24 octobre 2024
Définir et mettre en oeuvre une stratégie data driven
Qu’est-ce qu’une stratégie data driven ? Les données sont devenues un atout incontournable pour toute organisation cherchant à optimiser ses…
18 septembre 2017
Big Data, Machine Learning et prédictif rendent les sites de vente en ligne plus rentables, les campagnes marketing plus efficaces et les commerciaux plus percutants. Une approche qui n’est aujourd’hui plus réservée aux seules grandes entreprises, en B2C comme en B2B.
Pour améliorer l’efficacité d’une campagne marketing, augmenter le taux de transformation d’un site marchand, il faut désormais être capable de personnaliser les offres, prédire ce que votre client recherche. Désormais, 74% des internautes qui arrivent sur un site et qui ne trouvent pas immédiatement ce qu’ils cherchent se disent frustrés (Etude « Online Experience 2013 », Janrain). Quand on garde à l’esprit que l’on est toujours à un clic de son concurrent, il faut à tout prix afficher ce que l’internaute recherche dès la page d’accueil sous peine de le voir partir aussi vite. Même constat dans le B2B où 46% des clients déclarent attendre des offres sur mesure de la part de leurs fournisseurs comme preuve d’une bonne relation commerciale (Etude Why companies need to market – and not just sell – to Existing Customers, Gartner). Le besoin, ou plutôt l’exigence de personnalisation, est là de la part des clients et la technologie est au rendez-vous pour y répondre.
Ces technologies de personnalisation, de recommandation, c’est le fameux « Big Data ». Ses recettes sont maintenant bien connues. Map/Reduce, Hadoop, Hive, Spark, machine learning, algorithmes génétiques, réseaux de neurones, prédictif, autant de technologies et de concepts qui semblent réservés à une petite élite d’experts. Selon une étude ExactTarget, en 2014 seulement 29% des « marketeurs » ont investi dans la personnalisation de leurs sites Web et dans l’analyse du comportement de leurs clients.
Si les grandes entreprises se sont dotées de cellules Big Data pour former des Data Scientists capables d’analyser leurs données, créer des Data Lakes et piloter leurs actions marketing grâce au prédictif, une telle approche semble totalement hors de portée pour bon nombre d’entreprises. Car si les logiciels gagnent peu à peu en maturité et permettent de stocker et d’analyser des masses de données considérables à un coût très faible, ils n’en restent pas moins des outils de pointe. Les compétences sont donc encore rares sur le marché et il est difficile de les attirer lorsqu’on est une petite entreprise.
Il existe néanmoins des voies qui permettent d’accéder au prédictif sans devoir investir lourdement. Illustration de ce mouvement, celui du moteur de recommandation. Le B2C, comme souvent, ouvre la voie. Ainsi, de très nombreux acteurs se sont positionnés avec des logiciels qui adaptent dynamiquement le contenu de sites marchands en fonction du comportement des visiteurs. Il s’agit bien souvent d’offres Saas qui fonctionnent dans un mode « boîte noire », sans qu’il soit nécessaire de concevoir ni même véritablement connaître les modèles prédictifs qui les animent. Ces logiciels absorbent le trafic du site de E-Commerce et, en fonction des comportements observés, des parcours clients identifiés, et d’une segmentation basée sur les achats, le robot logiciel va personnaliser les pages du site. Il recommande automatiquement les produits qui vont faire mouche auprès du client. Une approche prédictive semi-automatisée et qui ne nécessite pas d’investissement initial car ces solutions sont souvent proposées en mode Saas, avec une rémunération à la performance.
L’intérêt numéro 1 de cette approche, c’est que le commerçant n’a pas à connaître dans le détail les algorithmes sous-jacents ; il pilote la boîte noire au moyen de divers paramètres métiers, définit éventuellement les articles ou les contenus à mettre en avant pour telle ou telle cible et le logiciel fait le reste. Au moyen de l’A/B testing, il est même possible de challenger l’équipe marketing interne et vérifier que l’algorithme est plus ou moins efficace que les chefs de produit. Sur ce marché, on trouve notamment les solutions de Netwave, Sparkow, Target2Sell ou encore Oracle avec son offre Oracle Real-Time Decision, utilisable tant sur le site Web qu’en centre d’appel, par exemple.
Pour les entreprises qui souhaitent maitriser leur approche et monter en compétences sur ces technologies Big Data, tous les acteurs du Cloud ont ajouté des fonctions prédictives à leurs offres de services en ligne. Ainsi, il est possible d’utiliser des algorithmes prédictifs et de s’essayer au machine learning à peu de frais. Inutile de mettre en place une grappe de serveurs et installer les piles logicielles Hadoop et leurs multiples composants. Google, Amazon, Microsoft et dernièrement OVH pour ne citer que les plus gros acteurs du Cloud, offrent de telles fonctions. Facturées à l’usage, les tarifs pratiqués sont très modestes lorsqu’on réalise quelques milliers de calculs par mois. Il est ainsi possible de s’essayer au marketing prédictif sans investissement initial et sans devoir négocier de budget spécifique. Amazon Machine Learning d’un côté, Google Prediction API de l’autre, en passant par Azure Machine Learning de Microsoft, les prix sont dérisoires voire gratuits lorsqu’il s’agit de volumes de calculs modestes. Ensuite les services sont globalement facturés en fonction des volumes de données analysées et du nombre de milliers de prédictions réalisées chaque mois.
Si ces services Cloud sont constitués essentiellement de Web Services mis à la disposition des Data Scientist pour réaliser leurs analyses, Azure Machine Learning présente la particularité de disposer d’une interface utilisateur graphique. Celle-ci qui permet à l’utilisateur de charger ses données, de les manipuler afin de réaliser des prétraitements. Il va aussi constituer ses modèles prédictifs » à la souris », en assemblant des composants graphiques. Le logiciel reste encore technique et ne peut être directement confié à quelqu’un qui vient du marketing, mais cette simplification des outils est néanmoins une tendance forte. Oracle travaille de son côté sur l’offre Big Data Discovery qui, elle aussi, va offrir des outils graphiques au Data Scientist pour travailler.
Quelques startups ont pris de vitesse ces géants de l’informatique avec des outils désormais très simples d’utilisation. ChurnSpotter de PredicSis ou encore Data Science Studio de Dataiku sont des solutions où un effort considérable a été réalisé afin de simplifier au maximum d’accès à ces technologies complexes. Le Graal des éditeurs est désormais de créer des outils à mettre dans les mains du marketing et non plus des seuls informaticiens et experts. C’est pratiquement chose faite.
Besoin de booster votre efficacité commerciale et votre génération de leads ?
Sparklane vous permet :