Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en termes de ROI et de bonnes pratiques

1. © Soft Computing – www.softcomputing.com Marketing Digital & Big Data Quoi de neuf ? 10/03/2015

2. © 2 Cofondateur et DG Soft Computing

3. © 3 SOMMAIRESommaire 1. A propos de Soft Computing 2. Introduction 3. Big data : de quoi parle-t-on ? 4. Ce qui a évolué ces derniers mois 5. Vue du marketing 6. Big Data et datamining 7. Comment avancer ?

4. © 4 Carte d’identité

5. © 5 Compétences : un mix unique de compétences pointues Digital Marketing Data Science Project Management Information Technologies

6. © 6 Mission : transformer la data en performance marketing Business IT Imaginer, bâtir et opérer des programmes de conquête et de fidélisation cross-canaux, rentables et innovants Concevoir, développer et déployer des solutions Digitales, Big Data et CRM performantes, pragmatiques et adaptées AMOA

7. © 7 Delivery : continuum de services et souplesse Think Build Run Délégation d’expertise Mode Projet Centre de services

8. © 8 Programme relationnel multi-devices et remarketing. Ecoute et analyse des sentiments des clients sur les réseaux sociaux. Centre de services de gestion des campagnes marketing multicanal. Data Management Platform et marketing multicanal temps réel Centre de services datamining, campagnes ciblées et reportings. Gestion des opérations marketing ciblées.. Data Management Platform, CRM et web analytics. Conception de l’architecture décisionnelle hybride big data – datawarehouse. Centre de services gestion de campagnes marketing et connaissance clients Convergence des pratiques et des outils marketing on et offline. Mise en place d’une Data Management Platform (DMP) et de use cases marketing. Déploiement d’une plate- forme CRM multi-marques multi-pays.. Personnalisation en temps réel des contenus et valorisation d’audience. Définition d’une stratégie de Business Intelligence. Pilotage de la qualité de l’expérience client. Extraits de références 2014-2015

9. © 9 Experts reconnus EnseignerEcrire Echanger http://blog.softcomputing.com/ https://twitter.com/#!/SoftComputing http://www.facebook.com/softcomputing http://www.softcomputing.com/fr/news/ http://fr.slideshare.net/softcomputing http://www.linkedin.com/company/softcomputing http://www.viadeo.com/fr/company/softcomputing https://plus.google.com/+Softcomputing/

10. © 10 Du vécu métier 2003 2015 Web mining 15 M Clients 5 ans Recommandations Temps réel Réseaux d’influence Analyse de sentiments 50 To+

11. © 11 Du recul aussi sur le plan technique

13. © 13 Big Data : ça reste à mode

14. © 14 Oui, mais on aborde la vallée des désillusions Big Data

15. © 15 SOMMAIRESommaire Focus sur les utilisations marketing

17. © 17 Défi technique #1 : se préparer à gérer des volumes inimaginables 2005 2015

18. © 18 Défi technique #2 : sortir du cadre 2005 2015 Disponibilité « Les données sont toujours accessibles » Tolérance « seul la panne totale interrompt » Cohérence « Les commits rendent l’ensemble des données cohérentes » Disponibilité « Les données sont toujours accessibles » Tolérance « seul la panne totale interrompt » Cohérence « Les commits rendent l’ensemble des données cohérentes » Commit en 2 phases

19. © 19 Défi technique #3 : exécuter tout calcul en moins de 0,14 secondes 2005 2015 Trading Desk (ATD) Editeur de site Demand Side Platform (DSP) Ad exchange (Adex) Supply Side Platform (SSP) Annonceur ou Agence média Ad Server de l’éditeur ou Ad network RTB & programmati que

20. © 20 Big Data vu du marketing olume itesse ariété éracité aleur

22. © 22 Big data 2014 Démocratisation

23. © 23 Démocratisation hardware 5 nœuds 1 namenode, 20 cœurs, 192 Go ram 4 datanodes, 64 cœurs, 64 Gb ram, 10 To DD

24. © 24 Démocratisation : stockage

25. © 25 Démocratisation : outils de datavisualisation

26. © 26 Démocratisation : de plus en plus de données en libre service

27. © 27 Démocratisation : de plus en plus de données à coût modique

28. © 28 Démocratisation : analytique ML en cloud

29. © 29 Impact sur les usages + Données Détail Temps réel Prédictif Non- structuré Ouvert sur l’extérieur Autonome Hybride

31. © 31 Big Data : la clé de voûte d’une expérience client sans couture et omnicanal LA PREFERENCE DE MARQUE Expérience client Qualité de service LA DONNEE, SA CENTRALISATION, SON UTILISATION SON ACTIONNABILITE, SA VALORISATION Performance média, marketing et commerciale Digitalisation

32. © 32 Synthèse des typologies de données Propriétaires Ouvertes Permanentes Volatiles Données Tiers : 3 rd party Open Data CRM données nominatives et transactionnelles Tracking Web, email, display… Semantiques: Contenu web fan pages, avis…

33. © 33 #1 : parcours clients

34. © 34 L’objectif Extraire des parcours client pour qualifier des bases marketing, définir des programmes relationnels et des plans de vie

35. © 35 L’analyse Sessions et pages vues (id session) Segmentation visiteurs (id visiteur) Cookie Origine de la navigation Temps moyen par visite Catégorisation Catégorisation des pages vues E acheteur – churner

36. © 36 Focus : processus de récupération des données Site WebDépôt de Cookie 1 Taggage 2 Réconciliation 3 Tracking 4 Croisement 5 3 A l’affichage d’une page, dépôt d’un cookie avec un Id Internaute sur le device Dépôt des tags de navigation sur les pages du site (ou des sites) Remontée IdCRM à la connexion client et réconciliation avec un ou plusieurs Id Internaute Web &CRM 2 4 Intégration en temps réel des données de navigation et affectation à l’Id correspondant Croisement avec les données CRM et données externes 3rd Party CRM 5 Analyse 6 1 3 2 4 6 5 1 Analyse 6

37. © 37 Focus : déclinaison opérationnelle Inbound Densification de la personnalisation des programmes eCRM (remarketing) et Mobile Display

38. © 38 #2 : écoute active des réseaux sociaux

39. © 39 L’objectif Analyses des tweets, pages de marque, blog/commentaires afin d’identifier des ambassadeurs, détecter et analyser des évolutions

40. © 40 L’analyse 1. Analyse du contenu des posts (occurrence des mots et thèmes) 2. Les liens entre les mots employés et thématiques abordées 4. Les profils-type des « posteurs » selon leur sentiments / thèmes 3. La mesure de la perception positive/négative

41. © 42 Focus : les données de vos pages fan’s Données natives extraites en json Conversion en xml Conversion automatique en csv Id FB Id Post Contenu du post Date de Post

42. © 43 Focus : croisement client @socialu ser CRM profil

43. © 44 Focus : déclinaison opérationnelle Engagements relationnels Programme de reconnaissance social différencié Valorisation expérience client et fidélisation

44. © 45 #3 : recommandations personnalisées

45. © 46 L’objectif Faire des propositions personnalisées à la volée au visiteur identifié ou non à base d’autoapprentissage ?

46. © 47 L’analyse Mix catégorielles ‘Utilisateurs’ Liens intra et inter catégories Tag 1 : P1/P2/P3/P4 Tag 2 : P1/P2/P3/P4 Tag 3 : P1/P2/P3/P4 Tag 4 : P1/P2/P3/P4 ….. Produits liés / tags Segments Utilisateurs = tags Click Path AnalysisSessions et pages vues

47. © 48 Focus : déclinaison opérationnelle Préconisations croisées sur les produits sur la base des achats Fiches produits « business » Template personnalisé / au client Des arborescences personnalisées en fonction de ce que j’achète où j’aime. Des conseils produits par type de produit Augmentation du taux de transfo site, CA / mail, du taux de nourriture et des occasions de contact

50. © 51 Solution fonctionnelle Prototyper l’algorithme de substitution Produire la matrice d’association Suivre et optimiser la performance l’algorithme Proposer des substitutions Intégrer l’algorithme de substitution Développer l’algorithme de substitution algorithme Algorithme « industrialisé » Matrice d’association Historique des propositions Référentiels produit Liste Programme de production des matrices d’associations Hub EAN substituts

51. © 52 Architecture Lab data Large Data Fast Data Prototyper l’algorithme de substitution Produire la matrice d’association Suivre et optimiser la performance l’algorithme Proposer des substitutions Intégrer l’algorithme de substitution Développer l’algorithme de substitution

53. © 54 Planning Run Initialisation du centre de services Conception et réalisation « large » Maintenance Monitoring applications Administration Gestion des projets de setup Gestion du centre de servicesProgram Management Gestion des projets d’évolutions BusinessIT Gestiondeprojetet deservices Setup Sprints algorithme sur le « lab » Mise en place architecture Définition du SLA Conception et réalisation « fast » Tests Sprints d’amélioration algorithme sur le « lab » Surveillance de la santé de l’algorithme « lab » Infra Hard & soft Hébergement et monitoring Data exploration M1 M2 M3 M4 M5

55. © 56 Débuter simple : log, stream, transaction Streams sociaux Weblogs Capteurs E-mails Transactions bancaires Pages web Documents scannés Trace GPS Données boursières Enregistrements téléphoniques Video-surveillance Données d’usage

56. © 57 Do It Yourself ou Appliance ? Ikea ou Roche Bobois ? Exemple Do it yourself Oracle appliance Application datamining / banque - 5 M clients actifs  300 nœuds – 900 Go RAM – 650 To DD Configuration 54 Dell serveurs*6 cœurs-16 Go-12 To Appliance Sun 18 serveurs*12 cœurs-48 Go-36 To Coût 150 K€ 150 K€ Avantage Evolutivité Clé en main

57. © 58 Où mettre les données ? En cible, 3 environnements : 1- Données chaudes 2- Analytique gros volumes 3- Datawarehouse structuré et agrégats DMP Attention à la souveraineté des données Enjeu sur les historiques dans le cloud Nota : le marketing n’est pas que digital Big data : données chaudes Big data : données froides Dataware : données structurées

61. © 62 R.O.I. Connaissance Datamining Assortiments en magasins Rapports Rapports industriels Données : vision 360° client et produit Campagnes ciblées Technologies 1 2 3 4 Business Driven

63. © 64 Reconsidérer chaque année les ROI : les barrières à l’entrée baissent toujours plus 𝐋𝐨𝐢 𝐝𝐞 𝐊𝐫𝐲𝐝𝐞𝐫 ∶ € 𝐆𝐨 = 𝟏𝟎−𝟎,𝟐𝟓𝟎𝟐∗ 𝐚𝐧−𝟏𝟗𝟖𝟎 +𝟔,𝟑𝟎𝟒

64. © 65 Victoires rapides : 3 à 6 mois , 1 pilote 1. DMP : Data : Weblogs Objectif : extraire des parcours client pour qualifier des bases marketing, définir des programmes relationnels et des plans de vie. Cible : : eCommerce et medias 2. Ecoute active des réseaux sociaux : Data : Streams sociaux Objectif : analyses des twits, pages de marque, blog/commentaires afin d’identifier des ambassadeurs, détecter et analyser des évolutions et d’animer les échanges (services de community management) Cible : retail et pgc 3. Recommandations personnalisées : Data : Weblogs et BDM Objectif : faire des propositions personnalisées à la volée au visiteur à base d’autoapprentissage Cible : retail et eCommerce