Web Blend Mix 2015

1. Big Data et Marketing
des études à l'action
Christophe @Benavent
Pr at Université Paris Ouest – http://benavent.fr

2. The internet Stratification
● 1990 : Data-based Marketing
● 1995 : The encyclopedic Web
● 2000 : e-commerce blossom and CRM
● 2005 : Social Media turn and Network analysis
● 2010 : Apps and Mobile :
● 2015 : Big data and IOT : machine learning
surge

5. 1850 : Navier-stokes
WAVEWATCH III™ (Tolman
1997, 1999a, 2009)
Based on
of the model WAVEWATCH,
as developed at Delft
University of Technology
(Tolman 1989, 1991a)

6. A world of data
BIG DATA
OPEN DATA
SELF DATA
SMALL DATA
Device DATA
API
DEVICE
TEXT DATA
WEB
Camera
GIT HUB
r
VISUAL DATA
TAL
Dashboard ERP DATA
Network DATA

7. Avant tout un processus

8. Le problème de la qualité

Le problème clé des biais de sélection.
– L'exemple des avis de consommateurs

Le mensonge et la dissimulation
– Les réseaux sociaux

Censure, troncature et interruption
– Le problème des séries chronologiques
– Le traitement des cohortes
=> Les données brutes ça n'existe pas !

9. Politics of algorihm
Une seule fois Occasionellement Plutôt fréquemment Très souvent
-1,5
-1,0
-,5
,0
,5
1,0
1,5
,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
45,0
50,0
Motivation par fréquence de publication
Proportion
Egoisme
Vengeance vs encouragement
Espérance de Réciprocité
Alternative à une autre solution
A l'issue d'un de vos voyage avez-vous publié un commentaire en ligne?
degrédemotivation
Proportiondel'échantillon

10. Knowledge : le big ne sert à rien

11. La dataviz ou reinveter la boule de
cristal

12. La granularité est un graal
Satik
=a0k
+a1k
Mik
+a2k
Oik
+a3k
Pik
+a4k
Cik
+εik

13. How the world react to Tokyo Games 2024
and so ?!

14. La théorie dans les modèles :
ie Bass

15. Learning machine : ex Modèles MAB

16. Flickr : how tagging create value
with lookflow

17. Les algorithmes
n'apprennent pas des
données mais des
catégories que leurs
fournissent les
superviseurs :
espérons qu'ils ne
soient pas fous

18. Qui définit les catégories ?

19. La recommandation au centre

20. Structurer les données et le
processus d'acquisition

21. Des algos désormais courants

22. L'approche Netflix

23. NUDGING IS THE
KEYWORD

24. Nudging
● Default (pre-filled formulas) → autocompletion
● Simplification → contextualisation
● Use of social norms → building Norms
● Increase in ease and convenience ...
● Disclosure (component of a price)... → price modeling
● Warning and graphics → notification
● Precommitment strategies
● Reminder
● Elicit intention
● Feed back → 100% #IOT

25. Algorithm is about Feed Back and
IoT

26. Again algorithmic politics : AirBnB
22$ of difference (average : 140$)

27. Revenir à la stratégie
● Parcours client
● Modèles relationnels
● La connaissance et le renseignement

28. Need
Recognition
Information search
Evaluation
Decision
Purchase
Post Purchase
reaction
Consumer
Experience
Relationship : Commitment, Trust and self efficacy
Environment : Cultural and material condition
48% search on mobile
several time aday
82% Use their phone
is the street
40% have made
some consumer reviews
45% use comparaison
engine

29. Relationship, interactions et privacy
Brand Relationship
(Trust and Commitment)
Touch Points
(Customer Experience
Management)
Sociale Prsence
Légitimacy
Satisfaction
Appropriation
Data
Personnalization

31. La spécificité de l'information et l'abondance
des données
Opinion BB Interactions Experience
Volume des données
Faible : →
Information
structurelle
(connaissance)
Degré de
Spécificité
De l'exploitation de
l'information
Forte : →
Information
Factuelle
(intelligence)
Etudes & recherche
Panels et baromètres
CRM
Big data

32. En guise de conclusion
1) les données au service de la
stratégie
2) les algorithmes plus importants
que les données
3) Les effets de performativité
donne un pouvoir politique aux
algorithmes
4) Il viendra un temps où il faudra
rendre compte ( Algoritmic
accountability)