Point de vue: Turn Big Data Into Business by Intelligence (Artificial & Human)

Point de vue: Turn Big Data Into Business by Intelligence (Artificial & Human)

Point de vue de Valérie, Manager au sein du Groupe Estia

 

Turn Big Data Into Business by Intelligence (Artificial & Human) – Ou comment les intelligences humaines et artificielles peuvent donner de la valeur à vos données ?

 

En 2020, chacun d’entre nous génèrera 1.7 Mo de données à la seconde (1). Ce volume de données a été multiplié par 2 en 3 ans (2). Lorsque l’on sait que 90% des données mondiales ont été créées dans les 2 dernières années (3), on comprend l’ampleur du Big Data.

Les entreprises n’ont jamais eu autant de données à leur disposition, facilité par un stockage devenu plus aisé et moins cher avec l’avènement de nouvelles technologies et des clouds.

Et c’est là qu’est tout le paradoxe … puisque 70% des données présentes en entreprise ne seraient pas exploitées (4) ; au sein des équipes marketing, 30% d’entre elles estiment même mal exploiter la donnée car il y en a trop (5).

Finalement, trop de connaissances ne tueraient-elles pas la connaissance ?

Il faut donc passer de l’ère du Big Data à celle de l’Intelligence Data : Turn Data into Business by Intelligence, en utilisant toutes les intelligences à disposition, qu’elles soient artificielles mais surtout humaines.

Comment pouvons-nous tirer parti de ce flot ininterrompu de données et en extraire toute la quintessence qui permettra d’améliorer la relation client, l’expérience client, la satisfaction client et in fine les indicateurs économiques de l’entreprise ?

Des grandes étapes peuvent être mises en place et se résumer autour de :

  1. La centralisation des données
  2. La valorisation des données
  3. La personnalisation de la relation client
  4. L’entretien des données

Pourquoi centraliser ses données ? Traditionnellement, les entreprises gèrent leurs données en silos, avec une utilisation régie davantage par une vision métier que globale entreprise. Il n’est, en effet, pas rare de voir que chaque service utilise ses propres systèmes de stockage, ses propres outils, ses propres process, ses propres règles pour ne traiter que la donnée utile à son activité.

Dans ce cas, chaque branche n’a qu’une vision partielle des parcours de ses clients / prospects, déterminée le plus souvent par ses propres interactions avec eux. 46% des répondants à l’étude Transformation de la Relation Client 2019 avouent même que les silos de données sont un frein à l’agilité du service client. Qui n’a jamais reçu de communication vous vantant les mérites du produit que vous veniez d’acheter ?

Un des moyens d’éviter cela est de centraliser les données dont on a besoin, de les réunifier, de les combiner afin de disposer de la fameuse « vision client 360 ».

Quelles données utilise-t-on le plus communément ?

  • Les données socio démographiques qui permettent de dire qui sont nos clients
  • Les données géographiques qui nous permettent de savoir où ils habitent, où ils achètent, et éventuellement où ils travaillent
  • Les données comportementales: comment réagissent-ils aux mails que nous leur envoyons, comment surfent-ils sur le web, quels sont leurs engagements vis-à-vis de nos marques, quels sont leurs interactions avec le service client ?
  • Les données commerciales à travers leurs achats, leur fidélité, leur réactivité aux prix et aux promotions…
  • Leurs centres d’intérêt, leurs envies, leurs besoins

Concrètement, en quoi consiste la centralisation des données ?

Prenons le cas de Valérie, femme de 44 ans, habitant en Ile de France, fidèle cliente de la marque X depuis 5 ans et adhérente de son programme de fidélité, ayant effectué son dernier achat il y a 2 mois en profitant d’une vente privée dans son magasin de prédilection de Franconville, après avoir reçu un mail et un SMS, très engagée pour la marque sur Facebook et Instagram, ayant appelé le service client il y a 15 jours après avoir navigué sur la FAQ du site pendant 20mn il y a 16 jours.

La centralisation des données consistera à faire converger les données socio-démographiques (femme de 44 ans, habitant en Ile de France), les données commerciales (fidèle cliente de la marque X depuis 5 ans et adhérente de son programme de fidélité, ayant effectué son dernier achat il y a 2 mois), les données relationnelles (après avoir reçu un mail et un SMS), les données comportementales (très engagée pour la marque sur Facebook et Instagram, ayant appelé le service client il y a 15 jours après avoir navigué sur la FAQ du site pendant 20mn il y a 16 jours) dans un seul et même réceptacle et surtout à faire en sorte qu’elles soient reliées entre elles.

En effet, toutes ces données provenant de différentes sources, Valérie n’est pas reconnue de la même façon dans chacune d’elles. Elle peut être connue comme Valérie, identifiant client n° 4629563I962O dans la base client, comme valerie44@gmail.com dans la base transactionnelle et comme valadressepoubelle@hotmail.com dans la base relationnelle… Si une base de référence n’existe pas entre ces 3 façons de l’identifier, Valérie sera considérée comme 3 personnes différentes dans les systèmes. Adieu alors le Référentiel Client Unique ! Il est donc essentiel de pouvoir dédoublonner ses données.

In fine, pour être exploitées, toutes ces données, quel que soit leurs formes (quantitatives, qualitatives, textes, audios, vidéos, …) devront être structurées.

Il faudra alors adopter une véritable stratégie de centralisation. Car, même s’il l’on peut tout stocker (quoique ? et est-ce vraiment sensé ?), il ne sera sans doute pas possible de tout structurer. Il faudra donc sélectionner celles à structurer. Pour cela, il conviendra de répondre à plusieurs questions :

  • Quels sont mes besoins ? A quelles questions dois-je répondre pour optimiser mes process et mes indicateurs économiques ?
  • Quelles sont mes sources de données ?
  • Quelles sont les informations dont j’ai besoin pour répondre à mes besoins ?

Répondre à ces questions permettra de hiérarchiser les données à structurer (voire à stocker). Cela implique également d’intégrer à ces réflexions les services concernés pour bien comprendre les données qu’ils utilisent, la façon dont ils les exploitent, se les approprier, et les embarquer dans la vision client 360°.

Une fois ce réceptacle de données constitué, et le dédoublonnement réalisé, il faut distiller, assembler, façonner, polir, mettre en scène ses données pour en tirer toute leur quintessence.

Nous entrons dans la phase de Valorisation des données.

Là aussi, plusieurs étapes peuvent être suivies :

  • La phase de DataManagement: Une phase de connaissance du type de données, de nettoyage des données, de gestion des données manquantes (tous les clients ne sont pas renseignés sur tous les aspects de la relation avec l’entreprise, certains par exemple ne sont pas fans de la marque sur les réseaux sociaux), de détection et de traitement des données aberrantes, de créations d’indicateurs composites, évolutifs…
  • La phase de Data Analyse, de Pilotage : elle passe par la mise en place et la mise à jour de suivis de l’activité de ses indicateurs business, de ses actions marketing, de l’activité des équipes… On verra apparaître ici tout un tas de reportings, de tableaux de bord, de dataviz…
  • La phase de Data Insights, d’études ad hoc de connaissance clients permettant de comprendre le comportement des clients sur des moments précis de l’année, face à certaines offres, devant tels types de produits…
  • La phase de Datascience permettant de prédire ou d’agréger des comportements (Segmentations, Prédictions d’évènements, Moteurs de recommandations, Analyses textuelles…)

Toutes ces étapes donneront lieu à des recommandations précises, factuelles, mesurables et actionnables par le CRM, les services clients, commerciaux, de facturation, de logistique…

Nous entrons alors dans la phase de personnalisation de la relation client, qui utilisera les recommandations et outputs des phases précédentes pour animer ses bases. On vise le Next Best Action, ie proposer au bon client, le bon produit ou service, au bon prix, au bon endroit, au bon moment, avec le bon message via les bons canaux de communications.

Bien évidemment, il faudra mesurer, valoriser, mettre à jour, faire évoluer tous ces indicateurs afin de rester toujours au plus près des envies et besoins de ses consommateurs et de continuer à optimiser ses indicateurs économiques.

Il est aussi une phase essentielle à ne pas oublier : c’est l’entretien de ses données. Elle pourrait être en effet la clé de la longévité si l’on a en tête que 30% des données d’une base sont obsolètes au bout d’un an (6). Il est donc indispensable de mettre en place une démarche de qualification et d’entretien continu de sa base qui permettra en outre d’être en règle avec le règlement européen de protection des données personnelles, RGPD.

En effet, mes centres d’intérêt d’aujourd’hui ne sont probablement pas ceux de demain. Idem pour mes besoins et mes envies, ma situation personnelle aura peut-être aussi évoluée.

Plusieurs moyens peuvent être employés :

  • Historiser ses données: permet en plus de dessiner des tendances et de déterminer des évolutions, de détecter des changements de comportements.
  • Ecouter leur voix régulièrement via l’analyse de leurs verbatims lors d’appels, de commentaires sur les réseaux sociaux ou le site…
  • Qualifier leurs envies et leurs besoins via des questionnaires courts, leurs centres d’intérêt via la web analyse…
  • Filtrer les adresses non conformes (en amont si possible)
  • Mener des campagnes de réactivation des inactifs
  • Epurer les comptes inactifs, les boîtes ayant dépassé leur capacité de stockage, les signalements en SPAM (important pour éviter le blacklist des fournisseurs d’accès internet)

En conclusion, le marketing a toujours accordé une importance particulière à l’image de marque. Aujourd’hui, la donnée peut avoir une influence significative sur celle-ci et particulièrement si on l’utilise à mauvais escient.

Mais intégrée à votre stratégie client, elle pourra alors réellement leur offrir une relation de qualité centrée autour de leurs besoins. Vos données vaudront alors de l’or ! Et nous sommes là pour vous y aider…

Sources :

(1) : IDC

(2) : MacKinsey Global Institure

(3) : IBM

(4) : étude Big Data Index

(5) : Cyber Sphère

(6) : Altares

 

_________________________

A PROPOS DE GROUPE ESTIA

Le Groupe Estia est un cabinet de conseil spécialisé dans la transformation des données en actifs.

Créé en 2010, il rassemble aujourd’hui 100 consultants experts de la donnée et de son exploitation à forte valeur ajoutée (data scientists, statisticiens, experts du décisionnel et experts fonctionnels) et génère 10m€ de CA.

Le Groupe Estia intervient auprès des directions métiers de plus de 30 clients grands comptes, dans tous les secteurs d’activités : Banques, Assurances, Distribution, Energie, Transports, Médias, Services,… Son objectif : faire des données un accélérateur business pour nos clients. Son intervention couvre l’intégralité du cycle de transformation et de valorisation de la data.

Notre gamme de services se décline en 6 offres : Pilotage des activités, Connaissance clients, Communication omnicanal, Modélisation à visée prédictive, Transformation vers une organisation data centrics, Gestion de projets data & nos expertises couvrent l’ensemble des problématiques data : CRM analytique, gestion de campagnes, datamining & webmining, business intelligence, conception d’outils, d’applications analytiques, d’algorithmes & de modèles,…

En 2017 la société accélère son développement en s’appuyant sur un nouvel actionnaire de référence, le groupe Consort NT intégrateur et opérateur de solutions et d’infrastructures (2 000 collaborateurs, 140m€ de CA, 6 pays). Le Groupe Consort NT et Groupe Estia proposent dorénavant une offre unique couplant technologies, infrastructures et capacités algorithmiques au service de la performance de leurs clients.

0 Avis

Laisser une réponse

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*

Vous pouvez utiliser ces balises et attributs HTML : <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>