Slide 1

Slide 1 text

INTRODUCTION AU DATA MARKETING [email protected] 1

Slide 2

Slide 2 text

LA DATA AU CŒUR DE L’ACTUALITÉ… 2 Source lebigdata.fr Source : le magit.fr

Slide 3

Slide 3 text

La montée en puissance de la data Multiplication des canaux et des devices Augmentation des points de contacts au sein des parcours Forte digitalisation de la phase pré-achat Opportunité du tracking de navigation, de réactivité Possibilité d’agir en temps réel 1 5 4 3 2

Slide 4

Slide 4 text

LA DATA, UN ENJEU FONDAMENTAL 4 Source : infographie complète disponible sur cmit.fr

Slide 5

Slide 5 text

• I – L’arrivée de la data dans le commerce • II – Collecter et stocker • III – Faire parler les données • IV – Activer les données 5

Slide 6

Slide 6 text

#I – L’ARRIVEE DE LA DATA DANS LE COMMERCE 6

Slide 7

Slide 7 text

7

Slide 8

Slide 8 text

8

Slide 9

Slide 9 text

9

Slide 10

Slide 10 text

10

Slide 11

Slide 11 text

11

Slide 12

Slide 12 text

L’ÉVOLUTION DE LA RELATION CLIENT-COMMERÇANT D’une relation directe, Avec un contact interpersonnel avec l’instauration du libre-service puis d’intermédiaires de distribution et, enfin, d’outils numériques. la relation est devenu indirecte DATA pour être aujourd’hui complexe Avec un nombre de points de contact important (vendeur en magasin, mobile, site web, téléphone, mail, réseaux sociaux… ) 12

Slide 13

Slide 13 text

LE NÉCESSAIRE DÉVELOPPEMENT DES ÉTUDES DE MARCHÉ 13 Source : miratech.fr

Slide 14

Slide 14 text

#II – COLLECTER ET STOCKER LES DONNEES 14

Slide 15

Slide 15 text

LA DATA 15 Données Informations Connaissances • Une donnée est « un fait discret, brut ; elle résulte d’une observation, d’une acquisition, d’une mesure. Elle est objective » (Prax, 2019). • Une information est « une collecte de données organisées dans le but de délivrer un message » (Prax, 2019). Il y a donc une intention de l’émetteur qui organise les données en ce sens. Elle est subjective. • La connaissance est le résultat d’un assemblage d’informations traitées auquel l’homme a pu assigner un sens (Malhotra, 2000). C’est l’individu qui confère une signification et une pertinence à l’information, qui la transforme alors en connaissance.

Slide 16

Slide 16 text

LA CLASSIFICATION DES DATA 16 Critères de classification utilisés par… Caractéristiques Les data scientists - Données structurées / non structurées Données structurées : organisation logique / formats identiques / facilité de recherche Données non structurées : entassement sans logique / formats différents / nécessite un traitement humain Les statisticiens - données continues / discrètes - Données qualitatives / quantitatives - Données cibles / explicatives - Données brutes / calculées Les publicitaires - First party data - Second party data - Third party data FDP : appartiennent à l’annonceur SPD : mises à disposition de l’annonceur par une autre entreprise dans le cadre d’un partenariat TPD : Données tierces vendues par des fournisseurs de données Les marketeurs - Sociodémographiques - Transactionnelles - Comportementales - Contextuelles

Slide 17

Slide 17 text

LES 5V DU BIG DATA 17 Volume 2,5 exaoctets par jour 6 milliards de smartphones 90% des données d’aujourd’hui ont été créées au cours des 2 dernières années. Variété Les données collectées peuvent être variées : textes, chiffres, enregistrements audios ou vidéos, photos… Elles sont souvent non structurées. Cela correspond à la vitesse de circulation des données. La question est donc posée d’exploiter ces données en temps réel avant leur obsolescence. La finalité de l’exploitation du big data est de générer de la valeur, économique ou sociétale. Le flux important de données en circulation pose la question de leur véracité. La viabilité de l’acteur générant la donnée doit être vérifiée, tout comme la validité du processus de collecte de la donnée. BIG DATA Vélocité Véracité Valeur

Slide 18

Slide 18 text

LES OUTILS DE COLLECTE DE DONNÉES 18 Application Programing Interfaces Tag Management System Cookie • Un cookie est un petit fichier texte transmis lors d’échanges entre un navigateur et des sites web. C’est véritablement l’élément clé de la collecte de données web. • Il est possible de déposer des pixels de tracking (=tags) sur différentes pages pour collecter des données de navigation. Le principe est de suivre la réalisation de certaines actions (visite d’une page, téléchargement d’un livre blanc, conversion…). Ces balises sont regroupées et gérées à partir du TMS. • Une API est une interface de programmation qui permet à 2 logiciels de communiquer entre eux, de s’interconnecter. En data marketing, les API sont très utilisées et permettent d’interfacer des solutions avec des flux de données.

Slide 19

Slide 19 text

LES OUTILS DE STOCKAGE DE DONNÉES 19 • Une DMP (Data Management Platform) est un entrepôt de données à visée commerciale. Elle est alimentée par le CRM et l’ERP de l’entreprise, entre autres ; et contient des données structurées. • Un Data Lake peut accueillir tout type de données (structurées ou non) particulièrement hétérogènes (capteurs offline, réseaux sociaux, open data…). Data Warehouse Vs Data lake Structuré, calculé donnée Structuré / semi-structuré / non structuré / brut Structuration de la donnée à l’écriture calcul Structuration de la donnée à la lecture Coût élevé de stockage stockage Bas coût de stockage Peu agile, configuration figée agilité Configuration agile, reconfiguration à volonté sécurisé sécurité Tend à se sécuriser Professionnels non techniciens utilisateurs Data scientists Source : RISSOAN et JOUIN, 2018, p.90

Slide 20

Slide 20 text

LES OUTILS TRADITIONNELS DE STOCKAGE 20 Source : La Customer Data Platform, appliquée à la relation clients ; Imagino et Custup, 2020

Slide 21

Slide 21 text

AGRÉGER LES DONNÉES AUTOUR D’UN IDENTIFIANT UNIQUE 21 Source : HIRTH, 2017, p.79 • Pour stocker les données, il faut au préalable les « réconcilier ». Le consommateur muticanal dispose de différents devices et donc, identifiants. • Les mécanismes de tracking actuels entrainent une situation complexe : une même personne a un cookie A sur son ordinateur, un IDFA B sur son mobile et un e-mail lié à son compte client. • Pour relier des identifiants entre eux et avoir une vision unifiée du client, il est d’usage d’utiliser des données pivots (e-mail, numéro de téléphone….). • CRM onboarding : C’est une pratique qui consiste à digitaliser une base de données offline. Il s’agit de transformer un mail ou une adresse postale en un identifiant digital (cookie, Id mobile…)

Slide 22

Slide 22 text

UN OUTIL INNOVANT DE STOCKAGE : LA CUSTOMER DATA PLATFORM 22 Source : La Customer Data Platform, appliquée à la relation clients ; Imagino et Custup, 2020

Slide 23

Slide 23 text

#III – FAIRE PARLER LES DONNEES 23

Slide 24

Slide 24 text

EXTRAIRE DE L’INFORMATION : DÉCRIRE ET COMPRENDRE Analyse univariée Etudier les variables une à une grâce à des paramètres de tendance centrale (moyenne, médiane, mode) et des paramètres de dispersion (variance, écart-type, fréquence, étendue…) Faire des rapprochements entre 2 variables (test de Khi-2, coefficients de corrélation, test de comparaison de moyenne…) Analyse bivariée DATA Analyse en composante principale Cette analyse multivariée consiste à transformer des variables corrélées en variables décorrélées les unes des autres. Cela permet de rendre l’information moins redondante. 24 Clustering Le clustering désigne la segmentation automatique des individus en groupes homogènes. Cette technique s’appuie sur la notion de distance entre 2 individus.

Slide 25

Slide 25 text

COMMUNIQUER LES INFORMATIONS : DATA VISUALISATION ET DATA STORYTELLING 25

Slide 26

Slide 26 text

LE MARKETING PRÉDICTIF 26 Une anecdote célèbre circule au sujet du distributeur américain Target, qui a mis en place un outil de prédiction pour tenter de deviner, en fonction des courses effectuées, le moment où les femmes tombent enceintes. Une adolescente de 16 ans a ainsi reçu chez elle des coupons de réduction pour des vêtements et lits de bébé, provoquant la colère de son père, choqué qu’un magasin incite son enfant, encore au collège, à tomber enceinte avec de telles offres. Suivent les plates excuses du directeur du magasin. Mais quelques jours plus tard, c’est le père qui se confond en excuses, car sa fille lui a finalement annoncé…être enceinte, ce que les algorithmes avaient repéré quasiment avant tout le monde. Pour y arriver, Target a mis en place depuis plusieurs années une cellule d’analyse statistique dont le rôle est précisément de décrypter les agissements des clients, notamment avec les renseignements issus des cartes de fidélité. Source : LSA du 19/5/2016

Slide 27

Slide 27 text

LE MARKETING PRÉDICTIF Prédire une valeur Les algorithmes de régression vont être capables de prédire le CA d’un nouveau magasin ou la valeur à vie d’un client. Les algorithmes de classification sont capables de déterminer un état (acheteur/non acheteur ; enceinte / non enceinte;…). Prédire un état DATA Etablir un scoring Le scoring est une probabilité d’appartenance à une classe (bon payeur/mauvais payeur). Les scores les plus utilisés en marketing sont les scores d’appétence, de risque et d’attrition. 27

Slide 28

Slide 28 text

#IV – ACTIVER LES DONNEES 28

Slide 29

Slide 29 text

LA PUBLICITÉ PROGRAMMATIQUE 29 • Cela désigne l’activité publicitaire pour laquelle l’achat d’espace publicitaire, la mise en place des campagnes et leur diffusion sont réalisés de manière automatisée. • Avec l’achat programmatique, les annonceurs réagissent aux signaux des internautes en temps réel, impression par impression, sur tous les écrans. • La publicité digitale programmatique permet aux éditeurs de mettre en vente leurs espaces publicitaires dans une logique d’enchères aux acheteurs les plus offrants parfois en temps réel (Real Time Bidding) Source : gamned.com

Slide 30

Slide 30 text

DATA ET PERSONNALISATION CLIENT Marketing automation C’est l’utilisation de logiciels pour automatiser certaines tâches marketing, qui vont être déclenchées par l’exploitation des data. L’exploitation de données comportementales notamment permet une personnalisation des offres commerciales. Particulièrement sur les sites e- commerce. Recommandation produit DATA ET PERSONNALISATION Adaptation de la pression marketing Devant la multiplication des messages publicitaires automatisés, un des enjeux consiste à gérer la pression commerciale pour chaque internaute. Il faut alors borner le nombre de contacts par individu. 30

Slide 31

Slide 31 text

DATA ET STORE : LE MAGASIN RESTE LA BOÎTE NOIRE DU PARCOURS CLIENT Contrairement au web où les dispositifs de taggage permettent de comprendre les comportements des internautes sur un site, les magasins restent des boîtes noires où on peut identifier au mieux les inputs et les outputs. 31

Slide 32

Slide 32 text

DATA IN STORE : DE NOUVEAUX OUTILS APPARAISSENT La data in store va permettre de collecter de la data en temps réel sur un canal d’achat majeur et d’utiliser cette data pour augmenter les performances commerciales. Collecter de la data pour enrichir la connaissance client Mais des contraintes existent Source : CONVERTEO : Livre blanc data in store, 2018 32

Slide 33

Slide 33 text

3 TYPES D’OUTILS Source : CONVERTEO : Livre blanc data in store, 2018 33

Slide 34

Slide 34 text

OUTILS DE COMPTAGE Source : CONVERTEO : Livre blanc data in store, 2018 34

Slide 35

Slide 35 text

OUTILS D’ANALYSE COMPORTEMENTALE Source : CONVERTEO : Livre blanc data in store, 2018 35

Slide 36

Slide 36 text

OUTILS D’ACTIVATION Source : CONVERTEO : Livre blanc data in store, 2018 36

Slide 37

Slide 37 text

EN RÉSUMÉ Source : CONVERTEO : Livre blanc data in store, 2018 37

Slide 38

Slide 38 text

BIBLIOGRAPHIE - OUVRAGES 38 ➤ ALLARY J. & BALUSSEAU V., La publicité à l’heure de la data, Adtech et programmatique expliqués par des experts, Dunod, 2018 ➤ DENOIX A., Big data, Smart data, stupid data… comment (vraiment) valoriser vos données, Dunod, 2018 ➤ HIRTH J., Le data marketing, Eyrolles, 2017 ➤ MERCANTI-GUERIN M. & VINCENT M., Publicité digitale, Dunod, 2016 ➤ PRAX J.Y., Manuel de Knowledge management, 4ème ed., Dunod, 2019 ➤ RISSOAN R. & JOUIN R., Le boîte à outils de la stratégie Big Data, Dunod, 2018 ➤ SCIBETTA F. & al., L’internet des objets et la data, Dunod, 2018 ➤ TRELOHAN M., Data Marketing, Statistiques appliquées au marketing avec Excel et R, ENI Editions, 2018

Slide 39

Slide 39 text

Retrouvez l’essentiel du marketing digital sur www.bananepourpre.fr 39