Recherche

[Tribune] 6 questions essentielles sur le data mining

Publié par le - mis à jour à
[Tribune] 6 questions essentielles sur le data mining

Le "QQOQCCP" du data mining : telle est la méthode proposée par Philippe Nanopoulos, de Base Plus, afin d'appréhender tous les enjeux de l'extraction des données.

  • Imprimer

Le data mining est au coeur du process qui conduit d'un grand volume de données brutes jusqu'à la connaissance client et à la réponse marketing, puisqu'il s'agit de l'extraction d'informations pertinentes, autrement dit utiles à la décision, à partir d'un grand volume de données. Mais aujourd'hui, cette courte définition ne suffit plus pour appréhender l'essentiel du data mining. Tour d'horizon complet à travers la méthode du "QQOQCCP" ("Quoi ? pour Qui ? Où ? Quand ? Comment ? Combien ? Pourquoi ?").

Le data mining, c'est quoi ?

Le data mining (littéralement "forage des données") couvre l'ensemble des outils et méthodes qui permettent d'extraire des connaissances à partir de grandes bases de données (Knowledge Discovery in Databases - KDD). Grâce à des méthodes d'analyse de données et de statistiques exploratoires, on pratique le data mining depuis plus de 30 ans dans de nombreux secteurs d'activités. Mais si le concept est particulièrement à la mode aujourd'hui, c'est que certaines évolutions récentes méritent d'être soulignées.

1. Big Data : la volumétrie des données et leur variété suivent une croissance exponentielle.

L'omniprésence d'Internet, la numérisation croissante des interactions de tout type, l'Open Data et l'émergence des objets connectés génèrent des volumes de données de plus en plus vertigineux. La variété des données s'est aussi accrue, avec notamment le développement des réseaux sociaux : images, sons, textes sont désormais également des données à analyser.

2. Machine Learning : de nouvelles techniques d'analyse permettent de traiter rapidement ces grands volumes de données.

Venues de l'univers de l'intelligence artificielle, ces nouvelles techniques enrichissent la boîte à outils des data analysts.

3. Fiabilité et objectivité des données internes.

Les méthodes statistiques traditionnelles analysaient surtout des données provenant d'enquêtes ou de sondages. Le data mining se concentre lui sur les données internes qui circulent dans les tuyaux informatiques des entreprises et notamment les données clients : informations issues des cartes de fidélité, transactions, etc.

Le data mining : pour qui ?

Le data mining concerne l'ensemble des secteurs d'activité dès lors qu'il y a des données à analyser et surtout lorsqu'il y a beaucoup de données.

Historiquement, le data mining s'est d'abord diffusé dans les secteurs qui manipulaient de grands volumes de données clients : banques, assurances, VPC, grande distribution. Les pouvoirs publics se sont également approprié ces méthodes pour des questions relatives à la défense, la détection automatique des fraudes, etc. Au niveau des organisations, tous les services sont aujourd'hui concernés par les apports du data mining, même si les services marketing sont souvent porteurs des premiers projets en la matière.

Les informations et connaissances produites par le data mining optimisent les décisions stratégiques et opérationnelles de l'entreprise à tous les étages, en les rendant plus efficaces et plus efficientes. Pourquoi ? Parce que quel que soit le secteur d'activité ou l'enjeu stratégique, le data mining réduit les incertitudes. Ce faisant il améliore la pertinence des décisions prises dans une perspective de ROI.

Le data mining : à quel moment du process de la connaissance client ?

Le data mining permet de mieux connaître et comprendre ses clients et ses prospects, mais aussi de prévoir leurs comportements (c'est le marketing prédictif). Il ne s'agit plus seulement de se demander "qui a acheté quoi, quand et par quel canal", mais "demain, qui achètera quoi quand et par quel canal".

Le data mining produit des bénéfices à toutes les étapes du parcours client : acquisition, fidélisation et développement :

  1. On identifie les prospects à fort potentiel, les canaux à privilégier pour les contacter et les meilleures offres susceptibles de les convertir.
  2. On analyse de façon détaillée son portefeuille client pour hiérarchiser ses clients en fonction de leur valeur passée, actuelle et future. Chaque client est profilé et chaque profil fera l'objet d'un traitement marketing adapté.
  3. On anticipe les moments de fragilité dans la relation avec chaque client afin de prendre des mesures appropriées.
  4. On identifie les offres à proposer à chaque client mais aussi le timing de ces propositions et les canaux à privilégier afin de développer le CA/client.

En résumé, le data mining permet un redéploiement beaucoup plus efficace des efforts marketing et commerciaux de l'entreprise.

Le data mining : comment s'y prend-on ?

Le data mining n'est qu'une étape de la chaîne de valeur de la donnée client. En général, pour une entreprise novice, on commence par un POC "proof of concept" :

  1. identification d'une problématique managériale précise ;
  2. cartographie de toutes les données accessibles ;
  3. collecte des données en s'assurant de leur qualité ;
  4. analyse des données pour démontrer le ROI.

Cette chaîne de valeur devrait, à terme, structurer la réorganisation même de l'entreprise. Mais le déploiement systématique de la chaîne de valeur de la donnée client n'intervient généralement qu'après un ou plusieurs POC. Il faut bien comprendre que mettre en oeuvre des techniques de data mining, c'est entrer dans le cercle vertueux de la connaissance client : je collecte des données, je les analyse pour en extraire de la connaissance, je mets en oeuvre des actions marketing qui découlent de cette connaissance, j'observe les résultats de ces actions auprès de chaque client ciblé, j'analyse ces résultats, et ainsi de suite...

Le data mining : quelles données sélectionne-t-on ?

Les entreprises qui se sont emparées des techniques de data mining collectent aujourd'hui une grande variété de données off et online. Pour enrichir votre base de données et valider l'exactitude des informations, il est également possible de les croiser avec des données multi-canal économiques, socio-démographiques et géographiques, régulièrement mises à jour.

L'ensemble de toutes ces données sont alors intégrées dans le DMP spécifique de l'entreprise (Data Management Platform).



Le data mining : pour quoi faire ?

Le data mining permet à une entreprise de :

  1. mieux comprendre ses clients en établissant un profil très fin de chacun d'entre eux, anticiper l'évolution de leurs besoins et adapter ainsi sa politique de fidélisation ;
  2. découvrir des niches rentables nécessitant un traitement marketing spécifique ;
  3. optimiser l'adéquation de son offre à chaque profil : adapter sa politique commerciale et sa tarification mais aussi ses canaux de distribution et sa communication aux différents profils de clientèle, optimiser l'impact et la rentabilité des offres commerciales
  4. cibler finement ses actions de recrutement sur des prospects à fort potentiel et plus généralement cibler finement ses actions de développement : cross-selling, up-selling ;
  5. adapter le calendrier de ses actions marketing aux différents profils.

Pour conclure et pour résumer, le data mining est le process qui conduit de la big data à la smart data.

L'auteur : Philippe Nanopoulos, responsable scientifique du pôle connaissance client chez Base Plus. Il conseille entreprises privées et organisations publiques depuis 20 ans sur la chaîne de valeur des données clients (collecte, stockage, organisation, analyse et diffusion). Référence française en matière de Connaissance Client, Base Plus cultive depuis 15 ans son expertise technologique pour produire des données comportementales toujours plus riches, plus performantes et plus affinées. Philippe Nanopoulos est par ailleurs enseignant-chercheur à l'Ecole de Management de Strasbourg (Université de Strasbourg) au sein du département Marketing.



Philippe Nanopoulos, Base Plus

Comment devenir une entreprise data-driven?

Comment devenir une entreprise data-driven?

Comment devenir une entreprise data-driven?

Mardi 6 décembre, emarketing.fr et IBM ont organisé, à Paris, une matinée consacrée aux tendances du marketing digital. Parmi elles, la dark [...]

Une web-série sur les enjeux de la data

Une web-série sur les enjeux de la data

Une web-série sur les enjeux de la data

Sensibiliser les dirigeants à l'importance d'une data bien collectée : tel est l'objectif du mouvement Datamaniaques à l'origine d'une web-série [...]

[Timeline] Découvrez 20 ans de marketing

[Timeline] Découvrez 20 ans de marketing

[Timeline] Découvrez 20 ans de marketing

Découvrez les grandes dates de l'univers marketing et des médias qui ont marqué ces vingt dernières années, du lancement de Marketing Magazine [...]

ROPO : l'omnicanal au service de la conversion

ROPO : l'omnicanal au service de la conversion

ROPO : l'omnicanal au service de la conversion

Selon la 5ème vague de l'Observatoire du ROPO² mené par Fullsix Data et CSA Research, le comportement omnicanal aurait atteint un niveau de [...]

Data Marketing : collecter la bonne donnée

Data Marketing : collecter la bonne donnée

Data Marketing : collecter la bonne donnée

Des millions de données on et off line sont à la disposition des marketeurs et leur collecte est devenu un enjeu majeur pour les entreprises. [...]

4 clés pour déployer un marketing 100% data driven

4 clés pour déployer un marketing 100% data driven

4 clés pour déployer un marketing 100% data driven

Miser sur la data et la diffuser à l'ensemble de l'entreprise pour gagner en performance... Si, sur le papier, l'idée séduit et s'inscrit dans [...]

Big Data, le modèle GAFA et sa déclinaison marketing

Big Data, le modèle GAFA et sa déclinaison marketing

Big Data, le modèle GAFA et sa déclinaison marketing

L’apparition des besoins croissants d’analytics pour traiter de grandes quantités de données est apparue avec les grands noms de la tech. Google [...]

[Tribune] Data driven: il reste du chemin à faire!

[Tribune] Data driven: il reste du chemin à faire!

[Tribune] Data driven: il reste du chemin à faire!

Si les marques brandissent bien haut l'étendard de la data, toutes ne la gèrent pas de façon optimale, loin s'en faut. Ainsi, 62,5% des entreprises [...]