- Data
Table des matières
Table des matières
Automatisation, robotisation, prédiction, personnalisation, recommandations, scoring, mesure, classification, segmentation…. Nous poursuivons notre série estivale sur la Data Science avec des exemples concrets d’applications dans le domaine du marketing digital.
“La Data Science, oui mais pour quoi faire ?”
Si nous avons tenté de définir le concept de la Data Science dans le premier article de cette série, la définition des cas d’usages et bénéfices est évidemment une question fondamentale à se poser, sous peine de voir son projet de Data Science virer au fiasco (ce sera l’objet de notre prochain article).
En réalité, les champs d’application de la Data Science dans les entreprises n’ont de limite que votre imagination. A partir du moment où une organisation collecte des données, un océan d’opportunités s’ouvre à elle, pour peu que ces cas d’usage soient alignés avec ses enjeux stratégiques.
Les exemples d’applications de la Data Science sont légion, des plus connus (le moteur de recommandations de Netflix, la maintenance prédictive dans l’industrie, les algorithmes de reconnaissance faciale par exemple), aux plus utiles pour la société, dans les domaines de la santé (l’intelligence artificielle d’IBM capable d’effectuer un diagnostic médical ou les robots chirurgiens…) ou de la transition écologique (optimisation des ressources naturelles, prédiction des épisodes de pollution…) en passant par les plus farfelus (un logiciel générateur d’images de chats ou un outil capable de vous prévenir de l’arrivée imminente de votre patron dans votre bureau ! ).
Si la Data Science trouve un écho particulièrement favorable au sein de deux domaines, c’est bien le marketing et le digital. Le marketing est par définition tourné vers le client et le digital a permis de faire exploser le volume des données client collectées.
En prenant un peu de hauteur, si on considère que l’automatisation, le prédictif ou la personnalisation sont des moyens et non une fin en soit, la Data Science apporte, selon nous, 4 grandes catégories de bénéfices à l’industrie du marketing digital :
- Optimisation de la performance
- Amélioration de l’expérience client
- Gain de temps
- Aide à l’analyse et à la décision
Optimisation de la performance
Il s’agit bien évidemment de la principale attente d’une organisation.
La Data Science doit en priorité améliorer les ventes mais aussi permettre de mieux investir.
Plusieurs approches Data Science existent pour répondre à cet objectif de performance :
- La personnalisation d’une page d’accueil, d’un email ou d’une bannière publicitaire selon le profil et le comportement d’un internaute est un cas d’usage courant. La personnalisation repose sur les Data Management Platform (DMP) et les solutions de marketing automation qui agrègent plusieurs sources de données (first, second et third party) pour mettre enfin à disposition des canaux d’activation (RTB, SEA, retargeting, emailing…) des segments d’audience.
- L’analyse du profil et du comportement de l’internaute est également au coeur des moteurs de recommandations qui ont fait le succès d’Amazon ou de Netflix.
- La personnalisation est aussi renforcée par les méthodes de scoring et les algorithmes de prédiction. Des outils mesurent en temps réel l’intention et la probabilité de conversion d’un visiteur, le classifient (“touriste”, indécis, prospect chaud…) et ensuite activent un scénario d’incitation à la conversion (push d’un code promo ou d’une offre promotionnelle, affichage d’un contenu de réassurance, lancement d’une fenêtre d’un chatbot…). Kameleoon, éditeur français de solutions d’A/B Testing vient ainsi de faire une levée de fonds de 5M€ pour accélérer sur ce type d’approche.
Si le scoring, la prédiction et la personnalisation sont principalement au service de l’augmentation des ventes (conquête de nouveaux clients, augmentation du panier moyen…), ils peuvent aussi être très utiles pour des stratégies plus “défensives” :
- L’optimisation des investissements en ne diffusant pas de publicités auprès des prospects à faible potentiel de conversion ou de clients existants.
- La réactivation de clients dormants.
- La détection de l’attrition/churn (départ client), enjeu fondamental pour les compagnies d’assurance ou les acteurs des télécoms.
Amélioration de l’expérience client
Si les organisations érigent en priorité l’optimisation de la performance, celle-ci passe forcément par l’amélioration de l’expérience client qui aura un impact vertueux sur la fidélité et la prescription.
La Data Science peut ainsi être d’une aide précieuse pour laisser à un client un souvenir positif des multiples interactions qu’il a eu avec une organisation lors de son parcours d’achat :
- Un chatbot disponible immédiatement 24h/24 qui ringardise les traditionnels centres d’appels.
- Des produits et services en amélioration continue grâce à l’analyse automatisée des multiples feedbacks collectés (avis en ligne, commentaires sur les réseaux sociaux, enquêtes clients…).
- Des parcours clients simplifiés, où un client n’a pas à fournir plusieurs fois une même information.
- Le raccourcissement des délais de livraison : Amazon teste en effet une IA capable de prédire un achat afin de commencer à vous le livrer alors que vous n’avez pas encore dégainé votre CB !
- …
Reste la question de la personnalisation. La proposition d’une offre sur mesure peut être à double tranchant. Elle peut être bien perçue si elle apporte une valeur ajoutée. Mais l’hyper-personnalisation peut provoquer un sentiment d’intrusion et inciter le consommateur à ne plus fournir ses données. Personnalisation vs intrusion, un subtil équilibre à trouver…
Quoi qu’il en soit, le Graal des démarches d’amélioration de l’expérience client est de reconstituer une vision à 360 ° degrés du parcours client. Face à ce défi, les CDP (Customer Data Platform) ont pris la suite des DMP mais restent confrontées aux mêmes problématiques techniques d’agrégation et de réconciliation.
Gain de temps
Le temps, c’est de l’argent. Et le marketing digital peut être très gourmand en temps.
Extraire des données de sources différentes, les agréger dans un lieu unique, les classer, les analyser pour ensuite déclencher des actions concrètes sont autant d’actions indispensables mais très chronophages.
L’élimination de cette non valeur ajoutée, ce que les apôtres du lean management appellent les mudas (=gaspillages) est autant nécessaire pour minimiser les risques d’erreur que pour préserver la santé mentale des gens qui exécutent ces tâches.
Le recours à la machine est également nécessaire pour traiter des volumes de données que le cerveau humain n’est pas en capacité d’examiner.
Les technologies et solutions Big Data (Google Big Query, Cloud, AWS, Spark, Hadoop…) ont cette faculté de faciliter l’agrégation et la centralisation de volumes gigantesques de données. Les langages de la Data Science (R, Python…) permettent ensuite d’appliquer à ces données une couche d’intelligence métier pour en faciliter l’analyse.
Dès lors, les champs d’application sont multiples :
- Les solutions de marketing automation déclenchent de façon instantanée l’envoi d’un email personnalisé selon un comportement utilisateur.
- Google Ads incite les annonceurs et les agences à faire confiance à son algorithme de machine learning pour le pilotage de enchères de campagnes search, display ou YouTube.
- La Data Science offre également de nombreuses perspectives pour faciliter la vie des SEO : agrégation de sources de données hétérogènes (analytics, search console, ranking, données techniques, popularité…), optimisation de contenus, clusterisation d’une liste de mots-clés, prédiction de positionnements…
- …
Et demain, l’automatisation poussée à l’extrême nous permettra t-elle de limiter notre action à appuyer sur un bouton ? Nous n’y sommes pas encore même si des algorithmes de machine learning sont désormais en capacité de produire du contenu sans intervention humaine. En tant qu’amoureux de la plume et ancien journaliste, c’est une perspective que je n’ai personnellement pas envie de voir se concrétiser.
Aide à l’analyse et à la décision
Comme nous l’avons exprimé dans un récent papier sur le blog, l’avenir de l’Analytics “traditionnel” s’obscurcit entre les restrictions technologiques ou réglementaires autour du cookie (ITP 2.2, RGPD…).
Ces freins combinés à l’explosion du cross-devices et à un silotage des données chez les acteurs AdTech rendent impossibles la reconstitution du parcours digital d’un client en amont d’une conversion. Dès lors, comment attribuer le bénéfice d’une vente et ensuite optimiser son allocation budgétaire par canal ?
Les analyses probabilistes ou études incrémentales pourraient pallier ces problèmes en extrapolant l’impact d’une campagne ou d’une action à partir d’un échantillon de données.
La Data Science pourrait aussi profondément révolutionner le métier du web analyst en l’aidant à :
- Identifier rapidement les dimensions et métriques à l’origine de la dégradation de la performance d’un indicateur.
- Détecter très tôt l’évolution anormale d’un indicateur
- Prédire une performance à “l’atterrissage”
Si ces approches d’ ”Analytics Intelligence” commencent à émerger (Google Analytics propose des insights automatiques. AT Internet dispose d’un module de détection des anomalies et la prédiction de résultats), elles ont selon nous un potentiel de développement énorme.
Et cette perspective nous semble particulièrement excitante. Nous aurons l’occasion d’y revenir dans un le dernier article de la série sur la vision de la Data Science chez Empirik.
Vous avez aimé cet article sur la Data Science ? Consultez les autres articles de la série :
1. Définition & principes de la Data Science
3. Cycle de vie d’un projet
