Les cas d’usage marketing représentent actuellement les cas d’usage Big Data les plus éprouvés dans les entreprises. Ils ont l’avantage de présenter des ROI parmi les plus rapides et bénéficient d’une approche métier historiquement mature quant au traitement de la donnée et aux questions de segmentation, de personae ou de scoring. Les fonctions marketing bénéficient également de budgets leur permettant de développer des outils innovants.
L’innovation est une composante de l’avantage concurrentiel : un manque de considération ou un retard en la matière peut avoir de graves conséquences. Des leaders de leur temps se sont vus rapidement dépassés par manque de vision prospective des évolutions en matière d’innovation, à un moment charnière de mutation de leur marché (par exemple l’arrivée de la photo numérique pour Kodak ou des smartphones pour Nokia). C’est précisément ce genre de momentum que connaît actuellement le marketing avec les immenses possibilités qu’offrent aujourd’hui les technologies Big Data et la Data Science.
Quels cas d’usage marketing permettent exactement ces champs d’expertise ? Comment la technologie peut-elle renforcer votre avantage concurrentiel ? Voici quelques exemples d’application marketing, dans un cadre d’activité de retail, ainsi que les meilleures pratiques pour les mettre en œuvre.
Préparer l’exploitation du Big Data dans l’entreprise
La data est une mine d’or, à condition d’avoir pleinement conscience de son rôle, de ses enjeux et de l’exploiter en structurant son organisation autour d’elle.
Le développement de cas d’usage data, quels qu’ils soient, nécessite une orientation et une organisation suffisamment pensées en amont. Le principe est de ne pas se lancer dans des projets avec une seule vision technologique, en considérant que développer un data lake ou acquérir des outils de type DMP (Data Management Platform) ou CDP (Customer Data Platform) suffiront à assurer le succès de la démarche. Il est avant tout nécessaire de structurer sa stratégie data autour des cas d’usage et des utilisations finales de la donnée. Cela implique le développement et la formalisation d’une vision de la part du top management pour ensuite développer, de façon itérative, des cas d’usage en débutant par un périmètre restreint sur des sujets stratégiques susceptibles de présenter un ROI rapide.
> À LIRE AUSSI : Stratégie data-centric : l’importance de la vision
Une plateforme Big Data cloud pour vos cas d’usage marketing
Le choix d’une plateforme Big Data en cloud offre de nombreuses possibilités et avantages aux directions marketing, parmi lesquels on pourrait citer :
- Une meilleure connaissance des clients et de leurs comportements d’achat.
- La mise en place de modèles prédictifs des ventes, des impacts de prix, etc.
- L’affinage de la « proximité client » grâce à un meilleur ciblage, personnalisé et omnicanal.
- L’analyse de données collectées via les IOT (objets connectés) de vos points de vente ou étiquettes RFID.
- L’optimisation de la logistique (approvisionnement, pilotage des flux, etc.).
- Un accès facilité à la donnée pour les métiers et la DSI.
Avec une plateforme Big Data correctement structurée, les équipes marketing peuvent accéder aux informations qui leurs sont nécessaires sans avoir à solliciter la DSI pour collecter des données en provenance du CRM, de la DMP, du référentiel produit…
L’implémentation d’outils de cataloging au sein de la plateforme permettent, entre autres, de gérer la gouvernance d’accès au patrimoine de données, en adaptant l’accès suivant chaque métier et le type de données concernées. Le data cataloging utilise des métadonnées (données qui apportent des informations sur la donnée principale pour en faciliter la recherche) afin de collecter, étiqueter et stocker des ensembles de données.
Le service d’hébergement en cloud offre de son côté des avantages en matière de coûts (stockage, administration, conformité, sécurité, etc.) et surtout en termes de souplesse.
Au lieu d’investir dans des infrastructures informatiques onéreuses pour simplement réaliser des tests ou des prototypes, la plateforme cloud offre une modularité et une scalabilité permettant d’évaluer rapidement le ROI et de réduire le time-to-market de vos projets marketing Big Data et Data Science. A nouveau, le point fondamental réside dans la bonne définition préalable des cas d’usage à mettre en place. Cette roadmap permettra d’identifier les solutions technologiques les plus judicieuses à adopter et d’en évaluer le coût.
3 exemples de cas d’usage marketing Big Data et Data Science
Afin d’illustrer les bénéfices concrets à retirer des applications Big Data et Data Science, voici 3 exemples de cas d’usage développés dans un contexte retail. Grâce à une grande quantité de données hétérogènes hébergées dans un data lake, les data scientists vont pouvoir développer des modèles mathématiques, des algorithmes et des applications répondant aux besoins du département marketing.
Personae Client
Le but de ce use case est de segmenter la base de données clients et de regrouper ces derniers en différents groupes ou clusters, en fonction de leur comportement d’achat ON and OFF, c’est-à-dire en magasin ou sur le site de vente en ligne de l’entreprise. Les clusters peuvent être définis selon une multitude d’axes qui seront définis par l’équipe marketing ou par des algorithmes de data discovery, capables d’identifier des corrélations parfois insoupçonnées entre les données des profils clients.
Il peut s’agir par exemple de clusters ou de groupes de segmentation par préférences de produits : des clients masculins achetant régulièrement des polos bleus, des femmes préférant les chaussures plates, des clients intéressés par des ouvrages littéraires sur un thème particulier, etc.
La segmentation peut également porter sur des facteurs de saisonnalité ou de fréquence : achats récurrents en période hivernale plutôt qu’estivale, autour de la rentrée scolaire, etc.
Citons également la segmentation par tranche d’âge, lieu de résidence, etc. En matière de segmentation, l’imagination des marketeurs est la limite.
Le service marketing est alors en mesure d’identifier et de visualiser plusieurs groupes de clients type, ce qui permet de les cibler dès la phase de conception des produits et d’améliorer ainsi les performances des campagnes marketing, en anticipant les attentes des clients.
Scoring d’offre produit
Grâce à des modèles de Deep Learning , ce use case réalise un score d’appétence produit pour chaque client ou groupe de clientes, en regard de son comportement et de son historique d’achats.
Il va être possible par la suite de :
- recommander des produits de façon plus personnalisée via l’équipe CRM et des campagnes d’e-mailing ou de sms,
- réduire la pression commerciale en éliminant les produits présentant un faible intérêt pour ce cluster ou ce client,
- tenir compte des attentes des clients.
Ce calcul d’intérêt par produit peut concerner tout aussi bien des produits existants au catalogue que des produits en promotion, en solde ou même des produits dont le développement va être initié par les résultats du scoring.
En effet, le cas d’usage va également prendre en compte des données externes, par exemple en analysant des données web comme celle des réseaux sociaux. En analysant les publications d’influenceurs ou de presse spécialisée, des tendances vont pouvoir être identifiées et être croisées avec le scoring interne : il sera ainsi possible d’identifier ou de créer des produits à la fois personnalisés par rapport à un groupe de client et présentant un réel intérêt de rentabilité pour l’entreprise.
Cycle de vie du client ou Lifetime Value
L’objectif de ce cas d’usage est de déterminer et affecter le cycle de vie d’un client afin de la fidéliser et d’estimer le profit net qui lui est attribué, de l’inactivité à la fidélisation puis de la fidélisation à la rétention.
En croisant les données de ventes et les budgets marketing, un calcul va être opéré selon différents paramètres pour estimer le coût d’acquisition ou de fidélisation d’un client en fonction du coût des campagnes marketing auxquelles il a été exposé.
Différentes phases peuvent être étudiées, par exemple :
- Quel a été le coût du client par rapport aux actions marketing engagées jusqu’à ce qu’il effectue son premier achat ?
- Les relances ou sollicitations ont-elles eu un effet sur la fréquence de renouvellement de ses achats ? Provoquent-elles au contraire une érosion du portefeuille clients ?
- En phase de fidélisation, quel est le panier moyen du client ?
- Le client ne répond plus aux campagnes : est-il rentable de continuer à l’adresser ou vaut-il mieux le considérer comme « perdu » ?
Il sera ensuite possible de déterminer le profit net attribué à chaque client, sa valeur actuelle mais également sa valeur potentielle à horizon plus ou moins long terme.
Comment se construit un cas d’usage marketing data science ?
Comme évoqué précédemment, le premier travail consiste à réfléchir aux cas d’usage prioritaires. Une équipe de spécialistes est ensuite constituée pour travailler de pair avec la direction marketing et la DSI. Elle va estimer la faisabilité du cas d’usage et comprend, des profils de type data scientist, architecte applicatif, data engineer, data analyst, business analyst…
La méthodologie de conception et de mise en production des cas d’usage privilégiée est itérative et peut se découper selon le séquençage suivant :
- Compréhension du sujet: définir les objectifs du cas d’usage, cadrer le périmètre (BU, métier, etc.), définir les KPI métier, acculturer les intervenants techniques en charge du développement aux enjeux marketing et métier.
- Compréhension des données: déterminer avec les métiers les données ou jeux de données disponibles et pertinents à analyser.
- Préparation des données: nettoyer, normaliser et enrichir les données. Cette étape a pour avantage de pouvoir ensuite mettre à disposition ces données pour d’autres métiers de l’entreprise.
- Analyse exploratoire: analyser statistiquement les données, les critères qui leur sont associés et les interactions entre ces critères, estimer les ressources machines à engager pour évaluer le ROI.
- Modélisation: identifier le ou les bons modèles d’algorithmes pour modéliser le cas d’usage en fonction du besoin marketing.
- Intégration: procéder à l’intégration continue dans le SI et à des tests en DevOps.
- Transfert de connaissances: présenter la solution à la direction marketing et prendre en compte des retours ou corrections éventuelles, accompagner les équipes de production de l’entreprise dans l’industrialisation des cas d’usage.
Le schéma suivant récapitule ces différentes phases :
Conclusion
Pour les directions marketing, les cas d’usage de connaissance client développés en Big Data avec l’apport de la Data Science permettent une adaptation plus agile de l’offre à la demande : détection des tendances produits futures en fonction de l’évolution des personae, prédiction des volumes de ventes pour les collections à venir, gestion du cycle de vie et de la rentabilité client, sans oublier un meilleur positionnement des prix de ventes.
Cette connaissance et cette proximité accrue envers vos clients permettent une anticipation de leurs attentes et une meilleure qualité de service pour, au final, renforcer leur engagement et leur fidélité.
La supply chain est également optimisée, des entrepôts jusqu’aux magasins avec une meilleure planification des approvisionnements et une minimisation du taux de rupture.
Ce sont autant d’opportunités de renforcer vos actions marketing et votre positionnement concurrentiel en innovant grâce à des outils modernes et évolutifs.
La rédaction vous conseille
> Big Data marketing : de quoi parle-t-on ?
> Marketing Big Data : segmentez vos audiences avec une Data Management Platform
