entreprise ? », p.4. [Lien] 4 Ibid..
  7. 7. 7 le potentiel de ce marché. Selon le cabinet Transparency Market Research, le chiffre d'affaires du marché du Big data devrait atteindre cette année 8,9 milliards de dollars. Il devrait connaitre une croissance annuelle proche des 40% pour atteindre en 2016 près de 24,6 milliards de dollars de chiffre d'affaires. De son côté, IDC table en 2016 sur un chiffre d'affaires de 23,8 milliards de dollars.5 C’est un phénomène mondial mais ses enjeux sont encore mal compris en France, y compris par les entreprises.6 Pourtant dans une économie en crise, et toujours plus concurrentielle, le Big data est une aubaine pour les entreprises qui font face à une évolution technologique impressionnante et à des changements de consommation. François Hollande, le président de la République Française, et Anne Lauvergeon - qui est à la tête du conseil d'administration de SIGFOX, startup dédiée à l'Internet des objets - l’ont bien compris, en installant la donnée comme l’un des sept défis nationaux à relever d’après la Commission innovation 2030. Les entreprises qui auront intégré toutes les dimensions du Big data d’ici à 2015, seront plus performantes que leurs concurrentes de 20%. Dans certains secteurs, comme celui de la distribution, l’utilisation et le traitement de la donnée pourraient même représenter des gains de 60% de la marge d’exploitation. Tous ces chiffres soulignent l’avantage concurrentiel qu’est susceptible de conférer le Big data aux entreprises.7 Le marketing est l’un des domaines dans lequel l’utilisation des solutions Big data est pertinente. L’ère numérique a vu naitre un consommateur nouveau. Loin de la consommation de masse, il consomme différemment. Nombres d’éléments rentrent en compte dans sa prise de décision : la réputation de l’entreprise, ses sentiments, ses aspirations éthiques ou politiques, etc. Tous ces stimuli influencent et modifient son comportement d’achat. Le processus d’achat et le parcours client sont désorganisés, le marketing est obligé de s’adapter. Avec le Big data et ses technologies, le marketing est désormais capable de stocker et d’analyser des données comportementales y compris attitudinales afin de développer sa connaissance du client et d’améliorer les campagnes marketing. 5 FILIPPONE Dominique, « Marché du Big data en 2014 : chiffre d'affaires et dépenses ». [Lien] 6 BOFF Céline, « Data et Big data: Un marché qui attise les convoitises ». [Lien] 7 MCKINSEY GLOBAL INSTITUTE, « Big data: The next frontier for innovation, competition, and productivity», p.2. [Lien]
  8. 8. 8 Selon Thomas Husson, du cabinet Forrester, « l'enjeu essentiel, c'est la modélisation des comportements des consommateurs dans une approche prédictive. Le but est de proposer des services plus contextualisés et plus personnalisés ».8 En s’adressant au bon client, avec le bon produit et au bon moment, le Big data marketing* améliore l’efficience relationnelle tout en rationalisant la valeur de chaque client. Cependant, seulement 7% des entreprises européennes estiment que l’analyse du Big data est aujourd’hui très importante pour leur activité quand il est une réalité pour seulement 10% des entreprises françaises.9 Pourtant le Big data, couplé au marketing offre des des opportunités et des résultats. Dans une première partie, j’expliquerai l’origine du Big data, le définirai et le situerai au sein d’un environnement technologique. Dans une deuxième partie, je m’orienterai sur l’application du Big data à la seule fonction marketing. Le Big data appliqué au marketing introduit la notion de Big data marketing.10 C’est une approche à la fois technologique et organisationnelle qui rend possible la collecte, le traitement et l’analyse simultanée et en temps réel d’importants volumes de données, afin de mettre en place des campagnes marketing plus personnalisées et performantes. Ensuite, je tâcherai d’identifier des opportunités offertes par le Big data marketing à l’entreprise. Pour cela, j’observerai des cas d’étude portant sur des projets Big data, en lien avec le marketing. Les cas proposés, bien souvent par des prestataires de solutions Big data, ont l’avantage de formuler des besoins pour en arriver à des résultats. Dans une troisième partie, je finirai sur la transformation de l’entreprise au contact du Big data marketing. Je déterminerai les conditions auxquelles l’entreprise doit se conformer pour supporter le Big data marketing. L’acculturation de l’entreprise sur le sujet de la donnée est décisive. Pour conclure, je terminerai en exposant le Big data comme une réalité pour toutes les entreprises. 8 CUNY Delphine, « Big data: la nouvelle arme marketing pour ne plus rater la cible ». [Lien] 9 STERIA, « Les entreprises françaises sont-elles prêtes pour le Big data ? ». [Lien] 10 Le Big data marketing consiste à l’application du marketing des données sur une volumétrie de données conséquente.
  9. 9. 9 I. L’évolution Big data
  10. 10. 10 1. De la donnée au Big data a) Données, informations et connaissances Pour stocker les données produites par le collisionneur du LHC, au CERN près de Genève, « il faut 5000 disques durs du commerce»11. Paradoxalement le stockage n’est pas la difficulté principale. L’extraction de l’information de cette masse informe de données pour en tirer de la connaissance est le véritable enjeu. Qu’est-ce qui différencie la donnée de l’information et de la connaissance ? La relation entre donnée, information et connaissance est essentielle pour comprendre le Big data. Donnée, information et connaissance sont trois concepts liés. Cependant leur essence apparaît fondamentalement différente. Bien souvent, l’angle d’approche « technique » ne distingue pas les trois concepts, car des données, des informations ou des connaissances numérisées peuvent se retrouver dans un fichier texte par exemple. Partons d’un exemple concret pour comprendre et différencier ces trois concepts. « Des mesures de température relevées chaque jour dans une station météorologique, ce sont des données. Une courbe donnant l’évolution dans le temps de la température moyenne dans un lieu, c’est une information. Le fait que la température augmente en fonction de l’activité humaine, c’est une connaissance. »12  Une donnée correspond à une description élémentaire d’une réalité, c’est par exemple une observation ou une mesure.  L’information s’extrait d’un groupe de données organisées, structurées et croisées.  En dégageant du sens de l’information, on obtient des connaissances « c’est-à-dire des faits considérés comme vrais dans l’univers d’un locuteur ». « Pour donner du sens et produire de l’information, plusieurs données sont généralement nécessaires. Les relations entre ces données sont capitales. Elles permettent de donner un éclairage sur une situation et sont utiles par exemple pour prendre une décision »13 . Comme le dit Serge Abiteboul, « l’information stockée, traitée, échangée, est au coeur de l’activité des êtres vivants, des objets du monde, des associations humaines». 14 11 ABITEBOUL Serge, SENELLART Pierre. « Un déluge de donnée ». Pour la Science, novembre 2013, n°433, p.33. 12 ABITEBOUL Serge. « Sciences des données : de la logique du premier ordre à la Toile ». 13 ABITEBOUL Serge. Ibid.. 14 ABITEBOUL Serge. Ibid..
  11. 11. 11 Les données peuvent être générées par une machine ou un individu. Toutes les données produites, une fois récupérées et traitées, ont la capacité d’amener à la connaissance. Deux types de données Deux types de données se distinguent, les données structurées et les données non structurées. Les données structurées ont l’avantage de se ranger facilement dans des tableaux et dans des cases. Elles sont rapidement exploitables. L’information contenue dans les données structurées est simple, mais n’est pas pour autant moins porteuse de sens. Les données non structurées sont des fichiers tels que les images, les fichiers audio et vidéo, les fichiers texte… Ces données sont porteuses de valeurs et de sens. Mais de par leur nature, c’est-à-dire leur absence de structure, elles sont difficiles à traiter et analyser. La société EMC2 estime que « 90% de l’univers numérique est constitué de données non structurées ».15 Les données non structurées constituent le principal enjeu analytique du Big data. b) Le déluge de données De 2010 à 2012, nous avons accumulé autant de données que depuis le début de l’humanité !16 Ce sont les systèmes informatiques qui ont grandement contribué à la production massive de données, en influant sur la production de l’information. Ils ont généré des données par l’intermédiaire des relations homme-machine ou des relations machine- machine. 15 PRONIER Jean-Yves, « EMC promeut la notion de chaine de valeur #BigData ! » [Lien] 16 TEBOUL Bruni, BOUCHER Jean-Marie. « L'absolu marketing : web 3.0, Big data, neuromarketing... », p.127.
  12. 12. 12 Les deux principaux facteurs, technologiques, du déluge de données, toujours liés aux systèmes informatiques sont :  Le déploiement de l’Internet qui garantit des échanges permanents entre humains partout dans le monde.  L’évolution des systèmes et des capacités de stockage pour un coût toujours plus faible. Cette évolution coïncide avec la loi de Moore appliqué au domaine du stockage. La croissance du volume de données du Big data est exponentielle telle que le montre l’histogramme ci-dessous. D’un peu moins de 5ZB de données en 2014, nous passerons à presque 45ZB de données en 2020. 17 17 HAGEN Christian, KHAN Khalid, CIOBO Marco, MILLER Jason, WALL Dan, EVANS Hugo et YADAV Ajay. « Big Data and the Creative Destruction of Today’s Business Models.» [Lien]
  13. 13. 13 Le tout connecté En 2011, il y avait près de 9 milliards de terminaux* connectés dans le monde.18 Ce chiffre devrait s’élever à 24 milliards en 2020.19 Derrière tous ces terminaux se cachent les extrémités du web, le plus souvent un ordinateur, un smartphone ou une tablette. Ils ont facilité l’accession continue, permanente et sans restriction à Internet. L’Internet des objets commence à prendre forme. En 2013, « les objets et appareils connectés à Internet (compteurs électriques, réfrigérateurs, ordinateurs, terminaux de paiement…) étaient déjà deux fois plus nombreux que les humains».20 Ce concept assimile chaque objet de la vie quotidienne qui nous entoure en le connectant à Internet. Ces objets continuellement connectés produisent des données, révélatrices de nos habitudes de vie et de consommation. 21 18 Le terminal correspond à l'extrémité d'un réseau informatique. C'est le plus souvent un ordinateur, un smartphone ou une tablette tactile. 19 HORNOY Aurélie, GUILLEMIN Laura. « Livre Blanc : Cross Data Marketing », p .16. 20 TEBOUL Bruno, BOUCHER Jean-Marie. Op. cit., p.433 21 HOEDTS Tilda. « Microsoft TechDays : objets connectés, la révolution digitale de notre quotidien ». [Lien]
  14. 14. 14 Nouveaux usages Les systèmes d’informations connectés ont contribué à l’apparition de services et d’usages nouveaux. Avec le web social, le partage et la collaboration par l’intermédiaire des médias sociaux ont permis à tout individu connecté d’apporter son contenu personnel, générant à cette occasion de l’information (sous la forme de données brutes), sur ses relations, son mode de vie, ses aspirations, etc. Comme le constate le cabinet IDC dans une étude sur l’univers digital en 2012, le volume d’informations créé par les individus eux-mêmes est bien moins important que celui créé à leurs propos dans les échanges sur le web. 22 Événements Nombre par minute E-mails envoyés 168 millions Vidéos regardées sur YouTube 35 millions Requêtes Google 695000 Applications iPhone téléchargées 13000 Messages envoyés via Twitter 100000 Commentaires publiés sur Facebook 510000 Appels téléphoniques via Skype 370 000 Exemples de volumes de données produites en une minute en 201223 Les échanges sur les médias sociaux cachent des trésors d’informations permettant de détecter de nouvelles opportunités pour les entreprises soucieuses de mieux connaitre les sentiments et les opinions de leurs clients. 22 GANTZ John, REINSEL David. « The digital universe in 2020 : Big data … ». [Lien] 23 BRASSEUR Christophe. « Enjeux et usages du Big data : technologies, méthodes et mise en oeuvre », p.29.
  15. 15. 15 Le commerce connecté Près de la moitié des consommateurs européens, soit 190 millions d’internautes, font des achats en ligne aujourd’hui, contre 35% en 2009.24 Internet est destiné essentiellement à la recherche d’informations en amont d’un achat pour quatre Européens sur dix. 57% des internautes pensent faire de meilleures affaires en ligne, et 53% déclarent même y dénicher des produits introuvables ailleurs.25 L’usage croissant du web par l’intermédiaire de navigateurs mobiles ou d’applications qui permettent d'accéder à Internet depuis un terminal mobile a accentué la croissance du e- commerce, du m-commerce (mobile) ou encore du f-commerce (Facebook). Le consommateur est connecté en tout lieu et surtout à toute heure aux magasins en ligne. La combinaison des usages (mobiles, médias sociaux, géolocalisation, recherche de bons plans, comparaisons de produits en magasins ou entre site) a bouleversé le e-commerce. Le mobile est le facteur clé de l’essor du e-commerce. Le commerce traditionnel physique vise de plus en plus à être connecté, et est déjà un important producteur de données. Lorsqu’un achat est effectué par carte bancaire, la transaction fournit des données qui informent des achats et des modes de consommation. Sources des données du Big data : réalisée par IBM courant 2012 auprès de 114 professionnels de 26 secteurs industriels dans 95 pays différents 26 Comme le montre le graphique ci-dessus, les données transactionnelles sont la principale source de données exploitée par les entreprises. 24 Le Figaro, « E-commerce : forte croissance en vue ». [Lien] 25 HORNOY Aurélie, GUILLEMIN Laura. « Livre Blanc : Cross Data Marketing », p.17. [Lien] 26 IBM France « Analytique : De l’usage concret des Big data », p.12.
  16. 16. 16 La datification et les traces informationnelles Le Big data est la conséquence de la datification* qui « consiste à transformer une activité auparavant invisible en un ensemble de données qui peut ensuite être suivi, analysé, et comparé ».27 L’un des exemples les plus parlants est celui de la datification des séances d’exercice physique. Lors d’un jogging par exemple, un objet connecté (smartphone*, puce, montre) enregistre la durée, le nombre de pas, le parcours, le dénivelé, les calories brûlées, etc. Il devient alors facile de suivre son activité et sa progression. Ces données pourraient être utilisées par des assurances de santé pour calculer la propension de chaque client à contracter un problème cardio-vasculaire ou physique. La datification va s’accroître naturellement avec l’expansion des objets connectés. La datification entraîne des traces informationnelles. Teboul les appelle la shadow information*, « c’est l’ensemble des informations associées à un objet, une personne, un lieu ou un événement qui est périphérique et associé à cette information ».28 Certains font référence à ce long sillage d’informations qu’on laisse derrière soi que l'on peut traduire par la traîne informationnelle. Cette shadow information trahit nos modes de vie, nos envies, mais aussi nos moindres faits et gestes. Les nouveaux usages du web et du commerce connecté entraînent la datification de notre monde et alimentent le Big data. Les données révèlent ce que nous sommes. Elles permettent de nous connaitre, notamment en tant que consommateur. 27 DE STOECKLIN Vincent. « La datification de notre vie: les objets connectés ». [Lien] 28 TEBOUL Bruno, BOUCHER Jean-Marie. Op. cit., p.128.
  17. 17. 17 2. Big data : définition et mise en contexte Dans ce contexte du déluge de données, le cabinet McKinsey, dans sa publication datant de juin 2011 « Big data : The next frontier for innovation, competition, and productivity » prône la nouvelle ère du Big data.29 Pourtant le Big data est apparu bien plus tôt, sans qu’on y mette un nom dessus, il y a une dizaine d’années avec l’émergence de données volumineuses ne pouvant être traitées à l’aide des techniques traditionnelles. Les entreprises de moteurs de recherche telles que Google ou Yahoo ont été les premières à proposer leurs propres solutions Big data. Elles ont été confrontées très tôt à des problématiques liées au stockage et au traitement d’importants volumes de données. Le Big data désigne une nouvelle génération de solutions de collecte, de stockage, de traitement en temps réel et d’analyse des données. a) La règle des trois V Les données du Big data sont produites en grand volume, en temps réel et continuellement. Elles proviennent de sources extrêmement variées et sont par nature désorganisées. Elles sont métataguées (lieu, date, heure) et viennent de différents canaux. On peut définir le Big data par trois critères essentiels : le volume, la vitesse (ou la vélocité) et la variété des données qui le composent auxquels viennent s’ajouter deux autres V pour s’approcher d’un Big data qu’on nommerait alors Smart data. Volume Le volume est le premier critère du Big data. Il représente le caractère gigantesque difficilement représentable des données collectées. Ce volume total des données collectées croît de manière exponentielle. Ce volume représentait « 1,2 zettaoctets en 2010, puis 2,9 zettaoctets en 2012 et atteindrait les 40 zettaoctets » en 2020 selon les spécialistes américains.30 Le volume est le premier critère qui vient à l’esprit quand on évoque le Big data mais résumer le Big data au volume est bien trop simpliste. 29 MCKINSEY GLOBAL INSTITUTE, « Big data: The next frontier for innovation, competition, and productivity». [Lien] 30 SAULEM Bénédicte. « Définition de Big data : trois V : variété, volume, vélocité». E-marketing.fr. [Lien]
  18. 18. 18 Vitesse La vitesse de production mais aussi la vitesse de traitement de ces données se sont accélérées avec les avancées technologiques. L’objectif est de récupérer quasi instantanément les données, de les traiter en temps réel, pour être extrêmement réactif par la suite. L’objectif étant d’apporter une réponse pertinente et contextualisée. Variété La variété fait autant référence à la grande variété des sources de données (ordinateurs, tablettes, smartphones, capteurs, puces, objets connectés) qu’à la variété des données en elles-mêmes (textes, son,etc.). La plupart de ces données ne sont pas structurées et constituent un challenge pour le Big data. b) Le Smart data Depuis peu un nouveau terme est apparu, et tend à remplacer le Big data. Ce terme c’est le Smart data. Pourquoi smart ? Parce que toutes les données du Big data ne sont pas bonnes à récupérer. Le Smart data ajoute un V au Big data, la véracité des données, qui est en lien direct avec la valeur. Sans véracité et sans données de qualité, la valeur est illusoire. Véracité IBM parle de véracité. Toutes les données ne sont pas exploitables. Pour aller vers un Smart data, il faut se focaliser sur des données de qualité. Toutes les données n’ont pas vocation à être analysées. Il faut se délester des données inexploitables, appelées Bad data*, de mauvaise qualité pour plusieurs raisons. On retrouve par exemple des erreurs du type : adresse non-mise à jour, produit acheté inconnu du catalogue, adresse email sans @, mauvaise saisie dans un formulaire.31 La qualité des données est un critère essentiel pour accéder à la valeur. 31 COLSON Corine. « [Infographie] Exploitez vos (Big) Data Marketing en 6 étapes ! ». [Lien]
  19. 19. 19 32 Valeur Le traitement et l’analyse du Big data doivent permettre de dégager du sens et de l’information pertinente. Le Big data ne se limite pas à la règle des trois V. Le Big data est aussi lié à la façon dont on y fait face et surtout de ce qu’on peut en tirer. La valeur est le critère résultant de l’exploitation du Big data. c) Processus du Big data Pour Stéphane Grumbach, directeur de recherche à l'INRIA et ancien conseiller scientifique à l’ambassade de France en Chine, « le Big data est le nouvel or noir du siècle ». En effet, lorsque les quatre V sont mis bout à bout, le processus de traitement et de transformation en valeur ajoutée des ensembles Big data est similaire à celui du pétrole brut. »33 Le processus est le suivant :  Production des données ;  Récolte ;  Stockage ;  Raffinage (isolement de la partie informative des données) ;  Valorisation (intelligence logicielle – mise en forme des données). d) La monétisation des données La monétisation est l’enjeu principal du Big data pour les entreprises. Une fois traitée, analysée, et la valeur extraite, la monétisation des données par l’entreprise se pose. Plusieurs pistes sont ouvertes pour que le Big data rapporte de l’argent à l’entreprise. On peut résumer ces pistes sous la forme de quatre indicateurs de performance économique : 32 IBM France. « Analytique : De l’usage concret des Big data », p.5. 33 LETELLIER Anne. « Comment la France a-t-elle raté l’enjeu du Big data ? ». [Lien]
  20. 20. 20  Une amélioration du chiffre d’affaires grâce au ciblage marketing ;  Une réduction des coûts grâce à une optimisation des plannings et une diminution des erreurs ;  Un développement vers des activités innovantes à forte valeur ajoutée ;  Des gains de parts de marché liées à l’avantage concurrentiel d’être le premier détenteur de ces données stratégiques. Cette liste n’est pas exhaustive et va évoluer au fur et à mesure que le Big data va arriver à maturité. 34 Le V de Valeur est primordial dès lors que le BigData devient une préoccupation économique, renforcée par le besoin d’optimisation des coûts. 3. Les technologies du Big data Le Big data n’existerait pas sans des technologies particulières capables de supporter le déluge de données. Les technologies du Big data forment un véritable écosystème, où la flexibilité prime, du support purement physique jusqu’au système informatique. Parmi ces technologies, il y a celles qui sont directement liées au Big data, et puis les autres qui gravitent autour. 34 HAGEN, Christian, KHAN, Khalid, CIOBO, Marco, MILLER, Jason, WALL, Dan, EVANS, Hugo et YADAV, Ajay. « Big Data and the Creative Destruction of Today’s Business Models.» [Lien]
  21. 21. 21 a) Les entrepôts de données Pour stocker cet impressionnant volume de données, des entrepôts de données appelés datawarehouse en anglais ont vu le jour. L'entrepôt de données est une énorme base de données qui concentre de l’information issue des différents systèmes d’information de l’entreprise, à des fins d'analyse et de reporting* des activités et des marchés. b) Les limites des bases de données classiques « Une base de données est un conteneur structuré de données, intégré dans un ensemble de logiciels permettant de décrire, de créer, de modifier, de supprimer et de consulter les données. La base de données et ses logiciels associés constituent le système de gestion de base de données».35 L’architecture de ces bases de données appelées aussi SGBD* (Système de Gestion de Bases de Données) repose sur un modèle relationnel, où les informations sont organisées entre elles sous forme de tableaux permettant de stocker des données opérationnelles (articles, clients, fournisseurs, employés, etc.) et les données transactionnelles (commandes, stocks, ordres de production, écritures comptables, etc.). Ces bases de données relationnelles ont des limites :  L’analyse des données en temps réel est impossible. Lors de l’exécution d’une requête, la base de données doit analyser tout le tableau pour en tirer un résultat. Le temps de réponse peut être très long lors du traitement d’importants volumes de données.  Les données non structurées ne peuvent être stockées dans ces bases de données. Elles sont inadaptées car le web est constitué à 80% de données non structurées qu’il est nécessaire d’organiser.  Ces bases de données n’adaptent pas leur capacité de stockage au volume de données, ne permettant pas de montée en charge en fonction du volume. Les bases de données classiques montrent leurs limites face aux problématiques du Big data. Elles restent adaptées pour des besoins moindres lorsque le volume de données est plus raisonnable. Une solution plus souple, capable de gérer des volumes de donnée importants, structurées ou non, rapidement et avec de la flexibilité, est requise pour répondre aux problématiques du Big data. 35 BRASSEUR Christophe. Op.cit., p.101.
  22. 22. 22 c) Les nouveaux types de bases de données La massification des échanges et la multiplication des types de contenu ont rapidement dépassé les possibilités de stockage des SGBD. Ces SGBD étaient basés sur le modèle SQL* adapté à des bases de données relationnelles structurées. Dès les années 2000, des ruptures importantes se sont produites dans la façon de stocker l’information, du fait du passage à l’Internet. 36 Il existe plusieurs types de bases de données dites analytiques qui sont adaptées à la problématique Big data. La culture d’innovation de Google et d’Amazon a contribué à l’essor d’une nouvelle philosophie de stockage intelligent de données, le NoSQL* (Not Only SQL), permettant des requêtes plus rapides et plus flexibles. Apparu pour la première fois en 1998, le NoSQL (Not Only SQL) est un terme générique pour désigner les bases de données ne suivant pas les principes classiques des SGBD relationnels. Ces systèmes NoSQL privilégient la simplicité et l’évolutivité de la capacité de stockage via des architectures distribuées. L’idée sous-jacente du mouvement NoSQL est d’avoir des 36 HAGEN, Christian, KHAN, Khalid, CIOBO, Marco, MILLER, Jason, WALL, Dan, EVANS, Hugo et YADAV, Ajay. « Big Data and the Creative Destruction of Today’s Business Models.» [Lien]
  23. 23. 23 bases plus adaptées au besoin réel de l’application. Les bases de données NoSQL sont catégorisées selon la manière dont elles stockent les données. On retrouve ainsi des catégories comme les bases orientées clé-valeur, colonne, document ou encore les bases structurant les données en s’appuyant sur la théorie des graphes.37 La différence entre le NoSQL et le SQL repose sur la notion de relationnel. Les bases de données NoSQL ne demandent pas le développement d’un modèle détaillé contrairement au SQL, organisé sous forme de tableaux de catégories prédéfinies. Elles sont plus faciles à gérer car plus flexibles. Elles sont plus évolutives que le SQL et fonctionnent parfaitement avec du matériel peu coûteux. Le NoSQL permet de passer outre les freins fixés par le SQL et les SGBDR, en offrant plus de scalabilité et d’évolutivité. Attention toutefois le NoSQL n’est pas la solution miracle et n’a pas pour objectif d’enterrer le SQL. Ces deux technologies sont les meilleures dans ce qu'elles font. C'est aux développeurs d’en « faire un meilleur usage en fonction des situations et des besoins ».38 d) Des solutions Open Source : Hadoop et MapReduce Certaines entreprises comme Yahoo et Google ont besoin, pour leurs métiers, de solutions susceptibles de répondre à leurs besoins spécifiques. Elles ont conçu leurs propres solutions Big data. Elles se retrouvent donc fournisseurs et simultanément utilisateurs de ces solutions Big data.39 Acteurs Solutions Big data Google MapReduce, BigTable Facebook Cassandra, Hive Linkedin SenseiDB, Voldemort Oracle No Database SQL Twitter Storm, FlockDB Yahoo ! Hadoop, S4 Une solution Big data a émergé : Hadoop. Un logiciel libre de la fondation Apache conçu en 2004 par l’américain Doug Cutting. Ce logiciel est adapté à l’analyse de grande masse de 37 CORINUS Mickaël, DEREY Thomas, MARGUERIE Jérémie, TECHER William et VIC Nicolas. « Rapport d’étude sur le Big data », p.18. [Lien] 38 KHAN Azharuddin. “Difference between SQL and NoSQL : A Comparison”. The Windows Club. [Lien] 39 CORINUS Mickaël, DEREY Thomas, MARGUERIE Jérémie, TECHER William et VIC Nicolas. Op.cit., p.11. [Lien]
  24. 24. 24 données. Il est fondé sur la technologie MapReduce que Google a utilisée pour son moteur de recherche. L’écosystème Hadoop se compose de Hadoop MapReduce et d’Hadoop Distributed File System. Initialement pensé comme une réplique de MapReduce de Google, Hadoop est :  Évolutif, car pensé pour exploiter plus de ressources physiques, selon les besoins, et de manière transparente ;  Rentable, car il optimise les coûts via une meilleure utilisation des ressources présentes ;  Souple, car il répond au critère de variété des données en étant capable de traiter différents types de données ;  Résilient, car pensé pour ne pas perdre d'information et être capable de poursuivre le traitement si un noeud du système tombe en panne. Hadoop Distributed File System (HDFS) Au lieu de centraliser les données et la puissance de calcul en un seul endroit, le système Hadoop s’appuie sur un système distribué. Les systèmes distribués fonctionnent à travers une variété de machines différentes. L’intérêt de cette méthode est de répartir les données et les tâches de calcul sur plusieurs noeuds qui fonctionnent à l'unisson. Cela permet d’ajuster la quantité de ressources système alloué en fonction de la charge de travail et des ressources nécessaires. Ces systèmes distribués sont plus performants que les systèmes non- distribués. La répartition de la charge de calcul entre les différents noeuds fait qu’ils sont moins sollicités. Chaque noeud fonctionne plus efficacement. Si la charge sur le système est relativement faible, certains noeuds peuvent être désactivés pour économiser de l’énergie. Enfin, les systèmes distribués sont plus fiables car ils peuvent continuer à fonctionner si un noeud tombe en panne. Si HDFS distribue le stockage des données, l’analyse des données est réalisée avec le modèle MapReduce qui distribue une opération sur plusieurs noeuds dans le but de paralléliser leur exécution. Le MapReduce est une méthode qui scinde le traitement d'une opération en plusieurs étapes, dont deux essentielles :  Le mapping accomplit une opération spécifique en triant chaque élément de la liste en entrée et en les associant sous la forme <clé, valeur> ;  Le reducing hiérarchise chaque élément permettant une réduction toujours sous la forme <clé, valeur>.
  25. 25. 25 e) Les technologies autour du Big data L’Open data L’ouverture des données publiques, est une composante du Big data. Ces données publiques ouvertes à tous sont des données précieuses, issues de l’environnement public principalement des administrations, mais aussi des entreprises. Le statut de données ouvertes s’applique à toutes les données comme celles sur le transport, la cartographie, les statistiques, la géographie, la sociologie, l'environnement ou encore le juridique. L’Open data* est une tendance qui considère l'information publique comme un bien commun dont la diffusion est d'intérêt public. L'utilisation de l’Open data à des fins mercatiques permet le mélange des données internes à une entreprise et des données externes (météorologie, audience média, trafic routier, etc.) issues de l’environnement public. Le Cloud computing De nombreuses technologies viennent s’ajouter ou compléter le Big data et lui apporte des fonctionnalités supplémentaires. C’est le cas du Cloud computing, un terme à la mode comme le Big data. Les grands acteurs du web comme Google, Amazon ou encore Yahoo proposent aux entreprises et aux particuliers des espaces de stockage flexibles « dans les nuages » à des prix très compétitifs, accessibles via des interfaces en ligne. Le Cloud computing permet aux entreprises d’externaliser une partie du stockage à moindre coût. Dans la foulée, le Software-as-a-Service* (service à la demande) prend son essor, avec des applications de plus en plus complexes hébergées en ligne et accessibles à travers un navigateur. Le Cloud computing a un rôle à jouer dans le déploiement des solutions Big data dans les entreprises. Le Big data est facilité avec le Cloud computing. Les deux technologies tirent profit de la maturité de la virtualisation pour consolider des infrastructures dispersées et hétérogènes, sous la forme d’une abstraction virtuelle. Le Cloud se prête au stockage évolutif de très gros volumes de données avec la scalabilité. Grâce aux progrès technologiques du Cloud computing et du NoSQL, le stockage et l’exploitation de larges volumes de données hétérogènes deviennent une opportunité plutôt qu’un obstacle pour les entreprises.
  26. 26. 26 Le web sémantique Le web actuel se base sur les termes et les hyperliens pour indexer les documents, mais pas sur le sens des structures. Le web sémantique vise à combler cette lacune. Derrière le web sémantique, il y a un web « intelligent », capable de répondre à des questions, plutôt qu’à des mots-clés. Pour se faire, les documents doivent avoir des structures qui ont un sens. L’objectif est d’annoter les documents du web avec des métadonnées, qui caractérise chaque document pour faciliter les interactions des internautes avec le web. Le web sémantique est une chance pour le Big data. Ces deux technologies ont pour vocation de valoriser l’information (en apportant de la valeur à des données) et d’améliorer l’accès aux données pour obtenir rapidement de l’information. Le web sémantique nécessite l’enrichissement de milliards de pages sur le web, avec des métadonnées, ce qui correspond à traiter un volume de données phénoménal. Le Big data et le web sémantique se complète l’un l’autre. Les métadonnées peuvent décrire des données non structurées (textes, photos, vidéos…). Le Big data peut aider et automatiser la création de métadonnées pour enrichir le web sémantique.
  27. 27. 27 4. Big data Analytics a) La différence avec le décisionnel classique Le Big data en entreprise doit aider à la prise de décision. Il est intéressant de voir quelles sont les différences entre le décisionnel classique et le Big data. 40 La prise de décision aujourd’hui La prise de décision avec le Big data Vision rétrospective, en « rétroviseur » Vision prospective, recommandations Moins de 10% des données sont disponibles Toutes les sources de données sont exploitées Données en lots, incomplètes, disjointes Données en temps réel, corrélées, gouvernées Supervision de l’activité Optimisation de l’activité Les décisions humaines sont difficiles à interpréter ou à prévoir. Le Big data donne l’opportunité de ne pas avoir à comprendre le processus de décision. Pour Bill Schmarzo, avec le Big data « il est possible d’identifier ce qui fonctionne sans devoir se préoccuper de la raison pour laquelle cela a fonctionné».41 Plus besoin de savoir quels sont les facteurs de performance, le pourquoi est mis de côté. Ce qui importe, ce sont les conséquences, les résultats plus que la causalité. Ensuite « on prend la donnée dans son contexte. Ce n’est pas possible avec la Business Intelligence* affirme Philippe Deville d’IBM ».42 Le modèle d’analyse de la Business Intelligence fonctionnait avec des dizaines de gigaoctets, à l’heure où l’on parle de pétaoctets et de scalabilité. Il est possible de simuler le contexte dans lequel le comportement est observé dans des expériences scientifiques en laboratoire. Les chercheurs font de grands efforts pour contrôler le contexte de l'environnement – afin de créer un lieu artificiel où toutes les influences peuvent être prises en compte. Il en est pratiquement de même pour le Big data qui reconstitue un simili grossier du contexte, en croisant des données qui à priori n’ont pas de relations entre elles, ce qui n’est pas le cas du décisionnel classique. 40 SCHMARZO Bill. « Big data Tirer parti des données massives pour développer l’entreprise », p.3. 41 SCHMARZO Bill. Ibid., p.57. 42 « Applications Big data : le marketing en tête ». La Revue du Digital. [Lien]
  28. 28. 28 Pour Cyril Cohen-Solal, CEO de Keyrus Israël, le Big data est un « un changement complet d’échelle. Avec la Business intelligence, nous affirmions à nos clients que nous pouvions compiler et analyser toutes les données susceptibles d’être mesurées. Avec le Big data, les volumes explosent à mesure que les coûts de stockage chutent. Leur rétention tout comme leur accès, n’est donc plus un problème. Reste à trouver quoi en faire ! »43 b) Les méthodes et techniques d’analyse Malgré le buzz autour du Big data, l’exploration des données n’est pas un phénomène récent. « Le Big data n’apporte pas de nouveaux modèles d’analyse ».44 L’analyse des données a pour objectif de répondre à une question ou un problème en s’adaptant à ce problème et en suivant un processus, tout en restant flexible. Pour l’analyse des données de type Big data, c’est surtout la capacité à traiter d’énormes volumes de données, de plusieurs sources différentes, qui prime. Il existe un grand nombre de méthodes d’analyse. Pour Christophe Brasseur, « on distingue globalement deux types de méthodes ». Sans rentrer dans les détails, elles offrent chacune leurs intérêts :  Les méthodes descriptives, permettent d’organiser, de simplifier et d’aider à comprendre l’information sous-jacente d’un ensemble de données.  Les méthodes prédictives ont pour objectif de prévoir des phénomènes. 43 Cyril Cohen Solal, CEO de Keyrus Israël, dans « Les promesses du Big data ». 01Business, 17 octobre 2013, n°2175, p34. 44 BRASSEUR Christophe. Op.cit., p.143.
  29. 29. 29 45 Le schéma ci-dessus illustre l’apport de l’approche Big data et des modèles prédictifs comparés aux méthodes descriptives de reporting et de monitoring*. Contrairement aux approches classiques qui étaient tournées vers le passé, ou au mieux le présent, le Big data permet la projection dans l’avenir avec un degré de fiabilité plus élevé afin de valider en quelque sorte une intuition. Le Big data propose des solutions analytiques :  Plus performantes que les solutions de Business Intelligence classiques ;  En capacité de modéliser des problèmes complexes ;  Permettant l’interactivité entre les données et l’utilisateur pour comprendre un résultat agrégé ;  Avec des fonctions de visualisation graphique. Parmi les Big data Analytics*, il existe différentes techniques d’analyse, en voici une énumération des plus utilisées : 45 BRASSEUR Christophe. Ibid., p.4.
  30. 30. 30 Analyse des réseaux sociaux L’analyse des réseaux sociaux a pour objectif de comprendre les liens entre les individus d’une communauté, avec leurs niveaux d’influence. Les opinions des internautes sur une marque ou sur une organisation sont primordiales puisqu’elles engagent la réputation. Crowdsourcing Le Crowdsourcing* se sert de l’intelligence collaborative et collective, en agglomérant une masse de données, pour réaliser des tâches. Concrètement, il s’agit d’assimiler dans la stratégie d’entreprise, la communauté qui est créative, même si le consommateur ne l’est pas. Data mining Le Data mining* correspond initialement à l’exploration d’une base de données structurées. Le Big data Analytics est l’évolution du Data mining, qui permet d’exploration de bases de données non structurées. Le Big data Analytics a la capacité de tirer des conclusions de l’analyse d’une énorme masse de données. Des conclusions qu’il aurait été impossible d’obtenir autrement. Dans la lutte contre la fraude à la carte bancaire par exemple, il faut faire « remonter » rapidement des informations issues de multiples sources : logs de connexion, points de géolocalisation, données RFID*.46 Machine learning L’apprentissage automatique est une branche de l'intelligence artificielle. Il s’agit de doter les ordinateurs de la capacité à améliorer leurs performances sans intervention humaine. Selon Franck Le Ouay, directeur scientifique de Criteo, « le Machine learning* désigne la capacité d'un programme à s'adapter à une nouvelle situation en mettant au point des algorithmes autorégulés et autoapprenants ». 47 46 CORDONNIER Amélie. « Les trois règles à suivre pour exploiter les big données ». 01Business, 17 octobre 2013, n°2175, p.40-41. 47 EUDES Yves. « Comment les sites de commerce nous manipulent ». Le Monde.fr [Lien]
  31. 31. 31 5. Le Big data et les organisations a) Les secteurs impactés Dès lors qu’un secteur produit des données dans une volumétrie conséquente, il se trouve obligatoirement concerné, qu’il le veuille ou non par le Big data. Tous les secteurs sont touchés par le phénomène Big data, certains plus que d’autres. La grille ci-dessus élaborée en collaboration avec Capgemini Consulting à partir d’études réalisées par Gartner et Oracle classe les secteurs selon leur maturité face au Big data et donne une estimation du potentiel d’amélioration ainsi que des exemples d’applications concrètes.48 Le Big data est un véritable levier de compétitivité pour tous les secteurs, par sa faculté à combler les revenus perdus. 48 DE STOECKLIN Vincent. « Les secteurs sont-ils égaux face au Big data ? ». Data-Business.fr [Lien]
  32. 32. 32 b) Les bénéfices du Big data Les bénéfices du Big data sont variés et diffèrent selon les secteurs. Il est un nouveau levier de compétitivité et une source de progrès, les gains attendus se situent majoritairement :  sur la performance, la stratégie et la gestion des entreprises,  sur l’amélioration de l’expérience client, sur l’optimisation des processus opérationnels et la diversification du Business Model.49 Gartner estime que les entreprises qui auront intégré toutes les dimensions du Big data d’ici à 2015, seront plus performantes que leurs concurrentes de 20%. Dans certains secteurs, comme celui de la distribution, l’utilisation et le traitement de la donnée pourraient même représenter des gains de 60% de la marge d’exploitation.50 c) Les fonctions de l’entreprise impactées Le Big data a un impact sur différents secteurs, mais aussi sur différentes fonctions : 51  Merchandising : Identifier les campagnes et promotions qui optimisent les ventes sur le site ;  Ventes : Identifier les opportunités de ventes ;  Achats : Optimiser les achats, en termes de temps et de rapport qualité-prix ;  Production : Surveiller la performance des machines et des processus ;  Ressources humaines : Identifier et optimiser les caractéristiques et les comportements des employés les plus efficaces ; Et le marketing … d) Vers le Big data marketing Le Big data seul n’est rien. Pour tirer parti des données du Big data, il faut définir l’objectif. Deux questions se posent, pour qui et pour quoi ? Pour une entreprise qui a un projet, se dessinant sous la forme d’une stratégie, le but est de produire et de fournir des biens ou des services à des clients. Le marketing est l’ensemble des moyens dont dispose une entreprise pour vendre ses produits à ses clients d’une manière rentable. Vient aujourd’hui se glisser un élément déterminant entre l’outil et l’entreprise : la donnée. 49 DE STOECKLIN Vincent. « Impact et applications du Big data en entreprise ». Data-Business.fr. [Lien] 50 FOURNILLON Fabien. Le Nouveau Marketeur « Pourquoi le Big data révolutionne la relation client ? » [Lien] 51 SCHMARZO Bill. Op.cit., p.28.
  33. 33. 33 La donnée, et le Big data, vont impacter le marketing, en lui amenant toujours plus d’informations pour qu’il puisse accéder à une connaissance plus riche et plus juste du client. Le marketing va indubitablement évoluer. Dès lors, si le Big data se met au service du marketing, quels en sont les objectifs et quels bénéfices en tirent-ils ? C’est ce que j’expliquerai dans une deuxième partie qui associera Big data et marketing. Mais le marketing n’est qu’une étape, si ces bénéfices sont autour de la connaissance et de la relation avec le client, permettant un meilleur ciblage et une anticipation des besoins, il ne reste qu’un intermédiaire. J’entends par là que le Big data et le marketing ne sont que deux outils, qui n’en forment plus qu’un pour se mettre au service de l’entreprise. Du point de vue de l’entreprise, il est bon de savoir ce que ce nouvel outil est susceptible d’apporter. De fait quelles sont les opportunités offertes par le Big data marketing, à l’entreprise ? C’est une question fondamentale pour l’entreprise. Se ruer sur le Big data, sans vraiment savoir où l’entreprise va, n’a que peu d’intérêt, et ce, même si de nombreux experts répètent que le Big data procure un avantage concurrentiel. Dégager des opportunités permet d’appréhender ce que conditionne le Big data marketing pour l’entreprise, de différentes manières. Avant de se lancer dans le marketing, l’entreprise devra juger de toutes les opportunités, si elles lui sont utiles et si elle se sent capable de s’y soustraire. Les opportunités sont des occasions, qu’il faut transformer pour qu’elles deviennent favorables à l’entreprise. Dès lors, se pose deux questions : quelles sont celles offertes par le Big data marketing ? Comment y arrive-t-on ? Pour saisir ces opportunités, l’observation de cas d’étude Big data dans des entreprises pionnières me renseignera sur la pratique de ces projets. L’objectif étant de dégager des résultats concrets en s’appuyant sur les observations obtenues. Une fois les opportunités définies pour l’entreprise, je serai plus à même de proposer une démarche préférentielle basée sur des pré-requis, pour intégrer le Big data marketing dans l’entreprise, de la meilleure façon et en connaissance de cause.
  34. 34. 34 II. Big data et marketing : les opportunités pour l’entreprise
  35. 35. 35 1. La naissance du Big data marketing a) Les limites du marketing La segmentation du marketing traditionnel est limitée Le marketing est l’évolution d’un savoir-faire vieux de plus de 40 ans basé sur des études comportementales. Il s’appuie sur la segmentation des consommateurs en différents profils- types. La segmentation correspond à un découpage de profils-consommateurs en entités homogènes partageant des critères en commun tels que des comportements d’achat, des historiques de transactions, etc. La segmentation Récence-Fréquence-Montant est utilisée pour hiérarchiser les différents types de consommateur. Cette segmentation repose sur des signaux forts du comportement qui sont des critères rationnels tels que la récence, la fréquence et le montant d’achat. « Mais ce n’est pas parce que vous avez acheté un produit X durant 10 semaines sur 1 année que l’on peut conjecturer que ce même produit sera présent dans le panier du même consommateur la semaine suivante ou le mois suivant ». 52 Ces critères comportementaux de consommation sont incontestables en apparence du fait de leur observation et de leur répétition constatée mais ils ne prennent pas en compte le caractère indécis et irrationnel du comportement humain. D’une manière générale, la segmentation sociotypale et comportementale s’appuie uniquement sur des événements objectifs qui ne prennent pas en compte le fait que la décision d’achat est influencée par « des désirs, des valeurs, des préférences »,53 le processus de décision humain est irrationnel et incertain. Pourtant nombre d’entreprises continuent d’appliquer ce type de segmentation. D’où une certaine inefficacité du marketing traditionnel qui tient essentiellement à la méconnaissance réelle des clients. La segmentation du marketing doit être plus efficace et plus réaliste.54 52 TEBOUL Bruno, BOUCHER Jean-Marie. Op. cit., p.137. 53 TEBOUL Bruno, BOUCHER Jean-Marie. Ibid., p.53 54 TEBOUL Bruno, BOUCHER Jean-Marie. Ibid., p.123
  36. 36. 36 Le webmarketing s’est adapté lentement à la dimension sociale du web L’avènement du numérique, avec l’explosion des médias et des outils propres au numérique (publicité en ligne, marketing relationnel, e-mailing...), a initié le passage du marketing traditionnel au webmarketing* multicanal.55 Cependant, l’utilisation mercatique de ces différents canaux de communication est restée souvent désordonnée. Certaines entreprises se basent toujours sur une communication verticale, orientée sur le principe du push*. Elles oublient que le consommateur n’est pas qu’un simple buzzer. L’application d’un schéma de communication verticale sollicite les internautes sans leur donner la possibilité d’interagir ou de partager avec la marque. Ajouté à cela, les multiples canaux offerts par le web qui sont investis de messages publicitaires semblables sans la prise en compte de la spécificité de chaque canal. Pour beaucoup d’entreprises, la solution de facilité a été de transposer le marketing traditionnel sur le web, sans qu’il n’y ait d’adaptations ou de remises en question. Ce marketing est venu se perdre dans l’infobésité* engendrée par les systèmes d’informations. Les dimensions collaborative et conversationnelle du web n’ont pas été suffisamment prises en compte. Résultat, les internautes se sont sentis inondés de messages publicitaires, répétitifs, intrusifs et permanents renforçant leur imperméabilité à la publicité. Les marques et les entreprises ont perdu en crédibilité et ont vu leur réputation impactée négativement. Le marketing de masse est obsolète Le marketing traditionnel dispensant des actions indifférenciées, sur des médias de masse et avec des messages peu personnalisés, n’est pas adapté à nos modes de consommation qui ne sont plus les mêmes que pendant les Trente Glorieuses ou avant l’ère numérique. Tout simplement parce que le consommateur n’est pas un homo oeconomicus*.56 L’être humain ne possède ni les moyens intellectuels ni les moyens matériels de connaitre tous les tenants et les aboutissants de sa décision finale. Il n’est pas guidé uniquement par un calcul- comparaison des coûts et des avantages. Il n’est pas rationnel, sa prise de décision est affectée par des biais cognitifs et émotionnels qu’il justifie a posteriori de manière rationnelle. 55 TEBOUL Bruno, BOUCHER Jean-Marie. Ibid., p.254. 56 TEBOUL Bruno, BOUCHER Jean-Marie. Ibid., p.254.
  37. 37. 37 Le marketing traditionnel était incapable de proposer une segmentation et un ciblage suffisamment fin car il n’avait pas jusqu’à présent les moyens pour comprendre le client dans toute sa complexité. b) Une relation nouvelle entre le client et la marque Un consommateur agile Le consommateur est en permanence connecté à Internet avec les terminaux mobiles, et passe une part croissante dessus. « À la fin de l’année 2011, les consommateurs européens se connectaient en moyenne 26,4 heures par mois et par personne».57 Bien que ses prises de décisions finales soient partiellement irrationnelles, le consommateur adopte de nouveaux comportements d’achats avec Internet et l’essor des technologies de l’information. Ce consommateur a rapidement développé de nouveaux usages. Il a appris à se renseigner et à optimiser son achat. Il est devenu plus informé, plus critique et plus exigeant vis-à-vis du marketing, il a grandi avec le marketing. Il arrive à en déchiffrer les codes. Schéma sur le processus d’achat du consommateur  Il s’informe sur Internet et est particulièrement attentif aux recommandations et aux avis de ses pairs avant de venir en magasin.  Il compare les prix d’un produit chez différentes enseignes avec les comparateurs de prix.  Il fait intervenir un ensemble de décisions qui résultent de nombreuses croyances et de la formation d’une attitude avant de finaliser l’achat. En parallèle, des courants de consommation se sont développés tels que le commerce équitable ou collaboratif. Ce changement sociologique, loin du consommateur réagissant à ses besoins primaires et consommant pour consommer, montre que les facteurs de 57 HORNOY Aurélie, GUILLEMIN Laura. Op. cit., p.20. [Lien]
  38. 38. 38 décisions peuvent aussi bien être moraux ou politiques. Le consommateur souhaite s’identifier dans les valeurs d’une marque ou d’une organisation et les partager avec une communauté. Il en obtient des rétributions éthiques, sociales et psychologiques. Pour que l’échange et le partage aient lieu, il faut de la confiance, un critère fondamental pour espérer un dialogue sincère qui amène à la coopération, et qui soit bénéfique pour l’entreprise et pour le consommateur. La confiance s’instaure quand tous les partis se sentent considérés. Cette confiance se partage horizontalement au sein de la communauté. Une marque à l’écoute Le marketing a pour mission d’écouter les consommateurs et de les intégrer au sein d’une communauté. Il doit s’appuyer sur le positionnement de l’entreprise pour incarner les valeurs d’adhésion à la communauté. Le marketing doit proposer des contenus, des services et de l'interactivité pour que la communication avec les consommateurs se fasse de manière horizontale. L’objectif est la fidélisation sur un marché concurrentiel, par l’adhésion aux valeurs de la marque. La stratégie du marketing et de l’entreprise n’est plus de créer des besoins, mais de conserver une relation de proximité avec le consommateur (dans tous ses contextes technologiques et personnels). Cette évolution prend le nom de marketing 2.0*.58 Il donne une place centrale au consommateur. Ce n’est plus la marque qui est le centre du monde, mais le consommateur.C’est ici que le prend tout le sens de l’expression user centric*. c) Les données génèrent un marketing nouveau Les données attitudinales Il y a dix ans John Battelle décrivait le web comme « la base de données de nos intentions ». Le marketing vise de plus en plus à récupérer les sentiments et les opinions des consommateurs. Ces sentiments déterminent une attitude composée de jugements, de tendances et d’un état d’esprit qui pousse à des comportements. L’attitude du consommateur est généralement révélatrice des désirs du client quand elles s’associent avec les données sociotypales et comportementales. La segmentation attitudinale est régie par les souhaits et les préférences des consommateurs, qui composent des attitudes et donc la propension des consommateurs à avoir telle ou telle réponse face à un sujet donné. 58 TEBOUL Bruno, BOUCHER Jean-Marie. Op. cit., p.254.
  39. 39. 39 L’Opinion mining* prend une place importante pour analyser sémantiquement ces données attitudinales et créer une segmentation attitudinale. L’analyse des données attitudinales en tant que signaux faibles (en opposition avec les comportements considérés comme des signaux forts) va faire naitre plusieurs hypothèses interprétatives possibles, parfois même contradictoires. C’est en croisant ces signaux faibles, parfois contradictoires, illogiques ou en rupture que l’analyse va se révéler, loin d’un raisonnement déductif qui semble parfois tellement logique et qui pourtant conclut à une anomalie. Car dans une logique déductive, il ne peut y avoir d’élément nouveau dans une conclusion sans que l’élément ne soit déjà contenu dans les prémisses.59 Des micro-segments synonymes d’une segmentation augmentée Une fois analysé, ces données attitudinales sur les consommateurs permettent de définir des micro-segments qui viennent composer la segmentation attitudinale. Le schéma ci- dessous nous montre comment cette segmentation attitudinale vient compléter la segmentation comportementale préexistante. 60 Les données attitudinales viennent enrichir les données du CRM* de l’entreprise et donnent naissance à une segmentation augmentée, capable d’afficher des prédictions comportementales. 59 TEBOUL Bruno, BOUCHER Jean-Marie. Ibid., p.137. 60 TEBOUL Bruno, BOUCHER Jean-Marie. Ibid., p.138.
  40. 40. 40 2. Plusieurs marketing en un Pour Philippe Deville, consultant chez IBM, « les projets Big data concernent la manière d’agir aux points de contact avec le client. Il y a beaucoup de projets concernant la relation client». Au bout du compte, « 45% des projets Big data c’est du marketing, autour de la connaissance client » affirme Isabelle Claverie, architecte logiciel chez IBM. Le Big data à vocation à enrichir le marketing, tout comme le marketing se dirige naturellement vers la donnée.61 a) Un marketing de la donnée L’émergence d’un marketing des données est liée à la nécessité de prendre en compte les données dans le processus de gestion de la relation client. Le data marketing ou marketing des données est une approche innovante à la croisée des nouvelles technologies et des nouveaux usages des consommateurs. C’est la prise de conscience de la part du marketing que la connaissance client est son carburant. Ce carburant peut être extrait des données produites par ces clients. Le data marketing existait avec l’utilisation des données propriétaires de l’annonceur ou de l’entreprise, mais jusqu’à présent, ces données n’étaient pas suffisantes car :  On ne pouvait pas en tirer des enseignements justes sur le client ;  Elles étaient centrées sur l’entreprise plutôt que sur le client ;  Elles n’étaient pas compatibles avec la nécessité d’émerger sur le parcours numérique.62 L’enjeu du data marketing, à l’heure actuelle est de savoir utiliser l’énorme volume de données du Big data dans l’optique d’améliorer la relation avec le client et d’en tirer de la valeur pour l’entreprise. Les données personnelles utilisées par le data marketing sont 63 :  Les données contextuelles et attitudinales, qui témoignent de l’environnement dans lequel évolue le consommateur ainsi que son attitude à un instant T ;  Les données comportementales, extraites du CRM, qui appartiennent la plupart du temps à l’entreprise (bases clients, points de vente, transactions, etc.) ; 61 « Applications Big data : le marketing en tête ». La Revue du Digital. [Lien] 62 ADETEM, Livre blanc « Big data : fin ou renouveau du marketing ? », p.28. 63 MAKAZI, Livre blanc « Data marketing », p.11.
  41. 41. 41  Les données externes, qui sont fournies par des tiers spécialisés et renseignent la catégorie socioprofessionnelle de l’internaute, ses intentions d’achat ou ses centres d’intérêt. Le Big data élargit de nouveaux horizons pour le marketing. C’est la prise en compte des données contextuelles et attitudinales qui transforment le data marketing en Big data marketing. b) Un cross data marketing Le nombre de canaux de distribution s’accroît de jour en jour, d’où la nécessité de passer d’une stratégie multicanal à celle de l’omnicanal. Les données proviennent de plusieurs canaux :  Du système d’information de l’entreprise : CRM, achat, logistique, paiements, cartes, abonnements, tickets de caisse ;  Du web : réseaux sociaux, formulaires, jeux, e-commerce, parcours client, navigation  Du retour des campagnes : clic, visites, services, coupons, service client. Les données sont la plupart du temps réparties entre différents canaux et deviennent par conséquent très difficiles à appréhender et à exploiter. Mais il est nécessaire de faciliter ce dialogue entre les différents canaux pour déterminer le type d’action à mettre en place afin de créer un engagement plus fort auprès du consommateur. C’est le cross data marketing. Le Big data marketing recueille toutes les données disponibles grâce à sa capacité à évoluer sur plusieurs canaux. L’approche cross data évite le caractère intrusif ou répétitif du webmarketing aveugle. La gestion intelligente des canaux favorise un échange de confiance entre le client qui ne sent plus floué et l’entreprise. Quant à l’entreprise, elle dispose de toute une palette pour collecter les données et pour optimiser ses points de contact avec le consommateur. c) Un marketing one-to-one Quand le marketing de masse propose un produit au plus de monde possible, le marketing one-to-one privilégie la relation avec le consommateur et lui propose des produits adaptés. Le Big data marketing oriente clairement le marketing vers toujours plus de personnalisation. Le fondement du marketing one-to-one est le consommateur et sa part de marché. Le marketing one-to-one a pour objectif de fournir des produits spécifiques à chaque consommateur sur la durée la plus longue possible. La personnalisation est la base
  42. 42. 42 du marketing one-to-one et se retrouve dans tous les éléments de la campagne : la cible (y compris sa localisation), le produit, le message ou la proposition de valeur, le prix, le canal… La segmentation augmentée permet de déterminer des préférences individuelles. En générant une compréhension fine, individu par individu, les offres proposées sont alors plus pertinentes. L’expérience client est accrue. Le consommateur est plus enclin à réaliser l’acte d’achat. Le Big data marketing a désormais la capacité d’appliquer un marketing personnalisé. L’expérience client personnalisée va renforcer la réputation de l’entreprise. La valeur de chaque client sera maximisée. Les décisions stratégiques de l’entreprise en sortent améliorées. d) Un marketing instantané Le marketing s’est longtemps contenté d’essayer d’analyser des phénomènes de consommation après qu’ils se soient passés. Le webmarketing a augmenté la rapidité des analyses et les remontées d’informations, mais il est resté lui aussi limité à une analyse a posteriori. Les données ne cessent de s’accumuler, mais ce sont les plus récentes qui ont toujours le plus d’importance.64 Avec le Big data, il est tout à fait imaginable d’avoir un système capable de gérer en temps réel, à la fois les flux de données en entrée et les analyses complexes.65 Il est possible d’exploiter les données issues de divers canaux en temps réel, afin de ne plus subir ce qui se passe. L’analyse en temps réel, associée aux données contextuelles, donne une compréhension globale de l’environnement. Cela confère aux campagnes marketing la capacité de contacter le consommateur au bon moment pour l’inciter à l’achat. Car si un message est vrai pour le consommateur à un instant T, il ne l’est pas forcément dix minutes plus tard. Les entreprises peuvent trouver dans l’analyse en temps réel de véritables leviers pour doper leurs ventes. 64 GUILLAUD Hubert., « Vers un nouveau monde de données ». [Lien] 65 ADETEM, Livre blanc « Big data : fin ou renouveau du marketing ? », p.28.
  43. 43. 43 e) Un marketing prédictif Le marketing s’oriente vers un marketing prédictif qui se nourrit d’importants volumes de données remontés en continu et en temps réel. Cela entraîne deux nouveautés :  La modélisation numérique du réel pour manipuler virtuellement le monde ;  Le marketing en temps réel qui propose des ajustements instantanés et continus des politiques commerciales. Le marketing prédictif est l’aboutissement du Big data marketing. Il fait l’objet d’énormément de fantasmes. L’Homme a toujours désiré connaître son avenir. La prédiction certaine confèrerait au marketing et au Big data marketing un caractère scientifique. Toutefois nous n’en sommes encore qu’aux balbutiements. Le passage du Data mining à l’analyse prédictive n’est pas encore intégralement franchi. Des obstacles restent à surmonter pour que les promesses de la science soient tenues : tout d’abord, il faudra être capable de gérer la complexification croissante des algorithmes destinés à appréhender toujours plus de dimensions et toujours plus de données. Cela suppose avant tout de remettre en cause les schémas classiques de calculs et de stockages de données afin de permettre au système de résoudre les requêtes avec le moins d’utilisation possible des actions pénalisantes comme les accès disques.
  44. 44. 44 f) Les bénéfices du Big data sur le marketing Le Big data explore déjà de nouveaux usages dans plusieurs spécialités mercatiques comme le marketing relationnel avec des scénarios cross canal, le web analytics avec l’optimisation des parcours en ligne et le marketing prédictif avec l’anticipation des besoins et des évolutions. Le Big data va contribuer à transformer le marketing en améliorant ses capacités d’exécution depuis la collecte des informations clients jusqu'à l’implémentation de promotions ou d’offres ciblées. Cette conjugaison du Big data avec le marketing doit amener vers un marketing augmenté, le Big data marketing, pour :  Accroître la réputation de la marque ;  Anticiper les comportements plutôt que réagir aux situations ;  Comprendre chaque client dans son unicité ;  Délivrer un contenu en lien avec la cible ;  Développer les produits de demain ;  Explorer toutes les informations clients disponibles ;  Maximiser la valeur délivrée à chaque interaction.
  45. 45. 45 3. Observations des opportunités du Big data marketing offertes à l’entreprise a) Méthode de l’observation Dans la première partie, j’ai remis le Big data dans son contexte, pour mieux comprendre son origine et ses enjeux. Dans la deuxième partie, j’ai amorcé le virage que prend le marketing au contact du Big data. Le marketing évolue vers un marketing de la donnée, cross canal, en temps réel, personnalisé et prédictif. Dans cette partie observatoire, j’analyserai des opportunités offertes par le Big data marketing à l’entreprise. Démarche de sélection des cas d’études Le principal canal de recherche a été le web :  Les sites web des grands acteurs du Big data (IBM, Terra data, Oracle …) ;  Et les sites web de référence dans le domaine du marketing. J’ai dû faire face à la problématique du peu de cas disponibles. Il semble que les retours sur des projets Big data soient pour l’instant peu nombreux, surtout en France. J’en veux pour preuve cette citation datant du premier semestre 2014 de David-Stéphane Fala, directeur de missions Big data et mobilité pour la société de services Micropole, « il ne faut pas se voiler la face, les projets en production en France sur le Big data, il doit y en avoir dix »66. « Ce sont des projets dont la maturation a démarré en 2012, avec des Proof of Concept* achevés en 2013 et une mise en production enclenchée fin 2013, début 2014 » précise encore David- Stéphane Fala. Les principaux retours n’arriveront pas avant 2015. Toutefois les pays anglo- saxons semblent en avance sur la France. J’ai cherché des cas d’études en essayant de respecter certains critères d’inclusion :  Un besoin mercatique : Chaque étude de cas est liée à une problématique marketing où la connaissance client par l’intermédiaire des données est recherchée.  Des études de cas suffisamment fournies : Elles se devaient d’être complètes, à savoir, proposer des étapes du besoin initial en passant par la solution jusqu’aux résultats.  Disposer de résultats formels : Si possible, chaque étude disposait de chiffres pour appuyer l’observation critique du Big data. 66 AUFFRAY Christophe. « Big data : ça démarre, lentement, mais sûrement ». ZDNet. [Lien]
  46. 46. 46 Mon choix s’est porté sur onze cas d’études qui remplissent les critères d’inclusion. Ils m’ont semblé être les plus à même pour dégager des opportunités du Big data marketing mais aussi pour aller plus loin si besoin est dans la démarche en ayant une vue d’ensemble. L’accumulation de ces cas d’étude permet d’avoir un aperçu global du Big data marketing mais aussi des spécificités de chaque projet. Les onze cas d’études observés :  Auchan  Buch.de internetstores AG  Fiat Group Automobiles  Hertz  Monoprix  Photobox  SFR  Trident Marketing  Vega France  Virgin Atlantic  Wehkamp.nl Critiques des cas d’études Les études de cas sont initiées pour la plupart par des grandes entreprises renommées. Il m’a été difficile de trouver des études de cas Big data portés par des entreprises de taille moyenne. Les projets Big data mis en avant par des prestataires tels qu’IBM ont vraisemblablement un caractère promotionnel. Chaque étude de cas met en avant les avantages et les bénéfices du Big data et des technologies proposées. Les prestataires qui ont produit ces études de cas occultent les difficultés ou les erreurs commises. Ces études ne sont donc pas totalement objectives. Elles restent néanmoins des sources riches d’informations pour mieux cerner le Big data marketing.
  47. 47. 47 Objectifs de ces cas d’observations Outre les opportunités offertes, se posent aussi d’autres questions telles que :  Quel a été le point de départ de ces projets Big data marketing ?  Quelles ont été les priorités ?  Comment s’est déroulée l’intégration du Big data ?  Quels ont été les freins ?  Quels sont les résultats pour l’entreprise ?  Quelles opportunités concrètes peut-on en dégager ? À partir de cette liste de questions, et en fonction de la lecture des cas de Big data marketing, j’ai défini des critères pour structurer les cas d’études et leur donner de la cohérence. Chaque cas d’étude sera introduit par une présentation de l’entreprise visant à le définir sur son marché. Les études de cas sont structurées selon :  Le(s) besoin(s) de l’entreprise  Les objectifs  La solution  Les résultats  Les opportunités  Divers (tout ce qui peut enrichir l’observation et qui ne rentre pas dans les critères précédents) Critique de l’observation Les entreprises observées sont pour la plupart passées par des prestataires externes. J’aurai souhaité savoir si c’était pour des problèmes de mobilisation de compétences en interne ou si c’était tout simplement un choix. De plus, les prestataires ne communiquent pas souvent sur :  Le coût initial de la solution proposée ;  La durée de la mise en place de la solution et le temps avant que les principaux retours ne se fassent ressentir ;  Les problèmes ou freins rencontrés. b) Projets observés
  48. 48. 48 AUCHAN67 Présentation Auchan est une enseigne de grande distribution fondée en 1961. En 2010, il s'agissait du treizième distributeur mondial, et du second distributeur français derrière son concurrent Carrefour. Besoins Traiter, comprendre et analyser des centaines de milliers d’avis laissés par les clients. Objectifs  Identifier les informations stratégiques  Répondre par des actions opérationnelles ciblées Solution Collaborer avec Proxem, un spécialiste français de l’analyse sémantique pour le Big data  Décortiquer l’intégralité des verbatims client en temps réel  Traiter un volume important de données non structurées (regrouper les avis selon plusieurs filtres : profils des clients, attentes, satisfaction des produits et des services, problèmes rencontrés, réputation de l’entreprise) Résultats Opportunités  Détecter des problèmes (risques juridiques, sanitaires, problèmes de prix, etc.) remontés par les clients pour augmenter la satisfaction Relationnelle  Automatiser la détection des problèmes  Identifier des signaux faibles et des menaces pour déterminer des opportunités stratégiques Organisationnelle  Impact direct sur le ROI* Financière 67 MAILLET Florent. « Auchan a trouvé comment analyser ses centaines de milliers d’avis de consommateurs ». LSA. [Lien]
  49. 49. 49 BUCH.DE68 Présentation Fondée en 1998 et basée à Munster (Allemagne), Buch.de internetstores AG vend en ligne des livres et des médias en Allemagne, en Autriche et en Suisse. Avec plus de 150 employés, l’entreprise propose environ sept millions de produits. Besoins La solution e-mailing est actuellement inefficace pour atteindre le public :  Besoin d’un processus coordonné et automatique  Promotions d’offres individuelles, adaptées à chaque client Objectifs  Mise en place de campagnes personnalisées et instantanées avec des clients potentiels et existants  Affiner le niveau de personnalisation des campagnes futures Solution 1. Accumuler, intégrer et analyser toutes les informations client à partir de plusieurs canaux 2. Proposer une solution d’e-mailing sophistiquée où l’entreprise suit systématiquement chaque client Résultats Opportunités  Augmentation du taux de conversion des clients de plus de 50%  Expérience d’une croissance à deux chiffres  Réduction des coûts des campagnes marketing Financière  Accélération du développement et des lancements des campagnes Organisationnelle  Communication personnalisée  Compréhension affinée des intérêts et des préférences de chaque client Relationnelle 68 IBM CORPORATION. «buch.de internetstores AG». [Lien]
  50. 50. 50 FIAT GROUP AUTOMOBILES69 Présentation Fiat Group Automobiles conçoit, fabrique et vend des véhicules pour les marques Fiat, Alfa Romeo, Lancia, Fiat Professional, Abarth et Jeep. Besoins  Optimiser l’utilisation des fonds marketing disponibles  Comprendre l’expérience des clients chez les concessionnaires et les ateliers de réparation Objectifs  Identifier les propriétaires Fiat existants et potentiels afin de donner aux concessionnaires les moyens d’allouer leurs budgets marketing efficacement  Analyser les clients qui ont acheté une voiture neuve ou d’occasion dans une concession Fiat afin de fournir des renseignements sur le niveau de satisfaction de la clientèle chez les concessionnaires et les ateliers de réparation Solution Analyse d’un historique complet (provenant de sources internes et externes à l’entreprise) de plus de 64 millions de clients et véhicules. Résultats Opportunités  Amélioration du taux de réponse des clients aux initiatives de marketing de 15-20%  Amélioration de la fidélisation de la clientèle de 7% Relationnelle  Prise en charge de l’amélioration continue des concessionnaires et des ateliers de réparation  Amélioration de la productivité Organisationnelle  Réduction des coûts Financière 69 IBM SOFTWARE BUSINESS ANALYTICS. “Will you buy a car today?” [Lien]
  51. 51. 51 HERTZ70 Présentation Hertz est la plus grande marque de location de voiture dans les aéroports, avec plus de 8300 sites dans 146 pays. La société reçoit sans cesse des commentaires de ses clients sur le web qu’elle tente d’analyser en temps réel pour identifier les problèmes rapidement. Besoins  Être à l’écoute des clients et recueillir des milliers de commentaires  Catégorisation automatique pour les rapports du service client Objectifs Identifier les niveaux de performances dans la location de voiture :  Repérer les problèmes  Apporter les ajustements nécessaires  Améliorer les services et le niveau de satisfaction de la clientèle Solution Utilisation d’une solution de balisage en temps réel qui se base sur les sentiments et les remarques des clients pour les transformer en informations stratégiques et exploitables. Les données attitudinales sont ensuite classées automatiquement dans les catégories signifiantes. Résultats Opportunités  Satisfaction des clients  Fidélisation des clients Relationnelle  Le balisage automatique a renforcé la cohérence des rapports et a évité une charge de travail répétitif  L’amélioration de la productivité Organisationnelle  Le renforcement de la réputation de l’entreprise qui offre un service clientèle de qualité supérieure Réputationnelle 70 IBM. Succes Stories Big data. « Hertz, Mindshare Technologies et IBM : L’analyse d’énormes volumes de commentaires clients en temps réel offre un avantage concurrentiel », p.12 [Lien]
  52. 52. 52 MONOPRIX ET DUNNHUMBY71 Présentation  Monoprix : enseigne de distribution française spécialisée dans le commerce de proximité en centre-ville  Dunnhumby : leader de la personnalisation de l’expérience d’achat Problématique Perfectionner la solution d’e-mailing pour augmenter la fidélisation client. Objectifs Proposer une expérience de personnalisation des mailings avec des offres adaptées aux préférences de consommation des clients.  Décliner le programme de fidélité de Monoprix  Mettre en adéquation les offres de couponing proposées par les marques avec les profils de consommation client Solution  Analyser 33 millions de transactions de clients représentant 350 millions d’articles  Identifier les médias préférentiels des clients avec le taux de retour des coupons papier Résultats Opportunités Taux de retour des coupons a été doublé par rapport à des coupons non personnalisés Relationnelle Divers Monoprix envisage d’intégrer d’autres types de données client : Les historiques de navigation, les données sociales, la géolocalisation également afin de fournir du contenu et des offres plus précises, en temps réel. 71 Guide du Big data 2013/2014, « Customisation marketing : Monoprix et dunnhumby », p.18 [Lien]
  53. 53. 53 PHOTOBOX.FR72 Présentation Photobox.fr est le leader européen de l’impression photo numérique et le leader français de la photo personnalisée. 350 salariés communiquent avec 11 millions de clients. Besoins  Besoin de connaissances précises du comportement des clients et des prospects  Adapter les services et les promotions aux profils de consommation Objectifs  Améliorer l’efficacité des campagnes marketing en identifiant des groupes homogènes de clients sur la base du comportement  Comparer et évaluer l’efficacité d’une campagne plutôt qu’une autre afin de réduire le nombre de clients ayant fait défection au profit de la concurrence Solution Utiliser les outils d’analyse prédictive par :  L’intégration de données qui sont transformées en connaissances puis agrégées pour prendre des décisions  Le test de campagnes et d’initiatives de promotion menées sur des clients fidèles pour mesurer les taux de défection Résultats Opportunités  L’amélioration de la fidélisation de la clientèle avec seulement 0,6 % d’annulations d’abonnements à la newsletter depuis l’introduction de la solution  L’augmentation de 16% du nombre de nouveaux clients grâce à l’offre de bienvenue  Un taux d’ouverture de messagerie de 33% et un taux de clics de 35%  94% de clients satisfaits Relationnelle  Augmentation du taux de conversion des ventes de 14%  Une meilleure gestion de la politique d’investissement Financière 72 IBM SOFTWARE. « PME : PhotoBox intègre le prédictif à sa stratégie d’entreprise ». [Lien]
  54. 54. 54 SFR73 SFR, opérateur de télécoms français, gère 21 millions de clients mobile dont environ 5 millions de clients ADSL. Les clients font de plus en plus d’actes réalisés cross-canaux sur le «self care» sfr.fr. L’exigence des clients est plus forte sur la qualité attendue : sur le web, ils attendent un contexte plus personnalisé. Besoins SFR souhaite connaitre les usages et les canaux privilégiés pour :  Connaitre les différentes interactions entre les canaux (ex : web-to-store)  Identifier les « irritants » client (ex : incidents de réseau) et les capter  Pouvoir interagir avec le client sur différents canaux avec le bon message Objectifs  Améliorer l’expérience client  Détecter les churners* potentiels  Obtenir une meilleure connaissance de la clientièle sur le canal web sfr.fr Solution  Faciliter l’intégration de données non structurées (mots-clés saisis sur Google, navigation (pages vues) sur sfr.fr, recherches sur sfr.fr, etc.)  Utiliser les capacités sémantiques pour traiter les recherches des clients Résultats Opportunités  ROI augmenté (nombre de clients retenus x valeur du client)  Coûts de maintenance réduits par dix Financière  Autonomie des métiers pour créer et modifier les marqueurs  Automatisation et meilleure précision des marqueurs  Paramétrage du ciblage pris en compte en J+1 (J+plusieurs semaines auparavant en passant par un intégrateur)  Rapidité de l’installation (deux mois) Organisationnelle  Meilleur ciblage de la clientèle (et meilleure interaction avec elle)  Fidélisation : churners identifiés et retenus Relationnelle 73 OVAZZA Y. « Big data: Temps réel, bénéfices pour le marketing, par SFR et Sinequa ». Butter Cake. [Lien]
  55. 55. 55 TRIDENT MARKETING74 Présentation Trident Marketing tire parti du marketing, des ventes et de la technologie pour fournir l’acquisition de clients rentables à des marques comme DirectTV ou ADT. Besoins  Prévoir l’effet des activités marketing et devenir plus efficace  Augmenter les ventes Objectifs  Améliorer les processus de marketing, de ventes, de comptabilité et de RH  Établir la meilleure évaluation des offres commerciales :  En liant le prix des enchères du PPC au rendement  En identifiant les mots-clés générant le meilleur rendement pour les clients  Cibler précisément les clients à travers les différents canaux de communication Solutions Utiliser l’analyse prédictive dans l’entreprise :  Pour combiner les données de la téléphonie de l’entreprise, la gestion de la relation client, etc. avec des données de sources externes telles que les bureaux de crédit  Pour déterminer les mots-clés avec le volume et le bénéfice par vente et par clic les plus élevés - efficacement et dans un délai plus court Résultats Opportunités  Augmentation de 10 % des ventes en 60 jours  Diminution de 30 % des coûts marketing  Augmentation des revenus de près de 1 000 % avec l’analyse prédictive  Meilleure gestion de la politique d’investissement  Détermination du coût réel de chaque campagne Financière  Travail des télévendeurs facilité  Transition homogène  Système Big data facile d’utilisation (plug&play) Organisationnelle  Prédiction de la propension d’un client à annuler les services dans les 12 premiers mois Relationnelle 74 IBM CASE STUDY. « Trident Marketing ». [Lien]
  56. 56. 56 VEGA FRANCE75 Vega France, filiale du groupe allemand Erwin Muller, est le leader en VAD (vente à distance) pour le matériel CHR (Cafés Hôtels Restauration). Vega France, c’est 40 000 articles, 33 familles de produits, près de 1,8 million de catalogues papier envoyés en 2013,170 000 colis livrés en 2013 sur un marché potentiel de 400 000 entités en France. Besoins Avant le projet Big data, les données étaient traitées dans des tableurs sans aucune identification des corrélations entre certains types de clients, certains types de commandes, et les canaux prioritaires utilisés. Vega avait besoin de connaitre tous ces phénomènes. Objectifs Rationaliser les coûts marketing :  Amélioration de l’efficacité des campagnes  Meilleur ciblage des clients Optimisation interne :  Libérer du budget papier pour pouvoir développer les projets numériques  Besoins de réactivité Solution Phase exploratoire :  Analyse de la base interne (suffisamment riche)  Identification d’une cible intéressante d’acheteurs, ceux de produits d’hôtellerie. Définition d’un nouveau modèle :  Suppression de la catégorie de produits « hôtellerie » dans l’ensemble des catalogues  Création d’un catalogue dédié proposant une offre plus large sur ce segment. Résultats Opportunités  Augmentation de 17% du CA dans la gamme Hôtellerie  Augmentation de 7% d’acheteurs dans cette gamme Financière  Réduction de 47% du nombre de pages papier du catalogue  Catalogues de plus en plus spécialisés et adaptés aux besoins des clients - adaptation du tirage et du nombre de pages  Mise en place de campagnes numériques adaptées relationnelle  Renforcement de l’image et du positionnement de la marque  Déploiement pour l’ensemble des pays du groupe Réputationnelle Divers : Difficultés rencontrées  Obtenir l’aval du management  Autofinancement du projet lié aux difficultés à prouver le ROI  Différences culturelles avec le management du groupe en Allemagne  Remise en question de vieilles croyances liées au marketing de masse (la nécessité d’inonder le marché d’un gros catalogue de manière indifférenciée) 75 OVAZZA Y. « Big data: Au service de la connaissance client, par Vega France et Coheris ». Butter Cake. [Lien]
  57. 57. 57 VIRGIN ATLANTIC76 Présentation Fondée en 1984, Virgin Atlantic est devenue l 

×