Big data et marketing :Vers une analyse prédictif de d'acte d'achat

1. Moncenix Philippe Promotion 2013 Session septembre 2013 Big data et marketing : vers une analyse prédictive de l’acte d’achat Professeur conseiller : Antoine Deleuze

2. 2 Table des matières 1 Table des matières 2 SYNTHESE ........................................................................................................................ 5 3 INTRODUCTION .............................................................................................................. 8 4 PRESENTATION DU CONCEPT «BIG DATA»........................................................... 10 4.1 Le contexte du «Big data»......................................................................................... 10  L‟explosion des nouveaux terminaux........................................................................ 10  Les nouveaux usages ................................................................................................. 14  La capacité d‟utiliser ces volumes gigantesques de données. ................................... 16 4.2 Définition du «Big data» ........................................................................................... 17  Volume ...................................................................................................................... 17  Vitesse ....................................................................................................................... 18  Variété ....................................................................................................................... 18 5 LE CAS PARTICULIER DU « BIG DATA » MARKETING ........................................ 19 5.1 Les limites du marketing ancien................................................................................ 19  La segmentation traditionnelle est perfectible........................................................... 20  Le changement de consommation est un autre facteur qui affecte les bases du marketing classique........................................................................................................... 20  L‟utilisation excessive de la notion de moyenne....................................................... 20  Les limites du webmarketing..................................................................................... 21 5.2 Naissance du marketing prédictif. ............................................................................ 22  Définition................................................................................................................... 23  Objectifs..................................................................................................................... 24 6 EXEMPLES DE MISE EN ŒUVRE DU « BIG DATA » MARKETING ..................... 28 6.1 Le cas PriceMinister .................................................................................................. 30  La problématique de PriceMinister ........................................................................... 30  La solution «Big data»............................................................................................... 31

3. 3  Résultats et conclusion. ............................................................................................. 32 6.2 Le cas Criteo.............................................................................................................. 33  La problématique....................................................................................................... 33  Le rôle et le modèle économique de Criteo............................................................... 35  Résultats obtenus par Criteo...................................................................................... 36 6.3 Les grands acteurs croient en l‟avenir du «Big data»................................................ 37  Google : une société basée sur les données .............................................................. 37  Les traces laissées sur internet ont une valeur marchande ........................................ 39 6.4 Le «Big data» n‟est cependant pas encore généralisé .............................................. 40  L‟Oréal....................................................................................................................... 40  Barclays Banque........................................................................................................ 40  La perception d‟une société d‟infogérance : Bull...................................................... 42 6.5 Quelques points spécifiques à prendre en compte dans les projets « big data » ....... 43  Repensez l‟organisation marketing ........................................................................... 43  «Big data» : vers une nouvelle relation entre le service marketing et le service informatique...................................................................................................................... 45  L‟apparition de nouveaux métiers. ............................................................................ 45  Les enjeux financiers................................................................................................. 47  Vie privée et «Big data»............................................................................................ 47 6.6 Au-delà du marketing, le « Big data », la boite à outils multi-usages....................... 50 7 BILAN ET RECOMMANDATION................................................................................. 54 7.1 Bilan........................................................................................................................... 54 7.2 Recommandation : Ne pas perdre de temps face à la concurrence............................ 55 8 Annexes............................................................................................................................. 56 8.1 Guide d‟entretien pour les interviews........................................................................ 56  Thème 1 : connaissance du «Big data» par l‟entreprise :.......................................... 56  Thème 2 : La donnée au service des stratégies marketing......................................... 56

4. 4  Thème 3 : Le «Big data» une réalité pour les entreprises ?....................................... 56 8.2 Personnes contactées ................................................................................................. 57 9 Bibliographie..................................................................................................................... 58 10 Webographie ................................................................................................................. 60

5. 5 2 SYNTHESE Depuis quelques années les entreprises de tous secteurs font face à un marché de plus en plus concurrentiel, à une évolution technologique fulgurante et à des changements du comportement du consommateur et de ses façons de consommer. En effet la consommation de masse a disparu et laisse place à une consommation plus réfléchie, hyper comparative, dans laquelle les valeurs, les sentiments, les émotions ou encore les sensations viennent plus que jamais modifier les comportements d‟achat. Les fondations sur lesquelles reposent les bases du marketing s‟en retrouvent bouleversées. Cette révolution est d‟autant plus importante que la technologie a profondément modifié les comportements d‟achat, les réseaux de distribution, l‟appréciation de la valeur ou encore le pouvoir du consommateur. L‟ère digitale modifie considérablement les connaissances du consommateur et sa valeur. Un client va désormais se renseigner bien plus précisément sur l‟entreprise et sur les différents produits proposés sur le marché puis ensuite comparer plus facilement les produits en fonction du prix et d‟autre facteurs importants à ses yeux. Une fois ce travail de renseignement réalisé, le consommateur peut décider où et comment il va acheter son produit : sur internet, en magasin, par paiement différé etc. Internet a redonné le pouvoir au consommateur qui est devenu un véritable « consomm‟acteur » : il peut dorénavant donner son avis sur le produit et l‟ensemble des services et le partager avec le monde entier à travers les blogs, les réseaux sociaux ou les forums. En plus de l‟avènement du e-commerce, de nouvelles plateformes média ont émergées telles que les Smartphones, les tablettes, la télévision connectée ou encore les objets connectés démultipliant ce phénomène grâce au facteur de mobilité. Le client est désormais maître de sa consommation à chaque étape du processus. Le processus d‟achat et le parcours client sont désorganisés et les entreprises sont obligées de s‟adapter pour rester concurrentielles et attractives. Pour cela elles doivent repenser leur business et replacer leur client au cœur de leur stratégie. Le marketing dont l‟objectif est de proposer le bon produit au bon client au bon moment doit s‟adapter.

6. 6 Mais, bien sur, l‟ère numérique n‟impacte pas uniquement le consommateur, elle permet aussi aux entreprises d‟évoluer, d‟améliorer leur démarche commerciale. En particulier elle a conduit à l‟essor du marketing digital qui représente l‟adaptation des techniques marketing aux différents supports numériques (ordinateur, téléphone mobile, affichage dynamique etc..). Parmi ces adaptations, on peut citer, à titre d‟exemple, les techniques ci-dessous : Référencement naturel (SEO) Référencement payant (SEA) Média sociaux (SMO) Campagnes e-mailing Affiliation Display Retargeting Gestion de bases de données (CRM) Afin d‟exceller dans ces nouvelle stratégies, la connaissance client devient une nécessité primordiale. La multitude de données générées par le digital explose et ne cesse de croitre. Ces informations sont riches de renseignements, les internautes cliquent, publient, commentent et sèment tout au long de leur parcours une grande quantité d‟informations les concernant. Ces données sont d‟autant plus intéressantes qu‟elles révèlent des informations auxquelles l‟entreprise ne pouvait accéder antérieurement ou encore insoupçonnées. Afin d‟analyser l‟ensemble de ces données une nouvelle technologie a vu le jour, la technologie «Big data». Les premières technologies «Big data» ont été créées par les entreprises leaders du Web (Google, Amazon, Yahoo, …) car ce sont les premières qui ont eu à faire face à des problématiques de gros volumes de données à traiter en temps réel. Grace au «Big data», toutes les entreprises sont désormais capables de stocker, analyser et modifier leur stratégie marketing afin de tenter de reprendre la main sur leur relation avec le consommateur en affinant leur connaissance client. En effet de nouvelles techniques d‟analyse découlent du «Big data» dont l‟analyse prédictive. Ce nouveau concept basée sur l‟analyse des données permet d‟affiner le ciblage, la connaissance client mais aussi de déceler des informations cachées et de prédire des

7. 7 tendances. C‟est dans cette perspective que le «Big data» devient un enjeu majeur pour le marketing en permettant des prédictions relatives au comportement du client dans sa relation à l‟entreprise entre autre sa fidélité ou encore son comportement d‟achat. Le «Big data» dans le domaine du marketing prédictif est présenté comme la nouvelle révolution, tout le monde en parle. Mais toutes les entreprises se sont elles lancées dans cette démarche ? Les résultats attendus sont ils au rendez vous ? Quelles en sont les difficultés et les limites ? L‟examen de quelques réalisations concrètes, les interviews de quelques acteurs économiques nous ont permis de constater les succès obtenus par quelques pionniers mais la généralisation de cette technologie, qui va avoir lieu, reste à faire. Le déploiement de ces stratégies marketing amène avec elle des transformations au sein de l‟entreprise au niveau de l‟organisation, des relations entre services, des ressources humaines et de l‟équipement technologique. Enfin, si cette révolution «Big data» est promise à un bel avenir, il existe néanmoins des freins à son développement tels que le cadre réglementaire pour l‟utilisation de ces données et les problèmes liés à la sécurité de l‟information.

8. 8 3 INTRODUCTION L‟essor d‟internet et des nouvelles technologies de l‟information s‟accompagne d‟une croissance exponentielle des données créées sur le web. Cela provient pour l‟essentiel de l‟être humain : il génère une quantité croissante de données à chacune de ses interventions sur la « toile », il utilise internet de plus en plus fréquemment. Les informations déposées sur le web sont non seulement plus volumineuses mais aussi de plus en plus riches. Le web 2.0, le web communautaire et les réseaux sociaux sont des sources indéniables de ce phénomène : les individus commentent, publient des photos, des vidéos, des images, créent du contenu, font part de leurs opinions, de leurs goûts, indiquent leur position GPS et interagissent entre eux. Les point d‟accès au web se sont multipliés et dorénavant l‟individu peut se connecter via son ordinateur portable, son téléphone portable, sa tablette ou encore sa télévision. Cette mobilité de la connectivité augmente le flux d‟informations, la précision et la richesse des traces numériques émises. L‟être humain est connecté et le sera de plus en plus, l‟avènement des objets connectés ou encore des magasins connectés sera l‟un des facteurs de cette progression. Avant la généralisation du phénomène évoqué ci-dessus, les entreprises pouvaient se permettre de traiter seulement les données transactionnelles relatives à leur clientèle, elles doivent dorénavant faire face à cette multitude d‟informations supplémentaires. Les avancées technologiques en termes de stockage et de traitement rendent aujourd‟hui possibles le stockage et l‟exploitation de ces volumes de données de plus en plus grands. Dans ce contexte le concept «Big data» est apparu. Il est annoncé comme la prochaine révolution informatique. Le cabinet Mac Kinsey en juin 2011 dans sa publication « Big data: The next frontier for innovation, competition, and productivity1 » [1] prône la nouvelle ère du «Big data». De son côté, le gouvernement français a dernièrement fait part de son 1 KINSEY,”Big Data full report mai 2011”, Copyright © McKinsey & Company, 2011

9. 9 intérêt pour cette nouvelle technologie, « la cause a été classé priorité nationale… 2 » [2] et a émis le souhait de créer plusieurs pôles de compétitivité dans ce domaine. Le «Big data» a de nombreux domaines d‟application, pour certains en dehors de l‟entreprise : la sécurité publique, la santé …, d‟autres au sein de l‟entreprise : suivi de la qualité des produits, détermination des niveaux appropriés de stock, analyse et amélioration des flux logistiques, marketing…. Ce document vise à faire un état des lieux du «Big data» dans le domaine du marketing prédictif. La première partie du document a pour objet de décrire plus précisément le «Big data» et son contexte, en le définissant, en identifiant ce qui l‟a rendu possible, et en essayant de comprendre ce qui le rend en théorie nécessaire ou souhaitable. La seconde partie traitera du rôle que le «Big data» va jouer plus particulièrement au sein du service marketing des entreprises Cette étape soulignera les limites du marketing actuel puis analysera l‟essor du marketing prédictif. La troisième partie aura pour but d‟analyser des réalisations concrètes dans le domaine du marketing prédictif en étudiant dans un premier temps le cas de PriceMinister puis dans un second temps le cas de l‟entreprise Critéo. Un coup de zoom sera porté sur quelques entreprises qui comme Google ou les opérateurs télécoms ont parfaitement intégrés dans leur démarche la valeur des données. L‟analyse sera consolidée par des interviews auprès de divers acteurs potentiellement concernés par le sujet afin de recueillir leur connaissance et leur évaluation du «Big data». 2 Le JDD « La France joue sa carte numérique. » <http://www.lejdd.fr/Medias/Internet/Actualite/La-France- joue-sa-carte-numerique-618953

10. 10 4 PRESENTATION DU CONCEPT «BIG DATA» 4.1 Le contexte du «Big data»  L’explosion des nouveaux terminaux La révolution technologique est l‟une des explications indéniables de l‟accroissement des données, en effet le quotidien des personnes est bouleversé par l‟utilisation d‟une multitude d‟écrans accessibles tout au long de la journée et partout, de son lieu de travail jusqu'à son espace intime. L‟être humain évolue dans un monde d‟objets connectés, dont le nombre s‟accroît en permanence. « En 2011, il y avait près de 9 milliards de terminaux connectés dans le monde. Ce chiffre devrait s’élever à 24 milliards en 20203 » [3]. Smartphones, ordinateurs et tablettes. L‟outil de communication le plus utilisé est aujourd‟hui sans aucun doute le téléphone portable. Avec le temps, il est devenu en effet de plus en plus sophistiqué et l'arrivée des Smartphones a encore accéléré et diversifié son utilisation. L'étude "Global Mobile Media Consumption" réalisée par le groupe de publicité mobile, InMobi, révèle « qu'avec un peu plus de 1,8 heures par jour, la consultation du téléphone mobile est l'activité à laquelle nous consacrons chaque jour le plus de temps, devant l'ordinateur (1,6 heures) et la télévision (1,5 heures). Avec 37 minutes, la tablette reste un peu en retrait4 » [4] Après avoir envahi les environnements professionnels, les ordinateurs et les téléphones mobiles se sont déployés dans tous les lieux de vie.5 [5] Quand accédez-vous au web à partir de votre téléphone mobile ? (Plusieurs réponses possibles) En attendant quelqu‟un 85% 3 VALTECH, Livre blanc,”Crossdatamarketing”, 2013 page 16 http://www.valtech-training.fr/assets/uploads/pdf/white- paper-cross-data-marketing-fr.pdf 4 IMOBI/ “Global Mobile Media Consumption”, 2013 http://www.mm.be/sites/default/files/public/Global_Mobile%20Media%20Consumption%20Whitepaper.pdf 5 VALTECH/Livre blanc, ”Crossdatamarketing”, 2013, page 25 http://www.valtech- training.fr/assets/uploads/pdf/white-paper-cross-data-marketing-fr.pdf

11. 11 Quand accédez-vous au web à partir de votre téléphone mobile ? (Plusieurs réponses possibles) Au lit 82% En regardant la télévision 62% Dans les transports 60% En famille 48% A l‟occasion de réunions 45% En faisant des achats 43% Dans la salle de bain 30% La tablette a également fait son apparition dans le paysage technologique des consommateurs. D‟après l‟étude réalisée par l‟institut Valtech « Une enquête récente révèle que 12 % des sondés possèdent une tablette, soit 70 % de plus qu’en 2010. Et 38 % des sondés n’en possédant pas envisagent l’achat d’une tablette dans les 12 prochains moins 6 » [6].Une autre étude réalisée par Adobe Digital révèle que « les tablettes génèrent un trafic plus important que les téléphones portables sur internet, donnée intéressante en vue d’analyser les nouveaux usages des utilisateurs.7 » [7] 6 VALTECH/Livre blanc, “Crossdatamarketing”, 2013, page 16 http://www.valtech- training.fr/assets/uploads/pdf/white-paper-cross-data-marketing-fr.pdf 7 ADOBLE/ “mobile bench mark”, 2013, page 1 http://success.adobe.com/assets/en/downloads/whitepaper/13926_di_mobile_benchmark_final .pdf

12. 12 Télévisions connectées Les canaux traditionnels comme la télévision subissent également des transformations de taille sur le plan de la technologie. Les consommateurs peuvent désormais se connecter à internet via leur télévision grâce à de multiples moyens: les box des FAI, les nouveaux téléviseurs connectables, les consoles de jeux, les lecteurs Blu-ray, etc. Le téléviseur est de plus en plus souvent connecté et le nouveau consommateur peut désormais interagir avec ses programmes, naviguer sur internet, regarder des films grâce au service VOD ou encore profiter des plateformes multimédia telles que « Youtube » ou « Facebook ». « C’est ainsi que trois millions de TV connectées ont été vendues entre le 1er trimestre 2009 et fin mai 2012 selon GfK Consumer Choices »8 [8]. Le marché français connaît une évolution croissante depuis mars 2012. Toutefois ces bons résultats demandent néanmoins à être nuancés, par exemple «un tiers des utilisateurs en Europe n'avaient, en mai 2012, jamais connecté leur TV connectable» ! 8 La TRIBUNE « les ventes de tv connectées décolle en France » <http://www.latribune.fr/technos- medias/electronique/20120717trib000709461/les-ventes-de-tv-connectee-decollent-en-france.html<

13. 13 Les objets connectés L‟essor de toutes ces technologies est relativement récent, mais l‟homme est déjà habitué à évoluer dans un monde connecté. Au-delà des innovations introduites par les Smartphones et, plus récemment par les tablettes, une nouvelle gamme de produits émerge : les objets connectés. L‟Internet des objets, dont on parle déjà depuis plusieurs années, repose sur l‟idée que tous les objets seront connectés un jour à Internet et seront donc capables d‟émettre de l‟information et éventuellement de recevoir des commandes. Ce phénomène est déjà partiellement devenu une réalité : Les bornes interactives sont présentes dans de nombreux magasins physiques, les panneaux d‟affichage publicitaire traditionnels sont progressivement remplacés par des écrans que l‟on imagine bientôt interactifs. Les dernières évolutions dans l‟industrie automobile ont fait de la voiture un objet connecté, intégrant les données de trafic, de météo, de géo- localisation, mais permettant également une connexion aux réseaux sociaux. Demain, c‟est toute la maison qui sera connectée : l‟ensemble des produits domestiques sera connecté : TV, réfrigérateurs, portes électriques, chauffage, plaque de cuisson…etc. En terme de chiffre, Cisco System estime que, en 2013, « les objets et appareils connectés à l’internet (compteurs électriques, réfrigérateurs, ordinateurs, terminaux de paiement…) sont déjà deux fois plus nombreux que les humains9 . » [9] L‟omniprésence et la multitude des produits connectés engendreront une explosion du nombre de données relatives à l‟individu, en prenant pour hypothèse que chaque objet émettra ou recevra une quantité de données du même ordre que celle produite actuellement lors de l‟utilisation d‟internet. A titre d‟exemple, il est intéressant de voir que la marque Nike commercialise désormais, aux côtés de ses produits traditionnels, des objets connectés du type Nike Fuelband, un bracelet capable de mesurer l‟ensemble des efforts fournis chaque jour en se basant sur une unité de mesure inédite : le fuel. Le Nike Fuel Band est équipé de la connexion Bluetooth et adossé à une application iPhone qui propose un résumé détaillé des dépenses physiques fournies, à la seconde près. Il est également doté d‟une clé USB. Ainsi, il est possible de partager ses résultats sur les réseaux sociaux et de les confronter à ceux des sportifs de haut 9 BRUNO TEBOUL, « L‟absolu marketing », édition Kawa, juillet 2013, page 433

14. 14 niveau connectés. Ce genre d‟innovation illustre le fait que les données collectées par ce type d‟objet sont très riches et de plus en plus personnelles. « Le marché des objets connectés serait évalué à 4,5 trillions de dollars à l’horizon 2020, tous segments confondus10 » [10]. Ce nouveau phénomène nous intéresse ici en premier lieu dans le cadre du «Big data», car chacun de ces objets contribue à accroître encore la quantité de données générées par des utilisateurs désormais multi-connectés. Et c‟est bien au travers de leurs usages variés et en perpétuelle évolution des nouvelles technologies que les utilisateurs et les consommateurs produisent ces données à un rythme exponentiel.  Les nouveaux usages Pour l‟instant ce sont encore les humains qui sont les principaux responsables de l‟explosion du volume d‟information : un coup de téléphone, un email, un téléchargement de fichier, une vidéo postée, tous ces éléments viennent enrichir l‟immensité des données publiées sans cesse sur internet. Ainsi, après avoir présenté l‟impact de l‟apparition des nouveaux terminaux, intéressons nous maintenant aux nouveaux usages de l‟internet. Les réseaux sociaux L‟impact du web communautaire et des réseaux sociaux est évident : Aujourd‟hui, tout le monde ou presque est inscrit sur un ou plusieurs réseaux sociaux, au premier rang desquels Facebook, Twitter et LinkedIn. Partage d‟informations, d‟expériences ou d‟opinions, d‟images ou de vidéos, constitution ou développement de réseaux de relations : les traces de ces activités sociales numériques restent gravées dans la mémoire du web. L‟internaute, qui, au départ, avait un rôle passif de lecteur sur Internet, devient désormais une source active en créant du contenu, entraînant ainsi une hausse des données produites sur le Web. 10 VALTECH/Livre blanc « Crossdatamarketing »/page 19 http://www.valtech- training.fr/assets/uploads/pdf/white-paper-cross-data-marketing-fr.pdf

15. 15 Le multimédia Du fait de la multiplication des terminaux mobiles et des interfaces, les consommateurs font preuve d‟une exigence accrue de pouvoir créer, consulter et partager des contenus multimédia en quelques clics. « Ainsi, à l’échelle mondiale, la majorité (56 %) des utilisateurs indiquent regarder des contenus vidéos depuis leur téléphone mobile au moins une fois par mois, et 28% affirment en consulter au moins une fois par jour11 » [11]. Les chiffres parlent d‟eux même…. Cette importance nouvelle des contenus multimédia est en particulier tirée par l‟essor fulgurant des jeux en ligne (et en particulier des jeux sociaux). « A la fin 2011, les américains passent 30 % de plus de temps sur les consoles de jeux vidéo qu’un an auparavant. En particulier, 33,5 % des abonnés mobile américains se servent de leur téléphone pour jouer.12 » [12] Le commerce connecté Tous ces nouveaux usages révolutionnent l‟e-commerce, et le comportement des consommateurs. Dorénavant, en plus de pouvoir acheter directement des produits sur internet avec simplicité et efficacité, en comparant facilement les prix et les produits et ce, y compris à l‟international, le consommateur interagit avec le commerce. L‟avènement des réseaux sociaux, des blogs, des sites marchands sollicitant les commentaires du consommateur, redonnent le pouvoir à l‟acheteur en lui permettant de donner son avis, de s‟exprimer face aux marques et aux produits. Les acheteurs deviennent plus informés et exigeants. L‟usage croissant du web mobile a augmenté ce phénomène car le consommateur peut désormais interagir à tout moment, en tous lieux. Le web mobile permet de faire le lien entre les magasins physiques et l‟e-commerce : maintenant le client n‟hésite plus à se connecter à internet sur le lieu de vente et le mobile est désormais de plus en plus utilisé pour fournir des coupons de réduction en fonction des enseignes identifiées à proximité du consommateur grâce au GPS intégré dans le Smartphone. 11 VALTECH/Livre blanc « Crossdatamarketing »/page 22 http://www.valtech- training.fr/assets/uploads/pdf/white-paper-cross-data-marketing-fr.pdf 12 VALTECH/Livre blanc/ « Crossdatamarketing »/page 22 http://www.valtech- training.fr/assets/uploads/pdf/white-paper-cross-data-marketing-fr.pdf

16. 16 La combinaison des usages (mobiles, sociaux, géo-localisation, recherche de bons plans…) annonce une révolution du commerce.  La capacité d’utiliser ces volumes gigantesques de données. Ces milliards de données, communément appelées «Big data», sont considérées comme “le nouvel or noir” du 21ème siècle. Les précurseurs de l‟analyse de ces «Big data» ont été, comme souvent, de très grandes entreprises (Google, Yahoo!, opérateurs télécom, institutions financières, grande distribution…). La technologie permettant cette analyse est née grâce aux deux acteurs majeurs de l‟internet Google et Yahoo qui ont du faire face à plusieurs problèmes : Tout d‟abord celui du volume gigantesque de données à manipuler pour alimenter leurs moteurs de recherche. Ensuite la diversité et la complexité des types d‟informations à traiter. En effet les données peuvent être sous forme de textes, de sons ou encore d‟images. Le dernier problème était lié à la vitesse d‟exécution des algorithmes de traitement de l‟information nécessaire pour satisfaire les internautes. Face à ces enjeux, la gestion de bases de données relationnelles, l‟informatique décisionnelle et l‟ingénierie statistique traditionnelle n‟étaient plus assez efficaces, et il fallait inventer un nouveau modèle capable de gérer ces nouveaux problèmes. Depuis les années 2000 des solutions ont émergées, et leur mise en œuvre est devenue opérationnelle chez les géants du web tel que Google et Yahoo bien sûr, mais aussi Netflix, Amazon, Microsoft, Facebook, Twitter… Google a développé sa propre technologie «Big data», Map Reduce. Oracle, leader dans le domaine des bases de données propose aussi sa solution NoSQL Database qui est une adaptation commerciale de la solution open source NoSQL (Not Only SQL) et Yahoo a développé Hadoop. Ces solutions ont clairement ouvert

17. 17 la voie à un nouveau mode de traitement analytique de l‟information, et a permis l‟émergence du concept marketing de «Big data» dont se sont rapidement emparés les acteurs du marché. 4.2 Définition du «Big data» On peut identifier le «Big data» par trois critères essentiels: volume, vitesse (ou vélocité) et variété.  Volume Le volume est d'évidence un critère majeur du «Big data». Il représente le poids total des données collectées mais son évaluation est délicate. Cet ensemble de données à croissance exponentielle représentait « 1,2 zettaoctets13 en 2010, puis 2,9 zettaoctets en 2012 et atteindrait les 40 zettaoctets » [13] en 2020 selon les spécialistes américains. A titre d'exemple, « Twitter génère actuellement 7 teraoctets de données chaque jour et Facebook 10 teraoctets » 14 [14]. 13 Rappel sur les unités de mesure 1 Ko = 1 kilooctet = mille octets = 10 3 octets 1Mo = 1 mégaoctet = un million d'octets = 10 6 octets 1Go = 1 gigaoctet = un milliard d'octets = 10 9 octets 1 To = 1 téraoctet = un billion d'octets = 10 12 octets 1 Po = 1 pétaoctet = un billiard d'octets = 10 15 octets 1 Eo = 1 exaoctet = un trillion d'octets = 10 18 octets 1 Zo = 1 zettaoctet = un trilliard d'octets = 10 21 octets E-MARKETING « LE big data » <http://www.e-marketing.fr/Fondamentaux/Le-Big-Data-255/Definition-de- Big-Data-trois-V-variete-volume-velocite-1076.htm 14

18. 18  Vitesse Le deuxième critère concerne la vitesse à laquelle les données sont générées, capturées, partagées, traitées simultanément. Aujourd'hui les applications sur Internet, les réseaux sociaux, les objets connectés, produisent des données en permanence, il est impossible d'arrêter, ne serait-ce qu'un instant, de les collecter, le retard accumulé serait vite impossible à rattraper. Pour donner un exemple, en 2012 Twitter comptabilisait 177 millions de tweets par mois, soit 66 tweets par seconde. De tels volumes imposent de traiter l'information en temps réel. Le «Big data» consiste donc également à analyser de gros volumes de données dans des délais très courts, de se rapprocher du temps réel.  Variété Ce critère est relatif à l'origine variée des sources de données prises en compte et aux formats variés des données manipulées. En effet le «Big data» se présente sous la forme de données structurées ou non structurées (texte, données de capteurs, son, vidéo, données sur le parcours, fichiers journaux, etc.). Le «Big data» va donc bien au-delà de la seule notion de volume : il constitue une opportunité d'obtenir des connaissances sur des types de données et de contenus nouveaux, afin de rendre l‟entreprise plus agile et de trouver enfin une réponse aux questions laissées en suspens. Jusqu'à présent, il n'y avait aucun moyen d'exploiter cette opportunité. Aujourd'hui, les solutions «Big data» des fournisseurs qui ont investi ce marché ont recours aux technologies les plus pointues et à des solutions d'analyse brevetées, afin d'ouvrir la porte à de nouvelles possibilités.

19. 19 5 LE CAS PARTICULIER DU « BIG DATA » MARKETING La direction marketing dans les entreprises se voit confier des responsabilités de plus en plus larges, que ce soit dans la gestion des campagnes marketing multicanaux, la définition de la stratégie de commercialisation, ou encore le développement de l‟image de l‟entreprise. L‟analyse et la mesure des résultats de leurs actions sont devenues des enjeux majeurs de leur métier. Le marketing n‟a de cesse de s‟appuyer sur les données client pour élaborer des stratégies gagnantes. Il analyse, exploite les données relatives aux clients actuels ou potentiels et les informations de l‟entreprise et, nous l‟avons vu, le volume de ces données augmente de façon exponentielle. Pour mieux comprendre, anticiper et satisfaire les besoins de leurs clients, les directeurs marketing doivent tirer le meilleur parti de ces données, le plus souvent non-structurées, afin de les transformer en renseignements directement exploitables sur les clients. L‟analyse de ce gisement de données permet aussi de suivre et de mesurer l‟impact des décisions prises et de les rectifier rapidement si nécessaire. Dans ces conditions, il est clair que, de par sa fonction au sein de l‟entreprise, le service marketing est tout particulièrement concerné par l‟avènement du «Big data». 5.1 Les limites du marketing ancien A l‟heure du marketing digital, le marketing traditionnel tel que décrit dans le célèbre livre « le Kotler » peut, en première analyse, sembler relativement dépassé. Comment peut-on encore penser que le comportement des clients, leurs motivations d‟achat reposent sur des dimensions uniquement relationnelles ? La réponse à cette question peut sembler évidente mais la réalité du terrain est tout autre. Ce marketing est souvent le modèle de référence des annonceurs influencés par l‟école marketing Procter et Gamble et il reste efficace sur de nombreux marchés où l‟offre est banalisée et conditionnée par un gros investissement média.

20. 20  La segmentation traditionnelle est perfectible. Dans le marketing traditionnel, la segmentation client est définie en analysant l‟historique des transactions du consommateur. Cette méthode ne prend pas en compte le fait que la décision d‟achat est influencée par des désirs, des valeurs, des préférences plus que par une décision ou un choix rationnel ou utile. « L’université DUKE a récemment publié une étude dont la conclusion est sans appel : 45% de nos achats sont influencés par nos croyances, nos préférences, notre réseau d’influence et non nos habitudes de consommation !15 »[15] La segmentation dite RFM, récence-fréquence-montant, souvent utilisée pour définir un modèle prédictif de l‟acte d‟achat fait reposer également son analyse sur des critères rationnels tels que la date du dernier achat, la fréquence d‟achat, le montant moyen sur une période donnée. Les entreprises ne peuvent plus se contenter d‟analyser l‟acte d‟achat dans une optique de prédiction sans tenir compte des données riches et abondantes qui sont disponibles.  Le changement de consommation est un autre facteur qui affecte les bases du marketing classique. Le consommateur de masse des trente glorieuses n‟est plus d‟actualité, le consommateur moderne adopte de nouveaux comportements d‟achats grâce à internet et à l‟essor des NTIC et en phase avec l‟évolution de la société. Des nouveaux courants de consommation sont apparus tels que le commerce équitable ou encore collaboratif : le client est de plus en plus responsable et engagé, il ne consomme plus uniquement pour s‟équiper ou répondre à des besoins primaires. Ce changement sociologique bouleverse la consommation de masse, les facteurs de décisions sont influencés par des attitudes morales ou politiques.  L’utilisation excessive de la notion de moyenne. Le marketing afin d‟évaluer la valeur future de la clientèle, extrapole à l‟aide de moyennes basées sur les chiffres réalisées dans les années précédentes et en se basant sur les indices économiques actuels puis utilise ces données pour la mise au point des futures stratégies. 15 ] BRUNO TEBOUL/juillet 2013/l‟absolu marketing/page 152

21. 21 Cette analyse peut permettre de repérer des clients encore peu rentables qui ont le potentiel de le devenir, mais difficilement de déceler d‟autres informations. Les « spécialistes » continuent à parler d‟utilisateur moyen ou de foyer lambda pour cerner leurs cibles. Ils se basent toujours sur leurs intuitions, alors que l‟exploitation des données du «Big data» permet de nouvelles perspectives : ne plus cibler une moyenne, mais la réalité en temps réel dans toute sa diversité et son dynamisme.  Les limites du webmarketing. L‟avènement du web et des nombreux nouveaux terminaux permet au marketing de repenser la relation client et ses stratégies de communication. En effet, par exemple, le webmobile permet de mieux cibler sa clientèle et de proposer des offres personnalisées. Les marketeurs utilisent donc chacun de ces nouveaux médias pour les investir de campagnes publicitaires, de jeux, de sondages etc… et le client, au final, se retrouve inondé de messages publicitaires, qui, par un phénomène de rejet, risquent d‟être perçus comme autant de spams. Cette trop grande sollicitation des internautes ne fait alors que renforcer l‟imperméabilité des consommateurs à la publicité. Le marché de la publicité a atteint une véritable saturation ces dernières années : les agences de publicité ont en effet fortement incité leurs clients à renforcer leur image de marque. « Pendant ce temps, nous sommes exposés à l’équivalent de deux millions d’annonces à la télévision durant notre vie. C’est comme regarder 8 heures de publicité par jour, 7 jours sur 7 pendant 6 ans.16 » [16] Dans ce contexte, il devient urgent d‟améliorer la pertinence des messages émis ! 16 Le CERCLE « Big ads deluge publicitaire » <http://lecercle.lesechos.fr/entreprises-marches/high-tech- medias/internet/221166922/big-ads-deluge-publicitaire

22. 22 5.2 Naissance du marketing prédictif. Suite à ces nombreux constats sur les mutations de la société et l‟inefficacité croissante des pratiques marketings traditionnelles, une nouvelle forme de marketing a émergé : le marketing prédictif. Comme on a pu le voir précédemment, l‟afflux des données non structurées va prendre le pas sur les données structurées. « L’humanité produit aujourd’hui en deux jours autant de données qu’elle en a produites de ses origines jusqu’à 2003 » et « 80% des données issues des réseaux sociaux sont non structurées (texte, audio, vidéo) »17 [17]. Afin de profiter des possibilités offertes par l‟essor d‟internet et des réseaux sociaux, les entreprises doivent aujourd‟hui se doter d‟outils d‟analyse leur permettant de décortiquer tout ce qui se passe sur la « toile ». Auparavant c‟était grâce à des techniques d‟aide à la décision que les sociétés ont pu optimiser leurs stratégies de développement. Ces applications ont été améliorées et au cours de ces dernières années afin de mieux exploiter les données dont disposent les entreprises et leur permettre de prendre des choix stratégiques. Ces logiciels décisionnels étaient à la base utilisés dans les domaines importants tels qu‟en finance et la banque, le contrôle de gestion ou encore les directions commerciales ou la politique, mais ils se sont finalement avérés être très adaptés pour les services marketing. Cependant cet instrument marketing débute lui aussi à manquer d‟efficacité dans la situation économique incertaine actuelle. En effet ces logiciels d‟aide à la décision ont pour vocation historique d‟analyser le passé et le présent grâce à des données d‟achats, en vue d‟établir des constats permettant de prendre des décisions d‟avenir. Mais l‟inconvénient de ces applications est qu‟elles se concentrent essentiellement sur les actes d‟achats passés et présents ce qui ne leur permet pas de fournir des analyses prévisionnelles aussi précises que les nouveaux outils exploitant la richesse des « Big data ». 17 LIBERATION « données le vertige » <http://www.liberation.fr/economie/2012/12/03/donnees-le- vertige_864585

23. 23  Définition Le marketing prédictif peut se définir par une analyse, des comportements voulus ou non voulus par le consommateur, visant à trouver des relations permettant de tirer des conclusions et de mettre en œuvre des actions marketing répondant aux objectifs établis. Ce nouveau concept marketing tient ses fondements sur une fine connaissance du client pour traduire cela en véritable avantage compétitif pour les entreprises. Dans cette perspective, les entreprises font en sorte d‟optimiser la valeur de chaque client en étudiant leur potentiel, pour pouvoir ainsi créer le plus de valeur possible. En effet, faisant une analyse poussée des comportements des consommateurs, il est possible d‟établir des tendances fortes qui permettent d‟anticiper le futur en prédisant les comportements à venir. .A partir des nombreuses données en leur possession, les sociétés vont alors pouvoir établir des modèles basés sur des techniques mathématiques et statistiques qui permettront d‟établir la probabilité de certains événements à se produire. C‟est le plus souvent grâce à l‟utilisation de la méthode de scoring que les modèles permettent de prédire ce qui a le plus de probabilités de se produire. En réalité, le modèle prédictif va affecter des scores plus ou moins élevés aux clients en fonction de la requête faite. Le scoring permet de mettre en évidence les risques potentiels pour essayer de les transformer en opportunité. Pour ce qui est d‟internet, c‟est essentiellement par la navigation, les moteurs de recherche et les clics sur les publicités que passe la collecte de données pouvant être exploitées par l‟analyse prédictive pour établir des corrélations comportementales avec les modèles. Le traçage du consommateur se fait quant à lui le plus souvent grâce aux cookies. En revanche, cela se complique un peu lorsqu‟on aborde la question des réseaux sociaux. Les applications d‟analyse prédictive aidées des nouvelles technologies de « Text Mining » permettent d‟analyser le contenu d‟une multitude de conversations afin de modéliser toutes ces précieuses informations et de les transformer en avantage concurrentiel. En effet, ces outils de plus en plus sophistiqués parviennent même à retranscrire les émotions contenues dans les conversations pour les exploiter à l‟aide des méthodes prédictives.

24. 24  Objectifs Le marketing prédictif cherche à faire de la connaissance client un véritable atout pour affronter un univers très concurrentiel car l‟optimisation de la valeur client est l‟un des points centraux pour stimuler les ventes et créer du revenu pour l‟entreprise. Le véritable défi du marketing prédictif est finalement de savoir quel produit offrir, à quel client, à quel moment et à quel prix et cela passe par une fine connaissance des consommateurs sur le marché. De fait, avec cette nouvelle conception du marketing, on vise à optimiser les retombées des campagnes marketing en procédant à un ciblage très précis des consommateurs pour chaque campagne. Améliorer l’efficacité des campagnes Grâce à ces méthodes de prédiction, les entreprises connaissent parfaitement leurs clients. De cette manière il leur est possible de personnaliser leurs offres, en passant par un ciblage précis des individus, des produits ou des services, des canaux de distribution et de communication et en déterminant le moment opportun pour prospecter chacun de ces clients potentiels. Ainsi les taux d‟acceptation des offres sont bien plus importants qu‟avec les techniques traditionnelles. L‟entreprise gagne donc de nouveaux clients et génère plus de revenus. Plus encore qu‟augmenter les revenus de l‟entreprise, ces campagnes marketing très ciblées permettent de réaliser des économies. Effectivement, en opérant un ciblage très fin des campagnes, la modélisation prédictive permet de réduire leurs coûts, car cela réduit considérablement le nombre de personnes auxquelles on fait parvenir les offres. Les économies réalisées peuvent alors être réinvesties pour d‟autres campagnes. L‟analyse prédictive crée ainsi une sorte de circuit fermé de croissance pour l‟entreprise. En effet les campagnes ciblées permettent de faire des économies, d‟améliorer les taux de retours, et d‟augmenter les revenus.

25. 25 Améliorer le ciblage, les besoins L‟analyse prédictive joue un rôle majeur dans la gestion de la relation client en permettant ainsi aujourd‟hui à une entreprise de soumettre des offres parfaitement ciblées et adaptées au client auquel elles s‟adressent. En effet, par le biais du scoring, les modèles prédictifs induisent quel produit ou service doit être proposé à tel client et à quel prix. Aujourd‟hui avec l‟analyse prédictive, l‟entreprise peut mieux définir sa clientèle et mieux identifier ses besoins cachés. Le principe est d‟utiliser la masse de centaines de millions d‟informations collectées ou acquises par l‟entreprise et publiques comme des indicateurs sociaux ou économiques, pour en faire ressortir des indicateurs ayant de la valeur ajoutée : Croiser par exemple des événements météo, sportifs, avec des comportements d‟achat … On détecte les variations, les récidives, les doublons, les corrélations cachées. Le « data analytics » fait émerger des phénomènes parfois contre-intuitifs comme par exemple, pour un magazine, découvrir que « le nombre de femmes qui bricolent, qui aiment le foot et la musique rock » constituent une de ses cibles de clientèle. Pour ce qui est de la prospection une entreprise dotée de la technologie capable de décoder les informations disponibles via les réseaux sociaux s‟ouvrent alors un grand champ de possibilités. Avec le contenu des conversations elle peut repérer d‟éventuels prospects et cibler des personnes présentant de l‟intérêt pour la marque ou ses concurrents. Grâce aux tendances et aux relations définies par la modélisation, elle est capable de personnaliser l‟offre à proposer à un prospect en vue de maximiser ses chances de le compter parmi ses clients. Et enfin en analysant ce qui se dit à son sujet et les émotions transmises par ses offres, une marque peut faire évoluer son image de façon subtile et sincère pour gagner la confiance des consommateurs. Grâce au scoring prédictif de « churn », les entreprises sont en mesure d‟identifier les clients présentant un fort risque d‟attrition, autrement dit de partir à la concurrence. La stratégie de rétention de clients n‟est pas incompatible avec une stratégie de développement. En effet il paraît évident qu‟en incitant le client à acheter de nouveaux produits ou services, on prolonge de fait, la relation que l‟on entretient avec lui. Ainsi, en essayant de développer les ventes additionnelles, l‟entreprise peut espérer diminuer son taux d‟attrition, à condition que les produits ou services proposés soient parfaitement ciblés. Dans cette optique, il s‟agit alors d‟agir sur les quantités achetées, sur les ventes croisées ou encore sur le niveau de gamme. Pour ce faire il faut donc identifier grâce aux modèles prédictifs, l‟appétence que pourrait

26. 26 avoir un client pour des produits ou services différents, dans le cadre de ventes croisées, ou plus sophistiqués et élaborés, dans le cadre d‟une montée en gamme . De plus, avec le développement progressif des données ouvertes, plus communément appelées l‟Open Data, de nouvelles perspectives s‟ouvrent aux entreprises. Les entreprises sont de plus en plus intéressées par le réflexe Open Data. L‟Open Data, comme son nom l‟indique, consiste à partager ses données numériques. En France par exemple, la SNCF a mis une partie de ses données en libre accès, pour que tout le monde puisse les consulter et les réutiliser. Libérer les données offre de nombreux avantages aux entreprises. Premièrement, une entreprise est une grande productrice de données, et aussi une grande consommatrice. Cette dernière ne peut survivre sans données, et les différents processus qui lui servent à traiter ces données, et à les réutiliser différemment selon ses propres besoins, coûtent de l‟argent. En effet, si l‟entreprise rend publics ses données, des tierces personnes pourront les réutiliser, les traiter ou même les intégrer à des applications intelligentes qui peuvent servir au grand public, et aussi à l‟entreprise elle même qui pourra en profiter en diminuant ses couts de traitement. Deuxièmement, libérer ses données, améliorerait l‟image de l‟entreprise en faisant preuve de transparence auprès de son public. Troisièmement, l‟ouverture des données des entreprises peut être avantageuse aux entreprises elles mêmes, en exploitant les données mises en ligne par d‟autres. Néanmoins, il faut relativiser le phénomène, car celui-ci est encore loin d‟être généralisé à toutes les entreprises et tous les types de données. Il est bien entendu que, dans un univers extrêmement compétitif, partager des données précieuses sur ses clients peut revenir à perdre son avantage concurrentiel. C‟est pour cela qu‟aujourd‟hui les entreprises restent encore très réticentes à cette pratique. Du marketing prédictif au marketing en temps réel Avec le «Big data», le marketing analytique apporte une dimension temps nouvelle : le marketing prédictif se nourrit d‟historiques de données volumineux mais permet également et de plus en plus, de remonter en continu et en temps réel l‟information. Cela permet de proposer et d‟ajuster des propositions commerciales en instantané par exemple en proposant à

27. 27 l‟internaute des produits en fonction de ses recherches ou en lui proposant le bon produit complémentaire. Ces analyses peuvent aussi devenir de puissants leviers pour optimiser les prises de décisions. Par exemple, là où l‟entreprise relançait une commande lorsque que les stocks étaient au seuil de réapprovisionnement, celle-ci le fera dorénavant tenant compte des prévisions des futurs actes d‟achats de ses clients. Acquisition de nouveaux leads La prédiction peut permettre aussi de découvrir de nouveaux leads, Une étude de CSO Insight réalisée auprès de plus de 1200 décideurs, met en relief un fossé entre marketing et forces de vente. « Le marketing, censé transmettre des leads qualifiés aux commerciaux, n’en fournit dans les faits que 30%. Si 65% des répondants identifient l’acquisition de prospects comme leur grande priorité, 68% admettent éprouver des difficultés pour générer du lead qualifié. Résultat : en 2012, moins de deux tiers des commerciaux seulement ont atteint leurs objectifs.18 » [18] Les «Big data» combinées à l‟analyse prédictive peuvent combler cet écart d‟efficacité (les 70% manquants) dans le processus de génération de leads. En recoupant et en analysant des données internes (CRM, historiques d‟achat, …) et externes (médias sociaux), elles révèlent ce que personne ne voit : des signaux d‟achat. Cette vision sur les intentions d‟achat facilite et accélère l‟identification des contacts affichant la plus forte propension à l‟acquisition. Les données mises en valeur par l‟analyse prédictive lancent donc une nouvelle passerelle entre marketing et ventes : une raison de plus pour les départements marketing des entreprises d‟investir dans un projet «Big data». 18 BUSINESS ANALYTICS « le duo big data et analyse prédictive optimise la génération de leads » <http://business-analytics-info.fr/archives/4555/le-duo-big-data-et-analyse-predictive-optimise-la-generation-de- leads/>

28. 28 6 EXEMPLES DE MISE EN ŒUVRE DU « BIG DATA » MARKETING Le «Big data» est un terme à la mode ! Pour s‟en convaincre, il suffit d‟exécuter une requête sur Google Trends. On voit ainsi que, depuis janvier 2011 le nombre de requêtes Google effectuées en France portant sur le terme «Big data» est tendanciellement à la hausse (cf graphique ci-dessous). La région parisienne, comme l‟on pouvait s‟y attendre est celle où cet intérêt porté aux «Big data» est le plus grand. Au-delà du bruit médiatique, qu‟en est-il réellement sur le terrain ? Y-a-t-il déjà des projets «Big data» concrets en France dans le domaine du marketing? Si oui, quels résultats ont-ils donnés ?

29. 29 Cette partie du présent document vise à présenter certains d‟entre eux afin d‟évaluer la réalité et l‟efficacité de cette nouvelle démarche. Nous allons voir successivement les réalisations concrètes en ce domaine des sociétés PriceMinister et Critéo puis nous parlerons de quelques nouvelles offres qui existent ou se profilent dans ce domaine. Pour donner une vision plus nuancée de l‟état des lieux, nous ferons part aussi des quelques interviews réalisés qui nous ont permis de constater que toutes les entreprises ne sont pas obligatoirement concernées par les projets «Big data» ou ne se sont pas encore lancées.

30. 30 6.1 Le cas PriceMinister Cette première présentation d‟un cas concret est issue des informations présentées lors d‟une table ronde qui s‟est tenue le jeudi 29 janvier 2013. Elle rassemblait plusieurs acteurs du «Big data» dans le domaine du marketing en France et visait à dédramatiser la complexité de ce type de projets et de montrer des réalisations concrètes et les résultats obtenus. La table ronde présentant le projet de PriceMinister, animée par Mme Lubomira Rochet, Directrice générale de Valtech France, réunissait Mme Odile Szabo, marketing manageur chez PriceMinister et Mr David Bessis, président de Tinyclues, une entreprise spécialisée dans le traitement des données en vue de répondre à des problématiques business. « Cette table ronde, ainsi que l’ensemble du séminaire, sont consultables sur une vidéo réalisée et mise en ligne par le groupe de conseil VALTECH.19 » [19] .  La problématique de PriceMinister L‟essentiel du business réalisé par PriceMinister est effectué avec ses abonnés. La base d‟abonnés qui comporte plusieurs millions d‟adresses est donc la valeur principale de cette entreprise. PriceMinister traditionnellement poussait des offres commerciales élaborées par ses services commerciaux puis négociées par son service achats, en envoyant toutes les semaines des newsletters thématiques à des sous-ensembles larges de la base d‟abonnés obtenus en utilisant des méthodes de segmentation traditionnelles. Depuis peu PriceMinister souhaite commercialiser des produits issus de marchands professionnels désirant écouler des produits de déstockage à des prix défiants toute concurrence pendant une période très brève. L‟utilisation des newsletters thématiques pour écouler ce genre d‟offres s‟est avérée contreproductive : L‟entreprise a constaté progressivement une baisse du taux d‟ouverture des newsletters et même une augmentation du taux de désabonnement. 19 YOUTUBE « tour de table sur le big data » <https://www.youtube.com/watch?v=BVySsQLIva4>

31. 31 En effet le client ne souhaite pas que sa boite mail soit inondée d‟offres qui ne lui correspondent pas. Fidéliser un client étant moins couteux que d‟en conquérir un nouveau, diminuer le taux d‟attrition de ses abonnés était devenu un défi majeur pour cette entreprise qui mise la plupart de son commerce sur la valeur marchande de ses abonnés. L‟enjeu majeur de cette d‟entreprise était de mieux cibler sa clientèle : Il a été décidé de diffuser les offres de déstockage non plus à travers les newsletters thématiques envoyés à plusieurs millions d‟abonnés mais via des mails finement ciblés en fonction du produit spécifique à écouler, adressés à quelques centaines de milliers de personnes seulement. Dans l‟exemple concret présenté PriceMinister devait écouler un stock de deux jeux vidéo dans un lapse de temps réduit. Ces deux jeux s‟adressaient à des publics différents, une segmentation globale « jeux vidéos » ne suffisait pas. L‟enjeu était de réaliser une campagne d‟e-mailing extrêmement ciblée afin d‟optimiser les taux d‟ouverture des mails, les taux de clic et de générer un chiffre d‟affaire par envoi supérieur aux newsletters. Pour cela l‟entreprise a choisi d‟adopter une solution «Big data» et d‟en confier la réalisation technique à un prestataire externe, l‟entreprise Tinyclues.  La solution «Big data» Dans une première étape, l‟entreprise PriceMinister a du transmettre l‟ensemble de ses données structurées et non structurées au prestataire: les données utilisateurs, les données comportementales, les données produits, les données de navigation sur le site, les données de recherche, les données de newsletter (ouverture, clic,..) etc… Ensuite le prestataire a regroupé l‟ensemble de ces données venant d‟outils et de sources différentes, pour certaines externes, et a travaillé à les interconnecter entre elles. Le but est d‟identifier des objets business et d‟en dresser une cartographie, c'est-à-dire d‟évaluer en quelque sorte une distance entre ces objets. Ce travail est le vrai savoir-faire du prestataire mettant en œuvre le projet «Big data». La complexité mathématique et technique de cette partie du chantier n‟est pas répercutée sur le

32. 32 donneur d‟ordre qui peut ainsi s‟exprimer vis-à-vis de lui uniquement en termes de besoin marketing. Le projet a suivi une démarche itérative et pragmatique. L‟entreprise après avoir réalisé le « mapping » des données peut identifier les cibles susceptibles d‟être intéressées par l‟offre spécifique. Une première réalisation permettant d‟effectuer des tests et de mesurer des premiers résultats s‟est effectuée assez rapidement c'est-à-dire dans un délai d‟un mois. Le modèle a ensuite été optimisé puis le système a été utilisé en vrai grandeur pour distribuer des produits de déstockage.  Résultats et conclusion. Tyniclues est capable désormais en quelques heures de déterminer la population à cibler en fonction du type de produit à vendre. PriceMinister peut aussitôt pousser des emails dans la journée. En pratique, il a été constaté une réalisation de chiffre d‟affaire 5 à 10 fois supérieure à celle obtenue précédemment via les newsletters. Le chiffre varie essentiellement en fonction de la richesse des données disponibles pour le produit à distribuer. Le résultat est donc une réussite et démontre, chiffres à l‟appui, la validité du concept de «Big data» lorsque l‟on cherche à mieux cerner les intentions d‟achat du client. PriceMinister est bien décidée à poursuivre dans cette démarche et une nouvelle étape du projet, visant à un plus grande automatisation du processus, est prévue : elle permettra aux agents marketing de PriceMinister, par exemple, de déposer eux même les caractéristiques du produit à vendre dans l‟outil du prestataire et le système, après avoir déterminé automatiquement la population à cibler sera à même d‟envoyer directement les mails.

33. 33 6.2 Le cas Criteo La société Criteo est une société française spécialisée dans la publicité internet dont le modèle économique est entièrement basé sur l‟utilisation du «Big data». Sa réussite est donc une excellente démonstration des apports de cette technologie dans le domaine du marketing prédictif.  La problématique La publicité sur internet est omniprésente lorsque l‟internaute effectue des recherches que cela soit sur les réseaux sociaux, les blogs, les moteurs de recherche, les boites mails ou encore les sites spécialisées. Le monde de l‟internet est en effet le plus souvent basé sur la gratuité des outils ou des informations mises à la disposition des internautes. Les sites de contenu ou fournissant un service n‟ont alors pas d‟autre source de revenus que la publicité. Dès lors, les bannières et autre moyens publicitaires sont omniprésents tout au long du parcours de navigation de l‟internaute. Le taux d‟achat par rapport aux taux de clic ou aux pages visitées reste cependant très bas. « Les bannière affichées sur un site seront cliquées moins d’une fois sur cent par l’internaute qui visite la page ». « Et sur ces clics, moins de 15 % mènent à un achat ».20 [20] L‟internaute utilise actuellement plus internet comme un outil de renseignement et de comparaison que comme moyen d‟achat. Ce phénomène de la faiblesse du taux de clic peut être aussi intensifié par la multitude de publicités proposées et l‟agressivité de certaines d‟entre elles qui agace le consommateur (publicité s‟affichant par exemple en plein écran, …). Cependant, Internet malgré les limites observées est un média ayant un avantage sans précédent pour les entreprises, il est le média qui permet le mieux d‟analyser et de mesurer les audiences et ses caractéristiques. L‟attraction et la rentabilité de ces publicités étant très rapidement mesurables, utiliser ce média s‟avère être un investissement peu risqué du point de vue des annonceurs. Maitriser les retombées financières de ses campagnes publicitaires devient un avantage business significatif pour les entreprises mais optimiser la performance de ce type de publicité nécessite un réel investissement et savoir-faire. 20 Paris Tech/Quel avenir pour l‟union européen/février 2013/page 35

34. 34 La start-up Criteo a décidé d‟en faire son business, en se spécialisant dans la réalisation de bannières publicitaires personnalisées. Le cœur de son métier est de faire du reciblage (retargeting) dont l‟objectif est de proposer des publicités susceptibles de plaire à l‟internaute durant ses visites. Grace aux technologies «Big data», la publicité montrée est personnalisée : elle s‟adapte en temps réel à la personne qui navigue sur Internet : Deux personnes ne verront pas la même publicité sur la même page comme une même personne ne verra pas nécessairement la même publicité quelques instants plus tard. Source Criteo En règle générale, à chaque clic sur une bannière de publicité, le détenteur du site affichant cette publicité, perçoit une rémunération. D‟un côté les annonceurs désirent inciter le plus d‟internautes possible à venir découvrir leur site marchand, de l‟autre, les sites de contenu veulent développer leurs revenus en augmentant leur taux de clics sur les bannières de publicité qu‟ils affichent. Criteo jour le rôle d‟intermédiaire en se plaçant au milieu de ces deux types d‟acteurs.

35. 35  Le rôle et le modèle économique de Criteo Criteo, pour chaque publicité, sélectionne les sites de contenu les plus adaptés en fonction de la nature du message publicitaire à diffuser et, ensuite, cible les internautes les plus susceptibles d‟être intéressés par cette publicité. Le but est d‟obtenir le taux de clic optimal. Tout ceci est fait en utilisant les technologies «Big data». Criteo dispose en effet des masses d‟informations fournies par ses divers clients annonceurs et par les traces laissées sur internet par les internautes. Des informations d‟environnement (météo, période de l‟année) sont aussi prises en compte après avoir constaté que ces paramètres ont une influence sur l‟attractivité de certains sites ou gamme de produits. Les informations accumulées lui permettent aussi de mesurer l‟impact de certains comportements des internautes. Par exemple est-il judicieux de représenter à nouveau une bannière à un internaute qui est déjà passé sur une page l‟affichant et qui ne l‟a pas cliquée ? Une fois, par exemple, la décision prise de réafficher la bannière, les technologies «Big data» mises en œuvre permettent de démarrer la mise en pratique de cette décision sur un petit sous ensemble du trafic internet afin de valider complètement le choix avant généralisation à grande échelle . Criteo a ainsi développé au cours du temps un savoir-faire et une infrastructure lui permettant d‟utiliser en temps réel et efficacement les masses importantes de données aux quelles il a accès. Comme souvent en ce qui concerne le «Big data», le volume des données et le savoir- faire accumulés par les acteurs en place constituent des barrières quasi infranchissables pour les nouveaux entrants éventuels sur le même marché. Une difficulté particulière de ce travail est en effet liée à l‟aspect temps réel : Criteo est présent sur des plates-formes d‟enchères (Real TimeBidding) auxquelles participent d‟autres annonceurs. En pratique, chaque fois qu‟un internaute visite un site souhaitant afficher des publicités, ce dernier s‟adresse à la plate forme d‟enchères et sélectionne l‟annonceur le mieux disant. Criteo est capable de proposer en quelques millisecondes un prix fonction de la probabilité du clic du visiteur sur la bannière publicitaire en tenant compte de la nature du site visité et des particularités du parcours de l‟internaute.

36. 36 Point très important qui démontre l‟efficacité de la solution «Big data» mise en œuvre par Criteo : Criteo se différencie des autres annonceurs dans la façon de séduire les éditeurs. Plutôt que de proposer un prix au clic,une rémunération à la performance, l‟éditeur est rétribué chaque fois qu‟il montre la publicité, rémunération à l‟impression.De son côté, l‟annonceur, lui, rétribue toujours Criteo à la performance. Dans ce système, c‟est donc Criteo, qui sûr de sa solution, assume les risques, charge à lui d‟en tirer le meilleur rendement. Un annonceur connait facilement l‟origine des internautes qui arrivent sur son site et peut ainsi mesurer précisément et quotidiennement l‟attractivité et la rentabilité de ses campagnes publicitaires. Il peut à tout moment décider d‟arrêter une campagne publicitaire. Dans la plupart des cas, en pratique, l‟annonceur observe un plus grand nombre d‟achats pour un même nombre de visites, qui s‟explique par le ciblage opéré par Criteo grâce à ses modèles de prédiction. Dans 97% des cas la campagne publicitaire va à son terme, preuve supplémentaire de la pertinence de la solution «Big data» de Criteo.  Résultats obtenus par Criteo La réussite économique de Criteo démontre la pertinence des solutions «Big data» dans le domaine du marketing predictif. Criteo, société française forte de 800 personnes et présente dans 32 pays, affiche en effet plusieurs centaines de millions de bannières par jour pour 3000 clients.

37. 37 6.3 Les grands acteurs croient en l’avenir du «Big data» Les chapitres précédents, à travers deux mises en œuvre concrètes (PriceMinister, Criteo) ont permis d‟illustrer l‟efficacité des solutions «Big data» dans le domaine du marketing. Une autre façon d‟apprécier l‟avenir de ce type de solutions est de montrer la valeur attribuée aux données par les grands acteurs du marché. Le sujet est vaste, deux points significatifs sont détaillés ci-dessous à titre d‟exemple : l‟offre « Universal analytics » de Google et la mise en ventes des données par certaines grandes sociétés. L‟étude de ces exemples permet de montrer que le phénomène «Big data» n‟est pas seulement la dernière solution à la mode, il y a des réels enjeux économiques à la clé : si les données extraites de l‟activité internet sont autant valorisées, c‟est que, bien utilisées, elles peuvent rapporter beaucoup.  Google : une société basée sur les données Annoncée par Google à ses partenaires en octobre dernier, l‟arrivée du produit « Universal Analytics » démontre, une fois de plus que Google est la société qui, plus que toute autre, a parfaitement compris la valeur que pouvait avoir les grandes masses de données accumulées dans le domaine du suivi du comportement des prospects et clients. « Universal Analytics » : de quoi s’agit-il ? Avec de toutes nouvelles fonctionnalités par rapport à la précédente version dénommée « Analytics », Google propose désormais un outil sophistiqué et accessible pour analyser l‟ensemble de l‟écosystème marketing et commercial. « Universal Analytics » ne se limite plus en effet à analyser les données de navigation Web. Ce nouvel outil permet d‟intégrer des statistiques issues du offline telles que les transactions en magasin ou les appels au call center. L‟outil doit aussi permettre de suivre un client ou prospect de façon individualisé pendant l‟intégralité de son parcours online et offline (le procédé technique qui va permettre à Google d‟identifier de façon unique les internautes reste à ce jour inconnu).

38. 38 En bref, il s‟agit d‟un outil permettant d‟optimiser sa stratégie multicanal, de développer l‟acquisition client et d‟améliorer la conversion des internautes en clients, numériques ou physiques. Dans le domaine de l‟analyse marketing, « Universal Analytics » est clairement un premier pas vers le «Big data», premier pas que l‟on peut s‟offrir rapidement et à moindre frais puisque ce produit est offert « gratuitement » par Google. Universal Analytics se montre particulièrement utile lorsqu’il s’agit d’analyser non seulement l’activité Web mais l’ensemble du cycle d’achat client. Quelques exemples permettront de mieux comprendre l’apport de ce nouvel outil21 [21] L‟intégration des données issues du call center : Grâce à une adaptation du programme informatique de suivi sur l‟outil CRM, des données telles que le sujet de l‟appel, la durée, les transactions ou les coûts associés peuvent être gérées dans « Universal Analytics ». Ces informations permettent d‟avoir une analyse plus fine de la rentabilité du centre d‟appel, en mesurant les actes d‟achat finalisés par le client ayant été en contact avec le call center. La prise en compte des conversions magasin des clients utilisant leur carte de fidélité : Cette approche permet d‟offrir une vision consolidée du ROI d‟un site en intégrant le offline. C‟est aussi un véritable levier d‟amélioration des parcours client dans une optique de drive to shop. La personnalisation des campagnes online : Universal Analytics permet d‟identifier tous les internautes qui se sont déjà logués une fois. Il est alors possible de déclencher des campagnes personnalisées en fonction du parcours de navigation. On peut, par exemple, envoyer un email promotionnel ciblé à un Internaute qui a visité plusieurs fois la section „promotion‟ d‟un site si l‟on considère que ce client a une attirance spéciale pour les prix bas. 21 KELEY CONSULTING « Google universal analytics » <http://www.keley-consulting.com/nouveaux- usages/Google-Universal-Analytics-Big-Data>

39. 39 Pourquoi ce nouvel outil est il diffusé « gratuitement » ? On l‟a bien compris, l‟intérêt de Google n‟est pas de faire du chiffre d‟affaires sur son outil de tracking, mais de garder sa position dominante sur le marché publicitaire. Avec sa nouvelle solution « Universal Analytics », Google n‟oublie pas que pour vendre plus d‟espaces publicitaires sur son propre réseau, il doit tout faire pour en démontrer la rentabilité aux annonceurs. Sa solution «Big data» est là pour cela. En outre, en utilisant ce nouveau produit, les entreprises sont amenées à fournir à Google de plus en plus de données. Google, société à l‟origine des technologies et solutions «Big data», a parfaitement compris que ces données ont de la valeur : plus Google est riche en données, plus ses services sont performants, plus ses revenus publicitaires augmentent et plus sa position est dominante et inexpugnable.  Les traces laissées sur internet ont une valeur marchande Après un récent changement de ses conditions d'utilisation, la banque Barclays se réserve le droit de vendre un agrégat d'informations à propos de ses utilisateurs à des entreprises tierces à partir d'octobre 2013. "Ces informations seront quantitatives et non personnelles, et vous ne pourrez pas être identifiés sur la seule base de celles-ci", précise la banque. Les utilisateurs ne pourront pas refuser que leurs données soient partagées. En France, SFR a annoncé la commercialisation prochaine de ses données géo-localisées. Les données collectées par l'opérateur puis « anonymisées », pourront ainsi renseigner les entreprises sur la fréquentation d'un lieu. Orange se place également comme un fournisseur de "volumes très importants de données, rendues anonymes, agrégées et sécurisées". Tout ceci est la preuve qu‟il y a un marché : les entreprises commencent à comprendre quels bénéfices elles peuvent tirer de l'analyse de ces données …… ou de leur vente !

40. 40 6.4 Le «Big data» n’est cependant pas encore généralisé Les solutions «Big data» dans le domaine du marketing prédictif existent, elles sont, comme vu précédemment rentables, les données permettant de mettre en œuvre ces solutions ont une vraie valeur … mais nous n‟en sommes encore qu‟au début de la généralisation de ce phénomène. Pour preuve de cela, plusieurs sociétés contactées n‟ont pas encore initialisé une démarche en ce sens.  L’Oréal George-Edouard Dias, Digital Business de L‟Oréal S.A. a pour mission et objectif de renforcer l‟utilisation d‟internet par L‟oréal et d‟améliorer ainsi trois domaines : communication et publicité, processus de vente, découverte et mise en œuvre de nouvelles activités. A ce jour, en effet, les contacts pris avec la direction de L‟Oréal coiffure nous ont montré que le « Big data» » n‟est pas un projet planifié au sein de cette société. Cela illustre sans doute aussi le fait que les sociétés travaillant en « B to B » sont à ce jour nettement moins concernées par le phénomène « Big data» que celles en contact avec le grand public et réalisant une part significative de leur chiffre d‟affaire via internet.  Barclays Banque Les banques détiennent de nombreuses données concernant leurs clients et ces informations sont très riches et confidentielles. Le secteur bancaire est ultra concurrentiel et détient un fort taux d‟attrition, le «Big data» est déjà utilisé pour contrôler les fraudes et, à priori, il pourrait permettre aussi d'apprécier plus finement le comportement des clients à travers leur consommation bancaire et non bancaire et d'adapter ainsi les offres au plus près de leurs attentes.

41. 41 Dans ce marché très mature, les banques ont notamment à cœur de ne pas laisser des clients partir à la concurrence. Or, l‟utilisation de moyenne pour le lancement de campagnes marketing est d‟autant plus faussée que la notion de client moyen n‟existe pas dans le secteur bancaire. Dans ce contexte, le «Big data» pourrait devenir un des leviers d'action immédiats afin de renforcer la satisfaction des clients et devenir un levier de croissance. Le «Big data» permet en effet, en croisant de multiples données micro- et macro- économiques (transactions bancaires, code postal, taux de chômage…), d'identifier des groupes de clients aux caractéristiques différentes mais partageant le même comportement. Exemple : une sensibilité forte aux frais bancaires. En « coloriant » ainsi sa base clients, la banque se dote d'un outil plus prédictif lui permettant de mettre en place des actions ciblées afin de neutraliser les causes d'insatisfaction. Au terme d‟un entretien avec la responsable du traitement de donnée à la Barclays, la réalité est tout autre. En effet les algorithmes statistiques utilisés permettent déjà de croiser les données internes à l‟entreprise qui sont très riches, c‟est pourquoi elle ne voit pas l‟utilité d‟un nouveau système «Big data». Pour ce qui est de l‟analyse non structurée de la donnée sur les réseaux sociaux, les mails ou les blogs, la banque ne perçoit pas l‟utilité des ces informations : en effet la Barclays n‟est pas, à ce jour, présente sur les réseaux sociaux et ne développe pas d‟application Smartphone. Les clients ne s‟expriment pas beaucoup et ne discutent pas sur les pages sociales, la relation reste très contractuelle. Suite à une explication approfondie des possibilités du «Big data», un autre problème de taille est apparu au cours de l‟interview. La Banque est un secteur très restreint par la législation : Emettre des offres personnalisées dans une optique prédictive est tout simplement impossible car une banque ne peut proposer une offre sans que le client en ait fait la demande. Ce rôle est réalisé par les guichetiers qui peuvent discuter oralement avec le client puis obtenir leur accord pour leur soumettre des offres commerciales. Dans ce cas aussi, à nouveau, la réalité des entreprises prend le dessus sur les promesses théoriques du «Big data», et montre qu‟instaurer ce type de modèle de traitement de données n‟est pas forcément adapté à tous les types d‟entreprises ou au moins pour le moment.

42. 42  La perception d’une société d’infogérance : Bull Bull fournit des infrastructures techniques à même de supporter des solutions « Big data» (serveurs informatiques de grande puissance, espaces de stockage, …) mais en terme de services informatiques d‟hébergement et d‟infogérance, pour l‟instant l‟essentiel des besoins de ses clients et de la croissance de son marché est encore tourné vers des applications traditionnelles ou du « cloud computing ». Le « Big data» n‟est pas encore devenu une activité forte, voilà ce qui est ressorti de notre contact avec le responsable marketing de la branche Infogérance de cette société, bien placée de par son activité pour être au cœur des préoccupations de ses clients en termes de système d‟information.

43. 43 6.5 Quelques points spécifiques à prendre en compte dans les projets « Big data » L‟entreprise qui décide de s‟engager dans l‟exploitation des «Big data» devra commencer par effectuer un état des lieux. Le dimensionnement du projet devra notamment intégrer les éléments suivants: Son besoin prioritaire La rareté des compétences L‟hétérogénéité et la multitude des offres «Big data» sur le marché. les directives juridiques sur les conditions légales d‟exploitation des données privées la capacité des équipes techniques et marketing à travailler ensemble Intégrer ce nouveau type de solution engendre en effet des mutations dans plusieurs domaines : que ce soit dans la façon de voir le business et de l‟appréhender ou dans l‟organisation des services et métiers au sein de l‟entreprise.  Repensez l’organisation marketing L‟exploitation des données «Big data» en vue de personnaliser la relation client oblige le département marketing à se réorganiser : actuellement il est organisé autour de campagnes planifiées et datées, le «Big data» va lui permettre d‟être plus réactif aux attentes des clients mais lui imposer aussi un fonctionnement plus agile et plus itératif. Ce nouveau processus rend trop limité la façon d‟agir traditionnelle, la segmentation approximative et le lancement de campagnes avec trois ou quatre déclinaisons deviennent obsolètes. Avec le « Big data», le marketing rentre dans le monde de l‟hyper-ciblage, de l‟hyperpersonnalisation et de la rapidité que seule l‟automatisation permet. Pour faire face à ce défi, les services marketing auront intérêt à se réorganiser en mode projet :

44. 44 Le premier temps concerne l‟analyse des données brutes disponibles, l‟analyse et la transformation de ces données en informations marketing porteuses de sens et plus faciles à exploiter (scores, segmentation, KPI, agrégat…). Dans un deuxième temps, les services marketing conçoivent les dispositifs relationnels automatisés qui vont s‟appuyer sur ces informations calculées en continu. Une fois ces dispositifs paramétrés et opérationnels, les équipes marketing se concentrent sur le suivi et l‟amélioration des dispositifs existants avec moins de temps consacré à la technologie et plus au marketing. Ceci est absolument indispensable, car l‟augmentation massive du volume de données disponibles implique de la part du marketeur une plus grande implication dans l‟analyse des données, et un recentrage sur son vrai métier. Autre évolution majeure : La disponibilité de cet ensemble de données permet aussi aux équipes marketing de mesurer très rapidement l‟efficacité des campagnes lancées et de réagir immédiatement, si nécessaire, pour rectifier le tir lorsque les résultats escomptés ne sont pas au rendez vous. En résumé, les équipes marketing devront replacer les données au cœur de leur problématique et intégrer l‟ensemble des canaux et des supports pour avoir une vision omni- canaux. Elles ne vont plus raisonner sur des silos de données, mais au contraire intégrer la totalité des données de l‟entreprise (marketing, ventes, finances, après-vente …) et le cas échéant des données achetées en externe afin d‟en extraire des rapprochements porteurs de sens. Dans leur stratégie centrée sur le client, elles doivent aussi intégrer l‟ensemble des supports et des canaux de contacts sur lesquels existe la marque, ce qui implique aussi une évolution de leur relation avec la DSI.

45. 45  «Big data» : vers une nouvelle relation entre le service marketing et le service informatique. L‟acquisition de la technologie «Big data» va entrainer une rupture dans l‟organisation et les relations entre les services, plus particulièrement entre le service marketing et le service informatique. Depuis quelques années, les responsables des entreprises (banques, assurances, industrie etc…) ont davantage reconnu et admis que la gestion et l'exploitation des informations sont un facteur de compétitivité à ne pas négliger. Le développement rapide de l'informatique a donné aux entreprises la possibilité d'utiliser des moyens avancés et puissants pour gérer et exploiter de très grands volumes de données. Il y a quelques années, les informaticiens avaient un rôle majeur dans le domaine de la gestion des données. Actuellement, les tendances à l'intérieur des entreprises ont changé de façon à ce que tous les collaborateurs soient de plus en plus impliqués dans les différents procédés liés à la gestion et l'exploitation des données. Si le département informatique est sans conteste l‟un des principaux acteurs permettant de relever le défi du «Big data», à travers le choix de solutions IT, il ne dispose pas d‟une vue aussi complète et transverse sur l‟activité business de l‟entreprise que la fonction marketing. Relever le défi du «Big data» n‟est pas une mince affaire, mais il est riche de perspectives. Les directeurs marketing et responsables de données pourront en tirer un ROI plus rapide au niveau des campagnes réalisées, du développement et de la fidélisation de leur clientèle, et à moyen terme, un impact certain sur l‟activité globale de l‟entreprise mais, pour cela, le département marketing se doit d‟être un service de plus en plus tourné vers l‟appréciation des données en rapport avec le client. .  L’apparition de nouveaux métiers. En termes d'emplois, le «Big data» peut aussi nécessiter des profils assez différents de ceux actuellement présents au sein de l‟entreprise. Aux Etats-Unis, pays souvent en avance sur l‟Europe pour ce qui concerne le monde Internet, un métier lié au «Big data» commence à s'imposer : celui de Data Scientist. Il est aujourd'hui

46. 46 considéré outre-Atlantique comme l'un des profils des technologies de l‟information les plus recherchés et parmi les mieux payés. Fournisseur bien placé pour parler du «Big data», IBM a essayé de définir ce métier émergent de Data Scientist. « Ainsi, selon « Big Blue », le métier de Data Scientist "est une évolution des rôles de Business Analyst ou de Data Analyst 22 » [22]. La formation est ainsi la même, remarque IBM : "elle est en général solide en informatique, statistiques, Analytics ou mathématiques." Mais IBM attire l'attention sur une différence fondamentale : Un Data Scientist ne doit pas se contenter de recueillir les données et faire des rapports, mais il les regardera aussi sous de nombreux angles, devra déterminer ce que les données signifient, puis recommandera des moyens pour appliquer leurs enseignements. C'est pour cela que le Data Scientist doit aussi savoir communiquer à la fois aux responsables informatiques, mais aussi au Top Management de l'entreprise. D‟autres profils sont aussi recherchés dans le cadre des projets « Big data » : Si la définition du «Big data» et des métiers liés peuvent sembler encore mouvants, certains termes commencent à y être assez clairement associés : Hadoop, MapReduce, Bigtable, éventuellement NoSQL... La maîtrise de ces technologies est-elle obligatoire et indispensable pour les Data Scientists ou pour ceux qui voudraient postuler à des offres d'emploi lié au «Big data» ? Pas obligatoirement car le Big data et les métiers liés étant assez émergents en France, actuellement, les candidats recherchés doivent surtout montrer plus d'appétences que de réelles expériences sur ces technologies liées au «Big data». Des profils maîtrisant très bien Java ou les services Cloud d'Amazon peuvent ainsi être très bien prédisposés, … Ces profils peuvent être de bons candidats, même s'ils devront monter en compétences ensuite. Ceci étant, avec la montée en puissance des projets «Big data», ces ressources, comme aux Etats unis, risquent de se raréfier. Démarrer un projet «Big data» dès que possible est donc aussi une façon de progresser en compétence dans ce domaine et de bâtir une équipe performante afin d‟être certain d‟être pleinement opérationnel lorsque la concurrence aura rendu les projets «Big data» incontournables. 22 JOURNAL DU NET « métier du Big Data : data scientist » <http://www.journaldunet.com/solutions/analytics/metier-big-data-data-scientist.shtml>

47. 47  Les enjeux financiers Comme toute technologie innovante, le «Big data» a un coût que les experts oublient souvent de mentionner. Il convient de mesurer le ROI et pas seulement de décrire les gains apportés par cette solution. En effet le traitement de cette multitude de données va entrainer des coûts d‟investissement technologique et humain. Les aspects humains et de compétence ont déjà été évoqués ci- dessus. En ce qui concerne les investissements technologiques, les solutions traditionnelles de bases de données relationnelles ne sont pas adaptées pour traiter la plupart des ensembles de données « Big data». Les données non structurées ou trop volumineuses ne peuvent être gérées efficacement par ces technologies traditionnelles. Les technologies nécessaires dans une optique «Big data» impliquent des investissements significatifs. En particulier, pour le stockage des informations, les entreprises devront investir dans de nouveaux centres informatiques, de nouveaux disques durs et, bien sur, tout cela entrainera aussi des charges énergétiques et de maintenance conséquentes. Pour ce qui est du traitement de l‟information, les entreprises ont la possibilité de choisir entre les solutions logicielles Open Source et les solutions propriétaires commercialisées par des éditeurs. La réduction des coûts, l'extensibilité et les facilités d'intégration sont quelques-uns des avantages que les organisations vont pouvoir retirer des solutions Open Source. De plus, la communauté Open Source est très active et ne cesse de faire des efforts pour améliorer les caractéristiques, et ajouter de nouvelles fonctionnalités à ces solutions.  Vie privée et «Big data» Avec l‟apparition des projets «Big data», la conservation et l‟analyse des données personnelles va augmenter fortement. Pour les besoins du marketing en particulier, des informations sur les utilisateurs sont rapprochées et extraites d‟internet. Des outils de gestion de l‟identité sont maintenant utilisés

48. 48 sur la toile, les téléphones mobiles envoient des informations de géo-localisation aux opérateurs de télécommunications, les achats effectués par carte bancaire révèlent les montants dépensés et les magasins visités …. De fait, un nombre croissant de compagnies collectent, utilisent pour leur besoin propre ou vendent les données et profils d‟utilisateurs extraits de ces diverses sources d‟information. Cela peut à terme poser trois types de problèmes qu‟il convient de prendre en compte dans le cadre d‟un projet «Big data» : Un problème de sécurité. Un problème de légalité. Un problème de réticence de l‟utilisateur. Sécurité : Rassembler et rendre accessibles un très grand volume de données dans le cadre d‟un projet «Big data» a pour but d‟en extraire une foule d‟informations très riches sur les internautes et sur leur comportement. Le revers de la médaille est bien sur que cette mine d‟informations ne doit pas pouvoir être accédée de façon malveillante par des pirates informatiques depuis l‟extérieur de l‟entreprise ou par des collaborateurs indélicats. La prise en compte des contraintes de sécurité est donc un élément important de tout projet «Big data». Légalité : Un projet « «Big data» » doit impérativement inclure un volet juridique pour respecter les règlementations sur l‟information (CNIL, etc.), qui définissent des principes à respecter pour la collecte, le traitement et la conservation des données, ceci afin de protéger les droits des personnes qu‟elles concernent. Si les analyses des comportements à travers les données personnelles existent, elles doivent se conformer aux droits dont disposent les utilisateurs : droit d‟informations, d‟accès, d‟opposition ou de rectification. Quant à la commission européenne, elle a publié, le 25 janvier 2012, un projet de directive sur la protection des données européennes. Il convient donc de se tenir informé aussi des évolutions législatives qui ne manqueront pas d‟apparaitre dans le but de mettre le droit en cohérence avec les nouveaux risques et

49. 49 opportunités amenés par les nouvelles technologies et leur utilisation et en particulier par le « Big data». Réticence des utilisateurs : Le « Big data» permet de fournir un meilleur service à l‟utilisateur en lui proposant des offres adaptées à son cas personnel et pertinentes. Il sera donc sensible au fait que, grâce au «Big data», il reçoit moins de mails qui polluent sa boite électronique, moins de fenêtres publicitaires peu pertinentes sur son écran d‟ordinateur ou de téléphone ….mais ce progrès, tous ne sont sans doute pas près à le payer en abandonnant la confidentialité de leur vie privée. Ainsi, avec la généralisation progressive des projets «Big data», avec la mise en vente de plus en plus fréquente des données des utilisateurs par les entreprises disposant, de par leur position dans le circuit économique, d‟une grande richesse d‟informations, il peut apparaître au sein de la société civile un phénomène de rejet des sites mettant en œuvre ce type de ciblage ou connues pour revendre leur données.. Sous la pression des utilisateurs, il se peut que les entreprises soient obligées tôt ou tard de rendre les analyses comportementales optionnelles. La rentabilité des projets « Big data» dépendra alors du taux d‟utilisateurs voulant protéger leur vie privée et refusant de voir leur comportement analysé.

50. 50 6.6 Au-delà du marketing, le « Big data », la boite à outils multi-usages Les techniques de prédictions développées dans le cadre du «Big data» trouvent progressivement leur application dans l‟ensemble de la société et pas seulement dans le marketing. En effet l‟analyse « Big data » des centaines de millions d‟informations crées par l‟activité économique et humaine peut permettre d‟en retirer des indicateurs sociaux, économiques, sanitaires, culturels, sécuritaires …. De fait, toutes les activités humaines sont candidates à être concernées par le phénomène « Big data ». « Par exemple une analyse « Big data » a permis à une entreprise comme EDF de mieux choisir le positionnement de ses éoliennes en étudiant les données météorologiques et atmosphériques des 10 dernières années23 »[23]. Dans un tout autre domaine, en analysant et en regroupant les informations se trouvant sur les réseaux sociaux, les blogs, en cherchant la répétition de mots clé, « il a été possible de déterminer la victoire de la Suède à l’Eurovision par avance.24 »[24] Dans un autre secteur, une entreprise de vêtements produisant des maillots de bain, en analysant les conversations de ses fans sur leurs pages facebook, lorsqu‟elles parlent de vacances et de beau temps, décide la date de lancement de sa nouvelle collection de maillots. Dans la grande distribution l‟analyse prédictive est utilisée dans le réassortiment des magasins. L‟analyse des comportements d‟achat permet d‟éviter les surstocks et donc d‟éviter les couts associés. Pour les entreprises implantées à l‟international, la demande de leurs clients diffère en fonction des pays, des coutumes et des goûts : l‟analyse des achats et des comportements 23 BRUNO TEBOUL, « L‟absolu marketing », édition Kawa, juillet 2013, page 359 24 BRUNO TEBOUL, « L‟absolu marketing », édition Kawa, juillet 2013, page 370

51. 51 permet de proposer des linéaires parfaitement adaptés à leur clientèle. Selon IBM, la croissance des ventes est alors de l‟ordre de 15% dans certaines chaînes spécialisées. « Dans le secteur alimentaire, 5 à 7% des denrées frappées par la date de péremption sont rejetées alors qu’un cinquième de la population mondiale est sous-alimentée. Or, il serait tout à fait possible d’anticiper et de les réorienter à temps vers des organisations comme les Restaurants du Cœur» explique Alain Bénichou, président d‟IBM France.25 » [25] L‟analyse prédictive peut être utilisée aussi dans le domaine de la santé. Par exemple, la mairie de New York surveille la prolifération des épidémies en analysant la consommation pharmaceutique de la population. Rio, ville qui va accueillir les jeux olympiques de 2016, est situé dans une région touchée par des catastrophes climatiques : l‟analyse des données météorologiques permettra de sécuriser et de faire évacuer les lieux risquant d‟être touchés et donc, peut être, de sauver un grand nombre de vies humaines. Les hôpitaux pour lutter contre la mort subite des nouveaux nourrissons utilisent la technologie « Big data » afin de prévenir et lutter contre ce phénomène. Ils analysent l‟ensemble des données recueillies sur le nourrisson et en cas de détection d‟une anomalie préviennent immédiatement l‟équipe médicale Comme l‟explique le patron d‟IBM France : « une équipe de chercheurs d’IBM a mis au point l’ordinateur « Watson » et lancé un défi inégalé : battre les deux meilleurs joueurs mondiaux de « Jeopardy », un jeu où les réponses sont ouvertes et, contrairement aux échecs, les solutions infinies. Elaboré à partir d’algorithmes neuronaux, Watson comprend le langage naturel, se joue des chausse-trappes et des jeux de mots. Il va chercher en une demi-seconde les réponses dans son immense mémoire constituée de 200 millions de pages. » Watson a remporté son défi. Il a battu les deux meilleurs joueurs de tous les temps. Maintenant, cet ordinateur associé au cloud computing va devenir le plus grand cancérologue de la planète. C’est son prochain défi ! Il sera consultable partout et par tous les médecins ». 26 [26] Les gouvernements de certains grands pays comme la France considèrent le sujet comme l‟une des priorités de l‟investissement public dans le numérique. Ce plan «Big data» pourrait 25 BRUNO TEBOUL, « L‟absolu marketing », édition Kawa, juillet 2013, page 371 26 BRUNO TEBOUL, « L‟absolu marketing », édition Kawa, juillet 2013, page 372

Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Recommandé

Contenu connexe

Tendances

Tendances(20)

En vedette

En vedette(9)

Similaire à Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Similaire à Big data et marketing :Vers une analyse prédictif de d'acte d'achat(20)

Big data et marketing :Vers une analyse prédictif de d'acte d'achat