Comment mettre en place un modèle de prédiction grâce à la Big Data ?

 

Les business analytics (analyse de données métier) ouvrent aux entreprises un champ des possibles inédit.

Encore faut-il savoir exploiter les données.

Quels sont les bénéfices et comment les mettre en pratique auprès des opérationnels ?

Comment ces nouvelles techniques transforment-elles nos métiers ?

Décryptage des enjeux de l’analyse de données appliquée à la relation client.

Les entreprises n’ont pas attendu l’explosion du numérique pour faire de la business intelligence et des statistiques, pour mesurer ou détecter des tendances sur des bases de données.

 

Le big data, ou smart data, révolutionne ces pratiques en permettant, à partir de sources d’informations beaucoup plus larges, de révéler des dépendances, des relations, et de proposer des prédictions de volume ou de comportement.

 

5 éléments clés à prendre en compte et à optimiser (5V)

#1 Le volume

Avec l’explosion de la création de données numériques (données de navigation Web, géolocalisation, données des objets connectés…). Ce sont des yottaoctets de données (1024) !

 

 

#2 La variété

Avec des données structurées « traditionnelles » (issues de votre CRM ou ERP par exemple), ou non structurées (verbatims d’enquêtes, posts médias sociaux, enregistrements audio ou vidéo, photos…).

 

 

#3 La vitesse

Les données peuvent (et doivent !) être analysées en temps réel pour certains usages Web ou en mobilité.

On propose parfois une définition en 5V, incluant : la véracité.

Les données utiles ont généralement moins de deux ans (création ou mise à jour), viennent d’une source vérifiée (commentaires par des clients réels par exemple) et sont remises dans un contexte.

 

#4 La valeur 

30 % des entreprises vont commencer à monétiser de manière directe ou non la data (source Gartner).

Le prix dépend de la valeur d’usage, du coût de production et d’un prix de référence éventuel. Quelques indicateurs : signal fort, signal faible mais critique, données de clients à forte valeur ou forte e-réputation, rareté de l’information, innovation d’usage…

 

 

#5 La véracité

La véracité ou fiabilité des données est notamment menacée par les comportements déclaratifs (sur formulaires), par les diversités des points de collecte, par la multiplication des formats de données et par l’activité des robots et faux profils innombrables sévissant sur Internet.

 

Mais il n’y a pas nécessairement besoin de yottaoctets de données pour se lancer dans les business analytics !

 

Une quantité suffisante (quelques milliers de lignes, un échantillon représentatif ou un historique suffisant d’un point de vue métier) de données pertinentes et de bonne qualité, associées au bon modèle mathématique, peuvent répondre à de nombreuses problématiques métiers et améliorer les performances opérationnelles et financières.

 

Les business analytics constituent une formidable opportunité de mieux connaître ses clients, comprendre et prédire leurs comportements pour leur prescrire des offres personnalisées en temps réel.

 

Cependant, les entreprises doivent opérer un certain nombre de changements dans leur fonctionnement pour être en mesure d’en tirer pleinement parti.

 

Culture data ?

Malgré les perspectives ouvertes par les data, les entreprises peuvent se montrer encore hésitantes à l’égard des business analytics, qu’il s’agisse de se lancer dans les premiers pilotes, ou plus simplement d’accepter de partager leurs données entre le département marketing et le service client, ou avec leurs partenaires tiers de confiance.

 

La révolution de la donnée implique un certain nombre d’ajustements techniques, culturels et organisationnels, facilités par les nouvelles technologies.

 

Une révolution dans tous les milieux

Une révolution technique

Le stockage, le traitement et l’organisation de grands volumes de données, structurées ou non, exige une infrastructure technique adaptée.

L’externalisation du stockage des données dans le cloud permet de réduire les dépenses en dimensionnant en fonction des besoins (de volume ou de puissance de calcul !) de manière souple et agile.

 

Une révolution des compétences

L’analyse des données, de la mise en place d’une stratégie data jusqu’à la conception du modèle, appelle de nouveaux savoir-faire, à la jonction du business, de l’informatique et de la statistique.

Le data scientist s’assure de la pertinence du modèle mathématique pour les enjeux métiers et de sa mise en pratique dans les outils existants.

Il doit ensuite communiquer de manière pédagogique pour accompagner les changements opérationnels et célébrer les premiers succès.

La collaboration entre le département data mining ou statistiques, l’IT et le marketing, peut recréer cet environnement, avec le soutien ponctuel de spécialistes de la data science.

 

Une révolution culturelle

Un projet business analytics est avant tout un projet humain.

La conduite du changement et le management de l’innovation revêtent une importance clé pour mobiliser les équipes autour de processus de collecte ou de traitement des données qui affecteront la façon d’appréhender leur métier.

 

L’adoption d’une culture de la collecte, de la mise à jour, du nettoyage, du traitement ou tout simplement du partage des données est également déterminante : une donnée compartimentée est une donnée « morte » et l’actualisation de sa valeur dépend aussi de la propension des organisations à décloisonner et à sortir d’une logique de silo, à partager l’information pour en exploiter le potentiel.

 

Accompagner le changement

Cette transition implique d’accompagner le changement autour de ces trois révolutions, pour exploiter au mieux ses données, qu’elles soient « big » ou « small », mais toujours dans le but de les rendre « smart ».

 

Les leaders de demain s’affirmeront par leur utilisation intelligente de la data.

 

Connaître et prédire les attentes et les besoins des consommateurs à partir d’un nombre toujours croissant d’informations est un enjeu central pour les entreprises.

 

On peut mesurer les bénéfices du business analytics appliqués à l’ensemble des enjeux de la relation client, qu’il s’agisse d’améliorer l’expérience client à chaque contact en réduisant les inefficiences organisationnelles, d’optimiser le processus d’acquisition pour augmenter les ventes aux prospects et la valeur de chaque client ou pour anticiper les départs des collaborateurs, des clients, ou de penser les offres de demain.

 

Ces bénéfices organisationnels et financiers reposent sur trois piliers de l’analyse des données.

 

Les 4 actions à mettre en place

#1 Collecter

– Collecter et agréger les données clients : panels online, posts sur les médias sociaux, données de navigation et Web analytics, enquêtes de satisfaction client, analyses sémantiques…

– Data management platform et infrastructure big data dans le cloud, méthodologie et technologie de panel online

 

#2 Analyser

– Comprendre ce qui s’est passé et avoir une vision à 360° à l’aide de tableaux de bord, pour faciliter la prise de décision auprès des opérationnels

– Data vizualization et outils BI

 

#3 Prédire

– Marketing proactif

– Prédire ce qui va se passer en créant, testant et déployant des algorithmes en production

– Data science, programmation, machine learning

 

#4 Prescrire

– Marketing réactif

– Influencer ce qui va se passer grâce à des campagnes marketing sur tous les canaux et moments clés de la relation client

– Moteur de recommandation en temps réel pour personnaliser vos actions

 

3 éléments essentiels à intégrer dans votre modèle

 

#1 Décrire

La description statistique donne à voir de façon globale les tendances et les schémas dominants qui structurent les logiques d’achat, de contact et de satisfaction. Cette première segmentation permet d’effectuer une typologie de clients et de mieux cibler une offre.

 

#2 Prédire

Le volume d’information délivré par le big data propose une prédiction des comportements au niveau individuel. Le big data offre ainsi des possibilités inédites en matière de segmentation, de ciblage et d’identification de nouveaux prospects.

 

#3 Décider

Les moteurs de recommandation prescrivent des scénarios d’actions possibles tenant compte à la fois des prédictions et des consignes du donneur d’ordre.

Le nouvel environnement dans lequel évoluent les entreprises induit une réactivité accrue face à l’évolution rapide des tendances et une compréhension plus rationnelle d’un monde de plus en plus complexe.

Plus rassurant que l’intuition, la politique interne ou le storytelling, les analyses de données permettent de faciliter ou d’accélérer la prise de décisions.

Le développement récent des outils d’analyse et l’émergence d’une véritable manne informationnelle permettent d’effectuer ce saut tant qualitatif que quantitatif.

C’est pourquoi Webhelp accompagne ses clients dans ce tournant essentiel, toujours dans l’optique de mieux répondre aux enjeux business.

 

« Le plus important est de bien identifier les problèmes principaux dans le parcours clients. Il vaut mieux sélectionner un petit nombre de sujets et créer un modèle efficace pour y répondre plutôt que d’essayer à tout prix de déployer une large gamme de données. Tout dépend en dernière instance des enjeux auxquels l’entreprise doit faire face, mais il convient d’abord de choisir un petit nombre d’objectifs à atteindre et d’y appliquer ensuite un modèle d’analyse. » 

 

Christopher Bryson, Data & Analytics Director Webhelp.

 

 

Alors, prêts à relever le défi de la data ?

•  Les entreprises pratiquant l’analyse de données marketing accélèrent leur croissance de chiffre d’affaires de 33 % et leur marge est multipliée par 12.

•  61 % des marketeurs prévoient que la ressource data et analytics représente leur premier poste d’investissement.