Les pionniers que sont Mint dans le secteur bancaire, Amazon dans la distribution ou NetFlix dans les médias, ont prouvé que de transformer les Big Data en actions au moment des points de contact avec leurs clients assure des résultats mesurables – augmentation du taux de transformation, plus grande part du portefeuille, augmentation du nombre de nouveaux clients, détection de fraude à temps, etc. Il est aujourd’hui possible de mettre en place une plate-forme centralisée de gestion des données clients, capable d’intégrer et de fournir des informations en temps réel, quel que soit le canal d’interaction utilisé… et par conséquent, de lancer les bases d’une véritable révolution sur tout un secteur d’activité en instaurant des processus orientés données. Désormais, cette Customer Data Platform s’adapte au plus grand nombre grâce à des technologies abordables telles que Hadoop et Spark à condition que celles-ci soient utilisées conjointement avec des données intégrées ainsi qu’un système d’intégration d’applications, de gouvernance des données, de gestion de données de référence et des outils d’analytique et de traitement de données en temps réel. Cette plate-forme, appelée Customer Data Platform ou Data Management Platform (DMP) permet de reconstituer l’intégralité du parcours client en centralisant et en croisant non seulement des données d’interaction : historique d’achat, préférences, satisfaction, fidélité, etc. (données internes), mais également des informations sociales permettant de comprendre les intentions ou l’appétence : goûts, instants décisifs, habitudes d’achat, parcours web, réseaux sociaux, etc. (données externes) Dans cette présentation, vous découvrirez les composants clés de cette plate-forme, comment l’implémenter, et comment l’utiliser à des fins marketing.

1. 1
©2015 Talend Inc.
4 étapes clés pour
transformer vos données
client en valeur
Jean-Michel Franco – Talend – jmichel_franco

2. 2
Talend en bref
EN BREF
• Fondé en 2006
• 450 employés dans 7 pays
• Deux sièges : Redwood, en
Californie et Paris, en France
• Modèle Open Core
Solutions
• Solutions d’intégration évolutives pour le Big Data, l’intégration
de données et d’applications, la qualité de données, le MDM.
• Classé Leader Visionnaire par Gartner et Forrester sur le marché
de l’intégration

3. 3
Les données client sont partout
Centralisé Cloud Big DataSocial, Mobile
Retour
sur
Information
(RsI)
Valeur
Temps

4. 4
Désormais, nous en percevons la valeur
Les approches Data-driven induisent :
23x performance pour l’ acquisition
6x performance en termes de fidélisation
19x amélioration de la rentabilité
McKinsey Global Institute : using customer analytics to boost performance

5. 5
Mais la tâche à accomplir semble insurmontable
Des données de contact
ne sont pas pertinentes
De données personnelles
Volées ou compromises
aux US depuis 2005
Coûts annuels
liés à la non qualité des
données
25%
Des départements marketing
ne disposent pas
d’une vue Client 360°
Des données Contact
changent plus d’une fois
tous les ans
71%
Sources: Sirius Decision, Integrate, Experian, Privacy Clearinghouse, Target Marketing, Forbes insights
534M14M$34
Sources de données
nécessaires pour
une vue 360°
65%

6. 6
Créer la plate-forme qui personnalise chaque clic.
Il y a pourtant une solution
Transformer les points de contacts client
en processus “data-driven”:
• Collecter l’information client à sa source
et la réconcilier
• L’enrichir en permanence dans des vues
360°augmentées grâce aux Big Data
• Intégrer la dimension Analytique, les
profils, segments, score…
• Influencer les propositions
commerciales, recommander et guider
les expériences
Customer Data Platform
Legacy
Systems
ERP
CRM
Cloud
Apps
Internet
of Things
Web Logs
NoSQL
Predictive
analysis
Inbound/Outbound
campaigns
Customer Facing
Devices
CRM
E-commerce
Social
Networks
Machine
Learning
Recommendations
Analytics
Connecter le
Système
d’Interaction
Constituer le
Système de
référence
Mettre en place le
Système de
recomman-
dation
Alimenter le
système
d’engagement

7. 7
Cas client dans le secteur retail
1ère étape: collecter les données des points de contacts
Fonctionnalités
• Une « Data Management Platform » (DMP) pour
capturer, enrichir et organiser les données d’interactions
• Un environnement Hadoop dans le cloud par
abonnement pour une appropriation rapide.
• Des capacités Analytiques bien au delà de ce que
proposé dans les applications de Web Analytics
Bénéfices
• Une vue des interactions par visiteur, permettant de voir
les applications digitales du point de vue du client.
• Des segmentations plus pertinentes.
• Un moyen rapide pour apprendre le Big Data et créer le
Data Lab.
Données
Géographiques
Logs web
Données
météo
Data
Warehouse
Réseaux
sociaux
Données de
référence
Data
Mining
Machine
Learning
Application
Analytiques
Découverte de
Données

8. 8
Cas client dans le secteur retail
2ème étape: Créer la une vue 360° augmentée
Fonctionnalités
• Une « Customer Data Platform» qui réconcilie les
données pour chaque client
• Des fonctions avancées pour la qualité de données et
l’entity resolution
• Fonctionnement natif sur Hadoop
Bénéfices
• Une vue holistique du parcours client multicanal
• Comprendre les comportements, interactions, and les
intentions d’achat.
Journaux
Web
Mobile
Réseaux
sociaux
Systèmes Points de vente
E-commerce
Application Marketing
et Digital Marketing
Service Client
Données
Géographiques
Data
Warehouse
Données de
référence

9. 9
3ème étape : Tirer la substance des données
Data
Warehouse
Journaux Web
Campagnes
entrantes
Campagnes
sortantes
Borne Point de vente E-commerce
Data
Mart
Cas client dans le secteur retail
Fonctionnalités
• Tire partie de Hadoop et de son écosystème
• Utilise des fonctions de machine learning
• Partage les données client largement jusqu’aux points
de vente, via les moteurs et outils Open Source
Bénéfices
• Information facile d’accès et « démocratisée »
• Les données détaillée sont rendues directement
exploitables , au-delà d’une vue 360°.
• De l’analytique au prédictif, puis au prescriptif.
Data
mining
Machine
learning
Analytique
Découverte
Données
Service client

10. 10
4ème étape: Alimenter les recommandations temps réel
Fonctionnalités
• Personnalisation pour les communication sortantes (e-
mails, SMS, notifications mobile s…)
• Recommandations temps réel des communications
entrantes (mobile, web, bannières…)
• « Next best actions « pour les centre s de contacts, le
clienteling sur point de vente, etc.
Bénéfices
• Taux de conversion et efficacité commerciale améliorés.
• L’efficacité des actions Marketing (campaigns,
promotions…) est mesurable
• Les parcours clients personnalisé améliorent
l’expérience client et renforcent la fidélité….
Customer Data Platform
Data
Warehouse
Web Site
& apps
Ad Server
Marketing
automation
Kiosks
Point of sales
devices
Customer services
E-commerce
Cas client dans le secteur retail

11. 11
01010101101010101010
10101011010101010101
01010101010101010101
01010110101010101010
10101010110101010101
01010101101010101010
10110101010101010101
01011010101010101
La première solution d’intégration de données native pour le Big Data
Talend et le Big Data
Concevoir
Collaborer
DéployerGérer
S’adapter
aux conditions
extrêmes
• Interface visuelle, glisser-déposer
• Plus de 800 connecteurs inclus
• Génère nativement du code MapReduce,
Java ou SQL
• Fonctionne par cluster
• Load balancing &
basculement
• Optimisation du code
• Répertoire partagé
• Auto-documentation
• 0 installation sur Hadoop
• Qualité de données
intégrée
• Sécurisée (supporte
nativement Kerberos)
• Intégré aux outils
d’administration du Big Data
• Data gouvernance
• Planification, contrôle et
gestion centralisée.

12. 12
Un exemple
Créer la vie client 360° avec Talend Big Data
Source : Intelligent Business Strategy

13. 13
Des stocks au pricing jusqu’à l’expérience client
Le Big Data du Batch au temps réel
Enjeux:
• Affiner les prévisions de vente et l’approvisionnement
• Optimiser la stratégie de pricing
• Eviter les abandons de panier
Pourquoi Talend:
• Le standard d’intégration de données pour la BI.
• L’intégration native du Big Data
• Le Big Data en temps réel
Les retours:
• Invendus réduits de 20%
• Prédire (avec 90% de précision) l’abandon de panier et
agir pour l’éviter
• Faire du pricing dynamique
”L’avenir du Big Data n’est pas dans le
décisionnel , mais plutôt dans les
systèmes automatisés qui agissent en
fonction des données“
Rupert Steffner, Otto

14. 14
Une nouvelle approche de mise en œuvre du SI
Découvrir
• Du Bac à Sable
aux “essais applicatifs”
Connaître
• Les applications analytiques
“offline” pour anticiper,
prévoir, segmenter…
Rendre
Opérationnel
• Amener le Big Data là ou
l’action se passe
L’Information alimente l’entreprise Data-Driven
Data
profiling
Big Data
MDM & Qualité
Données
Intégration
Données
Intégration
Temps réel
Intégration
Processus

15. 15
Valider l’idée
1
Définir le cas
d’usage
Définir la
plateforme
Collecter les
données
2
Découvrir et
préparer les
données
Réconcilier les données
avec les données de
référence (client, produit…)
Créer les modèles
3 Alimenter et Tester
Améliorer les modèles
et la qualité des
données
Déployer le
système
4
Certifier les
données et les
mdoèles
Superviser, enrichir et
améliorer
pour vos applications centrées client
Une Feuille de route

16. 16
La Solution TALEND
Génère du code natif
Prête pour le futur
Qualité de données incluse
Plus productive
Unifiée et extensible
Innovante
Plateforme Open source
Facile à prendre en main
“Land and expand”
Par abonnement
Par développeur
Modèle de coût
prévisible

17. 17
Le Big Data dès maintenant
avec la Sandbox de Talend
Machine virtuelle pré-configurée avec :
• La distribution Hadoop de votre choix
• Talend Platform for Big Data
• Quatre scénarios prêts à l’emploi:
Analyse des données de navigation Web
("clickstream")
Analyse des données de sentiments sur Twitter
-Analyse des données
de logs à l'aide des
weblogs Apache
-Chargement ETL
avec Hadoop
http://fr.talend.com/solutions/big-data-sandbox

18. 18
Big Data : départ annoncé dans 10 minutes !
La Sandbox
Big Data de
Talend vous
attend au stand
# 506

19. 19
©2015 Talend Inc.
4 étapes clés pour
transformer vos
données client en valeur
Jean-Michel Franco – Talend – jmichel_franco